高樹(shù)國(guó) 汲勝昌 孟令明 田 源 張玉焜

（1. 國(guó)網(wǎng)河北省電力有限公司電力科學(xué)研究院 石家莊 050021 2. 西安交通大學(xué)電力設(shè)備與電氣絕緣國(guó)家重點(diǎn)實(shí)驗(yàn)室 西安 710049）

0 引言

高壓并聯(lián)電抗器（高抗）運(yùn)行期間調(diào)節(jié)輸電線路的無(wú)功功率，對(duì)維持電壓具有重要的作用[1]。由于受到繞組電流產(chǎn)生的電磁力，磁通在鐵心餅表面產(chǎn)生的麥克斯韋力和磁致伸縮的影響[2-4]，電抗器存在顯著的振動(dòng)與噪聲。在長(zhǎng)期振動(dòng)狀態(tài)下容易出現(xiàn)結(jié)構(gòu)疲勞和緊固件松動(dòng)，而油箱表面聲振特征與內(nèi)部機(jī)械狀態(tài)存在緊密關(guān)聯(lián)，內(nèi)部結(jié)構(gòu)件松動(dòng)后其振動(dòng)形態(tài)發(fā)生了變化，可能導(dǎo)致箱體局部發(fā)生振動(dòng)幅值波動(dòng)或出現(xiàn)其他頻率分量，因此可以通過(guò)提取油箱表面的聲振信號(hào)對(duì)電抗器運(yùn)行狀態(tài)進(jìn)行評(píng)估[5-7]。

國(guó)內(nèi)外大量研究表明，通過(guò)建立具有層次變化的特征向量與系統(tǒng)不同嚴(yán)重程度下缺陷之間的內(nèi)在聯(lián)系，從而得以有效判斷缺陷類型和故障源區(qū)域。文獻(xiàn)[8]驗(yàn)證了采用獲取變壓器聲學(xué)振動(dòng)信號(hào)的方式評(píng)估鐵心和繞組狀況的方法。文獻(xiàn)[9]通過(guò)遠(yuǎn)程監(jiān)測(cè)變壓器狀態(tài)，從而將變壓器振動(dòng)狀態(tài)與內(nèi)部異常類型結(jié)合起來(lái)。

由于生產(chǎn)廠家或型號(hào)的不同，每臺(tái)高壓并聯(lián)電抗器在出廠時(shí)制造工藝并不完全相同，隨著電抗器投運(yùn)時(shí)間的增加，不同時(shí)刻下的聲振信號(hào)也會(huì)發(fā)生不同程度的改變，因此運(yùn)用傳統(tǒng)的聲振分析法時(shí)并不能避免不同時(shí)間維度下電抗器本身所處環(huán)境和運(yùn)行工況所帶來(lái)的機(jī)械狀態(tài)影響。近年來(lái)，隨著人工智能的發(fā)展，深度學(xué)習(xí)作為一種深層神經(jīng)網(wǎng)絡(luò)，逐漸成為監(jiān)測(cè)電力設(shè)備運(yùn)行狀態(tài)方面?zhèn)涫荜P(guān)注的數(shù)據(jù)處理方法[10-11]。深度學(xué)習(xí)模型擁有多個(gè)非線性映射層級(jí)，可以對(duì)輸入信號(hào)逐層抽象并提取特征，從而挖掘出更深層次的潛在規(guī)律[12-14]。同時(shí)隨著電力設(shè)備數(shù)據(jù)量上升以及特征復(fù)雜化，越來(lái)越多的學(xué)者將深度學(xué)習(xí)模型應(yīng)用于電力設(shè)備故障檢測(cè)并取得了很好的效果[15-17]。具有記憶和遺忘功能的時(shí)間序列預(yù)測(cè)模型在國(guó)內(nèi)外不同領(lǐng)域都得到了應(yīng)用，這些應(yīng)用結(jié)果證明了它不僅可以出色地捕獲數(shù)據(jù)的變化趨勢(shì)，而且可以表征時(shí)序數(shù)據(jù)的依賴關(guān)系[18-20]。電力設(shè)備聲振特征既可作為衡量其內(nèi)部缺陷嚴(yán)重程度的指標(biāo)，同時(shí)具有一定隨時(shí)序變化的特有屬性。因此針對(duì)每臺(tái)制造工藝不同、運(yùn)行環(huán)境各異的高壓并聯(lián)電抗器，分別挖掘其聲振特征時(shí)序變化的運(yùn)行狀態(tài)評(píng)估方法具有一定的自適應(yīng)性和個(gè)性化。因此，本文試圖使用時(shí)間序列預(yù)測(cè)的方法獲取電抗器聲振特征的未來(lái)變化趨勢(shì)。

結(jié)合現(xiàn)場(chǎng)電力設(shè)備狀態(tài)監(jiān)測(cè)和聲振特征預(yù)測(cè)的現(xiàn)實(shí)需求，本文開(kāi)發(fā)了一套全天候、抗電磁干擾能力強(qiáng)、具有記錄穩(wěn)態(tài)信號(hào)和暫態(tài)信號(hào)的電抗器聲學(xué)振動(dòng)實(shí)時(shí)采集系統(tǒng)。針對(duì)某1 000kV變電站內(nèi)特高壓并聯(lián)電抗器的聲振數(shù)據(jù)，提出了一種基于門控循環(huán)單元（Gated Recurrent Unit, GRU）網(wǎng)絡(luò)模型的聲振特征預(yù)測(cè)方法。該方法包含詳細(xì)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)以及實(shí)現(xiàn)網(wǎng)絡(luò)預(yù)測(cè)的功能等，結(jié)構(gòu)上包括輸入層、隱藏層和輸出層三個(gè)網(wǎng)絡(luò)層，功能上可實(shí)現(xiàn)多通道信號(hào)的多特征參量預(yù)測(cè)。研究結(jié)果表明，本文采用的電抗器聲振信號(hào)在線監(jiān)測(cè)系統(tǒng)能夠滿足變電站現(xiàn)場(chǎng)投入使用需求，GRU預(yù)測(cè)模型可有效捕捉并適應(yīng)電抗器聲振特征的變化規(guī)律和波動(dòng)趨勢(shì)，不僅避免了電抗器斷電檢修帶來(lái)的整體影響和經(jīng)濟(jì)損失，同時(shí)在一定程度上為正常工況及缺陷下的電抗器運(yùn)行狀態(tài)評(píng)估提供了參考。

1 1 000kV并聯(lián)電抗器聲振信號(hào)分析

1.1 聲振信號(hào)在線監(jiān)測(cè)系統(tǒng)

電抗器聲振在線監(jiān)測(cè)系統(tǒng)由壓電式振動(dòng)加速度傳感器、聲學(xué)傳感器、信號(hào)傳輸線纜、信號(hào)采集裝置與電氣柜五部分組成，如圖1所示。采集裝置結(jié)合了振動(dòng)信號(hào)采集通道和聲學(xué)信號(hào)采集通道，傳感 器參數(shù)見(jiàn)表1。

圖1 數(shù)據(jù)采集設(shè)備 Fig.1 Data acquisition equipment

表1 傳感器參數(shù) Tab.1 Sensor parameters

微型監(jiān)測(cè)裝置內(nèi)部安裝了易于配置的采集卡，具備24位分辨率以及128kS/s采樣率，適合應(yīng)用于數(shù)據(jù)采集和振動(dòng)測(cè)量，能夠?yàn)闄C(jī)械設(shè)備提供24h振動(dòng)監(jiān)測(cè)，集成WiFi的模塊可將數(shù)據(jù)實(shí)時(shí)上傳至云平臺(tái)。在監(jiān)測(cè)軟件的驅(qū)動(dòng)下，監(jiān)測(cè)裝置可以滿足不同的監(jiān)測(cè)需求，對(duì)聲學(xué)振動(dòng)信號(hào)進(jìn)行定時(shí)采樣，各通道同步采集數(shù)據(jù)并處理分析，真正實(shí)現(xiàn)無(wú)人值守，必要時(shí)對(duì)異常狀態(tài)發(fā)出告警的目的，系統(tǒng)對(duì)現(xiàn)場(chǎng)高壓并聯(lián)電抗器監(jiān)測(cè)時(shí)主要利用以下功能：①聲學(xué)振動(dòng)信號(hào)采集、顯示、實(shí)時(shí)預(yù)處理、智能存儲(chǔ)；②提取頻譜成分，比較一段時(shí)間內(nèi)頻率成分的變化；③觸發(fā)采集，通過(guò)設(shè)置閾值告警并捕捉異常狀態(tài)下的瞬態(tài)信號(hào)；④通過(guò)發(fā)送終端實(shí)時(shí)傳輸數(shù)據(jù)至云平臺(tái)；⑤歷史數(shù)據(jù)回調(diào)分析。

1.2 測(cè)點(diǎn)位置

電抗器內(nèi)部結(jié)構(gòu)振動(dòng)傳播至油箱的路徑復(fù)雜，對(duì)于油箱四周的其中一個(gè)平面而言，平面中心部位的振動(dòng)更多的是由液體傳播到達(dá)油箱表面，因此選擇平面中心為測(cè)點(diǎn)位置以便從振動(dòng)信號(hào)中更大程度地提取到鐵心、繞組的振動(dòng)特征；其次，振動(dòng)通過(guò)箱體向外傳播的過(guò)程中，通過(guò)加強(qiáng)筋傳播的振動(dòng)信號(hào)并不能準(zhǔn)確反映箱體內(nèi)部重要結(jié)構(gòu)件的機(jī)械狀態(tài)，因此測(cè)點(diǎn)應(yīng)避開(kāi)加強(qiáng)筋；此外電抗器冷卻風(fēng)扇和油泵的振動(dòng)主頻是50Hz，同時(shí)包含倍頻諧波，容易對(duì)目標(biāo)信號(hào)造成干擾，所以測(cè)點(diǎn)也應(yīng)遠(yuǎn)離冷卻系統(tǒng)?，F(xiàn)場(chǎng)測(cè)點(diǎn)布置如圖2所示，兩個(gè)振動(dòng)加速度傳感器分別 通過(guò)永磁體吸附于靠近繞組的油箱正面和靠近旁軛的側(cè)面，聲學(xué)傳感器由支架支撐放置于油箱正面，并與箱壁保持1m水平距離。

圖2 測(cè)點(diǎn)布置 Fig.2 Layout of measuring points

1.3 聲振信號(hào)特征分析

某一時(shí)刻電抗器油箱箱壁的振動(dòng)信號(hào)和聲壓信號(hào)如圖3所示。通過(guò)對(duì)比通道1和通道2的振動(dòng)信號(hào)可知，油箱正面測(cè)點(diǎn)的振動(dòng)加速度更大，達(dá)到2g以上，這是因?yàn)橥ǖ?的振動(dòng)加速度傳感器距離鐵心和繞組等振動(dòng)源更近。聲學(xué)信號(hào)與其他任一測(cè)點(diǎn)的振動(dòng)信號(hào)相似，兩者具有相同的頻譜特征，其主頻在電抗器正常運(yùn)行狀態(tài)下均為100Hz，同時(shí)包含微量的偶次諧波。因此，聲學(xué)信號(hào)在一定程度上也可以作為電力設(shè)備的狀態(tài)評(píng)估依據(jù)。

圖3 測(cè)點(diǎn)布置各通道信號(hào)時(shí)域和頻域圖 Fig.3 Time domain diagram and frequency domain diagram of each channel signal

本文對(duì)比了某時(shí)刻下正常運(yùn)行狀態(tài)和帶缺陷運(yùn)行的兩臺(tái)高抗的聲振特征，經(jīng)過(guò)后期拆箱檢查，后者電抗器的缺陷是由箱體內(nèi)部結(jié)構(gòu)件松動(dòng)導(dǎo)致，兩種狀態(tài)下的聲振特征見(jiàn)表2和表3。其中奇偶次諧波比和50Hz比重是在線監(jiān)測(cè)系統(tǒng)為了避免電抗器出現(xiàn)直流偏磁以及系統(tǒng)結(jié)構(gòu)被強(qiáng)電磁干擾而提供的特征，一般情況下兩特征值接近于0?；l幅值表示100Hz分量下的振動(dòng)幅值和噪聲幅值，正常情況下該特征穩(wěn)定于某正常區(qū)間內(nèi)，大幅度的波動(dòng)能有效反映電抗器異常的機(jī)械狀態(tài)；基頻比重表示100Hz分量占所有頻率分量的比重，機(jī)械缺陷導(dǎo)致的固有頻率轉(zhuǎn)移造成了除100Hz以外的其他頻譜分量幅值上升，從而基頻比重下降，其中奇偶次諧波比、50Hz比重和基頻比重的表達(dá)式分別為

式中，A為各頻率分量的幅值；A2為某頻率分量的能量。根據(jù)電抗器振動(dòng)特性和以往的振動(dòng)測(cè)量經(jīng)驗(yàn)，大于2 000Hz的頻率成分幾乎不存在，因此需要關(guān)注的頻率范圍處于2 000Hz以內(nèi)。

表2 正常電抗器特征值 Tab.2 Characteristic value of normal rea ctor

表3 缺陷電抗器特征值 Tab.3 Characteristic value of defective reactor

由于兩臺(tái)高抗制造工藝有所偏差，因此比較兩者的基頻幅值意義不大，通常習(xí)慣于將一臺(tái)電抗器當(dāng)前的振動(dòng)基頻幅值與過(guò)去的水平相對(duì)比。正常狀態(tài)下的電抗器基頻比重達(dá)到90%以上，說(shuō)明運(yùn)行狀態(tài)良好的電抗器振動(dòng)信號(hào)基頻分量遠(yuǎn)遠(yuǎn)大于其余頻譜分量，與理論基礎(chǔ)相符。然而缺陷狀態(tài)下的1、2通道基頻比重低于90%，通道2甚至低至35.3%，由此可見(jiàn)，該高抗靠近旁軛的區(qū)域出現(xiàn)較多的振動(dòng)高頻分量。

為了更直觀地表現(xiàn)兩臺(tái)高抗的聲振特征變化，且避免單一時(shí)刻測(cè)量造成的偶然性，有必要對(duì)一段時(shí)間內(nèi)兩者聲振基頻比重進(jìn)行對(duì)比，以基頻比重為例，圖4表現(xiàn)了兩者信號(hào)的基頻比重在一段時(shí)間內(nèi)的波動(dòng)水平，缺陷狀態(tài)下高抗各通道的基頻比重?cái)?shù)值水平與正常情況均有所降低。通過(guò)對(duì)兩臺(tái)電抗器的長(zhǎng)期監(jiān)測(cè)發(fā)現(xiàn)，奇偶次諧波比和50Hz比重的值極低，因此可判斷其直流偏磁和強(qiáng)電磁干擾的情況幾乎不存在。在此基礎(chǔ)上，松動(dòng)缺陷狀態(tài)下的電抗器振動(dòng)基頻比重相對(duì)更低，這是因?yàn)閮?nèi)部結(jié)構(gòu)件松動(dòng)到一定程度后其整體振動(dòng)形態(tài)發(fā)生了變化，從而出現(xiàn)其他頻率分量。此外，靠近缺陷位置的通道表現(xiàn)出的特征值更加明顯，即該通道下的基頻比重下降的程度更多。

圖4 基頻比重對(duì)比 Fig.4 Comparision of fundamental frequency proportion

根據(jù)現(xiàn)場(chǎng)運(yùn)行情況表明，本文所采用的電抗器聲學(xué)振動(dòng)在線監(jiān)測(cè)系統(tǒng)具有方便快捷、運(yùn)行穩(wěn)定的特點(diǎn)，既保證了全天候不間斷運(yùn)行，又能實(shí)現(xiàn)聲學(xué)振動(dòng)信號(hào)固定周期自動(dòng)采集與數(shù)據(jù)實(shí)時(shí)在線傳輸?shù)墓δ堋Ｓ筛邏翰⒙?lián)電抗器聲振特征分析可知，本文采用的在線監(jiān)測(cè)系統(tǒng)一定程度上可對(duì)現(xiàn)場(chǎng)高壓并聯(lián)電抗器運(yùn)行狀態(tài)作出直觀的初步評(píng)估，且由箱體振動(dòng)形態(tài)變化產(chǎn)生的特征參量波動(dòng)程度可作為高壓并聯(lián)電抗器運(yùn)行狀態(tài)評(píng)估判據(jù)。

2 電抗器聲振特征預(yù)測(cè)模型

電抗器正常運(yùn)行期間，箱體內(nèi)結(jié)構(gòu)件在長(zhǎng)期振動(dòng)效應(yīng)下不可避免地持續(xù)發(fā)生狀態(tài)劣化，劣化程度是由長(zhǎng)期效應(yīng)累積的結(jié)果，因此電抗器的當(dāng)前運(yùn)行狀態(tài)并不完全取決于當(dāng)前時(shí)刻設(shè)備的運(yùn)行工況和運(yùn)行環(huán)境，同時(shí)一定程度上受過(guò)去若干因素影響。因此本文選擇以循環(huán)神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的時(shí)間序列預(yù)測(cè)模型對(duì)電抗器聲振特征序列進(jìn)行預(yù)測(cè)，該網(wǎng)絡(luò)的輸出結(jié)果不僅依賴當(dāng)前時(shí)刻的信息，很大程度上也受到之前信息的影響。隨著時(shí)序的推進(jìn)，網(wǎng)絡(luò)權(quán)重參數(shù)依據(jù)當(dāng)前信息以及之前信息不斷進(jìn)行更新?？v觀時(shí)序上先后出現(xiàn)的信息，距離當(dāng)前時(shí)刻越遙遠(yuǎn)的信息對(duì)當(dāng)前輸出的影響權(quán)重值越小。

2.1 理論基礎(chǔ)

高壓并聯(lián)電抗器正常運(yùn)行期間，其聲振特征波動(dòng)程度小，每一時(shí)刻體現(xiàn)出來(lái)的特征值存在連續(xù)性，由各時(shí)間節(jié)點(diǎn)可組成一條完整的時(shí)間序列。GRU和長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory, LSTM）都是在循環(huán)神經(jīng)網(wǎng)絡(luò)（Rerrent Neural Network, RNN）的基礎(chǔ)上進(jìn)行改進(jìn)的，三種網(wǎng)絡(luò)均能夠記憶之前的信息并應(yīng)用于計(jì)算當(dāng)前時(shí)刻信息[21-23]。

在時(shí)間序列訓(xùn)練的過(guò)程中，兩種模型的存儲(chǔ)單元共接收三個(gè)輸入，其中包含當(dāng)前時(shí)刻的輸入信息、長(zhǎng)期記憶下的遺留信息及短期記憶下的遺留信息。各種門的開(kāi)關(guān)狀態(tài)受到輸入層信息和前一時(shí)刻隱層信息的影響，從而決定應(yīng)該記憶的信息和應(yīng)該刪除的信息，存儲(chǔ)單元中的各權(quán)重值緩慢更新。

圖5所示為GRU存儲(chǔ)單元內(nèi)部結(jié)構(gòu)，其中包含的重置門和更新門的計(jì)算公式為

式中，t與t-1為序列中元素的先后順序；xt與ht-1分別為當(dāng)前時(shí)刻輸入信息與上一時(shí)刻輸出信息；W為用于更新輸入的權(quán)重系數(shù)矩陣；U為用于更新上一時(shí)刻輸出的權(quán)重系數(shù)矩陣；b為偏置向量；下標(biāo)z、r分別為更新門和重置門。重置門控制了短期記憶信息和遺忘信息，更新門對(duì)長(zhǎng)期記憶信息進(jìn)行篩選。為了增強(qiáng)網(wǎng)絡(luò)的非線性，兩個(gè)門的激活函數(shù)σ采用Sigmoid函數(shù)，在0~1之間取值，表示為

圖5 GRU結(jié)構(gòu) Fig.5 GRU structure

LSTM和GRU結(jié)構(gòu)的微妙設(shè)計(jì)在于儲(chǔ)存單元中的門控可以選擇信息流向，解決了RNN梯度消失的問(wèn)題。因此，鑒于LSTM和GRU在提取歷史信息以及解決序列數(shù)據(jù)的長(zhǎng)期依賴性問(wèn)題方面效果較好，所以本文采用兩種模型分別對(duì)電抗器聲振特征進(jìn)行預(yù)測(cè)。

2.2 模型結(jié)構(gòu)與參數(shù)

單步預(yù)測(cè)是時(shí)間序列預(yù)測(cè)模型的基礎(chǔ)，對(duì)于簡(jiǎn)單研究模型來(lái)說(shuō)，輸出未來(lái)下一時(shí)間節(jié)點(diǎn)的結(jié)果即可獲得理想效果。對(duì)于變電站電力設(shè)備的大量聲學(xué)振動(dòng)數(shù)據(jù)，采用單步預(yù)測(cè)并不能現(xiàn)實(shí)且應(yīng)用效率極低，因此本文的預(yù)測(cè)模型采用多步預(yù)測(cè)且最終可以得到未來(lái)一段時(shí)間內(nèi)的預(yù)測(cè)結(jié)果。隨著預(yù)測(cè)步長(zhǎng)的增大，模型對(duì)時(shí)間序列的特征規(guī)律越加難以提取，預(yù)測(cè)精度也隨之降低。

為了提高網(wǎng)絡(luò)學(xué)習(xí)能力和擬合度，通常將訓(xùn)練集劃分為多組樣本，這是為了加強(qiáng)多組樣本之間的相關(guān)性。若以每天獲取到的數(shù)據(jù)量為預(yù)測(cè)單元，則應(yīng)將分組滑動(dòng)窗口長(zhǎng)度設(shè)為480，由此每個(gè)窗口中可包含480個(gè)連續(xù)特征，滑動(dòng)步長(zhǎng)的長(zhǎng)度為48。網(wǎng)絡(luò)訓(xùn)練過(guò)程中每次迭代期間窗口都按照該滑動(dòng)方式到達(dá)序列固定位置，末次迭代即得到預(yù)測(cè)結(jié)果，樣本分組及窗口結(jié)構(gòu)如圖6所示。

圖6 樣本結(jié)構(gòu) Fig.6 Sample structure

隱層神經(jīng)元個(gè)數(shù)設(shè)定對(duì)于網(wǎng)絡(luò)模型的學(xué)習(xí)能力有至關(guān)重要的作用，同時(shí)也盡可能地在訓(xùn)練模型的過(guò)程中提取高維特征規(guī)律。節(jié)點(diǎn)數(shù)過(guò)少會(huì)導(dǎo)致模型難以提升學(xué)習(xí)能力，提取不到數(shù)據(jù)深層次的規(guī)律信息；節(jié)點(diǎn)數(shù)過(guò)多會(huì)導(dǎo)致訓(xùn)練時(shí)間驟增，計(jì)算量過(guò)大，還會(huì)造成過(guò)擬合現(xiàn)象。因此，考慮到本預(yù)測(cè)模型的復(fù)雜度和數(shù)據(jù)量，確定隱層節(jié)點(diǎn)數(shù)為24個(gè)。

2.3 基礎(chǔ)數(shù)據(jù)集

為了綜合衡量電抗器運(yùn)行狀態(tài)，數(shù)據(jù)序列由多個(gè)聲振特征組成，由于在線監(jiān)測(cè)系統(tǒng)中聲振信號(hào)的基頻幅值與基頻比重對(duì)電抗器運(yùn)行狀態(tài)監(jiān)測(cè)的有效性，且以與頻譜分布有關(guān)的頻譜能量作為輔助，因此最終選擇基頻幅值、基頻比重和頻譜能量三種特征作為序列預(yù)測(cè)數(shù)據(jù)集的組成部分。頻譜能量表示各頻率所具有的能量之和，當(dāng)固有頻率發(fā)生改變，油箱內(nèi)部結(jié)構(gòu)局部容易發(fā)生共振，從而頻譜能量出現(xiàn)大幅度波動(dòng)，其表示方法為

利用三種聲振特征組成的三維時(shí)間序列作為網(wǎng)絡(luò)模型的訓(xùn)練與預(yù)測(cè)對(duì)象，合理確定樣本數(shù)量對(duì)模型最終的預(yù)測(cè)結(jié)果具有重要影響，樣本數(shù)過(guò)大會(huì)造成計(jì)算時(shí)間驟增、收斂速度慢等問(wèn)題；樣本數(shù)過(guò)小會(huì)導(dǎo)致數(shù)據(jù)特征規(guī)律提取不充分、預(yù)測(cè)精度不高等問(wèn)題?；陔娍蛊鲗?shí)際運(yùn)行狀態(tài)以及網(wǎng)絡(luò)模型結(jié)構(gòu)類型，有必要對(duì)信號(hào)采集和數(shù)據(jù)劃分作出以下處理：

（1）設(shè)置監(jiān)測(cè)系統(tǒng)對(duì)聲振信號(hào)采樣間隔為30min，進(jìn)行全天候重復(fù)定時(shí)采樣，一天內(nèi)每個(gè)通道獲取到48段時(shí)域波形。

改革開(kāi)放40年，隨著社會(huì)主義市場(chǎng)經(jīng)濟(jì)的確立和經(jīng)濟(jì)的快速發(fā)展，今日之中國(guó)已成為世界第二大經(jīng)濟(jì)體，與此相適應(yīng)的社會(huì)變遷正在使轉(zhuǎn)型中的中國(guó)社會(huì)處于深刻變革之中。為適應(yīng)新形勢(shì)下全面深化改革的需要，中共十八屆三中全會(huì)通過(guò)對(duì)以往創(chuàng)新社會(huì)管理實(shí)踐探索的理論提升，對(duì)創(chuàng)新社會(huì)治理、改進(jìn)社會(huì)治理方式提出了新的要求。從創(chuàng)新管理到創(chuàng)新治理，意味著黨的治國(guó)理政方略在處理國(guó)家與社會(huì)之關(guān)系上的重大轉(zhuǎn)變，即由自上而下政府一元主導(dǎo)的社會(huì)管理向政府主導(dǎo)多元主體協(xié)同共建共治的系統(tǒng)治理的轉(zhuǎn)變。

（2）對(duì)數(shù)據(jù)進(jìn)行篩選和預(yù)處理，去除趨勢(shì)項(xiàng)，以利于最終信號(hào)特征更大程度地反映電抗器的運(yùn)行狀態(tài)，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。

（3）采用滑動(dòng)窗口的方式對(duì)數(shù)據(jù)序列進(jìn)行樣本劃分，從樣本中劃分訓(xùn)練集與測(cè)試集。

（4）針對(duì)多測(cè)點(diǎn)的監(jiān)測(cè)平臺(tái)，分別構(gòu)建各通道相應(yīng)格式的數(shù)據(jù)樣本。

歷史波動(dòng)趨勢(shì)如圖7所示。歷史數(shù)據(jù)中各特征參量存在一定程度的波動(dòng)，但始終穩(wěn)定于固定范圍內(nèi)?？梢钥闯?，各特征參量具有較強(qiáng)的連續(xù)性，存在一定的時(shí)序規(guī)律，且某時(shí)刻的特征值是在上一時(shí)刻的基礎(chǔ)上結(jié)合當(dāng)前運(yùn)行工況與運(yùn)行環(huán)境等多種因素共同決定的。

圖7 頻譜特征歷史數(shù)據(jù) Fig.7 Spectrum characteristic history data

3 1 000kV電抗器狀態(tài)評(píng)估的實(shí)際應(yīng)用與分析

以某1 000kV變電站中的油浸式并聯(lián)電抗器為研究對(duì)象，在線監(jiān)測(cè)系統(tǒng)在數(shù)據(jù)采集階段對(duì)正常運(yùn)行的高壓并聯(lián)電抗器箱壁表面垂直方向采集通道2的振動(dòng)信號(hào)和通道1的聲學(xué)信號(hào)，并實(shí)時(shí)向云平臺(tái)傳輸數(shù)據(jù)，預(yù)測(cè)分析階段包括數(shù)據(jù)預(yù)處理，主要針對(duì)時(shí)域信號(hào)去除趨勢(shì)項(xiàng)、處理缺失數(shù)據(jù)。

3.1 網(wǎng)絡(luò)訓(xùn)練

針對(duì)從存儲(chǔ)云端獲取的歷史數(shù)據(jù)，對(duì)其進(jìn)行同步預(yù)處理和傅里葉變換，最終獲取3路通道信號(hào)中的基頻幅值、基頻比重和頻譜能量，共形成9條與聲振特征相關(guān)的時(shí)間序列。綜合考慮樣本數(shù)據(jù)量、數(shù)據(jù)形式和模型訓(xùn)練強(qiáng)度等因素，將每步長(zhǎng)下的訓(xùn)練集時(shí)間序列長(zhǎng)度確定為480，將測(cè)試集的時(shí)間序列長(zhǎng)度確定為48，即每步長(zhǎng)下采用10天的歷史數(shù)據(jù)預(yù)測(cè)未來(lái)1天的數(shù)據(jù)，由此可以完整地表現(xiàn)出電抗器未來(lái)24h內(nèi)聲振特征的變化趨勢(shì)。

將9條聲振特征序列訓(xùn)練集的輸入樣本和輸出樣本通過(guò)GRU預(yù)測(cè)模型構(gòu)建對(duì)應(yīng)關(guān)系，首先設(shè)置各權(quán)重矩陣中各權(quán)重因素的隨機(jī)初始值，其次網(wǎng)絡(luò)模型利用輸出序列與實(shí)測(cè)序列組成的損失函數(shù)表示訓(xùn)練結(jié)果，本文采用的損失函數(shù)表達(dá)式為

式中，yi為預(yù)測(cè)序列中第i個(gè)值；為實(shí)測(cè)序列中第i個(gè)值。

網(wǎng)絡(luò)訓(xùn)練過(guò)程中，多次迭代使得損失函數(shù)不斷降低，過(guò)程中各權(quán)重值逐漸向著最優(yōu)解逼近。當(dāng)損失函數(shù)低于0.001時(shí)迭代停止；否則網(wǎng)絡(luò)持續(xù)迭代1 000次。最終網(wǎng)絡(luò)模型輸出結(jié)果誤差精度達(dá)到最大化，各網(wǎng)絡(luò)層權(quán)重值達(dá)到最佳。

3.2 預(yù)測(cè)結(jié)果

圖8 振動(dòng)通道預(yù)測(cè)結(jié)果 Fig.8 Prediction results of vibration channel

通道1表示油箱正面中心點(diǎn)的振動(dòng)信號(hào)特征，該振動(dòng)測(cè)點(diǎn)離鐵心和繞組最近，通過(guò)該測(cè)點(diǎn)獲取的振動(dòng)信號(hào)包含了更多關(guān)于機(jī)械狀態(tài)有價(jià)值的信息，振動(dòng)規(guī)律比其他測(cè)量點(diǎn)對(duì)應(yīng)的振動(dòng)信號(hào)規(guī)律性更強(qiáng)。通道2表示油箱側(cè)面的振動(dòng)信號(hào)特征，該振動(dòng)測(cè)點(diǎn)位置位于油箱側(cè)面的中心，通過(guò)該測(cè)點(diǎn)獲取的振動(dòng)信號(hào)在傳輸過(guò)程中通過(guò)了更復(fù)雜的介質(zhì)路徑，在主流振動(dòng)信號(hào)中包含了一部分緊固夾件、拉桿等固體傳播介質(zhì)的強(qiáng)迫振動(dòng)，雖然在某特定時(shí)刻其預(yù)測(cè)值與實(shí)測(cè)值差異較為明顯，但總體預(yù)測(cè)曲線與實(shí)測(cè)曲線較為吻合。

圖9所示為GRU預(yù)測(cè)模型下噪聲信號(hào)的基頻幅值、基頻比重及頻譜能量的預(yù)測(cè)效果。與其他兩通道的振動(dòng)特征預(yù)測(cè)效果相比，聲學(xué)特征的預(yù)測(cè)結(jié) 果和實(shí)測(cè)結(jié)果幾乎不存在明顯的局部差異。噪聲通過(guò)空氣傳播的過(guò)程中，噪聲信號(hào)中微弱的、非主要成分被衰減，從而傳聲器采集到與機(jī)械狀態(tài)密切相關(guān)的關(guān)鍵信息。

圖9 聲學(xué)通道預(yù)測(cè)結(jié)果 Fig.9 Prediction results of acoustic channel

在一定誤差范圍內(nèi)，正常情況下的預(yù)測(cè)值與實(shí)際值的大小基本相等，這是因?yàn)轭A(yù)測(cè)模型在訓(xùn)練期間能從歷史數(shù)據(jù)中掌握電抗器聲振特征趨勢(shì)變化的規(guī)律。在電抗器內(nèi)部結(jié)構(gòu)機(jī)械狀態(tài)良好的情況下，可以認(rèn)為預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果持續(xù)保持高度吻合。

3.3 模型評(píng)估

為了衡量預(yù)測(cè)模型對(duì)電抗器聲振特征的預(yù)測(cè)性能，本文采用三種評(píng)估指標(biāo)對(duì)其進(jìn)行評(píng)估：平均絕對(duì)百分比誤差（MAPE）、平均絕對(duì)誤差（MAE）和方均根誤差（RMSE）。范圍均為[0,+∞)。MAPE通常以百分比的表示方式提供預(yù)測(cè)精度度量結(jié)果；MAE表示預(yù)測(cè)結(jié)果和實(shí)際數(shù)據(jù)之間的平均誤差；RMSE表示模型預(yù)測(cè)結(jié)果的標(biāo)準(zhǔn)差。三種評(píng)估標(biāo)準(zhǔn)值越小證明模型性能越好，預(yù)測(cè)精度越高。其表達(dá)式為

表4~表6分別為GRU預(yù)測(cè)模型針對(duì)三種聲振特征的預(yù)測(cè)精度評(píng)估情況。利用每一時(shí)刻的預(yù)測(cè)值和實(shí)際值可分別計(jì)算MAE、MAPE和RMSE的評(píng)估結(jié)果。與基頻幅值和基頻比重相比，頻譜能量在各通道下的MAE均為最大值，通道1達(dá)到0.215 0。頻譜能量的MAPE值均處于3%以上，其RMSE值最大達(dá)到0.264 3。這是由于頻譜能量對(duì)機(jī)械狀態(tài)的變化更為敏感，因此在可接受的誤差范圍內(nèi)，頻譜能量可以作為首選的電抗器狀態(tài)評(píng)估的重要參考特征之一。

表4 基頻幅值預(yù)測(cè)效果評(píng)估 Tab.4 Effect evaluation of fundamental frequency amplitude prediction

表5 基頻比重預(yù)測(cè)效果評(píng)估 Tab.5 Effect evaluation of fundamental frequency proportion prediction

表6 頻譜能量預(yù)測(cè)效果評(píng)估 Tab.6 Effect evaluation of spectrum energy prediction

GRU和LSTM都具有時(shí)間序列記憶功能和遺忘機(jī)制，對(duì)改進(jìn)遞歸神經(jīng)網(wǎng)絡(luò)有重要作用。因此以同樣時(shí)間段下的聲振基頻幅值為例，本文在此引入相同結(jié)構(gòu)參數(shù)下的LSTM模型與GRU模型進(jìn)行對(duì)比，見(jiàn)表7。除了聲學(xué)信號(hào)通道下的MAPE值以外，GRU模型的預(yù)測(cè)評(píng)估值均略低于LSTM模型，說(shuō)明針對(duì)本臺(tái)高壓并聯(lián)電抗器的聲振特征，GRU模型的預(yù)測(cè)精度稍高。此外，理論上GRU的結(jié)構(gòu)比LSTM結(jié)構(gòu)更為簡(jiǎn)單。通過(guò)驗(yàn)證，各信號(hào)通道下GRU模型的計(jì)算時(shí)間更短，相比LSTM模型平均可節(jié)約8min。

表7 GRU與LSTM模型評(píng)估對(duì)比 Tab.7 Comparison of GRU and LSTM models

由于振動(dòng)通道與聲學(xué)通道存在一定差異性，因此兩者的評(píng)估指標(biāo)閾值應(yīng)當(dāng)有所區(qū)分。采用基于在線監(jiān)測(cè)系統(tǒng)和聲振特征預(yù)測(cè)模型對(duì)高壓并聯(lián)電抗器運(yùn)行狀態(tài)評(píng)估時(shí)，振動(dòng)通道的MAE、MAPE和RMSE的閾值可分別設(shè)定為0.8、3%和0.9，聲學(xué)通道的MAE、MAPE和RMSE的閾值可分別設(shè)定為0.1、0.1%和0.18。

3.4 缺陷狀態(tài)對(duì)應(yīng)的模型輸出結(jié)果分析

本文采用的在線監(jiān)測(cè)系統(tǒng)自2019年4月安裝完畢至2020年7月期間，硬件均無(wú)異常，數(shù)據(jù)采集和數(shù)據(jù)傳輸功能仍能正常實(shí)現(xiàn)。然而自2019年12月起，通過(guò)對(duì)比模型輸出結(jié)果與實(shí)際結(jié)果發(fā)現(xiàn)，無(wú)論是局部趨勢(shì)還是整體趨勢(shì)，聲振頻譜特征當(dāng)前時(shí)刻的實(shí)測(cè)結(jié)果開(kāi)始明顯偏離前一天的模型輸出結(jié)果。正常情況下預(yù)測(cè)模型根據(jù)歷史數(shù)據(jù)推演出下一個(gè)時(shí)間段內(nèi)即將出現(xiàn)的聲振特征變化趨勢(shì)，即電抗器預(yù)期的理想運(yùn)行狀態(tài)。然而當(dāng)前時(shí)刻的聲振特征波動(dòng)規(guī)律并不符合理想變化趨勢(shì)，因此電抗器油箱內(nèi)部可能存在機(jī)械缺陷導(dǎo)致的結(jié)構(gòu)件隨機(jī)振動(dòng)，從而影響了箱壁原有的振動(dòng)形態(tài)。以采集振動(dòng)信號(hào)的通道1為例，圖10所示為某時(shí)間段下基頻幅值、基頻比重和頻譜能量的實(shí)測(cè)結(jié)果與模型輸出結(jié)果出現(xiàn)明顯偏差的對(duì)比。

圖10 缺陷狀態(tài)下特征對(duì)比結(jié)果 Fig.10 Characteristic comparison results under defect state

在同一時(shí)間段下，研究人員通過(guò)其他手段對(duì)本臺(tái)高抗進(jìn)行故障檢測(cè)，診斷結(jié)果表明，油箱內(nèi)部某 區(qū)域存在局部放電，且伴隨著間歇性異響。經(jīng)過(guò)返廠檢修，發(fā)現(xiàn)非出線側(cè)X柱上磁分路靠近旁軛的夾件與主鐵心上夾件間接地線未連接，接線頭與上鐵軛拉螺桿墊圈接觸，拉螺桿墊圈及對(duì)應(yīng)夾件和絕緣墊圈周圍有明顯放電痕跡，缺陷區(qū)域如圖11所示。

圖11 缺陷區(qū)域 Fig.11 Defect area

結(jié)合模型輸出結(jié)果分析可知，當(dāng)模型輸出結(jié)果與實(shí)測(cè)結(jié)果之間的波動(dòng)趨勢(shì)不再吻合，此時(shí)可能存在機(jī)械結(jié)構(gòu)件松動(dòng)狀態(tài)下的隨機(jī)振動(dòng)對(duì)原本的振動(dòng)形態(tài)造成的頻繁干擾，導(dǎo)致油箱內(nèi)部機(jī)械結(jié)構(gòu)件的振動(dòng)偏離了自然趨勢(shì)和特征規(guī)律，而兩者偏離程度也恰好可以反映內(nèi)部缺陷或故障的嚴(yán)重程度。

以基頻比重為例，電抗器正常狀態(tài)下和缺陷狀態(tài)下聲振特征參量模型輸出值與實(shí)測(cè)值的誤差對(duì)比見(jiàn)表8。由表8中對(duì)比結(jié)果可知，電抗器在缺陷狀態(tài)下其聲振特征的模型輸出結(jié)果與實(shí)測(cè)結(jié)果偏差明顯大于正常狀態(tài)，且三個(gè)通道的偏差都超過(guò)了規(guī)定閾值，由此驗(yàn)證了通過(guò)衡量?jī)烧咂羁蛇_(dá)到電抗器運(yùn)行狀態(tài)評(píng)估的效果。

表8 正常狀態(tài)與缺陷狀態(tài)下的評(píng)估結(jié)果對(duì)比 Tab.8 Comparison of evaluation results between normal state and defect state

4 結(jié)論

本文基于在線監(jiān)測(cè)系統(tǒng)和時(shí)間序列預(yù)測(cè)模型提出一種電抗器運(yùn)行狀態(tài)評(píng)估方法，該方法利用某變電站高壓并聯(lián)電抗器油箱表面振動(dòng)信號(hào)和噪聲信號(hào)的歷史數(shù)據(jù)，通過(guò)時(shí)間序列預(yù)測(cè)的方式獲取了未來(lái) 24h 內(nèi)的信號(hào)基頻幅值、基頻比重和頻譜能量三種特征參量，由此本文得到以下結(jié)論：

1）變電站現(xiàn)場(chǎng)投入使用的聲振在線監(jiān)測(cè)系統(tǒng)可滿足實(shí)際復(fù)雜的運(yùn)行要求和運(yùn)行環(huán)境，長(zhǎng)期帶電運(yùn)行體現(xiàn)了該系統(tǒng)的穩(wěn)定性。

2）通過(guò)在線監(jiān)測(cè)系統(tǒng)持續(xù)運(yùn)行，初步形成了以奇偶次諧波比、 50Hz 比重、基頻幅值與基頻比重為指標(biāo)的缺陷診斷方法。

3）本文采用LSTM和GRU 預(yù)測(cè)模型對(duì)電抗器聲振特征進(jìn)行預(yù)測(cè)，通過(guò)與真實(shí)測(cè)量值對(duì)比，預(yù)測(cè)結(jié)果的整體趨勢(shì)、波動(dòng)程度均與實(shí)測(cè)數(shù)據(jù)接近吻合，同時(shí)模型輸出結(jié)果中特征參量的波動(dòng)趨勢(shì)可為狀態(tài)評(píng)估提供參考。

4）利用本文方法對(duì)一臺(tái)接地線未連接的缺陷高抗聲振特征進(jìn)行評(píng)估，結(jié)果表明，模型輸出結(jié)果與實(shí)測(cè)結(jié)果是否吻合，可說(shuō)明電抗器當(dāng)前振動(dòng)特征波動(dòng)是否存在規(guī)律性，可判斷箱體內(nèi)部是否存在機(jī)械缺陷。

綜上所述，本文利用在線監(jiān)測(cè)系統(tǒng)和時(shí)間序列預(yù)測(cè)模型對(duì)電抗器聲振特征進(jìn)行對(duì)比分析的方法可以作為電抗器狀態(tài)評(píng)估的有效途徑，為現(xiàn)場(chǎng)運(yùn)維人員提供及時(shí)、有效的參考價(jià)值，一定程度上可以提高現(xiàn)場(chǎng)電力設(shè)備運(yùn)行的完備率。