基于BP神经网络的有载分接开关状态感知及故障诊断研究

2022-01-04杨文强刘颖飞丁同帅欧乐知彭平

湖南电力 2021年6期

杨文强，刘颖飞，丁同帅，欧乐知，彭平

(1.山东和兑智能科技有限公司，山东济南 250000；2.国网湖南省电力有限公司电力科学研究院，湖南长沙 410007)

0 引言

有载分接开关是有载调压变压器的核心部件，通过逐级动作来控制与其相连接的高压侧线圈进而实现有载调压[1－2]。随着人们对供电质量要求的不断提高，有载分接开关得到了快速的发展与应用。然而，我国有载分接开关故障占变压器零部件故障的20%以上，对于普及率更高的西方发达国家而言，有载分接开关的故障率更是超过40%，因此有载分接开关故障诊断具有重要意义。

目前，关于有载分接开关故障诊断的主要措施为离线定期吊芯检测，该检测方法不仅需要大量的人工，同时还可能会造成检修过度引发开关的二次故障，因此，研究非介入式故障诊断技术已经成为有载分接开关故障诊断的主流趋势[3]。本文所研究的机械振动信号诊断方法就能够很好地满足非介入的要求，此外，对于有载分接开关而言，其机械振动信号能够有效地反应出开关的机械状态，为开关的状态识别以及故障诊断提供重要的数据来源。

近年来，国内外学者对于有载分接开关故障诊断进行了很多研究，其中，邓文斌、邓敏利用有载分接开关的声学振动特性，对弹簧松动故障进行诊断[4－5]；杨森提出一种基于变分模态分解与Fisher－Score特征选择的故障诊断方法，通过VMD分解、模态分析、特征选择以及特征筛选与重构等步骤，进行振动信号的分类识别与故障诊断，提高了识别的精度[6]；曾全昊利用有载分接开关切换过程振动信号的递归图纹理特征，建立卷积神经网络故障诊断模型，对开关故障进行识别与诊断，该方法很好地应用于开关轻微故障的诊断中[7]；王丰华基于开关振动信号的混沌动力学特征，利用Bayes估计相空间融合与改进支持向量数据描述等方法，提高机械故障的识别精度[8]。

结合上述分析，有载分接开关非介入性检测是未来检测的主流趋势，各学者也采用不同的手段对有载分接开关的非介入性检测进行了研究，但Fisher－Score特征选择、Bayes估计等手段计算量相对较大，诊断速度较慢，不利于工程应用。与此同时，学者们对于对有载分接开关的传感器采集信号的分析与特征量提取的研究尚不够全面，这就意味着状态诊断数据来源的可靠性、科学性的研究需要进一步的完善。鉴于此，本文提出一种基于BP神经网络与EEMD分解的有载分接开关故障诊断方法，一方面利用BP神经网络的优势来提高诊断的精度与速度，另一方面通过EEMD分解的方法来提高机械振动信号提取的可靠性。

1 模型与原理

1.1 BP神经网络

BP神经网络是一种用于数据分类或者数据预测的机器学习模型。神经元主要包括输入层、隐藏层和输出层，每个神经元都有一个激活函数，用来计算被“刺激”的神经元个数，在每一层，神经元集合都会对输入参数进行一定的变换并将这些参数向下一层分布，本文关于BP神经网络的基本原理参考张兵、宋尖、邹治锐[9－11]等人的相关研究。

1.2 EEMD分解

EEMD分解的基本原理为:在待分解的信号中加入高斯白噪声，利用白噪声的均匀分布特性，使信号在不同尺度上具有连续性，进而避免模态混叠。由于加入白噪声具有零均值的特性，所以进行分解处理后，最后通过求平均而得到逼近的真实模态[12－13]。

利用EEMD分解方法来提取开关机械振动信号，具体步骤如下:

1)在开关原始振动信号xi(t)中多次加入均值为零并且幅值标准差为常数的高斯白噪声lk(t)，从而得到新的待测信号xik(t)，即:

2)利用EMD，将待测信号xik(t)进行分解，使其分为多个IMF分量ck j(t)以及余项rk(t)。其中ck j(t)为加入高斯白噪声时使用EMD分解所得到的的第j个IMF分量。

3)经过1)、2)步骤，虽然能够得到IMF分量，但是加入高斯白噪声后，将会影响IMF分量之间的相关性，因此需要重复1)、2)步骤，以保证该影响最低。利用不相关随机序列的统计均值为零的原理，将最终分解得到的K组IMF分量及余项的均值作为最终结果，即:

4)经过最终分解，得到IMF分量及其对应的余项，计算各分量与原始振动信号xi(t)的相关系数μj，并保留相关系数大于max(μj)/n的前p个IMF分量，作为有载分接开关的故障数据进行诊断，保留IMF1—IMF6这六个分量。

1.3 有载分接开关及测试设备

本文所研究的有载分接开关为CM305Y系列的油浸式CM型多级线性正反调压有载分接开关，主要由驱动电机、蜗轮蜗杆、弹簧拨杆、曲柄、瞬转拨盘、槽轮、位置指示盘、主弹簧、定触头、动副触头以及动主触头组成。

有载分接开关的主要参数如下:

1)最大额定通过电流350 A；

2)额定频率50～60 Hz；

3)连接方式为三相Y接；

4)最大级电压3 300 V；

5)额定级容量1 000 kVA；

6)电压等级35 kV；

7)承受短路能力为热稳定(三秒)6 kA，动稳定(峰值)15 kA；

8)最高设备电压40.5 kV；

9)工频试验电压(1 min)85 kV；

10)冲击试验电压(1.2/50)200 kV。

有载分接开关振动检测系统采用YD－37压电式加速度传感器以及GD201恒流源实现开关振动信号的采集工作，振动信号由安装有PCI8192的数据采集卡计算机存储和处理，有载分接开关机械振动故障诊断系统原理如图1所示。

图1 有载分接开关故障诊断原理

2 故障诊断BP神经网络模型的构建

2.1 输入变量

输入变量的数据来自于实验室环境下进行的变压器有载开关模拟实验。实验中，将开关放置于充满油的油箱中，以模拟分接开关布置于变压器油箱的实际工况。分别对开关进行削短快速机构弹簧2圈、拧松弧形板螺丝、拧松切换开关触头螺丝等操作来模拟主弹簧弱化、弧形板松动、触头松动等有载分接开关典型缺陷。

有载分接开关的状态能够通过振动信号反映出来，因此选取振动信号作为故障诊断模型的输入变量，采用EEMD分解提取振动特征的特征向量，保留IMF1—IMF6这六个IMF分量作为振动信号的提取数据。

采用YD－37型加速度传感器对有载分接开关切换操作过程中的机械振动信号进行采集。实验共得到216组特征向量，筛选出错误及无效数据，共提取196组振动特征向量数据。抽取100组实验数据作为BP神经网络的训练数据，其中正常、主弹簧弱化、弧形板松动、触头松动故障数据各25组。部分输入变量见表1。

表1 部分训练数据

2.2 数据归一化

对于学习样本，采取归一化的方式进行处理，基本原理如公式(3):

式中，为平均数，xmax为最大值，xmin为最小值。

2.3 输出变量

有载分接开关结构相对复杂，故障类型也比较多，为验证BP神经网路故障诊断模型的准确性，选择正常以及3种典型的开关故障作为输出变量。由于研究的机械振动类型总共有4种，因此本文的输出变量有4个，每个输出变量是0—1之间的数字，分别对应四种状态，训练过程的输入输出关系见表2。

表2 输入输出对应表

2.4 模型训练过程

鉴于输入输出变量，所建立BP神经网络模型结构为6－9－4(6个输入层，9个隐藏层，4个输出层)，模型结构如图2所示。

图2 神经网络结构

对100个样本进行训练，选取80个样本作为训练集，分别选取10个样本作为验证集与测试集。

使用Levenberg－Marquardt反向传播来提高纯误差的反向传播或最速下降相关的模型训练率，通过该算法保持了训练模型的准确性。根据优化后的的模型结构、输入参数和节点数对ANN模型进行训练。训练和预测(估计)的准确性都用平均绝对误差来评估。

从图3的训练曲线中可以看出，所采用的BP神经网络模型在54步时达到收敛，具有很好的收敛性，因此说明BP网络能够很好的应用于文章的故障诊断中。

模型回归特性如图4所示，图中x为目标，y为输出，图(a)中y＝0.94x＋0.033，图(b)中y＝0.84x＋0.096，图(c)中y＝0.85x＋0.069，图(d)中y＝0.92x＋0.044。模型经过训练后，得到了较高的拟合准确率，其中在训练过程中模型拟合准确率为98.023%，在验证过程中模型拟合准确率为97.626%，在测试过程中模型拟合准确率为93.360%，在整体过程中，模型拟合准确率为97.499%。因此，本模型的测试准确率较高，输出参数的预测值与参考值比较接近。

模型的误差直方图如图5所示，从图中可以看出，误差分布遵循高斯分布规则，证明了训练数据的代表性。