基于声振一体的变压器故障诊断关键技术研究

赵学举

（科华数据股份有限公司，福建 厦门 361006）

0 引言

近年来，随着国家经济的快速发展，电网建设突飞猛进，实现了跨越式发展。作为电网核心设备的变压器，随着经济建设投资，广泛地应用于机场、港口、医院、工厂及小区等领域。变压器运行是否正常，直接关系到国民经济的发展和居民的日常生活，因此，对变压器的智能化监测越来越受到重视。

变压器的状态监控与故障诊断技术涉及电力物联网、大数据、人工智能、计算机、通信、控制与传动、材料以及电力技术等多方面学科。本文的研究对象是基于声纹和振动的变压器故障诊断的故障模型的建立。

1 研究背景

变压器的故障反映在电、温、声、振、气等各个方面。本文主要介绍气体和声振的检测机理，给出基于声振的故障诊断系统结构和采用的数据模型。

1.1 油色谱在线监测研究

油色谱在线监测技术在变压器的故障监测中应用很广，其基本原理是采集变压器中的气体，通过化学的方法对气体色谱进行分析。这些主要是烃类气体，包括氢气、一氧化碳、甲烷、乙烯、乙炔和乙烷等六种气体[1]。随着温度的逐渐升高，通过专家系统的数据统计分析，对应的溶解气体产生的色谱与故障特征存在一定的对应关系。因此，通过气体采集装置，定时采集变压器油中的气体，并进行油色谱分析，可以及时发现变压器的潜在故障隐患，对变压器的及时维修保养具有重要的意义。

1.2 变压器故障的声振特性

电力设备（包括变压器）处于不同的工作状态，能够产生不同的声音。经验丰富的检修人员，能够根据声音大致判断出故障。因此，变压器的常见故障也可以通过声音进行判断。总体来讲，常见的变压器异常声音来源包括变压器过负荷、电源电压过高、变压器内部铁心松动[2]、触头接触不好、螺丝松动以及绝缘击穿等。

目前，通过对变压器的异常声音来对变压器进行远程智能监测的技术已经得到越来越多专家学者的重视，相关技术研究也在不断地发展，并取得重大进步。变压器声振监测系统是通过在变压器周边安装对应数量的声振采集装置，采集声音后送到后端进行声振特征提取，区分出正常和异常的工作状态，再通过基于后台的大数据AI 算法分析判断出故障，进而实时故障报警，为运维人员提供维保依据。

2 系统架构

基于无线声学传感器的变压器故障诊断系统组织架构主要包括采集、传输、处理、存储以及展示五个部分：

（1）采集，通过前置采集装置的压电振动传感器和声学传感器模块对变压器、风机的振动和声学特征进行采集；

（3）传输，采用4G 网络将采集的数据传输到云服务器；

（4）处理，对传输的数据进行预处理并预测，进而判定目前变压器和风机的运行情况；

（5）存储，数据进行云端存储，方便进行进一步的分析比对；

（6）展示，数据以图表的方式展示出来，方便使用者查看。

3 基于对抗生成网络的不均衡样本分类和学习方法

现在常用的半监督学习算法虽然能够有效提高在现实场景中的故障检测与诊断准确率，但存在局限性，即只有故障再次发生时，对这类型故障的检测与诊断准确率才会提高。此外，将测试数据吸收到训练集中的迭代过程可能与实际工业上的故障检测与诊断无关。生成对抗网络（Generative Adversarial Networks，GANs）[3-4]作为近些年提出的一种无监督学习技术，为正常样本和故障样本数量不均衡的问题提供了另一种可能的解决方案。只需要部分故障样本，GANs 便能够生成与实际数据相近的人工故障样本。与半监督方法相比，GANs 为数据不平衡问题提供了更直接的解决方案。

为了解决现实场景中故障样本较少的问题，训练一个W-GANs 与CGANs 结合的CW-GANs 模型，提升GANs 的效果，避免发生模式坍塌与模型训练过程太过自由的问题，生成大量带有类标签的各类故障样本。同时，为了保证生成样本的质量，采用一种基于集成算法的样本评估模型。该模型用于挑选生成的样本，保证选择与真实样本最接近的生成样本作为故障诊断与检测模型的训练数据集[5]，从而达到提升故障诊断与检测的效果。

假设任意一个样本x，在判别器网络中计算出的损失为-Pdata(x)logD(x)-Pz(x)log[1-D(x)]。其中，D(x)表示对真实的样本x进行判别，Pdata(x)表示真实的样本，Pz(x)表示随机生成的样本。

对D(x)求导，得到最优判别器函数应为：

GANs 模型的目标就是将JS 散度最小化。当JS 散度降为0，表明生成样本与真实样本的分布达到一致。

故障诊断模型是一个用于解决多分类问题的模型，即根据输入数据判断变电设备具体为哪一类故障。对绕组、铁芯、外围设备及有载分接开关四大类型的故障诊断模型进行了对比，首先采用基于传统机器学习算法的故障诊断模型[8]，其次采用完全基于CW-GANs 模型的故障诊断模型（即完全使用生成样本训练的故障诊断模型），最后采用本文所提的算法（即使用生成样本加少量真实故障样本训练的故障诊断模型）。

三种模型在基于RF 分类模型的测试效果对比如图1 所示。由图1 可知，本项目采用的模型相较于其他两种模型效果更好，F1 值至少提升了5%以上。如图2 所示，完全使用生成样本训练的故障诊断模型与基于传统机器学习算法的故障诊断模型效果相近，这间接表明了所提出的CWGANs 模型生成的故障数据分布与真实数据分布相近。

图1 故障诊断模型F1 值对比图

图2 故障诊断模型准确率对比图

4 实施案例

4.1 现场安装

以某市政项目的变压器监测为例。在变压器支架的2～3 个位置安装压电振动传感器，采集变压器运行过程中不同点的振动信号；在接近压电振动传感器组的中心位置安装1 个麦克风，采集外部噪音，尤其是风机噪音信号，以便消除外部噪音对压电传感器和压电模块的不良影响；根据风机的数量合理安装压电振动传感器，采集风机振动信号；每台风机安装一个声音传感器，采集风机噪音信号，监测风机运行状态，消除风机对变压器采集信号的负面影响。

4.2 实时展示

系统提供监测对象的能量变化、频率分布、频率比例以及故障告警等数据，有效直观地观测设备当前的设备状态。

5 结语

针对变压器的故障诊断，本文提出了基于声振的故障诊断方法，并深入研究了故障诊断模型。对三种故障模型进行分析，证明采用生成样本加少量真实故障样本训练的故障诊断模型具有更高的准确性，从而为基于声振的变压器故障诊断方法深入研究提供了技术支撑。