基于物联网的有载分接开关智能监测的关键技术*

彭长青 尚荣艳 方瑞明

(华侨大学信息科学与工程学院 厦门 361021)

1 引言

有载分接开关(On-load tap changer，OLTC)机械结构复杂，调压动作频繁，是变压器中故障率较高的部件之一，发生故障时将威胁电力变压器的安全稳定运行[1-3]。据统计，近些年来国家电网公司系统110 kV及以上电压等级变压器事故之中，27.8%是分接开关损坏事故[4]。OLTC引发的变压器事故占变压器事故总数的20%以上，且主要为机械故障[5-6]。

OLTC的振动信号中包含了OLTC的机械状态信息，从中有效提取故障特征信息，可以在不停机、不拆机的情况下，进行OLTC内部机械状态的在线监测和故障诊断，及时发现故障隐患[7-8]。近年来，随着人工智能诊断技术的引入和发展，基于振动信号分析的OLTC智能监测系统相关技术日趋成熟可靠，国内外已有不少研究成果和上线案例可查。

当前，主流OLTC状态监测系统的主要实现方式有：① 采用单片机或DSP等作为下位机，负责信号调理、数据采集及向上位机发送数据；PC作为上位机，负责接收下位机传送来的数据，并对数据进行分析、诊断、显示、存储[9]；② 采用数据采集卡作为数据采集核心，PC作为主要计算分析平台的监测系统[10-11]；③ 选择STM32等作为主控制器进行数据采集，完成软件系统的设计和监测系统的基本功能测试，并将信息传输到监控终端，进一步分析处理[12]。这些在线监测系统采用的硬件实现方式成本贵，能耗高，部署复杂、空间占用大、对运行环境和维护要求苛刻，不适合大规模应用和推广。此外，现有系统大多都是单机系统，没有综合考虑电力物联网的需求，也没有考虑信息和资源的共享。

除此之外，还有存在一些问题。

(1) 现场实测OLTC的振动信号具有很强的时变特性，是非平稳信号，并且普遍受到严重的干扰，包含了大量的干扰噪声成分[13-14]。故障信息一般比较弱，容易湮灭在噪声干扰中。

(2) 人们已经研究出一些从实测OLTC振动信号中精确提取故障特征的先进信号分析方法，如经验模态法(Empirical mode decomposition，EMD)和小波分析法等[15-16]。当前的各种特征提取算法原理复杂，处理繁琐，计算量大。采用中高性能计算机处理时，除了实时性稍差，尚没有太大压力。然而，如果采用嵌入式系统的话，编程实现的门槛非常高，处理速度也难以满足实时性要求[17-18]。

(3) 电力物联网的发展对监测与诊断系统也提出了新的要求[19]，数据如何在本地和云端平衡运作非常重要，海量采集的基础数据只能保存在本地，但关键的特征信息和诊断结果又必须推送到云端。

结合人工智能、边缘计算和云计算技术，本文提出的一种基于振动分析的嵌入式OLTC智能监测系统，可以较好地解决上述问题。本文首先基于物联网技术框架设计出嵌入式OLTC智能监测系统组成框架；然后，论述了该系统的三项关键技术：振动信号分段预处理、FFT-等积分带宽特征提取、模型训练与移植；最后，通过试验验证该系统的应用效果。系统采用嵌入式系统取代PC，现场实施容易；对振动信号进行分段预处理，压缩了原始数据，突出了状态特征；特征提取采取FFT-等积分带宽方法，有效解决了嵌入式系统边缘计算算力不足的问题。

2 OLTC智能监测系统组成框架

OLTC智能监测系统组成框架如图1所示。现场监控箱主要实现信号的调理、转换和采集，并完成数据的计算分析和故障诊断，然后根据需要实现和本地警报系统、保护系统的联动。基础数据采集上来后，通过局域网直接存储到本地共享的实时数据库服务器或文件存储服务器中，经过处理的关键运行参数、状态特征和诊断信息，则通过电力物联网推送到云端，在云端实现更高层面的共享和应用。

图1 OLTC智能监测系统组成框架

系统核心特征信息是振动信号频域特征。为了提高诊断准确率，引入部分振动信号时域特征作为支持向量机(Support vector machine，SVM)输入向量，如储能时长、储能段振动加速度平均值等。为进一步提高诊断准确率，还引入了驱动电机电流信号和传动轴角度信号的时域特征作为辅助判据，如驱动电流持续时长、平均传动角速度等。

OLTC智能监测系统可以单机脱网运行，实现信号采集、特征提取、故障诊断、故障告警、报警联动等功能。电力物联网应用扩展方面，OLTC智能监测系统接入电力物联网后，可以通过网关以手机短信、电子邮件等方式，主动推送报警信息和定期统计报告。集控服务器可以同时对同一物联网内的多个在线监测系统进行联机，收集和保存现场采集的数据、提取到的特征值、诊断结果等，并将各个监测装置的运行状态和实时诊断结果动态显示到值班室监测大屏上，用户可以通过Web浏览器远程查看详细信息。更高级的功能有，集控服务器可以后台对单个监测装置的历史数据进行纵向挖掘，以及对多个同型号被监测对象的同期相关数据进行横向挖掘，进行深入的趋势分析和类比判别，发现潜在的故障风险。

3 关键技术

3.1 振动信号分段预处理

现场实测的OLTC振动信号普遍受到严重的干扰，包含了大量的干扰噪声成分，是非平稳信号，并且具有很强的时变特性。对振动信号进行分段预处理，可以将复杂时变信号分解成多段近似平稳信号，避免故障信息被湮灭在噪声干扰中。

OLTC振动加速度信号，从整体上说来属于瞬态振动类型，可分为启动段AB、储能段BC、切换段CD、停止段DE。实测的OLTC动作时的振动信息波形如图2所示。

图2 OLTC动作时的振动信息波形

OLTC振动信号可以通过计算机计算实现分段，步骤如下：① 将振动信号以1 ms为单位求取绝对值平均值，得出采样率为1 kSa/s的包络线曲线；② 将包络线进行适当平滑，得出包络线平滑曲线；③ 对包络线平滑曲线求导，得出导数曲线；并通过导数曲线，查找包络线平滑曲线的特征拐点；④ 根据曲线特征拐点，结合OLTC动作时序特征，计算出振动信号的分段点。

振动信号分段预处理流程如图3所示。

图3 计算机实现信号分段的流程

3.2 FFT-等积分带宽特征提取

如果采用常用的OLTC振动信号的特征提取算法，如经验模态分解(EMD)、小波包分解(Wavelet packet decomposition，WPD)等[20-22]，存在嵌入式系统边缘计算算力不足的问题。因此，本文提出分别对振动信号各个分段进行快速傅里叶变换(Fast Fourier transform，FFT)，将得到的信号频谱等积分分段，每一段求出的带宽系数即为特征值。FFT-等积分带宽特征提取法的论述详见下文。

假设时域的振动加速度离散信号x(n)，n=0, 1, 2, …,N-1，N=2M，M=0, 1, 2, …。振动信号的采样频率为fs，采样点数为N，FFT变换后，某点n所表示的频率如式(1)所示

振动信号x(n)经过FFT变换后得到X(k)，X(k)的形式是复数形式，其模值除以N/2就是对应频率下的信号幅度A(n)(对于直流信号是除以N)，其相位即是对应该频率下的信号相位。

将OLTC储能段和切换段的振动信号进行FFT变换，生成频谱如图4所示。

对分段预处理后的信号FFT频谱幅度A(n)进行积分，求取积分和σ如式(2)所示

设定分段数m，计算每个分段的积分和σ′，如式(3)所示

将频谱按积分和等于σ′分为m段，得到各个分段点的频点Fj，其中j=0, 1, …,m。再计算得到每段的频带宽度b(i)，其中i=0, 1, …,m-1。如式(4)所示

得到的带宽信息，关键频率段的带宽值较小，非关键频率段的带宽值反而很大，由于权重倒置，并不适合直接用于故障诊断系统。因此需要先对带宽值进行归一化运算，然后将归一化后的数值取倒数，再求其自然对数，最后再次归一化得到特征值。

计算归一化系数，如式(5)所示

计算每段的转换系数 ()b′i，如式(6)所示

将转换系数再次归一化得到特征值如式(7)所示

3.3 模型训练与移植

支持向量机(SVM)具有理论严密、适应性强、全局优化、训练效率高和泛化性能好等优点，具有极高的应用价值[23]。因此，可以利用SVM分类器实现OLTC机械故障的智能诊断。

进行数据诊断之前，需要先训练模型，而训练模型又需要大量的典型样本支撑，对样本进行反复筛选，然后训练模型，再对模型进行验证和参数寻优，过程繁琐，需要频繁的人机交互和较强的算力支持。然而，嵌入式系统算力有限，且交互操作十分不方便。因此，可以将模型训练的工作安排在安装Windows操作系统的计算机上进行。模型训练完成并经过验证和寻优后，再移植到嵌入式系统中使用，这样可以大幅提高模型训练效率，降低模型训练的难度。

SVM实现采用业界使用较为广泛的中国台湾大学林智仁教授的开源libSVM库，该库经过不同参数编译后可在Windows系统或Linux系统下被调用，并且拥有C、Java、Matlab、C#、Ruby、Python、R、Perl、Common LISP、Labview、php等数十种语言版本[24]。直接在Matlab下可使用Svmtrain指令进行模型训练和使用Svmpredict进行测试，但在Matlab下存在交互不便的缺点，不适宜于对大量数据进行频繁训练和测试。因此，开发出C#版本的专用训练和测试工具，使用该工具可以非常方便地对样本库进行管理、筛选和引用，并且具备训练、交叉验证和寻优功能。在Windows下将模型训练完成后，直接将模型文件和参数复制到嵌入式系统中，即可通过Linux版的libSVM读取和使用。

完整的基于SVM的诊断系统建立过程如图5所示。

图5 基于SVM的诊断系统建立过程

4 试验验证

OLTC智能监测系统实物如图6所示，单机脱网运行。验证系统中，信号采集单元暂时用红相TCD-200替代，数据来源为设备内存储的离线试验数据，这批数据采集对象的OLTC型号为华明CMⅢ 600Y/126C-10193W，采集信号包含一路电流信 号和一路主振动信号，采样率100 kSa/s，振动信号传感器型号为朗斯LC0103TB-50，采样时长每次动作约6 s。嵌入式系统硬件选用了目前热门的树莓派4B作为实现平台。

图6 OLTC智能监测系统试验系统

本试验建立的测试样本如表1所示，总样本数为424，用于训练的样本数为270。验证内容包括参数寻优测试和泛化测试，采用libSVM进行多分类测试。先将训练样本进行参数寻优，记录最优参数和最优准确率；然后用该参数和训练样本训练生成SVM模型，再将所有样本(包括训练样本)用该模型进行分类识别，记录泛化准确率。为了提高验证效率，以上验证工作在安装了Windows操作系统的计算工作站上完成，在Windows和Linux下，FFT-等积分带宽特征提取法的实现使用完全相同的源码，libSVM也使用相同的底层代码，仅编译目标不同，因此硬件设备和操作系统不同对诊断准确率的影响可以忽略。

表1 测试样本

本文所述测试系统，对振动信号特征提取分别采用小波包分解(WPD)和基于FFT的等积分带宽法。WPD采用DB3小波基进行4层分解后求能量熵，取前8个熵值作为SVM输入向量；基于FFT的等积分带宽法分段数8，全部8个特征值作为SVM输入向量。另外，为了提高诊断率，两者均加入时域特征作为SVM输入向量。验证对比结果如表2所示。

表2 参数寻优和验证的准确性 %

由表2可知，采用FFT-等积分带宽法特征提取和采用WPD特征提取对比，参数寻优的准确率和验证准确率相近，但是前者能够解决WPD算法嵌入式实现困难和算力不足的问题。

经过加入调试代码实际测算，信号从获取后开始预处理开始到特征提取完毕，大约耗时0.4 s；特征提取后调用libSVM进行诊断识别的时间大约为0.3 s，还有进一步优化的空间，完全能够满足现场应用所需。

5 结论

本文提出了一种新颖的面向物联网的基于振动分析的嵌入式OLTC智能在线监测系统，该系统采用嵌入式系统取代PC，体积小、成本低、功耗低，便于现场实施，故障诊断效率与准确率均较高。并得到以下结论。

(1) 振动信号的分段预处理，解决了OLTC振动信号具有强时变性、故障信息容易湮灭在噪声干扰中的问题。

(2) FFT-等积分带宽特征提取，解决了在嵌入式系统中振动信号特征提取实现难和算力不足的 问题。

(3) 在Windows系统中完成模型训练再移植到嵌入式系统中，解决了嵌入式系统交互不便和算力不足的问题，大幅提高了SVM模型训练效率，降低了模型训练的难度。

目前系统存在的不足之处：① 系统不具备多故障并发识别功能；② 需要进一步研究多振动信号传感器融合，消除变压器本体振动和外部振动干扰；③ 由于不同OLTC的固有振动信号特征本身存在差异，需要深入研究同型号设备故障模型重用的 课题。