基于音頻動態特征重組和TCN-Attention的電力變壓器故障診斷方法

葉李敏,李敬兆

(安徽理工大學 電氣與信息工程學院,安徽 淮南 232001)

0 引言

變壓器作為電力系統的樞紐設備,其安全可靠運行對電力系統穩定性具有重要意義,因此變壓器運行狀態監測及故障診斷已成為電網維護的一項重要工作[1-5].

葉育林等[6]運用基于GJO(Golden Jackal Optimization,GJO)的特征量優選與AO-RF的變壓器故障診斷模型對溶解氣體特征量進行優選.霍浩等[7]將深度學習與貝葉斯方法結合,構建基于概率分布權重單元的貝葉斯神經網絡,建立氣體成分與故障狀態間的概率映射關系,該方法的缺點是主觀因素較強.顧仲翔等[8]基于變分模態分解和支持向量機,旨在解決變壓器繞組松動故障.李軍浩等[9]采用局部放電的方法監測變壓器的運行狀態,由于受環境參數的影響導致這種監測結果不夠準確.趙東豪等[10]采用將聲音信號應用到電力變壓器的故障檢測中,雖然解決了傳統接觸式傳感器檢測的安全隱患問題,但是文中將聲音信號轉換為圖像的處理方式,不僅增加了診斷過程的復雜度,而且精度難以滿足電力系統穩定性需求.上述方法雖然解決了變壓器簡單故障診斷,但是過于依賴專家經驗,同時系統可靠性和魯棒性低,對新發故障的處理難度較大,準確率也較低.

本文基于音頻信號研究變壓器故障診斷,該方法主要對鐵芯和繞組等故障實現監測識別.提出了一種基于時域動態特征重組方法獲取故障診斷的綜合特征,設計TCN-Attention故障診斷模型,實現變壓器故障在線精準診斷.

1 動態特征重組

音頻信號的時、頻域信息及其特征可以反映出設備的深度故障信息,且不同的特征信息對故障的敏感度不同,信號的時域特征相對于頻域更容易獲取,且對故障變化更為敏感.基于此,本文直接提取音頻信號的多種時域特征并選擇性地對反映變壓器故障的重點特征進行加權融合,從而使故障診斷模型獲取更多的信息以提升故障診斷的準確率.從文獻[11]中可知,設備振動的均方根幅值(Square Root Amplitude,SRA)和均方根(Root Mean Square,RMS)特征會隨著設備性能的退化而逐漸增大,但是對設備早期故障變化不明顯;峭度對設備早期故障的敏感度較好,但是易受環境因素影響;無量綱的裕度指標不受設備運行工況的影響,僅取決于概率密度函數的形式.

考慮到上述4種指標的優缺點,基于SRA、RMS、峭度和裕度指標構建表征電力變壓器運行狀態變化的綜合特征.由于變壓器從正常到故障是一個連續單調變化的過程,考慮到音頻信號中的噪聲干擾,本文從單調性、魯棒性和相關性3個方面對上述指標進行定量評價,并計算指標的融合權重.

應用移動平均法將指標的趨勢分為趨勢項和殘差項,計算公式為:

u(tm)=uT(tm)+uR(tm),

(1)

其中:u(tm)為tm時刻的指標值;uT(tm)表示趨勢項;uR(tm)表示殘差項.

接下來,計算指標的相關性、單調性和魯棒性,公式為:

(2)

(3)

(4)

其中,Cr表示相關性,Mn表示單調性,Rb表示魯棒性,M表示總樣本時間,δ(·)表示單位階躍函數.相關性用于評估指標與時間之間的線性關系;單調性用于評價指標增加或減少的變化趨勢;魯棒性表示指標對外部異常擾動或異常值的容忍程度.以上3個指標可以綜合評價指標的性能.因此,本文利用相關性、單調性和魯棒性分別確定4種統計指標的融合權重.融合權重wi的計算公式為:

(5)

此外,為了消除不同統計指標之間的幅值差異對構建綜合特征的影響,需要在指標融合之前對得到的統計指標進行歸一化處理,具體的歸一化公式為:

(6)

其中,u和u′分別表示歸一化前后的指標值.基于以上分析,對SRA、RMS、峭度和裕度指標進行加權融合,得到綜合特征:

(7)

2 故障診斷模型

通過動態特征重組實現音頻信號的加權特征融合,產生的綜合特征屬于高維特征數據,為了進一步挖掘故障特征信息,實現故障自診斷,通常使用CNN(Convolutional Neural Network)網絡提取高維數據的空間特征,傳統的CNN無法較好地獲取高維數據的時間信息,且無法關注重要的特征信息.LSTM(Long Short-Term Memory Network,LSTM)網絡因其獨特的鏈式結構和門控循環單元,廣泛用于處理時序數據,但LSTM網絡無法獲取高維數據的空間特征,且當輸入序列較長時,可能會出現梯度消失問題.此外,需要對特征信息進行篩選,只保留重要特征信息,有利于提高故障診斷的準確率和降低計算量.

時序卷積神經網絡(Temporal Convolutional Network,TCN)是一種新型的全卷積結構下的神經網絡,與CNN相比,TCN可以更好獲取長時間序列的空間特征信息,避免了使用循環神經網絡存在梯度消失的問題.TCN可以看作是CNN的優化改進,其結構在訓練時序數據時能夠嚴格按照歷史數據與當前數據的因果關系,有效地解決了現有故障診斷算法存在時序先后邏輯性不強的問題.此外,使用TCN獲取的空間特征中,增強與故障特征相關性較大的特征信息,減弱與故障特征相關性較小的特征信息,從而實現空間特征信息的差分處理[12].注意力機制可以篩選信息,通過對不同的特征賦予不同的權重大小,實現空間特征信息的差分處理.采用注意力機制對特征進行按位加權訓練,可以學習到特征之間的深層關系[13].基于上述分析,本文設計了TCN-Attention的故障診斷模型,如圖1所示.

圖1 TCN-Attention故障診斷模型

2.1 TCN網絡

TCN-Attention由兩部分組成.其中,TCN網絡的核心在于膨脹卷積、因果卷積和殘差結構.膨脹卷積克服了CNN在計算過程中由于感受野的影響導致信息遺漏的問題,并且不需要池化層降維.此外,膨脹卷積在每次計算過程中都會自動擴充若干個神經元以全面感知輸入信號.因果卷積是保證輸出和輸入數據長度相同,通常情況下,因果卷積采用單向結構,所有數據具有一一對應關系.通過因果卷積結構在處理較長時間序列時,不僅可以充分提取特征信息,還可以避免數據遺漏,但是隨著模型層數的增加,較多的神經元會導致計算量增加.因此,通過膨脹卷積這種跨越式連接方式和Dropout機制,可以忽略一些神經元信息,有效地降低了模型的時間復雜度.隨著TCN層數的增加,雖然在一定程度上提高了模型的性能,但是復雜的網絡結構會出現過擬合或梯度消失問題,通過引入殘差結構,使得輸入信息以跨越層數的方式進行傳遞.TCN由多個殘差塊組成,每個殘差塊由兩個膨脹因果卷積、權重歸一化、激活函數和Dropout組成,有效防止過擬合和欠擬合的發生.

2.2 Attention機制

通過在TCN層的輸出處使用注意力機制的目的是對輸出的重要信息進行增強,提高故障診斷的準確率.Attention的作用過程如下:

定義輸入序列x1,x2,x3,…,xt,使用線性層分別求序列數據的Q、K、V,其中Q為查詢向量,K為信息的鍵值,V為匹配的信息量,然后計算Q和K之間的相似度再進行歸一化,得到信息之間的重要性權重矩陣,最后將權重矩陣與V相乘,得到不同重要性的特征信息.

(8)

(9)

其中:wq、bq、wk、bk、wv、bv分別表示權重和偏置;dk為Q,K矩陣的維度.

2.3 故障診斷流程

基于特征加權重組和TCN-Attention的電力變壓器故障診斷流程如圖2所示,分為5個步驟.

圖2 故障診斷流程

Step1:對原始音頻信號進行降噪和歸一化處理,并劃分數據集.

Step2:提取預處理后數據的時域特征,只保留與故障特征敏感和相關性較大的指標.

Step3:基于相關性、單調性和魯棒性對選取的指標數據進行重組,將其作為故障診斷的模型輸入.

Step4:使用訓練集數據訓練模型,根據誤差進行反向更新模型參數,得到訓練好的模型.

Step5:使用訓練好的模型對測試集數據進行測試.

為了定量分析故障診斷結果,使用準確率對所提方法故障診斷效果進行評價.

3 實驗及結果分析

3.1 數據描述

實驗對象為型號SCB10-800/10 kV三相干式變壓器,在距離變壓器1 m處安裝4個麥克風傳感器,且相鄰傳感器的距離應大于1 m,避免回聲的干擾,實驗現場如圖3所示.通過整理變壓器歷史監測數據,取變壓器在正常運行、鐵芯故障和繞組故障3種狀態下600組監測數據形成數據集,其中420組作訓練集,180組作為測試集.

圖3 實驗變壓器

3.2 特征加權重組

3.2.1 降噪濾波

由于變壓器工作環境復雜,采集到的音頻信號會包含大量的環境噪聲信號,故障信號會被噪聲淹沒,從而會降低故障診斷準確率.因此,在提取故障特征之前,首先要對原始信號進行降噪處理,本文使用滑動窗口濾波法濾除原始信號中的環境噪聲,設采集的一組原始信號序列為x1,x2,x3,…,xt,則滑動窗口濾波法可以表示為:

(10)

式中,l為濾波器的滑動窗口,本文設置窗口大小為3.以變壓器繞組故障時的音頻信號為例,濾波結果如圖4所示.

圖4 信號濾波前后對比

從圖4可以看出,由于原始音頻信號含有大量噪聲,時域波形存在較多毛刺,經過濾波后的信號變得更加光滑,且原始有用信號得以保留.

3.2.2 特征加權重組

由第2節可知,利用SRA、RMS、峭度、裕度指標4個統計指標構建綜合特征.變壓器繞組故障下的4個統計指標隨時間的變化趨勢如圖5所示.

(a)峭度

從圖5可以看出,這些統計指標的變化趨勢大致相同,但與其他3個指標相比,裕度指標在前期的變化相對明顯.考慮到4個統計指標的幅值差異較大,在特征融合前,需要利用公式(6)對其進行歸一化處理.然后,利用公式(2)～(5)分別計算各統計指標的權重.最后,利用公式(7)對4個統計指標進行融合,得到最終的綜合特征,并且該特征在不同時刻的權重大小不同,因此屬于特征的動態重組.變壓器繞組故障下的4個時域特征動態加權后構造出的綜合特征隨時間的變化趨勢如圖6所示.

圖6 動態加權后的綜合特征

如圖6所示,對4個統計指標經過動態加權特征重組后得到的綜合特征仍然包含了故障特征信息和較多的特征信息,因此可用于故障診斷模型的輸入,提高故障診斷率.

3.3 故障診斷結果

為驗證TCN-Attention模型的故障診斷性能,選擇了TCN、CNN和LSTM作為對比模型,在劃分好的數據集上進行迭代更新,其中損失函數選擇交叉熵損失,模型的超參數使用網格搜索算法進行優選,優化器使用Adam優化器,模型的初始學習率為0.001,batch_size為64,TCN的卷積核大小為3,膨脹因子為1,2,4.CNN模型卷積核大小也為3,池化層大小和步長均為2.LSTM的隱層神經元大小為20.基于上述超參數,得到TCN-Attention的訓練過程如圖7所示.

圖7 TCN-Attention訓練過程

從圖7可以看出,隨著迭代次數的增加,訓練集的損失函數逐漸減小,在初始迭代階段,損失函數下降較快,隨著迭代次數的增加,損失函數雖然出現了一定波動,但是整體呈現下降趨勢,說明TCN-Attention收斂速度較快、特征抓取能力較強.

測試集的故障診斷結果如圖8所示.可以看出隨著模型迭代次數的增加,訓練集和測試集的精度上升,在迭代次數為80次時,模型達到基本收斂狀態,此時測試集的準確率為91.22%.

圖8 訓練集和測試集的準確率變化

為了說明本文方法的優越性,將CNN、LSTM和TCN經典模型作為對比模型,為了消除實驗偶然誤差的影響,對上述方法分別進行了10次實驗,將平均準確率作為診斷準確率,以對比不同方法的準確性,檢測結果如表1所列.

表1 4種模型的測試準確率

從表1可以看出,所提方法對電力變壓器的故障診斷效果更好,平均準確率達到91.22%,均高于其他3種模型.此外,單獨使用TCN進行實驗的結果也優于其他模型,充分說明了TCN在時序數據故障診斷中的優越性,實現了變壓器運行故障的在線精準診斷.

4 結論

本文提出了一種基于音頻信號的動態特征重組和TCN-Attention的電力變壓器故障診斷方法,基于音頻信號時域特征的相關性、單調性和魯棒性關系,動態重構了用于故障診斷的綜合特征.此外,設計了TCN-Attention的故障自診斷模型,該模型不僅克服了傳統神經網絡用于故障診斷存在的不足,同時也解決了TCN網絡特征無法差分處理的問題.通過實驗對所提方法進行了驗證,結果表明,本文方法在3種運行狀態下的故障識別率可達90%以上,相對于其它方法實現了變壓器故障的精準診斷,可應用于電力變壓器的運行狀態監測和故障診斷.