基于音频动态特征重组和TCN-Attention的电力变压器故障诊断方法

叶李敏,李敬兆

(安徽理工大学 电气与信息工程学院,安徽 淮南 232001)

0 引言

变压器作为电力系统的枢纽设备,其安全可靠运行对电力系统稳定性具有重要意义,因此变压器运行状态监测及故障诊断已成为电网维护的一项重要工作[1-5].

叶育林等[6]运用基于GJO(Golden Jackal Optimization,GJO)的特征量优选与AO-RF的变压器故障诊断模型对溶解气体特征量进行优选.霍浩等[7]将深度学习与贝叶斯方法结合,构建基于概率分布权重单元的贝叶斯神经网络,建立气体成分与故障状态间的概率映射关系,该方法的缺点是主观因素较强.顾仲翔等[8]基于变分模态分解和支持向量机,旨在解决变压器绕组松动故障.李军浩等[9]采用局部放电的方法监测变压器的运行状态,由于受环境参数的影响导致这种监测结果不够准确.赵东豪等[10]采用将声音信号应用到电力变压器的故障检测中,虽然解决了传统接触式传感器检测的安全隐患问题,但是文中将声音信号转换为图像的处理方式,不仅增加了诊断过程的复杂度,而且精度难以满足电力系统稳定性需求.上述方法虽然解决了变压器简单故障诊断,但是过于依赖专家经验,同时系统可靠性和鲁棒性低,对新发故障的处理难度较大,准确率也较低.

本文基于音频信号研究变压器故障诊断,该方法主要对铁芯和绕组等故障实现监测识别.提出了一种基于时域动态特征重组方法获取故障诊断的综合特征,设计TCN-Attention故障诊断模型,实现变压器故障在线精准诊断.

1 动态特征重组

音频信号的时、频域信息及其特征可以反映出设备的深度故障信息,且不同的特征信息对故障的敏感度不同,信号的时域特征相对于频域更容易获取,且对故障变化更为敏感.基于此,本文直接提取音频信号的多种时域特征并选择性地对反映变压器故障的重点特征进行加权融合,从而使故障诊断模型获取更多的信息以提升故障诊断的准确率.从文献[11]中可知,设备振动的均方根幅值(Square Root Amplitude,SRA)和均方根(Root Mean Square,RMS)特征会随着设备性能的退化而逐渐增大,但是对设备早期故障变化不明显;峭度对设备早期故障的敏感度较好,但是易受环境因素影响;无量纲的裕度指标不受设备运行工况的影响,仅取决于概率密度函数的形式.

考虑到上述4种指标的优缺点,基于SRA、RMS、峭度和裕度指标构建表征电力变压器运行状态变化的综合特征.由于变压器从正常到故障是一个连续单调变化的过程,考虑到音频信号中的噪声干扰,本文从单调性、鲁棒性和相关性3个方面对上述指标进行定量评价,并计算指标的融合权重.

应用移动平均法将指标的趋势分为趋势项和残差项,计算公式为:

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

(1)

其中:u(tm)为tm时刻的指标值;uT(tm)表示趋势项;uR(tm)表示残差项.

接下来,计算指标的相关性、单调性和鲁棒性,公式为:

(2)

(3)

(4)

其中,Cr表示相关性,Mn表示单调性,Rb表示鲁棒性,M表示总样本时间,δ(·)表示单位阶跃函数.相关性用于评估指标与时间之间的线性关系;单调性用于评价指标增加或减少的变化趋势;鲁棒性表示指标对外部异常扰动或异常值的容忍程度.以上3个指标可以综合评价指标的性能.因此,本文利用相关性、单调性和鲁棒性分别确定4种统计指标的融合权重.融合权重wi的计算公式为:

(5)

此外,为了消除不同统计指标之间的幅值差异对构建综合特征的影响,需要在指标融合之前对得到的统计指标进行归一化处理,具体的归一化公式为:

(6)

其中,u和u′分别表示归一化前后的指标值.基于以上分析,对SRA、RMS、峭度和裕度指标进行加权融合,得到综合特征:

(7)

2 故障诊断模型

通过动态特征重组实现音频信号的加权特征融合,产生的综合特征属于高维特征数据,为了进一步挖掘故障特征信息,实现故障自诊断,通常使用CNN(Convolutional Neural Network)网络提取高维数据的空间特征,传统的CNN无法较好地获取高维数据的时间信息,且无法关注重要的特征信息.LSTM(Long Short-Term Memory Network,LSTM)网络因其独特的链式结构和门控循环单元,广泛用于处理时序数据,但LSTM网络无法获取高维数据的空间特征,且当输入序列较长时,可能会出现梯度消失问题.此外,需要对特征信息进行筛选,只保留重要特征信息,有利于提高故障诊断的准确率和降低计算量.

时序卷积神经网络(Temporal Convolutional Network,TCN)是一种新型的全卷积结构下的神经网络,与CNN相比,TCN可以更好获取长时间序列的空间特征信息,避免了使用循环神经网络存在梯度消失的问题.TCN可以看作是CNN的优化改进,其结构在训练时序数据时能够严格按照历史数据与当前数据的因果关系,有效地解决了现有故障诊断算法存在时序先后逻辑性不强的问题.此外,使用TCN获取的空间特征中,增强与故障特征相关性较大的特征信息,减弱与故障特征相关性较小的特征信息,从而实现空间特征信息的差分处理[12].注意力机制可以筛选信息,通过对不同的特征赋予不同的权重大小,实现空间特征信息的差分处理.采用注意力机制对特征进行按位加权训练,可以学习到特征之间的深层关系[13].基于上述分析,本文设计了TCN-Attention的故障诊断模型,如图1所示.

图1 TCN-Attention故障诊断模型

2.1 TCN网络

TCN-Attention由两部分组成.其中,TCN网络的核心在于膨胀卷积、因果卷积和残差结构.膨胀卷积克服了CNN在计算过程中由于感受野的影响导致信息遗漏的问题,并且不需要池化层降维.此外,膨胀卷积在每次计算过程中都会自动扩充若干个神经元以全面感知输入信号.因果卷积是保证输出和输入数据长度相同,通常情况下,因果卷积采用单向结构,所有数据具有一一对应关系.通过因果卷积结构在处理较长时间序列时,不仅可以充分提取特征信息,还可以避免数据遗漏,但是随着模型层数的增加,较多的神经元会导致计算量增加.因此,通过膨胀卷积这种跨越式连接方式和Dropout机制,可以忽略一些神经元信息,有效地降低了模型的时间复杂度.随着TCN层数的增加,虽然在一定程度上提高了模型的性能,但是复杂的网络结构会出现过拟合或梯度消失问题,通过引入残差结构,使得输入信息以跨越层数的方式进行传递.TCN由多个残差块组成,每个残差块由两个膨胀因果卷积、权重归一化、激活函数和Dropout组成,有效防止过拟合和欠拟合的发生.

2.2 Attention机制

通过在TCN层的输出处使用注意力机制的目的是对输出的重要信息进行增强,提高故障诊断的准确率.Attention的作用过程如下:

定义输入序列x1,x2,x3,…,xt,使用线性层分别求序列数据的Q、K、V,其中Q为查询向量,K为信息的键值,V为匹配的信息量,然后计算Q和K之间的相似度再进行归一化,得到信息之间的重要性权重矩阵,最后将权重矩阵与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分别表示权重和偏置;dk为Q,K矩阵的维度.

2.3 故障诊断流程

基于特征加权重组和TCN-Attention的电力变压器故障诊断流程如图2所示,分为5个步骤.

图2 故障诊断流程

Step1:对原始音频信号进行降噪和归一化处理,并划分数据集.

Step2:提取预处理后数据的时域特征,只保留与故障特征敏感和相关性较大的指标.

Step3:基于相关性、单调性和鲁棒性对选取的指标数据进行重组,将其作为故障诊断的模型输入.

Step4:使用训练集数据训练模型,根据误差进行反向更新模型参数,得到训练好的模型.

Step5:使用训练好的模型对测试集数据进行测试.

为了定量分析故障诊断结果,使用准确率对所提方法故障诊断效果进行评价.

3 实验及结果分析

3.1 数据描述

实验对象为型号SCB10-800/10 kV三相干式变压器,在距离变压器1 m处安装4个麦克风传感器,且相邻传感器的距离应大于1 m,避免回声的干扰,实验现场如图3所示.通过整理变压器历史监测数据,取变压器在正常运行、铁芯故障和绕组故障3种状态下600组监测数据形成数据集,其中420组作训练集,180组作为测试集.

图3 实验变压器

3.2 特征加权重组

3.2.1 降噪滤波

由于变压器工作环境复杂,采集到的音频信号会包含大量的环境噪声信号,故障信号会被噪声淹没,从而会降低故障诊断准确率.因此,在提取故障特征之前,首先要对原始信号进行降噪处理,本文使用滑动窗口滤波法滤除原始信号中的环境噪声,设采集的一组原始信号序列为x1,x2,x3,…,xt,则滑动窗口滤波法可以表示为:

(10)

式中,l为滤波器的滑动窗口,本文设置窗口大小为3.以变压器绕组故障时的音频信号为例,滤波结果如图4所示.

图4 信号滤波前后对比

从图4可以看出,由于原始音频信号含有大量噪声,时域波形存在较多毛刺,经过滤波后的信号变得更加光滑,且原始有用信号得以保留.

3.2.2 特征加权重组

由第2节可知,利用SRA、RMS、峭度、裕度指标4个统计指标构建综合特征.变压器绕组故障下的4个统计指标随时间的变化趋势如图5所示.

(a)峭度

从图5可以看出,这些统计指标的变化趋势大致相同,但与其他3个指标相比,裕度指标在前期的变化相对明显.考虑到4个统计指标的幅值差异较大,在特征融合前,需要利用公式(6)对其进行归一化处理.然后,利用公式(2)～(5)分别计算各统计指标的权重.最后,利用公式(7)对4个统计指标进行融合,得到最终的综合特征,并且该特征在不同时刻的权重大小不同,因此属于特征的动态重组.变压器绕组故障下的4个时域特征动态加权后构造出的综合特征随时间的变化趋势如图6所示.

图6 动态加权后的综合特征

如图6所示,对4个统计指标经过动态加权特征重组后得到的综合特征仍然包含了故障特征信息和较多的特征信息,因此可用于故障诊断模型的输入,提高故障诊断率.

3.3 故障诊断结果

为验证TCN-Attention模型的故障诊断性能,选择了TCN、CNN和LSTM作为对比模型,在划分好的数据集上进行迭代更新,其中损失函数选择交叉熵损失,模型的超参数使用网格搜索算法进行优选,优化器使用Adam优化器,模型的初始学习率为0.001,batch_size为64,TCN的卷积核大小为3,膨胀因子为1,2,4.CNN模型卷积核大小也为3,池化层大小和步长均为2.LSTM的隐层神经元大小为20.基于上述超参数,得到TCN-Attention的训练过程如图7所示.

图7 TCN-Attention训练过程

从图7可以看出,随着迭代次数的增加,训练集的损失函数逐渐减小,在初始迭代阶段,损失函数下降较快,随着迭代次数的增加,损失函数虽然出现了一定波动,但是整体呈现下降趋势,说明TCN-Attention收敛速度较快、特征抓取能力较强.

测试集的故障诊断结果如图8所示.可以看出随着模型迭代次数的增加,训练集和测试集的精度上升,在迭代次数为80次时,模型达到基本收敛状态,此时测试集的准确率为91.22%.

图8 训练集和测试集的准确率变化

为了说明本文方法的优越性,将CNN、LSTM和TCN经典模型作为对比模型,为了消除实验偶然误差的影响,对上述方法分别进行了10次实验,将平均准确率作为诊断准确率,以对比不同方法的准确性,检测结果如表1所列.

表1 4种模型的测试准确率

从表1可以看出,所提方法对电力变压器的故障诊断效果更好,平均准确率达到91.22%,均高于其他3种模型.此外,单独使用TCN进行实验的结果也优于其他模型,充分说明了TCN在时序数据故障诊断中的优越性,实现了变压器运行故障的在线精准诊断.

4 结论

本文提出了一种基于音频信号的动态特征重组和TCN-Attention的电力变压器故障诊断方法,基于音频信号时域特征的相关性、单调性和鲁棒性关系,动态重构了用于故障诊断的综合特征.此外,设计了TCN-Attention的故障自诊断模型,该模型不仅克服了传统神经网络用于故障诊断存在的不足,同时也解决了TCN网络特征无法差分处理的问题.通过实验对所提方法进行了验证,结果表明,本文方法在3种运行状态下的故障识别率可达90%以上,相对于其它方法实现了变压器故障的精准诊断,可应用于电力变压器的运行状态监测和故障诊断.