蒋龙; 臧春艳; 胡学深; 刘耀云; 龚禹璐; 刘春 【期刊名称】《《电力科学与技术学报》》 【年(卷),期】2019(034)003 【总页数】7页(P86-91,100)
【关键词】GIL; 振动图谱; SVM故障识别; 机械故障 【作 者】蒋龙; 臧春艳; 胡学深; 刘耀云; 龚禹璐; 刘春
【作者单位】中国南方电网超高压输电公司曲靖局 曲靖 655000; 华中科技大学电气与电子工程学院 武汉 430074; 武汉智能装备工业技术研究院有限公司 武汉 430074
【正文语种】中 文 【中图分类】TM835
GIL是一种采用SF6气体或SF6和N2混合气体绝缘的金属封闭输电设备，具有输电容量量大、空间分布灵活、可靠性高、环境影响小的特点，十分符合中国电网发电容量逐渐增加和电网建设改造的特点，因而得到了快速发展[1-3]。 据统计，在运行中的GIL设备故障主要分为机械性故障和放电性故障两类，其中绝缘子的损坏和金属焊点松动是机械故障常见问题。一旦GIL结构发生问题，排查和定位其故障位置的方法较繁琐，给GIL的故障检测与维修带来了极大的困难[4]。
目前，局部放电检测是较为通用的GIL故障检测手段，但据实际运用情况来看，其抗干扰能力较弱，运行稳定性不够[5]，且由于外部的机械故障并不会引起GIL内部的局部放电情况，因此现有的方法并不能对GIL机械故障类型进行有效检测。振动检测主要通过对振动信号的分析来判断机械设备的故障情况，属于非电量检测，不影响设备的正常运行，已经在GIS故障检测、变压器故障检测等领域有一定应用[6-11]。该文为此提出一种基于低频振动信号的新型GIL机械故障诊断方法。 1 振动信号的特征参数提取
时域内的信号特征参数有的有量纲，有的无量纲。有量纲的特征参数与无量纲的特征参数的主要区别在于：前者会受到GIL的规格型号、运行条件等因素的影响，且需与历史记录进行对比；而后者与GIL的运行状态关系较紧密，对负荷和运行条件的变化不敏感。因此，在研究判据时需要综合考虑2种参数，见表1、2。 表1 有纲量参数列表Table 1 Guideline parameters index序号时域统计特征特征计算公式A1均值μ=1N∑Ni=1xi(i=1,2,…,N)A2绝对均值
|μ|=1N∑Ni=1|xi|(i=1,2,…,N)A3有效值RMS=1N∑Ni=1x2iA4方根幅值Xr=(1N∑Ni=1|xi|)2A5峰值peak=max(|xi|)(i=1,2,…,N)A6方差σ2=1N-1∑Ni=1(xi-μ)2A7标准差S=1N-1∑Ni=1(xi-μ)2A8偏斜度Skewness=1N∑Ni=1x3iA9峭度Kurtosis=1N∑Ni=1x4i
表2 无纲量参数列表Table 2 No-guideline parameters index序号时域统计特征特征计算公式B1波形指标Waveform index=RMS|μ|B2峰值指标Crest index=max|xi|RMSB3脉冲指标Im pluse index=max|xi|μB4裕度指标Margin index=max|xi|XrB5偏斜度指标Skewness index=SkewnessS3B6峭度指标Kurtosis index=KurtosisS4
根据现场统计，GIL振动信号能量E主要分布在100 Hz及其整数倍的频率值处，总体范围在500 Hz内。经前期数据处理后进行FFT变换，得到振动加速度信号在
100、200、300、400、500 Hz 5个频率点处对应的幅值，以此作为一组特征向量，即E=[E1、E2、...、E5]。
对于非平稳信号，主要可对时间-频率进行分析，例如采用小波变换[12-13]。一般经过3次小波包变换将得到8个节点，将某一特点频率段的小波系数的平方和定义为该段的小波能量： (1)
总能量的表达式为 (2)
定义某频段的相对小波包能量： (3)
得到如下特征向量： K=(p0、p1、…、p2j-1) (4)
GIL振动加速度信号样本主要通过仿真获得。仿真过程简述如下。
建模对象为一段GIL设备间隔，由金属薄壁外壳、三支柱绝缘子及中心导杆组成。间隔长度12 m，外壳呈圆柱状，外径38 cm，壁厚1.2 cm。在金属外壳和管型导体的端面施加对称约束。仿真计算时谐响应分析主要考虑稳态受迫振动。GIL在仿真时共分3种状态：正常状态；三支柱绝缘子损坏状态(下文简称“故障1”)；金属外壳焊点松动状态(下文简称“故障2”)。
为验证仿真结果的正确性，该文开展了模拟实验，在正常状态下的GIL单段间隔进行大电流加载后(I=3 465 A)，对所测量得到的振动加速度信号消除直流分量之
后，提取出100～500 Hz内各频率处相对应的幅值，结果表明：仿真所得到的振动加速度信号与实验信号在主频100 Hz处幅值十分相近，且整体幅值分布趋势相似度高，如图1所示，故而针对于正常状态下GIL的仿真计算具有较高的准确性。由此可知，以相同的仿真方法对故障状态下的GIL进行建模也具有较好的适用性。 图1 实验仿真结果的频域对比Figure 1 Frequency comparison with test and simulation results
该文的数据提取是针对每种状态类型，从对应模型上的各节点提取140个观测点的振动波形。对每个振动信号进行特征向量的提取，可得到特征向量：A=[A1、A2、…、A10]、B=[B1、B2、…、B6]、E=[E1、E2、E3、E4、E5、E6]和K=[p0、p1、…、p2j-1]。
简要举例说明样本数据特征参数提取的过程。为获取特征向量K，将样本数据依次导入小波包分析程序内，此处使用meyr小波进行3层小波包分解，采样频率是1 024 Hz，根据采样定理将形成8个频率段，每个频率段的频率区间为64 Hz。 图2中所示为小波包树，最顶层的(0,0)即是原始分解信号，其时域信号如右侧的红色曲线所示。最低层的(3,0)～(3,7)为历经3层分解后的频域划分。x轴对应的时间为1s(1 024个采样点)。在分解过程中，对于经过高频滤波的分量，其频谱顺序会发生一次翻转，频谱按格雷码的顺序进行重新排列，即：(3,0)、(3,1)、(3,3)、(3,2)、(3,6)、(3,7)、(3,5)、(3,4)依次对应的频带为：0～64 Hz、65～128 Hz、…、449～512 Hz，对应的节点编号为7、8、10、9、13、14、12、11。 图2 振动加速度信号的小波包分解实例Figure 2 Example of wavelet packets decomposition on vibration signal
不同状态下的振动信号经小波包分解，主要频率成分都分布在8号(65～128 Hz)、10号(129～256 Hz)频带处，在其他频带处包含有相应幅值较小的高频成分。将小波包分析的结果进行提取，得到小波包能量特征值向量K=(p0、p1、…、p2j-
1)(j=3)。
以上提取工作对所有样本都进行相同的处理，其中： S-A-1至S-A-4为第1种类型(正常状态)的4个数据样本； S-B-1至S-B-4为第2种类型(故障1)的4个数据样本； S-C-1至S-C-4为第3种类型(故障2)的4个数据样本。
经由以上数据处理所得到的为基础特征值向量数据库，依次进行后续的筛选及故障分类器训练及测试(表3)。
最具辨识度特征值需要进一步筛选，故而对应特征值差异的绝对值大小与相对变化幅度大小2个因素均应加以考虑。计算各特征值在3种样本类型之间的差值x(i)，即： (5)
从表4可以看出，对于不同的样本类型，同量纲下的特征值幅值大小比较，有E1> E3且E1>E5，其余几值则明显较小；特征值差值也是 E1对应的差距为最大，高达119.128%，其次是 E3和E5对应的差距，在20%以上。
表3 特征向量KTable 3 Vectors of K样本编号特征值Kp1p2p3p4p5p6p7p8S-A-10.05790.52610.03110.27860.02540.04690.00710.0270S-A-20.05790.52670.03110.27890.02200.04830.00730.0278S-A-30.05810.52840.03070.27950.02300.04760.00600.0268S-A-40.05670.51130.03150.27140.04670.04490.0100.0274样本均值0.05770.52310.03110.27710.02930.04690.00760.0273S-B-10.05750.51940.03300.27620.02630.04700.01140.0292S-B-20.05790.52500.03130.27810.02610.04720.00730.0272S-B-30.05750.52080.03160.27620.02850.04830.00860.0284S-B-
40.05680.51190.03250.27220.04030.04630.01120.0288样本均值0.05740.51930.03210.27570.03030.04720.00960.0284S-C-10.10010.42260.04330.34180.00870.06640.00210.0151S-C-20.08580.41950.04180.35720.00830.06960.00240.0155S-C-30.06260.43180.04250.36590.00840.07100.00210.0158S-C-40.06890.43000.04160.36300.00810.07040.00200.0160样本均值0.07940.42600.04230.35700.00840.06940.00220.0156
表4 特征向量ETable 4 Vectors of E样本编号特征值EE1E2E3E4E5S-A均值2.35230.04050.23450.12600.2397S-B均值3.06540.03450.41150.15500.3727差值x(1)119.1280%1.0023%29.5690%4.8446%22.2185%S-C均值2.44020.04080.23670.13370.2384差值
x(2)14.6843%0.0501%0.3675 %1.2863%0.2172%
由以上分析可知，在特征向量K中，E1、E3、E5能对于S-A与S-B这2个样本之间的区别有较好的辨识度，故挑选这3个值组成新特征向量。类似地，可以计算出： (6)
通过计算和比较发现：
P组特征值向量中，p2、p1、p4对S-A与S-C样本之间的区别辨识度较高，故挑选这3个特征值组成新特征向量。
特征向量B和A内的各个特征值差值的计算公式为 (7)
其中特征向量B的计算结果如表5所示。
表5 特征向量BTable 5 Vectors of B样本编号特征值BB1B2B3B4B5S-A均值89.06911.563987.58212.04890.1655S-B均值94.42941.941495.52981.89780.1621差值
x(1)6.018%24.138%9.074%7.374%2.054%S-C均值90.12882.5793153.58722.26001.7611差值x(2)1.189%64.927%75.363%10.303%964.108% 类似地，可以计算出： (8)
分析可知，A6、A7、A8和A9适于组成新特征向量。
综上所述，通过对4组特征值向量中有效参数的筛选，得到最终的特征向量： T=[A6,A7,A8,A9,B5,B2,B3,p2,p1,p4,E1,E3,E5] (9)
每个特征向量由13个处于[0，1]范围内的特征值构成，共420个样本。由于以上所提取的特征参量组由不同的物理量共同构成，不同物理量在数值上差别较大，为了便于不同物理量之间的比较和SVM算法计算的收敛，接下来需要对特征参量进行归一化处理，即 (10)
式中：Xmax为最大值；Xmin为原始数据的最小值；Xnorm为归一化后数值，X为原始数据。 2 特征值的优化
在上述的特征提取过程中，提取的特征值维数过高会极大地增加计算工作量和完成难度，同时对结果准确度也会有较明显的负面影响。为此，该文采用主成分分析法
(Principal Component Analysis，PCA)对核心特征向量进行筛选。
PCA的主要思想是通过线性空间变换求取主元变量，将高维数据空间投影到低维主元空间，且保留原始数据的大部分方差信息[14-15]。图3将前述各特征向量的方差贡献率进行了高低排序，其中上方实线为贡献率累计值。贡献率阈值设置为100%。
图3 主成分贡献率Figure 3 Main component contribution map
由图可知，原特征向量中的前5个特征值12#、4#、11号#、13#、和8#的累计方差贡献率达到92%，这说明在用对应的5维特征向量代替原始的13维特征值时，能够基本涵盖原始信息中的所有重要部分，这一降维效果是十分显著的。由此生成了新的维数较低的特征向量T=[E1、A9、E3、E5、p2]。 3 基于SVM的故障识别模型
支持向量机(Support Vector Machine，简称SVM)是目前相对主流的一种数据处理方法，其基本思想是将庞杂问题转化为一个二次型规划问题。这一算法在理论上可以得到全局最优点，从而规避了神经网络算法陷入局部极小点的问题[16-17]。 图4所示为GIL故障诊断流程图，其具体实现步骤如下。
图4 基于振动检测技术的GIL故障诊断流程
Figure 4 GIL fault diagnosis flow chart based on vibration detection 1)获取GIL设备的振动信号。该文主要通过仿真分析得到GIL在正常状态、故障1和故障2这3种状态下的振动加速度信号。辅助开展的验证试验，则是通过实际测量方式获取GIL壳体上的实时振动加速度信号。这2种方式都是可行的。 2)提取GIL设备的振动特征。振动加速度信号可分为时域、频域和时频域三大类数据，在该文提出方法的逐一处理后，并经过主成分分析法进行降维，最终得到5维特征向量T=[E1、A9、E3、E5、p2]。
3)建立并训练SVM。利用GIL不同状态下的振动加速度信号，在必要的降维处理之后，基于SVM专用处理软件开展模型的构建与训练。
在故障识别模型建立时，可选用的函数有线性核函数、多项式核函数、经向基函数、Sigmoid函数等。该文使用了径向基函数，因为它的模型简单，只有一个参数，学习过程也相对容易，训练时间短，对应计算工作量小。该函数的数学表达式为 (11)
式中 σ为核宽度参数。
在GIL有限元模型节点上，在正常状态、故障1和故障2这3种状态下各采集140组提取振动信号，数据总量为420组。为更好地完善数学模型，每种状态类型的前100组数据用于模型训练，后40组数据用于模型验证。图5所示为验证效果图。
图5 验证效果Figure 5 Results verification
图5中横轴表示测试样本，纵轴表示分类标签，0代表GIL处于正常状态，1代表GIL存在三支柱绝缘子损坏故障(故障1)，-1代表GIL存在金属壳体焊点松动故障(故障2)。“·”表示模型的分类结果，“o”表示实际的分类，如果某一个验证样本的模型分类结果与实际分类情况相同，图中就体现为二者重合，说明对于这个验证样本模型的分类结果是正确的。
如前所述，该文共使用了120个验证样本(每种状态各40个验证样本)，从图5可知绝大部分位置的“·”与“o”都重合，重合度高达95.83%，仅有5个测试样本的分类结果出现偏差， 这充分表明该文建立的模型是具有较高准确度的。 4 结语
该文在对GIL常见故障的特点和振动检测机理的分析基础上，确定了利用振动加速度信号中的低频成分对GIL的机械故障进行诊断的思路。在GIL建模仿真和模
拟实验的基础上，提出了振动信号的特征值提取法，经提取和多次筛选，最终得到时域、频域和时频域等范围内的5个核心特征值向量，验证结果准确度较高，这将有助于快速、精确地定位GIL机械性故障所发生的方位和提高设备修复效率。 参考文献：
【相关文献】
[1]范建斌.气体绝缘金属封闭输电线路及其应用[J].中国电力，2008，41(8)：38-43.
Fan Jian-bin.Gas insulated metal enclosed transmission line，GIL[J].Electric Pwoer，2008，41(8)：38-43.
[2]Chang C S，Jin J，Chang C，et al.Online source recognition of partial discharge for gas insulated substations using independent component analysis[J].IEEE Transactions on Dielectrics & Electrical Insulation，2006，13(4)：892-902.
[3]Runde M，Lillevik O，Larsen V，et al.Condition assessment of contacts in gas-insulated substations[J].IEEE Transactions on Power Delivery，2004，19(2)：609-617. [4]李庆民，李伯涛，王健，等.气体绝缘金属封闭输电线路地震响应的薄弱部位及其响应规律[J].高电压技术，2015， 41(5)：1 437-1 445.
Li Qing-min，Li Bo-tao，Wang Jian，et al.Weak parts of gas insulated transmission line under seismic response and its response regularity[J].High Voltage Engineering，2015, 41(5): 1437-1445.
[5]冶海廷，王亦平，马仲鸣.拉西瓦水电站800 kV GIL结构特点及安装试验[J].水力发电，2009，35(11)：60-62.
Zhi Hai-ting，Wang Yi-ping，Ma Zhong-ming.Structural characteristics，installation and test of 800 KV GIL for laxiwa hydropower station[J].Water Power，2009， 35(11)：60-62. [6]连杰，李钧，363kV GIS断路器振动引起螺栓松动问题分析[J].西北水电，2013，12(2)：62-64.
Lian-Jie，Li Jun.Analysis on bolt loose by vibration of 363 KV GIS circuit breaker[J].Northwest Hydropower，2013，12(2)：62-64.
[7]程林.特高压GIS/HGIS设备振动诊断方法研究[J].电力建设，2009，30(7)：17-19.
Cheng Lin.Research on vibration diagnosis of UHV gIS / hGIS equipment[J].Electric Power Construction，2009， 30(7)： 17-19.
[8]刘洋.针对振动信号的高压断路器机械故障诊断研究[D]. 沈阳:沈阳工业大学，2013.
[9]田玉芳.变压器绕组状态的振动检测法研究[D].济南：山东大学，2014.
[10]赵媛.高压断路器机械特性带电检测技术与论断方法的研究[D].北京：北京交通大学，2015. [11]吴书有.基于振动信号分析方法的电力变压器状态监测与故障诊断研究[D].合肥：中国科学技术大学，2009.
[12]Samanta B，Nataraj C.Use of particle swarm optimization for machinery fault detection[J].Engineering Applications of Artificial Intelligence，2009，22(2)：308-316. [13]Samanta B，Nataraj C.Application of particle swarm optimization and proximal support vector machines for fault detection[J].Swarm Intelligence，2009，3(4)：303-325. [14]徐国祥，杨振建.PCA-GA-SVM模型的构建及应用研究——沪深300指数预测精度实证分析[J].数量经济技术经济研究，2011，28(2)：135-147.
Xu Guo-xiang，Yang Zhen-jian.Research for construction and application of PCA-GA-SVM model[J].The Journal of Qunantitative & Technical Economics，2011，28(2)：135-147. [15]唐勇波，桂卫华，彭涛，等.PCA和KICA特征提取的变压器故障诊断模型[J].高电压技术，2014，40(2)：557-563.
Tang Yong-bo，Gui Wei-hua，Peng Tao，et al.Transformer fault diagnosis model based on PAC and KICA feature extraction[J].High Voltage Engineering，2014，40(2)： 557-563. [16]杨柳松.基于小波分析与神经网络滚动轴承故障诊断方法的研究[D].哈尔滨：东北林业大学，2013.
[17]Schölkopf B.A comparison on methods for multi-class support vector machines[J].IEEE Transactions on Neural Networks，2008，13(2)：415-425.
因篇幅问题不能全部显示，请点此查看更多更全内容