CN111239672B - 基于机器学习算法的光纤电流互感器渐变性故障预测方法 - Google Patents

Abstract

本发明公开了一种基于机器学习算法的光纤电流互感器渐变性故障预测方法,包括：1、对光纤电流互感器渐变故障劣化期间内的输出信号采样，并根据工况对采集的信号进行状态划分；2、提取采样信号中的故障信号，构成故障序列；3、构建基于LSTM的故障信号预测模型并进行训练；4、利用SVM算法训练故障分类模型；对待预测光纤电流互感器在时刻t的工作状态进行预测，包括：采集待预测光纤电流互感器在时刻t之前的L个时刻的输出信号并进行处理构成故障序列，采用故障信号预测模型预测时刻t的故障信号；利用故障分类模型进行分类，得到时刻t的预测故障类型。该方法能够根据FOCT历史输出信号对其未来时刻的工作状态进行预测，以实现故障早期预警，避免出现重大故障事故。

Description

基于机器学习算法的光纤电流互感器渐变性故障预测方法

技术领域

本发明属于智能电网中光纤电流互感器(FOCT)渐变性故障诊断领域，具体涉及一种FOCT渐变性故障预测方法。

背景技术

随着特高压技术的发展，传统电磁式电流互感器存在体积大、绝缘结构复杂、容易发生磁饱和、无法测量直流信号等缺点，无法满足当前电力环境的使用需求。光纤电流互感器(Fiber Optical Current Transformer，FOCT)以其体积小、重量轻、无磁饱和特性以及无二次侧开路危险等优势，正在逐步的取代传统的电磁式电流互感器。但是FOCT内部光学和电子器件在实际运行中受到恶劣环境影响时器件性能变差，导致设备出现故障，危害电网安全运行。随着FOCT的大规模应用，为保证设备安全稳定运行，急需开展光纤电流互感器在线状态监测和故障预测方法研究。

故障诊断是对被诊断系统的各项信息进行综合处理，确定当前时刻系统运行状态并及时发现故障的过程。故障预测是对未来时刻系统运行状态进行估计的过程。随着数据挖掘、计算机技术以及人工智能的发展，基于数据驱动方法的故障诊断技术以其不需要对复杂系统建模的优势，被广泛运用于设备的故障诊断。现有研究方法中，主要是针对FOCT突变性故障进行诊断。在实际应用中，FOCT突变故障特征明显，容易被诊断，但是渐变故障存在时域跨度大、短期特征不明显的特点，难以被诊断。申请号为201210411341.9的中国专利文献《一种电子式电流互感器的渐变性故障在线诊断方法》公开了对电子式电流互感器的渐变性故障进行诊断的方法，其利用当前时刻输电线路首末两端和变压器一二次侧电子式电流互感器的残差与设定阈值的比较来确定是否发生渐变性故障。每个时刻是否发生渐变性故障仅依据当前时刻的输出信号进行判断。而渐变性故障的特点是设备的输出信号短期特征变化不明显，因此判断的准确度有待提高。此外，该方法无法预测未来时刻FOCT的运行状态。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种光纤电流互感器渐变性故障预测方法，该方法能够根据FOCT历史输出信号对其未来时刻的工作状态进行预测，并根据预测信号判断设备工作状态，以实现故障早期预警，避免出现重大故障事故。

技术方案：本发明采用如下技术方案：

基于机器学习算法的光纤电流互感器渐变性故障预测方法，包括训练阶段和预测阶段，所述训练阶段包括：

(1)对光纤电流互感器渐变故障劣化期间内的输出信号进行采样，并根据工况对采集的信号进行状态划分；

(2)提取采样信号中的故障信号，构成故障序列；

(3)构建基于LSTM的故障信号预测模型，所述故障信号预测模型用于根据1,2,…,L时刻的故障预测L+1时刻的故障信号；采用步骤(2)构建的故障序列对所述故障信号预测模型进行训练；

(4)利用SVM算法，以采样信号中故障信号的均值、工频信号的均值和所述光纤电流互感器的工作额定电流构成的向量为输入，所述采样信号的工况状态为输出，训练故障分类模型；

所述预测阶段为对待预测光纤电流互感器在时刻t的工作状态进行预测，包括：

(5)采集待预测光纤电流互感器在时刻t之前的L个时刻的输出信号，提取其中的故障信号，构成故障序列，采用故障信号预测模型预测时刻t的故障信号；以时刻t的预测故障信号、t-1时刻的工频信号、待预测的光纤电流互感器的工作额定电流构成的向量为故障分类模型的输入，得到时刻t的预测故障类型。

有益效果：在FOCT发生渐变性故障初期，对电网运行影响较小，长时间运行下会对电网运行产生较大影响。本发明公开的基于机器学习算法的光纤电流互感器渐变性故障预测方法根据历史信号建立设备故障信号预测模型，可以提前预测故障信号；同时，结合预测信号和最近时刻的工频信号以及光纤电流互感器的工作额定电流，获取预测故障的类型，能够对设备实现早期故障预警，进行预测性维护。

附图说明

图1为本发明公开的光纤电流互感器渐变性故障预测方法的流程图；

图2为实施例中对光纤电流互感器输出信号采样的示意图；

图3为基于LSTM的故障信号预测模型的结构示意图；

图4为基于LSTM的故障信号预测模型对故障信号进行预测的效果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施案例做说明。

如图1所示，本发明公开了一种基于机器学习算法的光纤电流互感器渐变性故障预测方法，包括训练阶段和预测阶段，所述训练阶段包括：

步骤1、对光纤电流互感器渐变故障劣化期间内的输出信号进行采样，并根据工况对采集的信号进行状态划分；本实施例中采用如下采样方法：

在光纤电流互感器渐变故障劣化期间内每隔时间T截取时长为△t的输出信号，构成分段信号I(t_i)，(i-1)*T<t_i<(i-1)*T+△t，i＝1,2,…,n，n为采集到的分段信号个数；如图2所示，采样周期为T，每次采集时长为△t的输出信号。所述光纤电流互感器的工作额定电流为I_R；

根据故障的严重程度将所述光纤电流互感器的工作状态分为N种状态，并确定分段信号I(t_i)所处的状态s_i，s_i∈{1,2,…,N}。

FOCT运行状态可以通过故障信号畸变程度来衡量，本实施例中分为正常状态、注意状态、异常状态和严重状态，即N＝4。各种状态对应设备状态以及相应维修策略如表1所示。通过故障信号发展状态判断设备工作状态，并提出相应的维修策略。

表1FOCT运行状态描述以及相应维修策略

步骤2、提取采样信号中的故障信号，构成故障序列；

FOCT输出信号为一次侧电流信号的变比值，包含工频分量和噪声分量。当设备产生故障时，故障信号会叠加至正常工作状态下的信号。FOCT故障时设备输出信号包含正常信号、噪声信号和故障信号。为了减少正常信号和噪声信号对故障诊断的影响，需要从输出信号中提取故障信号。常用的信号提取方法包括经验模态分解(Empirical ModeDecomposition，EMD)和小波分析。EMD是一种自适应的时频信号分解方法，不需要引入外部函数，只需要对原始信号进行数学运算，将原始信号分为多个模态。但是在分解过程中存在模态混叠的问题，且信号处理消耗时间过长，不宜用来分解FOCT输出信号。小波包分解是一种通过小波正交基将分解信号分解到各个频段的时频分析方法。其本质是利用一组高通滤波器和低通滤波器对序列信号滤波。传统的小波分析方法是对信号的低频部分进行分解，对高频信号分解不够彻底。而小波包分解可以对信号频带进行多层次分解，将原始信号无泄漏、无重叠的分解到各个频段，被广泛用于多频率信号分解和信号特征提取。本发明中，采用小波包分解算法来提取故障信号，具体步骤为：

S21、对每个分段信号I(t_i)以频率f_s采样，并进行小波包分解，提取故障信号，具体步骤为：

对I(t_i)以频率f_s采样，确定小波包分解层数

为向上取整运算符；对采样后的信号进行小波包分解；计算小波包分解后每一层每个频带的能量占I(t_i)总能量的比值：

为小波包分解后第j层的第n个频带所对应能量，E为I(t_i)的总能量。在小波包分解过程中，小波包基函数和原始信号波形逼近程度越高，则分解信号能量越集中，信号特征提取效果越好，因此选择所述比值

最大的频带[f_min,f_max]，则I(t_i)中频率小于f_min的分量为故障信号，频率在[f_min,f_max]范围的分量为工频信号；计算所述故障信号在[0,f_min]频段的均值，即为I(t_i)的故障均值x(i)。

S22、对每一个分段信号进行上述处理，构成故障均值序列X＝[x(1),x(2),…,x(n)]；

为了更好的拟合并防止训练发散，将历史数据标准化为具有0均值和单位方差的时间序列，即对序列X进行标准化：

由此得到标准化的故障均值序列X^*＝[x(1)^*,x(2)^*,…,x(n)^*]，以X^*作为后续步骤处理的故障序列。

步骤3、构建基于LSTM的故障信号预测模型，所述故障信号预测模型用于根据1,2,…,L时刻的故障序列预测L+1时刻的故障信号；

本实施例构建的故障信号预测模型由L个级联的LSTM神经元LSTM_m构成，如图3所示，输入的长度为L的标准化故障均值序列x₁,x₂,…,x_L分别对应每一级LSTM神经元的输入，上一级神经元的输出h为下一级神经元历史数据输入，最后一级神经元的输出h_L为输入的标准化故障均值序列的预测信号；

建立LSTM训练样本集，所述LSTM训练样集中每个样本中包括输入故障序列和输出故障信号，所述输入故障序列为标准化的故障均值序列X^*中长度为L的序列片段[x(k+1)^*,x(k+2)^*,…,x(k+L)^*]，k＝0,1,2,…,n-L-1，输出故障信号为x(k+L+1)^*；

本实施例中，为了建立样本数尽量大的训练集，采用如下步骤来建立训练样本集：

按照固定步长L对故障均值序列X^*进行划分，得到n-L个训练样本，第j个训练样本为：S＝(data_in,data_out)，其中输入故障序列data_in＝(x(j)^*,x(j+1)^*,…,x(j+L-1)^*)，输出故障信号data_out＝x(j+L)^*，j＝1,2,…,n-L。

将每个训练样本中的输入故障序列作为故障信号预测模型的输入，输出故障信号作为输出，对构建的故障信号预测模型进行训练，得到基于LSTM的故障信号预测模型。

步骤4、FOCT在实际工作中故障程度与工作额定电流、实际工作电流大小相关，且状态之间区别较小，人工难以分辨。本发明利用SVM算法，以采样信号中故障信号的均值、工频信号的均值和所述光纤电流互感器的工作额定电流构成的向量为输入，所述采样信号的工况状态为输出，训练故障分类模型：

构建SVM训练样本，其中每个样本R_train包括输入向量(R₁,R₂,R₃)和输出信号V_out；其中R₁为分段信号I(t_i)中获取到的故障信号的均值x(i)，R₂为I(t_i)中的获取到的工频信号的均值y(i)，R₃为光纤电流互感器的工作额定电流I_R；输出信号V_out为I(t_i)所在的工作状态s_i；s_i∈{1,2,3,4}

利用SVM算法，以训练样本R_train中的输入向量为输入，输出信号V_out为输出，训练基于SVM的故障分类模型。

分段信号I(t_i)中工频信号的均值y(i)，即为I(t_i)在S21中[f_min,f_max]频段的均值。

经过上述步骤1-4，建立了光纤电流互感器渐变性故障预测模型，预测阶段即为利用该预测模型对待预测光纤电流互感器在未来时刻t的工作状态进行预测，包括：

步骤5、采集待预测光纤电流互感器在时刻t之前的L个时刻的输出信号，提取其中的故障信号，构成故障序列，采用故障信号预测模型预测时刻t的故障信号；以时刻t的预测故障信号、t-1时刻的工频信号、待预测的光纤电流互感器的工作额定电流构成的向量为故障分类模型的输入，得到时刻t的预测故障类型，具体为：

对待预测的光纤电流互感器在时刻t之前每隔时间T截取时长为△t的输出信号，共采集L个分段信号I_test(t-m)，m＝1,2,…,L；

按照步骤2中的方法对每个分段信号I_test(t-m)进行处理，获取标准化的故障均值序列

将

输入训练好的基于LTSM的故障信号预测模型，得到预测故障信号x_c；

将x_c、I_test(t-1)中工频信号的均值y_t-1、待预测的光纤电流互感器的工作额定电流I_test作为基于SVM的故障分类模型的输入，其输出即为待预测的光纤电流互感器在当前时刻的故障类型。

本实施例通过仿真来验证本发明公开的故障预测方法。

FOCT一次侧信号幅值为100A，每15分钟采集5s的输出信号，即T＝15min，△t＝5s。对每个分段信号以采样率f_s为4000Hz进行采样。根据公式：

确定小波包分解层数为6层。对采样信号通过分解得到64个包含不同频段信号的子序列，其频段分别为[0,31.25Hz]、[31.25Hz,62.5Hz]…[1968.75Hz,2000Hz]。利用不同小波包对设备正常输出信号进行分解，得到各个频带的能量百分比，部分能量百分比如表2所示。

表2不同小波包基函数分解各个频段能量占比

通过不同小波基函数能量百分比对比，db10小波基函数能最大限度将工频信号集中在31.25～62.5Hz频段内，可以很好的实现对低频信号的提取。因此，提取小波包分解后频率为[0,31.25Hz]的频带序列构建的故障均值序列X。

本实施例构建的基于LSTM的故障信号预测模型中有20个级联的LSTM神经元，即L＝20。根据L*T＝300min的历史输出信号，可以预测未来15min的工作状态。如图4(a)和图4(b)所示，分别为正常状态和非正常状态下基于LSTM的故障信号预测模型对输入故障序列进行预测的故障信号，可以看出，基于LSTM的故障信号预测模型预测的故障信号较为准确。

基于SVM的故障分类模型对预测故障信号进行分类，结果如表3所示：

表3基于SVM的故障分类模型分类结果

工作状态	测试集数目	正确率/％
			正常状态	100	96
注意状态	100	95
			异常状态	100	93
严重状态	100	95

从上述结果可以看出，本发明公开的光纤电流互感器渐变性故障预测方法的预测准确度较高，对不同工况下的不同故障状态下的设备预测故障信号，并进行故障等级分类，利用分类结果可以为不同状态的设备提供相应的维修决策，实现设备早期故障预警。

Claims (9)

1.基于机器学习算法的光纤电流互感器渐变性故障预测方法，包括训练阶段和预测阶段，其特征在于，所述训练阶段包括步骤：

(1)对光纤电流互感器渐变故障劣化期间内的输出信号进行采样，并根据工况对采集的信号进行状态划分；

(2)提取采样信号中的故障信号并计算均值，构成故障均值序列；

(3)构建基于LSTM的故障信号预测模型，所述故障信号预测模型用于根据1,2,…,L时刻的故障均值预测L+1时刻的故障信号的均值；采用步骤(2)构建的故障均值序列对所述故障信号预测模型进行训练；

(4)利用SVM算法，以采样信号中故障信号的均值、工频信号的均值和所述光纤电流互感器的工作额定电流构成的向量为输入，所述采样信号的工况状态为输出，训练故障分类模型；

所述预测阶段为对待预测光纤电流互感器在时刻t的工作状态进行预测，包括：

(5)采集待预测光纤电流互感器在时刻t之前的L个时刻的输出信号，提取其中的故障信号并计算均值，构成故障均值序列，采用故障信号预测模型预测时刻t的故障信号的均值；以时刻t的预测故障信号的均值、t-1时刻的工频信号的均值、待预测的光纤电流互感器的工作额定电流构成的向量为故障分类模型的输入，得到时刻t的预测故障类型；

所述步骤(5)具体包括：

对待预测的光纤电流互感器在时刻t之前每隔时间T截取时长为Δt的输出信号，共采集L个分段信号I_test(t-m)，m＝1,2,…,L；

按照步骤(2)中的方法对每个分段信号I_test(t-m)进行处理，获取标准化的故障均值序列

将

输入训练好的基于LTSM的故障信号预测模型，得到预测故障信号的均值x_c；

将x_c、I_test(t-1)中工频信号的均值y_t-1、待预测的光纤电流互感器的工作额定电流I_test作为基于SVM的故障分类模型的输入，其输出即为待预测的光纤电流互感器在当前时刻的故障类型。

2.根据权利要求1所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述步骤(1)具体为：

在光纤电流互感器渐变故障劣化期间内每隔时间T截取时长为Δt的输出信号，构成分段信号I(t_i)，(i-1)*T＜t_i＜(i-1)*T+Δt，i＝1,2,…,n，n为采集到的分段信号个数；所述光纤电流互感器的工作额定电流为I_R；

根据故障的严重程度将所述光纤电流互感器的工作状态分为N种状态，并确定分段信号I(t_i)所处的状态s_i，s_i∈{1,2,…,N}。

3.根据权利要求2所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述步骤(2)具体包括：

对每个分段信号I(t_i)以频率f_s采样，并进行小波包分解，提取故障信号，并计算所述故障信号的均值，构成故障均值序列X＝[x(1),x(2),…,x(n)]；对此序列进行标准化：

由此得到标准化的故障均值序列X^*＝[x(1)^*,x(2)^*,…,x(n)^*]，以X^*作为后续步骤处理的故障序列。

4.根据权利要求3所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述步骤(3)具体包括：

构建基于LSTM的故障信号预测模型，所述故障信号预测模型由L个级联的LSTM神经元构成，输入的长度为L的标准化故障均值序列分别对应每一级LSTM神经元的输入，上一级神经元的输出为下一级神经元历史数据输入，最后一级神经元的输出为输入的标准化故障均值序列的预测信号；

建立LSTM训练样本集，所述LSTM训练样集中每个样本中包括输入故障均值序列和输出故障信号均值，所述输入故障均值序列为标准化的故障均值序列X^*中长度为L的序列片段[x(k+1)^*,x(k+2)^*,…,x(k+L)^*]，k＝0,1,2,…,n-L-1，输出故障信号均值为x(k+L+1)^*；

将每个训练样本中的输入故障均值序列作为故障信号预测模型的输入，输出故障信号均值作为输出，对构建的故障信号预测模型进行训练，得到基于LSTM的故障信号预测模型。

5.根据权利要求3所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述步骤(4)具体包括：

构建SVM训练样本，其中每个样本R_train包括输入向量(R₁,R₂,R₃)和输出信号V_out；其中R₁为分段信号I(t_i)中获取到的故障信号的均值x(i)，R₂为I(t_i)中的获取到的工频信号的均值y(i)，R₃为光纤电流互感器的工作额定电流I_R；输出信号V_out为I(t_i)所在的工作状态s_i；

利用SVM算法，以训练样本R_train中的输入向量为输入，输出信号V_out为输出，训练基于SVM的故障分类模型。

6.根据权利要求1所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述光纤电流互感器的工作状态有四种，分别为正常状态、注意状态、异常状态和严重状态。

7.根据权利要求3所述的光纤电流互感器渐变性故障预测方法，其特征在于，计算分段信号I(t_i)中故障信号的均值具体步骤为：

对I(t_i)以频率f_s采样，确定小波包分解层数

为向上取整运算符；对采样后的信号进行小波包分解；计算分解后每一层每个频带的能量占I(t_i)总能量的比值；选择所述比值最大的频带[f_min,f_max]，则I(t_i)中频率小于f_min的分量为故障信号；计算所述故障信号在[0,f_min]频段的均值，即为I(t_i)故障信号的均值x(i)。

8.根据权利要求4所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述建立LSTM训练样本集具体步骤为：

按照固定步长L对故障均值序列X^*进行划分，得到n-L个训练样本，第j个训练样本为：S＝(data_in,data_out)，其中输入故障序列data_in＝(x(j)^*,x(j+1)^*,…,x(j+L-1)^*)，输出故障信号data_out＝x(j+L)^*，j＝1,2,…,n-L。

9.根据权利要求3所述的光纤电流互感器渐变性故障预测方法，其特征在于，所述步骤(4)中获取分段信号I(t_i)中工频信号的均值y(i)包括步骤：

对I(t_i)以频率f_s采样，确定小波包分解层数

为向上取整运算符；对采样后的信号进行小波包分解；计算分解后每一层每个频带的能量占I(t_i)总能量的比值；选择所述比值最大的频带[f_min,f_max]，则I(t_i)中频率在[f_min,f_max]范围的分量为工频信号；计算所述工频信号在[f_min,f_max]频段的均值，即为I(t_i)的工频信号均值y(i)。

Images