基于深度學習的水輪發電機定子繞組絕緣故障診斷

楊增杰，曾令龍，譚尚仁，趙志清

(華能瀾滄江水電股份有限公司檢修分公司，云南 昆明 650000)

發電機定子繞組通過電磁感應原理進行能量交換，工作中需承受不斷變化的機械力、電場、熱力作用，定子繞組絕緣性能、壽命也在緩慢發生變化[1-2]。定子繞組絕緣由于生產制造工藝、使用絕緣材料不同和現場安裝工藝差異等會在發電機定子繞組絕緣內部或表面造成不同的絕緣小缺陷，如絕緣內部間隙、繞組端部綁扎造成的間隙毛刺[3]、相間距離過小[4]、二次引線與繞組端部距離較近、線棒槽內電暈[5]、端部電暈、表面臟污、絕緣受潮等，由此發電機運行狀態下絕緣總是存在局部放電，不同的絕緣故障對應著不同的局部放電特征[6]。隨著運行年限增加某些缺陷發展惡化其缺陷表征的局部放電圖譜就更加明顯。通過檢測水輪發電機定子絕緣的局部放電并診斷絕緣中存在的主要缺陷，評估絕緣狀態[7-10]指導檢修，在檢修中對主要缺陷加以控制延緩老化速度是必要的。隨著大數據人工智能的發展，在發電機繞組上安裝絕緣局部放電檢測傳感器采集局部放電脈沖信號收集故障樣本數據，在絕緣故障局部放電案例樣本數據中挖掘特征，建立絕緣局部放電故障數據庫；通過人工智能模式識別[11-15]方法構建、訓練診斷模型；將訓練好的算法模型應用于新的發電機絕緣故障診斷，降低人工診斷門檻，提高診斷效率，為狀態檢修提供客觀的數據支撐，在目前狀態檢修的大環境中有較大的應用價值和意義。本文以常用的電容耦合器絕緣局部放電檢測系統采集的發電機絕緣局部放電數據為基礎，探索診斷分析模型算法。構建訓練診斷分析模型包含5個步驟。步驟(1)局部放電在線監測數據預處理；步驟(2)建立絕緣局部放電故障數據庫；步驟(3)建立診斷模型；步驟(4)絕緣故障數據庫數據集訓練診斷模型；步驟(5)模型算法應用。

1 故障診斷模型建模

1.1 發電機繞組絕緣局部放電檢測、數據構成及特征選擇

發電機局部放電在線監測系統由80pF電容耦合傳感器、局放信息處理上位機系統構成。采集到的局部放電信號經降噪去干擾[16]、分類統計后存入數據庫，數據構成如下：

(1)測試樣本信息，包含測試樣本號、時間、測試相、量程、測量狀態。主要用于標識測試時參數、測試過程是否正常，為確保局放數據不被測試參數影響，量程和測量狀態用于數據清洗，清除測試過程異?；騾挡灰恢碌臉颖?。

(2)測試樣本局部放電原始數據，一個正玄波電壓周期內局部放電脈沖活動的幅值、相位、放電脈沖數的統計。該數據代表著發電機繞組絕緣內外、繞組槽內、端部整體放電情況，其放電脈沖的分布、統計數量、統計幅值，代表著不同的絕緣故障類型。是故障識別的主要特征。

(3)通過原始數據計算得到的局部放電綜合數據，表征故障程度。由分別代表正放電數量、負放電數量、正放電幅值、負放電幅值的4個數值數據組成，符號分別為NQN+、NQN-、Qm+、Qm- 。該數據是有原始數據計算得到的中間數據，便于監測最嚴重故障發展趨勢，但放電脈沖分布等信息缺失，為確保識別診斷的準確性，該特征不采用，只用于結果標識。

1.2 局部放電在線監測數據預處理

發電機運行中工況動態變化，在線局部放電檢測裝置也在調整，在繞組中無電壓時不測量或標識無同步信號，在測試數據超量程時測試結果顯示異常，重新估計量程調整后再次測量，直至測試結果顯示所有脈沖均被測到時顯示測試狀態OK。因此測試數據中有很多異常樣本數據。

(1)異常樣本清除。以測試狀態為依據清除檢測局放脈沖不完整數據樣本，正常樣本中不同相不同時段量程不同，按量程將樣本歸類。清除樣本中脈沖統計全為0值的樣本。

(2)局部放電在線監測數據結構化[17]，原始數據是通過坐標表示的一系列數值，每一個脈沖的位置、數值以及所有脈沖的分布含有豐富的故障類別信息，為確保信息完整被模型捕捉，將局部放電數據圖像化表示。從局部放電在線監測系統導出局部放電原始數據，從中逐一提取樣本局部放電幅值、相位、放電脈沖數量的統計數據，將數據合并成具有正負局部放電幅值、相位、脈沖數的局部放電樣本原始數據集，數據形式30×100數組。將樣本原始數據集轉換為灰度圖，在灰度圖同一坐標下畫出50Hz正弦波曲線，得到局部放電樣本幅值相位圖像，原始數據及對應灰度圖如圖1?；叶葓D對應30×100原始數據矩陣，30行對應放電幅值，與量程對應，100列對應0到360°相位，每個矩陣元素的數值大小表示該位置放電脈沖數與灰度圖的顏色深度對應。圖像數據用于深度學習診斷[18-21]模型訓練，圖像與數據對應，用于展示。

(a)原始數據(a)Initial data

(b)灰度圖(b)Grey-scale diagram

1.3 絕緣故障局部放電數據獲取及故障樣本庫建立

發電機繞組絕緣局部放電樣本數據來源有試驗室模擬試驗數據[22]、真機離線試驗數據、真機在線監測數據。大型水輪發電機繞組線棒數百至上千根，絕緣存在不止一類故障，同時存在局放信號傳播衰減、交叉耦合等[23-25]。試驗室數據獲取相對容易，圖譜清晰有較高的參考價值，但與運行發電機局放數據有差異。真機離線試驗數據無外部干擾數據質量優于真機，但需要在停機試驗中獲取，獲取難度大、數量少。本文樣本數據來自運行發電機和發電機停機試驗。

瀾滄江流域目前已安裝局部放電在線監測機組近30臺，有一定數據積累，部分機組存在電暈問題、繞組表面臟污、外部母線間隙放電問題等。選擇其中3個絕緣存在故障且通過檢修處理已確定其故障類型的發電機絕緣局部放電樣本數據，并對相應的局部放電樣本數據進行故障類別標簽，建立故障樣本庫。

(1)故障A，發電機定子線棒防暈失效(出槽口電暈)。發電機額定功率300MW，定子額定電壓18kV，絕緣等級F級，環氧粉云母絕緣。故障現象定子繞組槽口、R彎部位有明顯的電暈電腐蝕變色痕跡，檢修中開展紫外成像檢測確定電暈故障位置[26-27]、電暈嚴重程度光子數大小，檢修后經電暈試驗確認防暈性能恢復，對應局部放電數據故障圖譜特征消失、放電幅值明顯減小。收集故障處理前局部放電數據樣本并對應標簽為定子線棒防暈失效故障。故障及圖譜如圖2。

(a)防暈失效(a)Anti-halo failure

(b)紫外成像(b)Ultraviolet imagery

(c)局部放電圖譜(c)Local dischargespectrum

(2)故障B，發電機定子繞組端部相間電暈故障(表面臟污、尖角、毛刺)。發電機額定功率700MW，定子額定電壓18kV，絕緣等級F級，環氧云母主絕緣。故障現象定子繞組端部異相間集灰、變色、局部電腐蝕痕跡，檢修中開展電暈試驗紫外成像檢測對應部位光子數較大且集中，確定主要局部放電位置為端部相間。檢修中全面清潔、打磨處理清除導致電場畸變的尖角毛刺，后經電暈試驗確認效果理想。收集故障處理前局部放電數據并對應標簽為定子繞組端部相間電暈故障。故障及圖譜如圖3。

(a)端部相間電暈故障(a)End-phase halo failure

(b)局部放電圖譜(b)Local discharge spectrum

(2)故障C，母線間隙放電故障(發電機定子外部故障)。與發電機連接離相封閉母線額定電壓18kV，封閉母線盆式絕緣子與導體之間均壓連接接觸不良，存在間隙放電。發電機側測量時局放數據正常，帶母線測量或母線獨立測量時局方數據間隙放電特征明顯，確認故障為外部母線間隙放電故障。收集故障處理前局部放電數據并對應標簽為外部母線間隙放電故障。故障及圖譜如圖4。

(a)母線間隙放電故障(a)Bus bar clearance discharge fault

(b)局部放電圖譜(b)Local discharge spectrum

(4)建立絕緣局部放電故障數據庫。從數據文件中逐一提樣本取采集時間、樣本號、測量狀態、廠站、發電機相信息構成如表1所示a樣本信息數據。從數據文件中逐一提樣本取正負Qm、正負NQN數據構成如表1所示d樣本局部放電綜合數據。將發電機絕緣故障按0-9順序標號形成故障代碼表，將局放樣本對應發電機絕緣故障編碼按樣本順序逐一添加構成如表1所示b樣本標簽數據。將上述a、b、c、d數據打包構成絕緣局部放電故障數據集，后續根據發電機絕緣故障不同不斷采集新的樣本加入構成更豐富的絕緣局部放電故障數據庫，如下表1。

表1 絕緣局部放電故障數據庫Tab.1 Insulation local discharge fault database

1.4 模型構建

人工智能深度學習逐步應用于電力行業設備狀態評估局部放電分析診斷，文獻[28]綜述了聚類算法、神經網絡、模糊分類、集成學習等不同人工智能算法在局部放電識別中應用成果的對比分析,卷積神經網絡最高識別率達94%。文獻[29]通過實驗室典型缺陷模擬、現場帶電檢測獲取局部放電數據樣本訓練深度卷積網絡識別缺陷,準確度達86%優于傳統的識別方法。文獻[30]比較分析了反向傳播神經網絡、自編碼神經網絡和卷積神經網絡在電纜局部放電數據上的應用效果。文獻[31]介紹了通過深度信念網絡提取電暈、表面和內部放電特征和放電分類，效果優于其人工神經網絡、模糊邏輯分類器和支持向量機。文獻[32]比較分析了支持向量機、反向傳播神經網絡和卷積神經網絡在GIS局部放電數據上的應用。文獻[33]通過比較分析認為GIS典型故障識別中支持向量機的識別效果優于BP神經網絡。文獻[34]通過試驗建立4種絕緣油中典型放電故障，并通過概率神經網絡對故障進行模式識別，識別率較高。文獻[35]介紹了一種基于卷積神經網絡(CNN)和試驗室故障數據的高壓電纜局部放電模式識別，識別精度高，對高相似故障圖譜效果較好。目前針對水輪發電機絕緣局部放電故障診斷的算法模型應用相較主變、GIS、電纜少，但局部放電檢測分析方法相似，不同點在于發電機繞組結構更復雜、槽數多、噪聲和干擾嚴重，試驗室模擬故障數據與現場數據有較大差異但在梯級流域電站中真機數據獲取相對容易，現場采集局部放電圖譜轉化為灰度圖后數據相對簡單，為兼顧模型準確度、計算速度，采用現場采集數據加傳統卷積神經網絡算法構建診斷模型是可行的。

(1)模型算法選擇。卷積神經網絡CNN的卷積層由多個小尺寸卷積核組成，在網絡訓練過程中，卷積核通過多輪迭代更新自身參數，模型收斂后卷積核可自動提取樣本的二維關鍵特征，在卷積與池化操作后，圖譜中的特征信息將被全面提取。卷積神經網絡CNN與支持向量機SVM 反饋神經網絡BPNN相比，SVM和BPNN的輸入向量為人工提取的特征向量，在構建特征向量過程中有信息損失，而卷積神經網絡輸入為局部放電原始數據對應的圖譜且卷積操作能將圖譜中的空間相關信息進行關聯分析。水輪發電機絕緣局部放電樣本數據已被構造為包含相位、幅值、放電脈沖數的30x100二維圖譜數據，選擇一通道卷積神經網絡CNN構建診斷模型。

(2)本文采用python編程語言、keras深度學習庫構建模型并訓練。通過卷積神經網絡構建的局放數據診斷模型，模型輸入30×100×1圖像數據，網絡中2次卷積計算，第1次卷積核尺寸3×3卷積核個數32，第2次卷積核尺寸3×3卷積核個數64，4個防止過擬合概率層參數均為0.25 。結構依次為輸入、卷積、概率、池化、卷積、概率、池化、轉換、概率、全連接、概率、輸出。目前使用3種故障類型數據輸出為3分類概率。神經網絡模型結構如圖5。

圖5 神經網絡模型結構Fig.5 Structure of neural network model

1.5 模型訓練

(1)按圖5所示結構參數建立診斷模型M，在故障樣本庫中抽取故障A數據樣本1100個、故障C數據樣本980個、故障B數據樣本2400個，樣本劃分訓練集70%，測試集30%，輸入模型訓練。將表1所示b標簽數據轉為onehot編碼b1,將b1、c數據集輸入M模型。模型訓練，損失函數選擇多分類損失函數(categorical_crossentropy)，優化器選擇自適應學習率優化算法(adam)，監控指標選擇準確率(accuracy)，每批次40個樣本訓練30個循環。訓練結果如圖6,得到模型參數文件M.h5。從訓練過程曲線看在訓練的前5個循環準確度迅速提升，損失值快速收斂，往后繼續收斂但相對緩慢，最終訓練集上的準確度為99.19%，損失值4.05%；測試集測試準確度98.41%，損失值5.53%；不難看出存在一定的過擬合。提高訓練批次至50個循環，準確度為99.81%，損失值1.57%；測試集測試準確度99.42%，損失值2.66%；增加訓練批次可提高準確度，減低損失，但幅度有限。絕緣局部放電圖譜數據相對簡單，對于CNN提取特征較容易，收斂快，準確度高。

(a)準確率(a)Accuracy rate

(b)損失值(b)Loss value

(2)新樣本測試，將在線監測裝置中測試ID：8917樣本，輸入模型診斷結果為線棒防暈失效故障。其中，端部相間電暈故障概率:0.000000028；母線間隙放電故障概率:0.000005493；線棒防暈失效故障概率:0.999994516；滿足現場診斷需要。

2 診斷模型應用及效果

瀾滄江流域某電廠650MW發電機，2013年3月投產，2021年大修中開展離線局部放電試驗，將試驗采集局部放電數據導入模型診斷，結果顯示為線棒防暈失效故障(槽口電暈)、端部相間電暈故障。檢修中外觀檢查部分高電壓線棒槽口明顯電暈變色，紫外成像試驗18kV電壓下端部相間電暈放電，現場檢查結果與模型診斷一致。模型診斷分析記錄如下表2。局部放電數據圖譜如圖7、圖8。

表2 局部放電檢測診斷分析記錄Tab.2 Diagnostic analysis records of local discharge detection

圖7 線棒防暈失效故障局部放電圖譜Fig.7 Local discharge diagram of bar anti corona failure

圖8 端部相間電暈故障局部放電圖譜Fig.8 Local discharge diagram of terminal alternating corona fault

3 總結

通過卷積神經網絡訓練的絕緣局部放電診斷模型，分類效果較好測試準確度達到95%以上，能通過局部放電數據快速診斷已知發電機絕緣故障。

(1)解決人工診斷由于技術人員經驗差異診斷結果差異較大，不客觀。

(2)以故障案例數據訓練的故障識別模型，應用于運行機組局部放電圖譜數據診斷，可靠性高。

(3)局部放電數據復雜，以模型診斷代替人工分析，效率高，符合水電廠數字化、智能化需要。

存在不足及改進。由于診斷模型是通過案例數據訓練而來，故障數據庫的種類和數量將直接影響診斷模型的診斷能力，目前案例數據庫只有3種故障數據，相應只能診斷3種絕緣故障，而實際發電機絕緣故障遠不止于此，只是目前發電機絕緣工藝較好，發生故障的概率不大。為提高模型診斷能力，后續應不斷補充故障案例豐富故障案例數據庫，重新訓練模型。在絕緣故障發展過程中各階段的圖譜特征可能不一致[36-37]，使用過程中同一故障各階段樣本收集很重要。不建議使用移動、翻轉、旋轉方式擴增樣本數據，對于絕緣局部放電圖譜來說上述操作可能導致擴增的數據類似其他故障數據，相對而言增加基礎噪聲擴增數據更好。