周弘毅，夏 磊

（国电南瑞科技股份有限公司，江苏 南京）

引言

随着电力系统的发展，电气设备的容量也不断增加。电气设备的安全关系到电力系统的平稳性。为了避免电气设备的故障问题，研究人员从设备异常振动方面着手，设计了相关的设备异常振动识别方法。其中，基于EMD-LS-MFDFA 法的异常振动识别方法利用经验模态分解的方式，将设备异常振动信号提取出来，再结合最小二乘法对振动信号特征进行优化拟合，最后使用多重分形去趋势波动分析法分析设备异常振动信号[1]。基于此，结合EMD、LS、MFDFA 等方法，将异常振动信号以特征参数的形式呈现，从而减少振动识别误差。基于迁移学习的设备异常振动识别方法利用迁移学习，对复杂环境下的设备异常振动情况进行精准识别，从而优化差异性正则化损失函数，获得更加有效的识别模型[2]。

然而，以上两种方法易受到异常谐波的影响，导致识别结果存在一定的随机误差。因此，本文利用随机森林算法，设计了新的电气设备异常振动识别方法。

1 电气设备异常振动随机森林识别方法设计

1.1 提取电气设备异常振动谐波特征

谐波是电气设备异常振动中非周期性波形，谐波电流是正常振动电流的整数倍。对于电气设备而言，异常振动谐波包括分数谐波、间谐波、次谐波，只有将所有异常振动谐波特征均提取出来，才能对电气设备的非线性谐波分量进行分析，确定电气设备异常振动的类型[3]。在电气设备的固定设备中，谐波是非线性产生的，利用波形控制找出异常振动谐波发生源。本文将异常振动谐波设定为i(θ ) ，交流失真波为 ω。假设ω =θ，则异常振动谐波表示为：

式（1）中，i(ω ) 为交流失真波的特征分量；2 π为交流失真波的谐波周期。在电气设备异常振动的状态下，流过电气线路的 ω 为 -i(θ )的对称波，并且出现i(- θ ) =-i( θ)的奇次谐波[4]。奇次谐波电流波形特征如图1 所示。

图1 奇次谐波电流波形特征

图1 中，1、2、3、4 分别为3 次谐波、5 次谐波、基础波、合成波。在电气线路中所发生的奇次谐波中，异常谐波就会产生冲击脉冲，根据冲击脉冲的大小，判定电气设备的应力老化类型。再结合异常振动谐波特征，确定电气设备热异常、电压应力异常、机械应力异常、环境应力异常、复合应力异常等异常振动类别，从而其进行针对性的振动识别。

1.2 基于随机森林算法构建电气设备异常振动识别模型

电气设备异常振动信号间断性，是产生异常振动混叠噪声的主要原因。在异常振动谐波特征提取之后，存在正常谐波混杂的问题，影响电气设备异常振动识别效果[5]。本文利用随机森林算法，构建出电气设备异常振动识别模型。通过随机生成的白噪声序列，消除电气设备异常振动区域的混叠噪声，并将异常振动数据进行相关性变量识别，避免过拟合的问题。随机生成的白噪声序列为ni(t)，得到：

式（2）中，wi,k(t)为第i 个白噪声的第k 阶IMF分量；r′(t)为第i 个白噪声的残余分量。在电气设备异常振动识别的过程中，本文以决策树作为识别模型，从树的根节点出发，每一个节点在最优的异常特征处分裂，进而逐个节点构建一个树，直到满足谐波/基波为全部异常状态的条件，完成决策树的异常识别。随机森林决策树识别模型如图2 所示。

图2 随机森林识别模型

图2 中，在Tree 1 中，灰色圆点为正常谐波；黑色圆点为异常谐波；在Tree M 中，灰色圆点为正常基波，黑色圆点为异常基波。本文将异常谐波与异常基波在随机森林决策树上进行识别，在Tree 1 中识别异常谐波中的正常谐波；在Tree M 中识别异常基波中的正常基波。将异常谐波与异常基波中的正常谐波、基波排除之后，得到的识别结果1 与识别结果M 就是最为准确的电气设备异常振动数据。在异常特征分析的过程中，本文利用识别信度指标，衡量识别结果的可靠性。信度公式为：

1.3 识别电气设备劣化异常状态

在识别模型得到电气设备异常振动识别结果之后，本文根据识别结果，判断电气设备的劣化等级，为电气设备提供针对性的运维决策。电气设备劣化等级划分情况如表1 所示。

表1 劣化等级划分

表1 中，经过异常振动识别之后，将存在异常的B1、B2、B3、C 设备进行实时关注，在劣化等级为C 的设备上关注度增加，秉持着“早发现，早治疗”的观念，保持电气设备的长久运行。

2 实验与分析

为了验证本文方法的有效性，设计如下实验，并将文献[1]方法、文献[2]方法作为对比。

2.1 实验过程

本次实验将风机齿轮箱的电气设备作为异常振动识别目标，通过现场采集的数据，识别该设备的异常振动情况。风机齿轮箱2.0 MW，风机齿轮箱为一级行星太阳轮&一级行星轮，二级太阳轮&平行级中间轴结构，齿轮传动比为131.58，齿轮箱型号为FD2250MD。

在齿轮箱上布置一个振动传感器，传感器在主轴承径向、轴向；齿轮箱径向；发电机径向等位置布置监测点，找出发电设备的异常振动问题。根据振动传感器传回的数据得知，主轴承上存在8 个异常振动点位，分别为主轴承径向与轴向的12 点、3 点、6 点、9 点钟方向的异常振动；齿轮箱径向1 点、5 点、7 点、11 点钟方向的异常振动；发电机径向12 点、3 点、6 点、9 点钟方向的异常振动。本文将振动传感器采集的异常振动数据进行分析，并计算出发电设备各个零部件异常振动的均方根误差，过程如下：

2.2 实验结果

在上述实验条件下，本文随机选取出主轴承、齿轮箱、发电机等电气设备，对其异常振动位置进行识别。识别信度是对异常振动识别数据的可靠性验证结果，识别信度越高，振动数据识别的随机误差越小。RMSE 值是异常振动识别的均方根误差值，RMSE 值越小，振动数据识别的准确性越高。实验结果如表2所示。

表2 实验结果

表2 中，在其他条件均一致的情况下，使用文献[1] 方法之后，识别信度在0.54～0.86 的范围内变化；RMSE 值在0.08～0.25 的范围内变化。由此可见，使用该方法之后，异常振动识别的随机误差较大，振动数据识别的准确性相对较低，亟需对其进行优化。使用文献[2]方法之后，识别信度在0.84～0.89 的范围内变化；RMSE 值在0.01～0.10 的范围内变化。由此可见，使用该方法之后，识别信度较为稳定，整体数据能够满足基本识别需求。但是，该方法的识别误差仍然存在，影响异常振动识别效果。而使用本文方法之后，识别信度在0.96～1.00 的范围内变化；RMSE 值在0.001～0.005 的范围内变化。由此可见，本文方法的异常振动识别有效性较高，随机误差较低。

结束语

电气设备在运行过程中如果发生故障或失效，将会给企业带来巨大的经济损失。为此，针对电气设备的异常振动问题，本文利用随机森林算法设计了电气设备异常振动识别方法。从异常谐波特征、识别模型、劣化状态识别等方面，降低了电气设备异常振动状态识别的随机误差，为电气设备的运行与维护提供了保障。