0 引言
高压并联电抗器（高抗）运行期间调节输电线路的无功功率，对维持电压具有重要的作用[1]。由于受到绕组电流产生的电磁力，磁通在铁心饼表面产生的麦克斯韦力和磁致伸缩的影响[2-4]，电抗器存在显著的振动与噪声。在长期振动状态下容易出现结构疲劳和紧固件松动，而油箱表面声振特征与内部机械状态存在紧密关联，内部结构件松动后其振动形态发生了变化，可能导致箱体局部发生振动幅值波动或出现其他频率分量，因此可以通过提取油箱表面的声振信号对电抗器运行状态进行评估[5-7]。
国内外大量研究表明，通过建立具有层次变化的特征向量与系统不同严重程度下缺陷之间的内在联系，从而得以有效判断缺陷类型和故障源区域。文献[8]验证了采用获取变压器声学振动信号的方式评估铁心和绕组状况的方法。文献[9]通过远程监测变压器状态，从而将变压器振动状态与内部异常类型结合起来。
由于生产厂家或型号的不同，每台高压并联电抗器在出厂时制造工艺并不完全相同，随着电抗器投运时间的增加，不同时刻下的声振信号也会发生不同程度的改变，因此运用传统的声振分析法时并不能避免不同时间维度下电抗器本身所处环境和运行工况所带来的机械状态影响。近年来，随着人工智能的发展，深度学习作为一种深层神经网络，逐渐成为监测电力设备运行状态方面备受关注的数据处理方法[10-11]。深度学习模型拥有多个非线性映射层级，可以对输入信号逐层抽象并提取特征，从而挖掘出更深层次的潜在规律[12-14]。同时随着电力设备数据量上升以及特征复杂化，越来越多的学者将深度学习模型应用于电力设备故障检测并取得了很好的效果[15-17]。具有记忆和遗忘功能的时间序列预测模型在国内外不同领域都得到了应用，这些应用结果证明了它不仅可以出色地捕获数据的变化趋势，而且可以表征时序数据的依赖关系[18-20]。电力设备声振特征既可作为衡量其内部缺陷严重程度的指标，同时具有一定随时序变化的特有属性。因此针对每台制造工艺不同、运行环境各异的高压并联电抗器，分别挖掘其声振特征时序变化的运行状态评估方法具有一定的自适应性和个性化。因此，本文试图使用时间序列预测的方法获取电抗器声振特征的未来变化趋势。
结合现场电力设备状态监测和声振特征预测的现实需求，本文开发了一套全天候、抗电磁干扰能力强、具有记录稳态信号和暂态信号的电抗器声学振动实时采集系统。针对某1 000kV变电站内特高压并联电抗器的声振数据，提出了一种基于门控循环单元（Gated Recurrent Unit, GRU）网络模型的声振特征预测方法。该方法包含详细的网络结构设计以及实现网络预测的功能等，结构上包括输入层、隐藏层和输出层三个网络层，功能上可实现多通道信号的多特征参量预测。研究结果表明，本文采用的电抗器声振信号在线监测系统能够满足变电站现场投入使用需求，GRU预测模型可有效捕捉并适应电抗器声振特征的变化规律和波动趋势，不仅避免了电抗器断电检修带来的整体影响和经济损失，同时在一定程度上为正常工况及缺陷下的电抗器运行状态评估提供了参考。
1 1 000kV并联电抗器声振信号分析
1.1 声振信号在线监测系统
电抗器声振在线监测系统由压电式振动加速度传感器、声学传感器、信号传输线缆、信号采集装置与电气柜五部分组成，如图1所示。采集装置结合了振动信号采集通道和声学信号采集通道，传感 器参数见表1。
图1 数据采集设备
Fig.1 Data acquisition equipment
表1 传感器参数
Tab.1 Sensor parameters
传感器参数 加速度传感器 传声器 灵敏度 100mV/g 40mV/Pa 量程 ±50g 16~134dB 安装方式 磁式吸附 麦架支撑 频响 5~10kHz 20~20kHz 应用温度 54~121℃ -30~80℃
微型监测装置内部安装了易于配置的采集卡，具备24位分辨率以及128kS/s采样率，适合应用于数据采集和振动测量，能够为机械设备提供24h振动监测，集成WiFi的模块可将数据实时上传至云平台。在监测软件的驱动下，监测装置可以满足不同的监测需求，对声学振动信号进行定时采样，各通道同步采集数据并处理分析，真正实现无人值守，必要时对异常状态发出告警的目的，系统对现场高压并联电抗器监测时主要利用以下功能：①声学振动信号采集、显示、实时预处理、智能存储；②提取频谱成分，比较一段时间内频率成分的变化；③触发采集，通过设置阈值告警并捕捉异常状态下的瞬态信号；④通过发送终端实时传输数据至云平台；⑤历史数据回调分析。
1.2 测点位置
电抗器内部结构振动传播至油箱的路径复杂，对于油箱四周的其中一个平面而言，平面中心部位的振动更多的是由液体传播到达油箱表面，因此选择平面中心为测点位置以便从振动信号中更大程度地提取到铁心、绕组的振动特征；其次，振动通过箱体向外传播的过程中，通过加强筋传播的振动信号并不能准确反映箱体内部重要结构件的机械状态，因此测点应避开加强筋；此外电抗器冷却风扇和油泵的振动主频是50Hz，同时包含倍频谐波，容易对目标信号造成干扰，所以测点也应远离冷却系统。现场测点布置如图2所示，两个振动加速度传感器分别 通过永磁体吸附于靠近绕组的油箱正面和靠近旁轭的侧面，声学传感器由支架支撑放置于油箱正面，并与箱壁保持1m水平距离。
图2 测点布置
Fig.2 Layout of measuring points
1.3 声振信号特征分析
某一时刻电抗器油箱箱壁的振动信号和声压信号如图3所示。通过对比通道1和通道2的振动信号可知，油箱正面测点的振动加速度更大，达到2g以上，这是因为通道1的振动加速度传感器距离铁心和绕组等振动源更近。声学信号与其他任一测点的振动信号相似，两者具有相同的频谱特征，其主频在电抗器正常运行状态下均为100Hz，同时包含微量的偶次谐波。因此，声学信号在一定程度上也可以作为电力设备的状态评估依据。
图3 测点布置各通道信号时域和频域图
Fig.3 Time domain diagram and frequency domain diagram of each channel signal
本文对比了某时刻下正常运行状态和带缺陷运行的两台高抗的声振特征，经过后期拆箱检查，后者电抗器的缺陷是由箱体内部结构件松动导致，两种状态下的声振特征见表2和表3。其中奇偶次谐波比和50Hz比重是在线监测系统为了避免电抗器出现直流偏磁以及系统结构被强电磁干扰而提供的特征，一般情况下两特征值接近于0。基频幅值表示100Hz分量下的振动幅值和噪声幅值，正常情况下该特征稳定于某正常区间内，大幅度的波动能有效反映电抗器异常的机械状态；基频比重表示100Hz分量占所有频率分量的比重，机械缺陷导致的固有频率转移造成了除100Hz以外的其他频谱分量幅值上升，从而基频比重下降，其中奇偶次谐波比、50Hz比重和基频比重的表达式分别为
式中，A为各频率分量的幅值；A2为某频率分量的能量。根据电抗器振动特性和以往的振动测量经验，大于2 000Hz的频率成分几乎不存在，因此需要关注的频率范围处于2 000Hz以内。
表2 正常电抗器特征值
Tab.2 Characteristic value of normal rea ctor
频谱特征 通道1 通道2 通道3 奇偶次谐波比(%) 0.001 2 0.002 4 0.003 3 50Hz比重 0.000 3 6.24×10-5 0.001 0 基频幅值/g 0.888 3 0.401 8 1.385 1 基频比重(%) 98.47 90.72 98.79
表3 缺陷电抗器特征值
Tab.3 Characteristic value of defective reactor
频谱特征 通道1 通道2 通道3 奇偶次谐波比(%) 0.000 6 0.004 7 0.001 7 50Hz比重 2.27×10-5 0.000 1 0.000 4 基频幅值/g 0.890 1 0.155 2 0.840 9 基频比重(%) 85.27 35.323 3 96.87
由于两台高抗制造工艺有所偏差，因此比较两者的基频幅值意义不大，通常习惯于将一台电抗器当前的振动基频幅值与过去的水平相对比。正常状态下的电抗器基频比重达到90%以上，说明运行状态良好的电抗器振动信号基频分量远远大于其余频谱分量，与理论基础相符。然而缺陷状态下的1、2通道基频比重低于90%，通道2甚至低至35.3%，由此可见，该高抗靠近旁轭的区域出现较多的振动高频分量。
为了更直观地表现两台高抗的声振特征变化，且避免单一时刻测量造成的偶然性，有必要对一段时间内两者声振基频比重进行对比，以基频比重为例，图4表现了两者信号的基频比重在一段时间内的波动水平，缺陷状态下高抗各通道的基频比重数值水平与正常情况均有所降低。通过对两台电抗器的长期监测发现，奇偶次谐波比和50Hz比重的值极低，因此可判断其直流偏磁和强电磁干扰的情况几乎不存在。在此基础上，松动缺陷状态下的电抗器振动基频比重相对更低，这是因为内部结构件松动到一定程度后其整体振动形态发生了变化，从而出现其他频率分量。此外，靠近缺陷位置的通道表现出的特征值更加明显，即该通道下的基频比重下降的程度更多。
图4 基频比重对比
Fig.4 Comparision of fundamental frequency proportion
根据现场运行情况表明，本文所采用的电抗器声学振动在线监测系统具有方便快捷、运行稳定的特点，既保证了全天候不间断运行，又能实现声学振动信号固定周期自动采集与数据实时在线传输的功能。由高压并联电抗器声振特征分析可知，本文采用的在线监测系统一定程度上可对现场高压并联电抗器运行状态作出直观的初步评估，且由箱体振动形态变化产生的特征参量波动程度可作为高压并联电抗器运行状态评估判据。
2 电抗器声振特征预测模型
电抗器正常运行期间，箱体内结构件在长期振动效应下不可避免地持续发生状态劣化，劣化程度是由长期效应累积的结果，因此电抗器的当前运行状态并不完全取决于当前时刻设备的运行工况和运行环境，同时一定程度上受过去若干因素影响。因此本文选择以循环神经网络为基础的时间序列预测模型对电抗器声振特征序列进行预测，该网络的输出结果不仅依赖当前时刻的信息，很大程度上也受到之前信息的影响。随着时序的推进，网络权重参数依据当前信息以及之前信息不断进行更新。纵观时序上先后出现的信息，距离当前时刻越遥远的信息对当前输出的影响权重值越小。
2.1 理论基础
高压并联电抗器正常运行期间，其声振特征波动程度小，每一时刻体现出来的特征值存在连续性，由各时间节点可组成一条完整的时间序列。GRU和长短期记忆网络（Long Short-Term Memory, LSTM）都是在循环神经网络（Rerrent Neural Network, RNN）的基础上进行改进的，三种网络均能够记忆之前的信息并应用于计算当前时刻信息[21-23]。
在时间序列训练的过程中，两种模型的存储单元共接收三个输入，其中包含当前时刻的输入信息、长期记忆下的遗留信息及短期记忆下的遗留信息。各种门的开关状态受到输入层信息和前一时刻隐层信息的影响，从而决定应该记忆的信息和应该删除的信息，存储单元中的各权重值缓慢更新。
图5所示为GRU存储单元内部结构，其中包含的重置门和更新门的计算公式为
式中，t与t-1为序列中元素的先后顺序；xt与ht-1分别为当前时刻输入信息与上一时刻输出信息；W为用于更新输入的权重系数矩阵；U为用于更新上一时刻输出的权重系数矩阵；b为偏置向量；下标z、r分别为更新门和重置门。重置门控制了短期记忆信息和遗忘信息，更新门对长期记忆信息进行筛选。为了增强网络的非线性，两个门的激活函数σ采用Sigmoid函数，在0~1之间取值，表示为
图5 GRU结构
Fig.5 GRU structure
LSTM和GRU结构的微妙设计在于储存单元中的门控可以选择信息流向，解决了RNN梯度消失的问题。因此，鉴于LSTM和GRU在提取历史信息以及解决序列数据的长期依赖性问题方面效果较好，所以本文采用两种模型分别对电抗器声振特征进行预测。
2.2 模型结构与参数
单步预测是时间序列预测模型的基础，对于简单研究模型来说，输出未来下一时间节点的结果即可获得理想效果。对于变电站电力设备的大量声学振动数据，采用单步预测并不能现实且应用效率极低，因此本文的预测模型采用多步预测且最终可以得到未来一段时间内的预测结果。随着预测步长的增大，模型对时间序列的特征规律越加难以提取，预测精度也随之降低。
为了提高网络学习能力和拟合度，通常将训练集划分为多组样本，这是为了加强多组样本之间的相关性。若以每天获取到的数据量为预测单元，则应将分组滑动窗口长度设为480，由此每个窗口中可包含480个连续特征，滑动步长的长度为48。网络训练过程中每次迭代期间窗口都按照该滑动方式到达序列固定位置，末次迭代即得到预测结果，样本分组及窗口结构如图6所示。
图6 样本结构
Fig.6 Sample structure
隐层神经元个数设定对于网络模型的学习能力有至关重要的作用，同时也尽可能地在训练模型的过程中提取高维特征规律。节点数过少会导致模型难以提升学习能力，提取不到数据深层次的规律信息；节点数过多会导致训练时间骤增，计算量过大，还会造成过拟合现象。因此，考虑到本预测模型的复杂度和数据量，确定隐层节点数为24个。
2.3 基础数据集
为了综合衡量电抗器运行状态，数据序列由多个声振特征组成，由于在线监测系统中声振信号的基频幅值与基频比重对电抗器运行状态监测的有效性，且以与频谱分布有关的频谱能量作为辅助，因此最终选择基频幅值、基频比重和频谱能量三种特征作为序列预测数据集的组成部分。频谱能量表示各频率所具有的能量之和，当固有频率发生改变，油箱内部结构局部容易发生共振，从而频谱能量出现大幅度波动，其表示方法为
利用三种声振特征组成的三维时间序列作为网络模型的训练与预测对象，合理确定样本数量对模型最终的预测结果具有重要影响，样本数过大会造成计算时间骤增、收敛速度慢等问题；样本数过小会导致数据特征规律提取不充分、预测精度不高等问题。基于电抗器实际运行状态以及网络模型结构类型，有必要对信号采集和数据划分作出以下处理：
（1）设置监测系统对声振信号采样间隔为30min，进行全天候重复定时采样，一天内每个通道获取到48段时域波形。
（2）对数据进行筛选和预处理，去除趋势项，以利于最终信号特征更大程度地反映电抗器的运行状态，提高预测结果的准确性。
（3）采用滑动窗口的方式对数据序列进行样本划分，从样本中划分训练集与测试集。
（4）针对多测点的监测平台，分别构建各通道相应格式的数据样本。
历史波动趋势如图7所示。历史数据中各特征参量存在一定程度的波动，但始终稳定于固定范围内。可以看出，各特征参量具有较强的连续性，存在一定的时序规律，且某时刻的特征值是在上一时刻的基础上结合当前运行工况与运行环境等多种因素共同决定的。
图7 频谱特征历史数据
Fig.7 Spectrum characteristic history data
3 1 000kV电抗器状态评估的实际应用与分析
以某1 000kV变电站中的油浸式并联电抗器为研究对象，在线监测系统在数据采集阶段对正常运行的高压并联电抗器箱壁表面垂直方向采集通道2的振动信号和通道1的声学信号，并实时向云平台传输数据，预测分析阶段包括数据预处理，主要针对时域信号去除趋势项、处理缺失数据。
3.1 网络训练
针对从存储云端获取的历史数据，对其进行同步预处理和傅里叶变换，最终获取3路通道信号中的基频幅值、基频比重和频谱能量，共形成9条与声振特征相关的时间序列。综合考虑样本数据量、数据形式和模型训练强度等因素，将每步长下的训练集时间序列长度确定为480，将测试集的时间序列长度确定为48，即每步长下采用10天的历史数据预测未来1天的数据，由此可以完整地表现出电抗器未来24h内声振特征的变化趋势。
将9条声振特征序列训练集的输入样本和输出样本通过GRU预测模型构建对应关系，首先设置各权重矩阵中各权重因素的随机初始值，其次网络模型利用输出序列与实测序列组成的损失函数表示训练结果，本文采用的损失函数表达式为
式中，yi为预测序列中第i个值；
为实测序列中第i个值。
网络训练过程中，多次迭代使得损失函数不断降低，过程中各权重值逐渐向着最优解逼近。当损失函数低于0.001时迭代停止；否则网络持续迭代1 000次。最终网络模型输出结果误差精度达到最大化，各网络层权重值达到最佳。
3.2 预测结果
电抗器在正常运行期间，以GRU模型的预测效果为例，振动通道下的基频幅值、基频比重和频谱能量的预测结果如图8所示。预测结果表明，GRU模型能够有效捕捉电抗器箱体表面振动的三种频谱特征波动规律，预测结果与实测结果在整体趋势与波动程度上大致吻合。但从某个单一时刻观察，预测值与实际值仍然存在细微误差，这是由于电抗器的运行工况等不确定因素以及温度、湿度等环境因 素对声振信号造成的微弱影响。
图8 振动通道预测结果
Fig.8 Prediction results of vibration channel
通道1表示油箱正面中心点的振动信号特征，该振动测点离铁心和绕组最近，通过该测点获取的振动信号包含了更多关于机械状态有价值的信息，振动规律比其他测量点对应的振动信号规律性更强。通道2表示油箱侧面的振动信号特征，该振动测点位置位于油箱侧面的中心，通过该测点获取的振动信号在传输过程中通过了更复杂的介质路径，在主流振动信号中包含了一部分紧固夹件、拉杆等固体传播介质的强迫振动，虽然在某特定时刻其预测值与实测值差异较为明显，但总体预测曲线与实测曲线较为吻合。
图9所示为GRU预测模型下噪声信号的基频幅值、基频比重及频谱能量的预测效果。与其他两通道的振动特征预测效果相比，声学特征的预测结 果和实测结果几乎不存在明显的局部差异。噪声通过空气传播的过程中，噪声信号中微弱的、非主要成分被衰减，从而传声器采集到与机械状态密切相关的关键信息。
图9 声学通道预测结果
Fig.9 Prediction results of acoustic channel
在一定误差范围内，正常情况下的预测值与实际值的大小基本相等，这是因为预测模型在训练期间能从历史数据中掌握电抗器声振特征趋势变化的规律。在电抗器内部结构机械状态良好的情况下，可以认为预测结果与实测结果持续保持高度吻合。
3.3 模型评估
为了衡量预测模型对电抗器声振特征的预测性能，本文采用三种评估指标对其进行评估：平均绝对百分比误差（MAPE）、平均绝对误差（MAE）和方均根误差（RMSE）。范围均为[0,+∞)。MAPE通常以百分比的表示方式提供预测精度度量结果；MAE表示预测结果和实际数据之间的平均误差；RMSE表示模型预测结果的标准差。三种评估标准值越小证明模型性能越好，预测精度越高。其表达式为
表4~表6分别为GRU预测模型针对三种声振特征的预测精度评估情况。利用每一时刻的预测值和实际值可分别计算MAE、MAPE和RMSE的评估结果。与基频幅值和基频比重相比，频谱能量在各通道下的MAE均为最大值，通道1达到0.215 0。频谱能量的MAPE值均处于3%以上，其RMSE值最大达到0.264 3。这是由于频谱能量对机械状态的变化更为敏感，因此在可接受的误差范围内，频谱能量可以作为首选的电抗器状态评估的重要参考特征之一。
表4 基频幅值预测效果评估
Tab.4 Effect evaluation of fundamental frequency amplitude prediction
指标 通道1 通道2 通道3 MAE 0.043 7 0.024 9 0.010 7 MAPE(%) 1.87 1.83 1.9 RMSE 0.053 3 0.031 1 0.012 9
表5 基频比重预测效果评估
Tab.5 Effect evaluation of fundamental frequency proportion prediction
指标 通道1 通道2 通道3 MAE 0.042 6 0.031 9 0.060 5 MAPE(%) 4.27 0.23 0.06 RMSE 0.053 6 0.039 0 0.076 5
表6 频谱能量预测效果评估
Tab.6 Effect evaluation of spectrum energy prediction
指标 通道1 通道2 通道3 MAE 0.215 0 0.066 8 0.014 0 MAPE(%) 3.94 3.54 3.28 RMSE 0.264 3 0.084 6 0.018 7
GRU和LSTM都具有时间序列记忆功能和遗忘机制，对改进递归神经网络有重要作用。因此以同样时间段下的声振基频幅值为例，本文在此引入相同结构参数下的LSTM模型与GRU模型进行对比，见表7。除了声学信号通道下的MAPE值以外，GRU模型的预测评估值均略低于LSTM模型，说明针对本台高压并联电抗器的声振特征，GRU模型的预测精度稍高。此外，理论上GRU的结构比LSTM结构更为简单。通过验证，各信号通道下GRU模型的计算时间更短，相比LSTM模型平均可节约8min。
表7 GRU与LSTM模型评估对比
Tab.7 Comparison of GRU and LSTM models
误差 振动通道1 振动通道2 声学通道 GRU LSTM GRU LSTM GRU LSTM MAE 0.043 7 0.046 0 0.024 9 0.026 1 0.010 70.011 4 MAPE(%) 1.87 1.97 1.82 1.93 1.90 1.70 RMSE 0.053 3 0.055 0 0.031 1 0.032 7 0.012 9 0.013 1
由于振动通道与声学通道存在一定差异性，因此两者的评估指标阈值应当有所区分。采用基于在线监测系统和声振特征预测模型对高压并联电抗器运行状态评估时，振动通道的MAE、MAPE和RMSE的阈值可分别设定为0.8、3%和0.9，声学通道的MAE、MAPE和RMSE的阈值可分别设定为0.1、0.1%和0.18。
3.4 缺陷状态对应的模型输出结果分析
本文采用的在线监测系统自2019年4月安装完毕至2020年7月期间，硬件均无异常，数据采集和数据传输功能仍能正常实现。然而自2019年12月起，通过对比模型输出结果与实际结果发现，无论是局部趋势还是整体趋势，声振频谱特征当前时刻的实测结果开始明显偏离前一天的模型输出结果。正常情况下预测模型根据历史数据推演出下一个时间段内即将出现的声振特征变化趋势，即电抗器预期的理想运行状态。然而当前时刻的声振特征波动规律并不符合理想变化趋势，因此电抗器油箱内部可能存在机械缺陷导致的结构件随机振动，从而影响了箱壁原有的振动形态。以采集振动信号的通道1为例，图10所示为某时间段下基频幅值、基频比重和频谱能量的实测结果与模型输出结果出现明显偏差的对比。
图10 缺陷状态下特征对比结果
Fig.10 Characteristic comparison results under defect state
在同一时间段下，研究人员通过其他手段对本台高抗进行故障检测，诊断结果表明，油箱内部某 区域存在局部放电，且伴随着间歇性异响。经过返厂检修，发现非出线侧X柱上磁分路靠近旁轭的夹件与主铁心上夹件间接地线未连接，接线头与上铁轭拉螺杆垫圈接触，拉螺杆垫圈及对应夹件和绝缘垫圈周围有明显放电痕迹，缺陷区域如图11所示。
图11 缺陷区域
Fig.11 Defect area
结合模型输出结果分析可知，当模型输出结果与实测结果之间的波动趋势不再吻合，此时可能存在机械结构件松动状态下的随机振动对原本的振动形态造成的频繁干扰，导致油箱内部机械结构件的振动偏离了自然趋势和特征规律，而两者偏离程度也恰好可以反映内部缺陷或故障的严重程度。
以基频比重为例，电抗器正常状态下和缺陷状态下声振特征参量模型输出值与实测值的误差对比见表8。由表8中对比结果可知，电抗器在缺陷状态下其声振特征的模型输出结果与实测结果偏差明显大于正常状态，且三个通道的偏差都超过了规定阈值，由此验证了通过衡量两者偏差可达到电抗器运行状态评估的效果。
表8 正常状态与缺陷状态下的评估结果对比
Tab.8 Comparison of evaluation results between normal state and defect state
误差 通道1 通道2 通道3 正常 缺陷 正常 缺陷 正常 缺陷MAE 0.042 6 1.547 9 0.031 9 7.435 2 0.060 5 0.206 3 MAPE(%) 1.74 4.27 0.23 8.69 0.06 0.21 RMSE 0.053 6 1.850 1 0.039 0 7.644 2 0.076 5 0.282 4
4 结论
本文基于在线监测系统和时间序列预测模型提出一种电抗器运行状态评估方法，该方法利用某变电站高压并联电抗器油箱表面振动信号和噪声信号的历史数据，通过时间序列预测的方式获取了未来 24h 内的信号基频幅值、基频比重和频谱能量三种特征参量，由此本文得到以下结论：
1）变电站现场投入使用的声振在线监测系统可满足实际复杂的运行要求和运行环境，长期带电运行体现了该系统的稳定性。
2）通过在线监测系统持续运行，初步形成了以奇偶次谐波比、 50Hz 比重、基频幅值与基频比重为指标的缺陷诊断方法。
3）本文采用LSTM和GRU 预测模型对电抗器声振特征进行预测，通过与真实测量值对比，预测结果的整体趋势、波动程度均与实测数据接近吻合，同时模型输出结果中特征参量的波动趋势可为状态评估提供参考。
4）利用本文方法对一台接地线未连接的缺陷高抗声振特征进行评估，结果表明，模型输出结果与实测结果是否吻合，可说明电抗器当前振动特征波动是否存在规律性，可判断箱体内部是否存在机械缺陷。
综上所述，本文利用在线监测系统和时间序列预测模型对电抗器声振特征进行对比分析的方法可以作为电抗器状态评估的有效途径，为现场运维人员提供及时、有效的参考价值，一定程度上可以提高现场电力设备运行的完备率。
[1] 张鹏宁, 李琳, 程志光, 等. 并联电抗器与变压器模型铁心振动仿真与试验对比[J]. 电工技术学报, 2018, 33(22): 5273-5281.
Zhang Pengning, Li Lin, Cheng Zhiguang, et al. Vibration simulation and experiment comparison of shunt reactor and transformer model core[J]. Transactions of China Electrotechnical Society, 2018, 33(22): 5273-5281.
[2] Zhang Pengning, Li Lin, Cheng Zhiguang, et al. Study on vibration of iron core of transformer and reactor based on maxwell stress and anisotropic magnetostriction[J]. IEEE Transactions on Magnetics, 2019, 55(2): 1-5.
[3] 吴书煜, 马宏忠, 姜宁, 等. 基于多物理场耦合的特高压并联电抗器振动噪声仿真分析与实验研究[J]. 电力自动化设备, 2020, 40(3): 122-127.
Wu Shuyu, Ma Hongzhong, Jiang Ning, et al. Simulation analysis and experimental research on vibration and noise of UHV shunt reactor based on multi physical field coupling[J]. Electric Power Automation Equipment, 2020, 40(3): 122-127.
[4] 张鹏宁, 李琳, 聂京凯, 等. 考虑铁心磁致伸缩与绕组受力的高压并联电抗器振动研究[J]. 电工技术学报, 2018, 33(13): 3130-3139.
Zhang Pengning, Li Lin, Nie Jingkai, et al. Study on the vibration of high voltage shunt reactor considering of magnetostriction and winding force[J]. Transactions of China Electrotechnical Society, 2018, 33(13): 3130-3139.
[5] 吴金利, 马宏忠, 吴书煜, 等．基于振动信号的高压并联电抗器故障诊断方法与监测系统研制[J]．电测与仪表, 2020, 57(1): 113-120.
Wu Jinli, Ma Hongzhong, Wu Shuyu, et al. Fault diagnosis method and monitoring system of high voltage parallel reactor based on vibration signal[J]. Electrical Measurement & Instrumentation, 2020, 57(1): 113-120.
[6] 汲胜昌, 张凡, 师愉航, 等. 基于振动信号的电力变压器机械状态诊断方法研究综述[J]. 高电压技术, 2020, 46(1) : 257-272.
Ji Shengchang, Zhang Fan, Shi Yuhang, et al. Review on vibration-based mechanical condition monitoring in power transformers[J]. High Voltage Engineering, 2020, 46(1): 257-272.
[7] 祝令瑜, 沈琪, 汲胜昌, 等. 基于振动测量的电容器装置噪声贡献分析[J]. 电力电容器与无功补偿, 2015, 36(4): 13-17.
Zhu Lingyu, Shen Qi, Ji Shengchang, et a1. Noise contribution analysis of capacitor installations based on measured vibration data[J]．Power Capacitor and Reactive Power Compensation, 2015, 36(4):13-17．
[8] Bartoletti C, Desiderio M, Carlo D D, et al. Vibroacoustic techniques to diagnose power transformers[J]. IEEE Transactions on Power Delivery, 2004, 19(I): 221-229.
[9] Sebastian Borucki. Diagnosis of technical condition of power transformers based on the analysis of vibroacoustic signals measured in transient operating conditions[J]. IEEE Transactions on Power Delivery, 2012, 27(2): 670-676.
[10] 李超然, 肖飞, 樊亚翔, 等. 基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法[J]. 电工技术学报, 2020, 35(9): 207-218.
Li Chaoran, Xiao Fei, Fan Yaxiang, et al. A hybrid approach to lithium-ion battery SOC estimation based on recurrent neural network with gated recurrent unit and Huber-M robust Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 207-218.
[11] 徐奇伟, 黄宏, 张雪锋, 等. 基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]. 电工技术学报, 2021, 36(7): 1380-1388.
Xu Qiwei, Huang Hong, Zhang Xuefeng, et al. Online fault diagnosis method for infrared image feature analysis of high-voltage lead connectors based on improved R-FCN[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1380-1388.
[12] 沈小军, 周冲成, 付雪娇. 基于机联网-空间相关性权重的风电机组风速预测研究[J]. 电工技术学报, 2021, 36(9): 1782-1791.
Shen Xiaojun, Zhou Chongcheng, Fu Xuejiao. Wind speed prediction of wind turbine based on the internet of machines and spatial correlation weight[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1782-1791.
[13] Chen Zaifa, Liu Yancheng, Liu Siyuan, et al. Mechanical state prediction based on LSTM neural netwok[C]//Proceedings of the 36th Chinese Control Conference, Dalian, China, 2017, DOI:10.23919/ChiCC. 2017.8027963.
[14] Wang Kejun, Qi Xiaoxia, Liu Hongda. Photovoltaic power forecasting based LSTM-convolutional network[J]. Energy, 2019, 189: https://doi.org/ 10.1016/ j.energy.2019.116225.
[15] Song Xuanyi, Liu Yuetian, Xue Liang, et al. Timeseries well performance prediction based on long short-term memory (LSTM) neural network model[J/OL]. Journal of Petroleum Science and Engineering, 2020, 208: https://doi.org/10.1016/ j.petrol.2021.109686.
[16] 陈畅, 李晓磊, 崔维玉. 基于LSTM网络预测的水轮机机组运行状态检测[J]. 山东大学学报, 2019, 49(3): 39-46.
Chen Chang, Li Xiaolei, Cui Weiyu. Hydraulic turbine operation status detection based on LSTM network prediction[J]. Journal of Shandong University, 2019, 49(3): 39-46.
[17] 杨秋玉, 王栋, 阮江军, 等. 基于振动信号的断路器机械零部件故障程度识别[J]. 电工技术学报, 2021, 36(13): 2880-2892.
Yang Qiuyu, Wang Dong, Ruan Jiangjun, et al. Fault severity estimation method for mechanical parts in circuit breakers based on vibration analysis[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2880-2892.
[18] Sherstinsky A. Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network[J]. Physica D: Nonlinear Phenomena, 2020, 404: 10.1016/j.physd.2019.132306.
[19] Song Hui, Dai Jiejie, Luo Lingen, et al. Power transformer operating state prediction method based on an LSTM network[J]. Energies, 2018, 11(4): 914.
[20] Bhuvaneswari A, Thomas J, Kesavan P. Embedded bidirectional GRU and LSTM learning models to predict disasterson twitter data[J]. Procedia Computer Science, 2019, 165(165): 511-516.
[21] Athiwaratkun B, Stokes J W. Malware classification with LSTM and GRU language models and a characterlevel CNN[C]//IEEE International Conference on Acoustics, 2017, DOI:10.1109/ ICASSP. 2017.7952603.
[22] 时珉, 许可, 王珏, 等. 基于灰色关联分析和Geo MAN模型的光伏发电功率短期预测[J]. 电工技术学报, 2021, 36(11): 4050-4059.
Shi Min, Xu Ke, Wang Jue, et al. Short-term photovoltaic power forecast based on grey relational analysis and GeoMAN model[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 4050-4059.
[23] Fu Rui, Zhang Zuo, Li Li. Using LSTM and GRU neural network methods for traffic flow prediction[C]//The 31st Youth Academic Annual Conference of Chinese Association of Automation. Wuhan, China, 2017: 324-328.