图1 本文总体研究技术路线
Fig.1 Overall technical approach for the study
摘要 有载分接开关（OLTC）是变压器内部唯一频繁动作的部件，其储能弹簧在长期多次切换后极易劣化松动，可能引发切换失败等严重机械故障。为此，该文提出了一种基于高频电流特征的有载分接开关储能弹簧缺陷识别方法。首先，搭建了基于谐振法的有载分接开关额定工况模拟试验平台，发现有载分接开关切换时产生的电弧会使油箱接地线上耦合出现高频电流尖峰，并据此建立了高频电流峰值时刻与切换时序的对应关系；其次，特制了三种缺陷储能弹簧（释放回复力分别545、470、400 N），试验发现储能弹簧释放回复力下降会导致桥接过程延长且电弧重燃次数增加，高频电流尖峰第一间隔时间延长，尖峰数量显著增加；然后，提出了联合时间间隔和幅值显著度的峰值筛选算法，实现了高频电流特征提取；最后，提出了基于生成对抗网络-标签嵌入-小批量判别的数据增强方法，生成数据和原始数据区分误差最低为1.13%，数据增强后缺陷识别平衡准确率达96.67%，较生成前提升19.60%。该文所提方法可用于有载分接开关储能弹簧缺陷的识别和预警。
关键词：有载分接开关 储能弹簧 高频电流 数据增强 缺陷识别
有载分接开关（On-Load Tap Changer, OLTC）是变压器内部唯一频繁动作的部件，需要长期承载大电流的开断任务[1-2]，故障占比超20%[3-5]。其中，由机械缺陷引发的主轴变形、触头松动、储能弹簧劣化导致切换时长增加等故障占比高达70%～90%[6-7]。因此，研究OLTC缺陷诊断方法，对于故障早期预警，保障变压器安全稳定运行具有重要意义[8-9]。
目前，针对OLTC机械缺陷的在线监测和诊断方法主要依靠切换过程中的机械振动信号[10-11]。文献[12]提出了一种基于Savitzky-Golay滤波器的包络线计算方法，通过提取切换时振动信号的平均包络线获得了触头松动故障下碰撞系统的固有频率特性。文献[13]针对典型机械缺陷提出了基于大白鲨优化变分模态分解和样本熵的特征构建方法，使用麻雀搜索优化后的支持向量机对测试集的识别准确率达到100%。文献[14]通过声-振联合检测建立了触头磨损下的线性计算模型，明确了触头磨损和切换时序的对应关系，并将其应用于变电站在运OLTC，从而验证了触头磨损监测方法的可行性。文献[15]在魁北克水电公司三台单相变压器OLTC上监测振动信号，运用卷积变分自动编码器将振动信号包络线映射至二维空间，实现了异常状态的精准检测。上述研究均尝试通过构建振动信号与切换时序或者系统固有频率的映射关系，实现对OLTC机械状态的诊断，然而切换过程中振动的非线性、混沌特性及复杂传递规律使映射关系的构建极为困难。
OLTC切换开关动作时回路电阻突变[16]、触头间电弧的熄灭重燃会引起回路振荡并产生高频电压和电流[17-18]，故可以建立其与切换时刻的对应关系。文献[19]将电弧信息作为振动信号的补充，提出OLTC触头在特定位置会产生电弧并使高频电磁信号在变压器内传播。文献[20]通过研究OLTC挡位切换的暂态过程，提出了一种基于电弧电压和电流的状态监测算法，利用变压器瞬时功率差计算OLTC内部的电弧能量，从而确定检查维护时间。上述研究结果表明，利用OLTC切换过程的高频电压和电流信号反映其切换时序，并实现OTLC的机械缺陷识别是可行的。
为了利用OLTC切换时产生的高频电流诊断开关的机械状态，本文搭建基于谐振法的OLTC额定工况模拟试验平台，获得了储能弹簧不同刚度下OLTC切换时的高频电流，提出联合时间间隔和幅值显著度的高频电流尖峰筛选算法，并提取了高频电流的峰值变异系数、峰值数、最大峰值间隔、峰值极差作为时域特征。针对切换试验周期长、数据量有限的问题，提出一种基于条件生成对抗网络（Conditional Generative Adversarial Networks, CGAN）、标签嵌入（Label Embedding, LE）与小批量判别（Mini-Batch Discrimination, MBD）的数据增强方法，并在自适应增强算法（AdaboostM2）上验证了基于高频电流特征的储能弹簧缺陷识别方法的准确性和有效性。本文总体研究技术路线如图1所示。
图1 本文总体研究技术路线
Fig.1 Overall technical approach for the study
对OLTC进行额定电流下开断的试验方法主要有变压器法、补偿法、电阻法和谐振法[21]。其中，谐振法将两台相同型号OLTC各取一相（或同一台OLTC的两相）作为试品以保证同步切换，通过可调电容电感建立并联谐振回路。谐振法对电源容量要求最低，兼顾了经济性与等效性，被广泛应用于OLTC的型式试验。
基于谐振法的OLTC额定工况模拟试验平台如图2所示，其主要设备及参数见表1。该试验系统能实现最大额定级电压4 kV、最大运行电流800 A，具备模拟220 kV及以下OLTC实际运行工况的能力。电压互感器（Voltage Transformer, VT）/电流互感器（Current Transformer, CT）柜用于测量试验变压器的输出电压电流及OLTC电压电流。OLTC试品选用两台国内某厂家生产的KMIII-500Y/72.5B-10193W型切换开关（油浸式三相M型，电压等级72.5 kV，额定级电压3 kV，额定运行电流500 A）置于油箱中。利用同一台操作机构通过顶部传动轴实现被试相与陪试相的同步切换，调试后两台切换开关的不同步时间小于10 ms。
图2 OLTC额定工况模拟试验平台
Fig.2 OLTC rated operating condition simulation test platform
表1 OLTC试验平台主要设备及参数
Tab.1 Main equipment and parameters of OLTC platform
设备型号主要参数功能 开关柜KYN28A-1212 kV/630 A电源投切与保护 三相调压器TsJA-10000～10 kV可调回路电压调节 试验变压器S-1000/10/61 000 kV·A, Dyn11产生OLTC额定级电压与额定电流 限流阻抗200 A/0.1 Ω限制切换不同步引起的暂态过电流 补偿电容ZRTBBZ-4-3500-A4 kV/50 Hz(500+1 000+2 000)kvar组成并联谐振回路并模拟实际运行负载 可调电抗GK-3200/44 kV/800 A15.92～31.83 mH
试验平台油箱结构及接地设置分别如图3a和图3b所示。切换开关芯体位于独立油室环氧筒中，环氧筒整体置于外部油箱中。由于本文采用谐振法进行切换试验，级电压直接施加于切换开关的奇偶侧，故无需安装分接选择器。高频电流传感器（High-Frequency Current Transformer, HFCT）安装在油箱接地线上，如图3b所示。
图3 试验平台和变压器接地与传感器安装位置对比
Fig.3 Comparison of earthing line and sensor’s location between transformers and test platforms
实际在运变压器OLTC和调压绕组的结构如图3c所示。分接选择器与调压绕组相连接，切换开关的奇偶侧与分接选择器相连接。HFCT安装于油箱接地线上，如图3d所示。对比试验平台和在运变压器结构可知，两者切换开关产生的暂态振荡电压均可通过杂散电容耦合至油箱，并在接地线上形成高频脉冲电流。正常工作时，投入两组模拟负载的补偿电容（500 kvar+2 000 kvar），可调电抗调整为28.9%，达到并联谐振状态。通过调整调压器输出电压，使两台OLTC支路电流达到额定值400 A，此时主回路电流约为4 A。
使用高压差分探头PT-5230（峰值电压30 kV，带宽0～20 MHz，精确度≤2%）测量被试相OLTC奇、偶两侧出线相对中性点的暂态电压U1、U2；使用柔性罗氏线圈CP9060A（峰值电流600 A，带宽DC～15 MHz，精确度≤2%，灵敏度10 mV/A）测量中性点电流；使用HFCT（带宽1～100 MHz）测量切换电弧耦合至油箱接地线的高频电流。
OLTC开始切换后，两台并联OLTC切换开关的储能弹簧同步压缩后释放，带动切换开关按S1—S2—S3—S4顺序依次切换或反向切换。储能弹簧正常状态下切换开关奇偶两侧暂态电压U1与U2、中性点电流I以及地线上的高频电流IH波形如图4所示。
图4 储能弹簧正常状态下的切换试验波形
Fig.4 Switching test waveforms of energy storage spring under normal condition
结合图2a试验回路与切换开关动作过程，可将图4分为以下四个阶段。
阶段1：t1时刻，S1断开，与S2相连的过渡电阻接入回路。a、o间电压U1由于S1断开、过渡电阻接入，增大至910 V左右；同时，因回路电阻增大，中性点电流I衰减。由于回路参数的变化，b、o两点间电压U2出现畸变。
阶段2：约19.4 ms后的t2时刻，S3动静触头快速靠近导致绝缘油被击穿，击穿瞬间接地线耦合出明显的高频电流幅值，此后与S3相连的过渡电阻接入，与S2、S3相连的过渡电阻并联进入桥接阶段，U1和U2同时减小。
阶段3：约6.9 ms后的t3时刻，S2动静触头分离，HFCT可测得幅值约为1.04 A的高频电流，S2、S3桥接结束。
阶段4：约15.0 ms后的t4时刻，S4闭合导致绝缘油间隙被击穿，S3过渡电阻被短路，此时可测得幅值较小的高频电流。
由上述过程可知，动静触头的分合形成高频振荡电压，通过杂散电容耦合至油箱在接地线上形成高频电流，电流峰值出现时刻与触头动作时序一一对应，可以表征切换开关的机械特性。
储能弹簧压缩后瞬间释放驱动快速机构，弹性势能迅速转换为切换开关主轴的旋转动能并带动整体机械结构运动，从而完成挡位切换[22]。储能弹簧的弹性势能E和释放时的回复力F可分别表示为
（1）
（2）
式中，ks为储能弹簧的刚度系数；x0、x1分别为储能弹簧的预压缩量与快速机构盒内的最大压缩量。
厂家根据运维经验发现，切换开关的储能弹簧在多年运行后普遍存在弹力下降、劣化的情况，且当释放回复力低于400 N时可能无法带动主轴转动导致切换失败。为模拟长期频繁动作后储能弹簧的劣化松动，根据制造和运维经验制作了三种长度、粗细各异的缺陷弹簧，如图5所示，其对应的刚度系数、原长、预压缩力、释放回复力及预压缩量见表2。
储能弹簧不同压缩状态示意图如图6所示。正常弹簧的原长为230 mm，安装至快速机构盒内后压缩至195 mm，此过程产生的预压缩力约为220 N。OLTC动作过程中，储能弹簧被进一步压缩至135 mm触发卡爪释放，释放时的回复力为储能弹簧压缩95 mm的弹性力，回复力约为600 N。
图5 正常及缺陷弹簧对比
Fig.5 Comparison of normal and defective springs
表2 正常及缺陷储能弹簧参数
Tab.2 Parameters of normal and defective energy storage springs
弹簧状态刚度系数/(N/mm)原长/mm预压缩力/N释放回复力/N预压缩量/mm 正常6.3323022060035 轻度缺陷5.7523020054535 中度缺陷4.5821019547015 严重缺陷5.0021010040015
图6 储能弹簧不同压缩状态示意图
Fig.6 Schematic diagram of different compression states of the energy storage spring
为模拟实际储能弹簧缺陷工况下OLTC的运行情况，并在确保缺陷模拟科学性的同时合理控制试验变量，本文使用的被试相OLTC已进行额定电流下的1 000次切换，使绝缘油、触头、其余弹簧等组部件在保证正常工作的同时其形态也更接近实际变电站投入长期运行的OLTC。依次在快速机构盒中设置正常、轻度缺陷、中度缺陷及严重缺陷四种刚度系数的储能弹簧，并在400 A电流下分别将切换开关进行升挡、降挡操作各20次（共40次）。获得的四种储能弹簧对应切换过程中产生的高频电流波形如图7所示。
图7 不同弹簧状态下的高频电流波形
Fig.7 High-frequency current waveforms under different spring states
图7中，t1、tn分别为第一次与最后一次出现高频电流峰值的时刻。单次切换过程的高频电流来自奇偶两侧过渡电阻的接入与切除、陪试相与被试相不同步动作、电压反相电弧重燃以及电弧不稳定燃烧。随着弹簧缺陷程度的增加，释放回复力下降，主轴旋转动能减小，动静触头移动速度下降，高频电流间隔时间相应增加，切换过程持续时间延长。此外，触头移动速度降低会导致在触头间绝缘恢复过程中油间隙频繁被击穿，电弧重燃次数显著增多。
由试验结果可知，触头分合时刻和电弧重燃次数能够反映储能弹簧是否出现劣化松动，故可通过提取高频电流的时序与幅值信息构建数组序列，从而实现缺陷特征的提取。然而，电弧重燃次数受动触头移速、电压相位、油间隙气泡等多种因素影响，过渡电阻接入与切除时刻产生的高频电流峰值具有较强的随机性（极端情况下高频电流幅值仅为背景噪声的3倍）。此外，油间隙气泡会造成电弧多次重燃，导致严重缺陷下更易出现密集的尖峰簇，其幅值可能超过表征电阻接入过程的有效尖峰，干扰后续算法判别，故难以直接使用高频电流幅值作为特征参量。
为解决上述问题，本文提出了一种联合时间间隔和幅值显著度的高频电流峰值筛选算法，由“噪声过滤-显著高频电流时刻提取-不同步切换峰值时刻过滤”三部分组成。高频电流特征提取方法流程如图8所示。首先对原始信号提取时刻-幅值序列，获得原始波形中关键尖峰的时刻、幅值信息；然后计算其对应的时域特征值，用于后续的数据增强和分类。
2.1.1 噪声过滤
对于原始信号序列
，筛选大于2.5倍噪声幅值均值的数据点，其过程表示为
（3）
（4）
（5）
式中，D0为高频电流信号正半周期二元数组序列；ti、Ai分别为第i个高频电流信号时刻及幅值；mnoise为噪声信号幅值均值，由切换前采集到的背景噪声信号数量np和幅值的绝对值|Aj|计算得到；Df1为根据2.5倍噪声均值筛选后得到的二元数组序列；tk和Ak分别为序列Df1中第k个数据的时刻和幅值。
图8 高频电流特征提取方法流程
Fig.8 Flow chart of high-frequency current feature extraction method
2.1.2 显著高频电流时刻提取
由图7可知，随着储能弹簧刚度系数降低，幅值小于0.1 A的高频电流尖峰簇逐渐增多，簇内尖峰间隔均小于1.2 ms。因此，使用峰值显著度衡量峰值的重要程度，对于每一个(tk, Ak)∈Df1，定义峰值显著度函数
为
（6）
式中，tL为左侧搜索起点；tR为右侧搜索终点，分别表示为
（7）
（8）
即tL为tk左侧相邻的高频电流峰值，若tL不存在则tk为起点；tR为tk右侧相邻的高频电流峰值，若tR不存在则tk为终点。
由此构建第二次筛选后的尖峰数组序列Df2，可表示为
（9）
式中，∆tm为与tm时刻相邻尖峰间隔最小值，即
（10）
尖峰数组序列Df2保留了离散程度较大的尖峰及离散程度较小的尖峰中显著度较大者，以此过滤不稳定电弧引起的尖峰簇，且能够完整保留过渡电阻接入和结束时刻以及电弧重燃时刻产生的独立高频电流峰值。
2.1.3 不同步切换峰值过滤
由于试验回路采用两台OLTC并联运行，因此切换产生的高频电流将相互耦合传递并形成总的高频电流，尖峰数组序列Df2仍包含了陪试相不同步切换引起的高频电流峰值。根据电弧每半个周波重燃一次的特性，以(10±1)ms为间隔对Df2进行第三次筛选以去除不同步动作引起的干扰，并对信号进行归一化处理。
采用上述步骤从高频电流信号中提取的峰值时序与幅值特征如图9所示。由图9可知，峰值1、2之间的时间间隔代表切换开关两个过渡电阻的桥接时长，峰值3为切换过程的结束时刻，峰值4～8对应电弧半周期反相重燃。经前述算法筛选并归一化后，各尖峰分立性良好，尖峰时序包含了切换机械过程和燃弧信息，其特征与储能弹簧缺陷程度具有良好的对应性。
2.1节中构建了时刻-幅值的n×2尖峰数组序列Df3={(t1, A1),(t2, A2),…,(tn, An)}，但尖峰数组序列包含的信息量较为复杂，模型无法直接提取序列中的关键特征，若直接进行数据增强容易引起后续缺陷分类时的过拟合，因此需要进行时域特征计算。
图9 原始高频电流信号与筛选后的峰值对比
Fig.9 Comparison of the original high-frequency current signal and the filtered peaks
首先针对高频电流尖峰进行频域分析，不同峰值时刻对应的高频电流频谱如图10所示。由图10可知，虽然各电流尖峰对应的切换过程不同，但其频谱相似。例如，高频电流尖峰1～3源自动静触头的分开与闭合，其余峰值主要来自电弧重燃，但多个高频电流频谱的最大幅值均在1.10 MHz附近，这与杂散参数决定的回路固有频率有关。因此，难以提取相关的频域特征用于后续的训练及分类。
图10 不同峰值时刻对应的高频电流频谱
Fig.10 High-frequency current spectrum corresponding to different peak moments
综合分析尖峰数组序列以及频域特征的不敏感性，并且考虑数据特征的简洁可靠从而避免过拟合问题，本文选择计算以下四个时域特征。
1）峰值变异系数KCV。储能弹簧缺陷下电弧重燃次数显著增加，峰值随机性提高，利用峰值变异系数反映其分布随机性以表征弹簧缺陷程度，可表示为
（11）
式中，σA为峰值标准差；mA为峰值均值。
2）峰值数KCT。由图7中不同弹簧状态下的高频电流对比可知，高频电流峰值数量与储能弹簧状态正相关，可通过峰值数直接反映弹簧缺陷情况，表示为
（12）
3）最大峰值间隔KMG。主要出现在切换开关两侧过渡电阻接入的时刻，可表征过渡电阻接入时长与储能弹簧性能的关系，表示为
（13）
式中，tx为尖峰时刻。
4）峰值极差KRG。表征从过渡电阻接入到完全熄弧所需时间，与峰值数KCT类似，能直接反映弹簧缺陷情况，可表示为
（14）
对时刻-幅值提取方法处理后的每一组数据进行时域特征计算，可实现尖峰数组序列到时域特征序列训练集Dtrain的映射，即Df3:
→Dtrain:
，从而降低后续模型训练的复杂度，共获得160组试验数据，有
（15）
式中，xa为每一组弹簧状态下第a个样本的四个特征量，xa=[KCVa KCTa KMGa KRGa]；l为四种弹簧状态标签，l=1, 2, 3, 4分别代表正常、轻度缺陷、中度缺陷、严重缺陷。
OLTC切换时过渡电阻发热会导致无法快速连续切换，试验效率较低。针对试验周期长的问题，本文提出了一种基于改进条件对抗生成网络（CGAN）的数据增强方法，利用标签嵌入（LE）和小批量判别（MBD）对传统CGAN进行优化，提高了模型的稳定性和泛化性。对第2节试验采集并实施特征处理的160组数据进行1:1的数据增强，利用5折交叉验证（5-fold-CV）、主成分分析（Principle Component Analysis, PCA）、二维核密度估计（Kernel Density Estimation, KDE）判断生成数据的有效性和多样性。
由于每种储能弹簧状态下采集的特征量存在随机性和分散性，若直接使用160组特征数据集作为训练集可能会因数据量不足而引起分类器泛化性能差、过拟合严重等问题。为保证缺陷识别的准确性，采用条件对抗生成网络（CGAN）方法进行数据增强。该方法中生成器G（Generator）通过在采样噪声向量z的基础上引入标签y，能够在给定标签下生成所需扩充样本，并由判别器D（Discriminator）对带有标签的生成数据D(x, y)使用概率估计模型给出(0, 1)的判断，通过两者反复对抗最终达到纳什均衡。该过程的损失函数可表示为
（16）
式中，
为生成器G与判别器D之间的对抗目标函数；
为数学期望，用于对样本分布进行平均；
表示从真实数据分布
中随机采样得到真实的样本；
表示从先验噪声分布
中采样得到随机噪声向量用于生成器的输入；α、β为标签平滑参数，以提升模型稳定性并缓解传统GAN中容易出现的梯度消失问题[23]。利用CGAN算法的条件输入特性生成的扩充数据与指定储能弹簧状态标签的真实样本差异最小。利用CGAN将四种弹簧状态的特征数据集进行扩充，可降低多次切换下触头烧蚀对储能弹簧缺陷识别的干扰。
3.2.1 标签嵌入
缺陷模拟试验所用的四种弹簧代表了弹簧从正常到劣化松动逐渐严重的过程，缺陷程度之间存在显式逻辑联系。因此，引入标签嵌入（LE）机制提升神经网络对标签的学习能力，使相邻标签所属的数据具有更接近的空间距离。相较于传统CGAN生成器网络结构中的嵌入层，标签嵌入机制将离散标签映射为16维向量空间，即
（17）
式中，
为从模型可训练的嵌入矩阵中索引第l类标签对应的值；
为映射后的16维标签向量。
将与输入随机噪声向量
拼接可得到
（18）
式中，z为拼接后的向量；dz为输入随机噪声向量的维度。
加入LE使得每个类别标签能够通过嵌入映射学习其与其他类别的关系，可通过反向传播在网络中优化嵌入向量之间的距离，并最终反映在合成样本的特性中。
3.2.2 小批量判别
小批量判别（MBD）技术通过显式地度量每一个样本子集（Minibatch）中各样本之间的相似性，增强判别器对多样性样本的感知能力，从而进一步抑制模式崩溃问题。设判别器D某一层输出特征矩阵X=[x1x2…xn]T∈
由n个A维特征向量组成，对于拥有K个核（Kernel）的B维子空间MBD模块，引入三维权重张量T∈
并对特征矩阵的每一个特征向量进行K个核的映射，得到映射后的张量Mi(k)为
（19）
计算样本xi与样本子集内其他样本xj的L1距离，有
（20）
将所有核的距离统计向量连接后与原始特征向量拼接，作为下一层的输入，可得
（21）
（22）
式中，
为MBD增强后的特征向量。
加入MBD模块的CGAN可进一步提升多样性样本的生成能力，从而提高模型稳定性和泛化性。
3.2.3 神经网络结构
基于前述CGAN-LE-MBD的优化方式构建基于多层感知机（Multi-Layer Perceptron, MLP）的神经网络结构，MLP可以直接对特征向量进行全连接映射，在小数据集上具有更稳健的收敛效果。当扩充比为1时生成样本质量最佳[24-26]，故使用CGAN生成160组新数据，共得到320组特征数据集。CGAN网络结构见表3。部分超参量设置见表4。
表3 CGAN网络结构
Tab.3 The network structure of the CGAN
组件层名神经元数激活函数作用 生成器全连接层1128ReLU特征提取 全连接层2256ReLU特征提取 全连接层34tanh特征输出 判别器全连接层1256LeakyReLU特征提取 全连接层2128LeakyReLU特征提取 全连接层31Sigmoid概率输出
表4 部分超参量设置
Tab.4 Some hyperparameter settings
参量遍历范围最终数值 输入噪声维度30～8050 标签嵌入维度8～3216 最小批量大小8～3216 MBD维度50～150100 MBD核数3～65
生成器神经网络结构如图11所示，生成器G接收的随机噪声向量维度为50。4维类别标签首先进入嵌入层映射至16维连续向量空间，随后与随机噪声向量在拼接层进行拼接。后续的全连接层通过非线性激活函数ReLU实现特征向量从低维到高维的变化，并在全连接层3降维至目标维度，经双曲正切函数压缩后完成输出。
判别器神经网络结构如图12所示。判别器接收四维特征向量后与标签拼接，直接进入全连接层提取判别特征，经激活函数LeakyReLU后降维送入MDB层判断样本间相似度，并将判别结果与原特征向量拼接，最终输出判别概率。
图11 生成器神经网络结构
Fig.11 Generator neural network structure
图12 判别器神经网络结构
Fig.12 Discriminator neural network structure
分别使用四种方法对训练集Dtrain进行样本数据增强：传统CGAN、CGAN+LE、CGAN+MBD和CGAN+LE+MBD，增强比例均为1。对使用上述四种方法进行数据增强后的特征集进行主成分分析（PCA），分析数据增强前后的差异性，得到新样本和原始样本分布对比如图13所示。图13中，PC1为第一主成分，代表数据在最大方差方向上的投影；PC2为第二主成分，代表在与PC1正交条件下方差第二大的方向上的投影。由图13a可知，使用传统CGAN生成的样本间距较小，模式崩溃现象严重，难以作为后续缺陷判别的训练集。由图13b可知，加入LE优化后模式崩溃得到了一定缓解。由图13c可知，加入MBD模块后样本间距离显著增大，样本多样性明显增强，但受限于模型缺乏对标签的有效认识，生成样本仍集中在PC2＜10的区域。由图13d可知，采用LE+MBD技术对传统CGAN进行优化后，样本的模式崩溃问题得到明显改善，且多样性与原始数据差异较小。
图13 PCA降维后不同优化组合下的新旧样本对比
Fig.13 Comparison of samples under different optimization combinations after PCA dimensionality reduction
使用二维核密度估计（KDE）计算原始数据和生成数据的重叠面积以量化多样性改善效果，初始CGAN方法下的重叠面积估计值（Probability Density Value, PDV）仅为46.29%，经LE+MBD优化后PDV达到81.38%，可见优化后的生成数据与原始数据分布拟合度大幅提升。
为进一步判断各数据增强方法生成样本在后续缺陷判别中的适用性，使用5折交叉验证判断模型能否区分原始数据和生成数据。区分误差为
（23）
式中，
为5折交叉验证的准确率。若区分误差为0，则说明模型无法区分原始数据和生成数据，即生成数据质量很高，和原始数据非常接近。各数据增强方法下5折交叉验证的区分误差以及生成器、判别器损失函数稳定时所需训练轮数如图14所示。
图14 不同方法5折交叉验证区分误差和训练轮数对比
Fig.14 Comparison of 5-fold-CV discrimination error and number of training rounds for different methods
由图14可知，随着LE与MBD优化方法的加入，模型损失函数达到稳定所需训练轮次逐渐提高，说明生成器G和判别器D需要更长时间的对抗博弈以达到纳什均衡。CGAN、CGAN+LE和CGAN+ MBD方法下5折交叉验证的区分误差分别为21.87%、13.58%、18.25%，而CGAN+LE+MBD方法的区分误差平均为3.27%，最低达到1.13%，说明该方法可显著地提高生成数据拟真度。
使用自适应增强算法（AdaboostM2）对增强后的数据进行分类和缺陷识别。该算法对分类困难的样本赋予较高权重，通过多轮迭代训练弱分类器（子空间分类与回归决策树）并最终加权组合以实现强分类器构建。弱分类器构建时每次随机抽取特征全集的一个子空间进行节点分裂，无需遍历全部特征，从而降低不同树之间的相关性。
选择四种弹簧状态下各30组数据作为验证集，计算结果如图15所示。为量化数据增强对AdaboostM2模型鲁棒性的影响，基于平衡准确率（Balanced Accuracy, BAcc）定义鲁棒性提升系数
，可得
（24）
（25）
（26）
式中，
为增强后的平衡准确率；
为初始平衡准确率；TPRl为类别l的召回率准确率；TPl为类别l被正确分类的数量；FNl为类别l被错误分类的数量；L为分类数。
图15 数据增强前后的验证结果混淆矩阵对比
Fig.15 Confusion matrix comparison of validation results before and after data enhancement
数据增强前后的验证结果混淆矩阵对比如图15所示。由图15可得，AdaboostM2对原始数据分类时，从正常到严重缺陷状态的召回率准确率TPR分别为76.67%、80.00%、83.33%、83.33%，平衡准确率BAcc为80.83%。由于弹簧正常状态下的电弧放电仍存在一定分散性和随机性，易与弹簧轻度缺陷（释放回复力545 N）工况下的数据重叠，导致弹簧正常状态的召回率准确率较低。经数据增强后，从正常到严重缺陷状态的召回率准确率TPR分别为100.00%、93.33%、96.67%、96.67%，平衡准确率BAcc为96.67%。对弹簧正常状态的分类准确率达到100%，鲁棒性提升系数Rr达到19.60%，表明CGAN+ LE+MBD方法在数据增强过程中极大地降低了方差较大的噪声数据的干扰。
实测高频电流信号会受环境和测量噪声干扰，影响特征提取，为验证增强数据训练后的AdaboostM2在噪声下对缺陷识别的鲁棒性，对采集时域数据分别引入40、30、20 dB[27]的高斯白噪声，各弹簧状态的召回率准确率TPR变化见表5。由表5可知，在加入20 dB白噪声后，使用增强数据训练的AdaboostM2模型仍具有较高的缺陷识别准确率，证明其在噪声下具有良好的鲁棒性。
表5 不同噪声干扰下的召回率准确率
Tab.5 Recall accuracy under different noise interference levels
弹簧状态TPR(%) 无噪声40 dB30 dB20 dB 正常100.00100.0096.6793.33 轻度缺陷93.3393.3390.0090.00 中度缺陷96.6793.3396.6786.67 严重缺陷96.6796.6793.3390.00
上述结果说明，利用自适应增强算法AdaboostM2可以进行数据分类与缺陷识别，且受环境和测量噪声的影响较小，能够实现储能弹簧缺陷状态的识别和诊断。
本文针对OLTC储能弹簧长期服役后的劣化缺陷，搭建了基于谐振法的OLTC额定工况模拟试验平台，揭示了高频电流与切换时序的关联关系，通过试验研究了不同弹簧缺陷状态下的高频电流特性，并提出了一种基于高频电流特征的储能弹簧缺陷识别方法，主要结论如下：
1）当OLTC切换时，动静触头间产生的电弧使油箱接地线上耦合出现高频电流尖峰，与切换开关的动作时序对应；但其幅值与重复频率受燃弧相位、电弧重燃间隔及燃弧稳定性影响，具有一定的随机性。
2）随着储能弹簧释放回复力下降，切换开关主轴转动动能减小，动静触头运动速度降低，切换过程持续时间延长，导致触头间电弧重燃次数显著增多，高频电流出现多个10 ms左右间隔的脉冲波形。
3）提出了一种联合时间间隔和幅值显著度的高频电流峰值筛选算法，并提取了峰值变异系数、峰值数、最大峰值间隔与峰值极差四个特征参量，实现了高频电流的特征提取。
4）基于CGAN+LE+MBD的数据增强方法可以有效地抑制模式崩溃问题，利用自适应增强算法AdaboostM2进行数据分类与缺陷识别，缺陷识别平衡准确率达96.67%，较数据增强前提升19.60%。
本文针对储能弹簧缺陷开展研究，对于OLTC储能弹簧缺陷的精准识别与早期预警具有重要意义。后续将进一步研究多种缺陷混叠下的识别和分类，并进行应用。
参考文献
[1] 高煜, 赵学童, 李刚, 等. 换流变压器用有载分接开关过渡电阻温升的动态仿真[J]. 电工技术学报, 2025, 40(7): 2226-2235. Gao Yu, Zhao Xuetong, Li Gang, et al. Simulation on dynamic temperature rise of transition resistance in on-load tap-changer used in converter transformer[J]. Transactions of China Electrotechnical Society, 2025, 40(7): 2226-2235.
[2] 柴建龙, 厉璇, 杨鸣, 等. 换流变压器真空有载分接开关切换暂态特性分析与过渡电阻选型方法[J]. 电工技术学报, 2026, 41(5): 1781-1794. Chai Jianlong, Li Xuan, Yang Ming, et al. Switching transient characteristics analysis and transition resistance selection method for on-load tap-changer of converter transformer[J]. Transactions of China Electrotechnical Society, 2026, 41(5): 1781-1794.
[3] 蔡宇琦, 方瑞明, 彭长青, 等. 基于ANHGA-VMD和耦合隐马尔可夫模型的有载分接开关机械故障诊断[J]. 高电压技术, 2021, 47(11): 3949-3959. Cai Yuqi, Fang Ruiming, Peng Changqing, et al. Mechanical fault diagnosis of on-load tap-changer based on ANHGA-VMD and coupled hidden Markov model[J]. High Voltage Engineering, 2021, 47(11): 3949-3959.
[4] Secic A, Aizpurua J I, Garro U, et al. Transformer OLTC operation monitoring framework through acoustic signal processing and convolutional neural networks[J]. IEEE Transactions on Instrumentation and Measurement, 2025, 74: 3520314.
[5] Shi Yanhui, Yang Yang, Ruan Yanjun, et al. The denoising method of OLTC vibration signals based on ensemble empirical mode decomposition and wavelet thresholding[C]//2024 IEEE 2nd International Conference on Power Science and Technology (ICPST), Dali, China, 2024: 660-664.
[6] 王蕾, 袁洪跃, 王季琴, 等. 变压器有载分接开关技术和故障诊断发展现状及展望[J]. 高压电器, 2022, 58(3): 171-180. Wang Lei, Yuan Hongyue, Wang Jiqin, et al. Development status and prospect of transformer on-load tap-changer technology and fault diagnosis[J]. High Voltage Apparatus, 2022, 58(3): 171-180.
[7] 闫晨光, 张芃, 徐雅, 等. 换流变压器有载分接开关级间短路故障差动保护动作特性[J]. 电工技术学报, 2023, 38(21): 5878-5888, 5912. Yan Chenguang, Zhang Peng, Xu Ya, et al. Differential protection performance for converter transformer intertap short-circuit faults in on-load tap changers[J]. Transactions of China Electrotechnical Society, 2023, 38(21): 5878-5888, 5912.
[8] 欧强, 罗隆福, 李勇, 等. 一种电力变压器短路累积机械损伤评价方法[J]. 电工技术学报, 2024, 39(8): 2578-2590. Ou Qiang, Luo Longfu, Li Yong, et al. An evaluation method for short-circuit cumulative mechanical damage of power transformer[J]. Transactions of China Electrotechnical Society, 2024, 39(8): 2578-2590.
[9] 翟雨佳, 刘浩, 戴昀翔, 等. 并联电容器组干式空心电抗器匝间电弧性短路故障监测及保护[J]. 电气工程学报, 2025, 20(3): 290-299. Zhai Yujia, Liu Hao, Dai Yunxiang, et al. Monitoring and protection of inter-turn arc short circuit fault in dry-type air-core reactors of shunt capacitor bank[J]. Journal of Electrical Engineering, 2025, 20(3): 290-299.
[10] 谢庆, 蔡扬, 谢军, 等. 基于ALBERT的电力变压器运维知识图谱构建方法与应用研究[J]. 电工技术学报, 2023, 38(1): 95-106. Xie Qing, Cai Yang, Xie Jun, et al. Research on construction method and application of knowledge graph for power transformer operation and maintenance based on ALBERT[J]. Transactions of China Electro-technical Society, 2023, 38(1): 95-106.
[11] He Junda, Chen Bingxin, Zhang Yajie, et al. Detection of faulty vibration in oil-immersed OLTC by fiber Bragg grating based on double cantilever beam type sensitization[J]. IEEE Access, 2025, 13: 34639-34648.
[12] 王丽丽, 高树国, 刘宏亮, 等. 基于Savitzky-Golay滤波器的有载分接开关振动信号包络线提取方法研究[J]. 高压电器, 2025, 61(1): 54-62, 71. Wang Lili, Gao Shuguo, Liu Hongliang, et al. Study on envelope extraction method of vibration signal of OLTC based on Savitzky-Golay filter[J]. High Voltage Apparatus, 2025, 61(1): 54-62, 71.
[13] 袁耀, 黄克捷, 陈建兴, 等. 基于WSO-VMD样本熵和SSA-SVM算法的有载分接开关故障诊断方法研究[J]. 西南大学学报(自然科学版), 2024, 46(11): 203-216. Yuan Yao, Huang Kejie, Chen Jianxing, et al. Fault diagnosis method of OLTC based on WSO-VMD sample entropy and SSA-SVM[J]. Journal of Southwest University (Natural Science Edition), 2024, 46(11): 203-216.
[14] Saveliev A, Tsukao S, Schmitten P, et al. Detection of on-load tap-changer contact wear using vibroacoustic measurements[J]. IEEE Transactions on Power Delivery, 2024, 39(6): 3441-3449.
[15] Dabaghi-Zarandi F, Ezzaidi H, Gauvin M, et al. Convolutional variational autoencoder for anomaly detection in on-load tap changers[J]. IEEE Access, 2025, 13: 50838-50848.
[16] Erbrink J J, Gulski E, Smit J J, et al. Diagnosis of onload tap changer contact degradation by dynamic resistance measurements[J]. IEEE Transactions on Power Delivery, 2010, 25(4): 2121-2131.
[17] Li Shuaibing, Dou Lilong, Li Hongwei, et al. An innovative electromechanical joint approach for contact pair fault diagnosis of oil-immersed on-load tap changer[J]. Electronics, 2023, 12(17): 3573.
[18] 崔建, 孙帅, 张国钢, 等. 基于双温度磁流体电弧仿真改进Mayr电弧模型的特快速暂态过电压仿真方法[J]. 电工技术学报, 2024, 39(16): 5149-5161. Cui Jian, Sun Shuai, Zhang Guogang, et al. The very fast transient overvoltage simulation method based on two-temperature MHD arc simulation to improve Mayr arc model[J]. Transactions of China Electro-technical Society, 2024, 39(16): 5149-5161.
[19] Seo J, Ma Hui, Saha T K. A joint vibration and arcing measurement system for online condition monitoring of onload tap changer of the power transformer[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 1031-1038.
[20] Feizifar B, Usta O. A new arc-based model and condition monitoring algorithm for on-load tap-changers[J]. Electric Power Systems Research, 2019, 167: 58-70.
[21] 国家市场监督管理总局, 国家标准化管理委员会. 分接开关第1部分：性能要求和试验方法: GB/T 10230.1—2019[S]. 北京: 中国标准出版社, 2020.
[22] 张凡, 左浩明, 汪翔宇, 等. 真空有载分接开关切换开关多体动力学仿真及其在机械状态评估中的应用[J]. 工程力学, 2025, 42(8): 241-250. Zhang Fan, Zuo Haoming, Wang Xiangyu, et al. Multibody dynamics simulation of diverter switch of vacuum on-load tap changer and its application in mechanical condition evaluation[J]. Engineering Mechanics, 2025, 42(8): 241-250.
[23] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]//Proceedings of the 28th International Conference on Neural Information Processing Systems (NIPS 2014), Montreal, Canada, 2014, 2: 2672-2680.
[24] 贾轩, 许吉凯, 任艺婧, 等. 基于样本扩容和数据驱动的台区理论线损计算方法[J]. 山东大学学报(工学版), 2025, 55(3): 158-164. Jia Xuan, Xu Jikai, Ren Yijing, et al. Calculation method of theoretical line loss in transformer districts based on sample expansion and data-driven[J]. Journal of Shandong University (Engineering Science), 2025, 55(3): 158-164.
[25] Chen Yang, Kempton D J, Angryk R A. Examining effects of class imbalance on conditional GAN training[C]//22nd International Conference on Artificial Intelligence and Soft Computing, Zakopane, Poland, 2023, 1: 475-486.
[26] 邵振国, 张承圣, 陈飞雄, 等. 生成对抗网络及其在电力系统中的应用综述[J]. 中国电机工程学报, 2023, 43(3): 987-1004. Shao Zhenguo, Zhang Chengsheng, Chen Feixiong, et al. A review on generative adversarial networks for power system applications[J]. Proceedings of the CSEE, 2023, 43(3): 987-1004.
[27] 李思奇, 夏卯, 鲁思兆, 等. 基于二次分解时频图和SE-DSMC-BSA的轻量化有载分接开关机械故障识别方法[J]. 振动与冲击, 2025, 44(11): 268-279, 308. Li Siqi, Xia Mao, Lu Sizhao, et al. Lightweight OLTC mechanical fault recognition method based on secondary decomposition time-frequency maps and SE-DSMC-BSA[J]. Journal of Vibration and Shock, 2025, 44(11): 268-279, 308.
Abstract The on-load tap changer (OLTC) is the only component inside a transformer that requires frequent operation. Its energy storage spring is prone to loosening and degradation after repeated switching, which results in insufficient release restoring force and may cause severe mechanical failures such as switching malfunctions. To address this issue, this paper proposes a defect identification method for OLTC energy storage springs based on high-frequency current characteristics.
First, a simulated test platform under rated OLTC operating conditions was constructed using the resonance method. Experimental observations showed that during the switching process, the critical make-and-break actions of the moving and stationary contacts induced high-frequency current spikes coupled onto the grounding wire, and a correspondence between the occurrence timings of these current spikes and the switching sequence was established.
Subsequently, based on an original spring with a restoring force of 600 N, three types of defective energy storage springs were fabricated with restoring forces of 545 N, 470 N, and 400 N, respectively. The experimental results indicated that the reduction of restoring force led to prolonged bridging time, an extended interval before the first high-frequency current spike, and a significant increase in the total number of spikes. In addition, spring defects caused a decrease in the rotational kinetic energy of the main shaft and slower movement of the contacts, which resulted in multiple pulse-like high-frequency current waveforms with intervals of approximately 10 ms and a notable increase in the number of arc reignitions between contacts.
On this basis, a peak screening algorithm combining time interval and amplitude saliency was proposed. The algorithm includes three steps: noise filtering, extraction of significant high-frequency current timings, and elimination of asynchronous switching peaks. Four time-domain features were introduced for current characterization, namely the coefficient of variation of peak values, the number of peaks, the maximum inter-peak interval, and the peak range.
In practical OLTC switching tests, the heating of transition resistors prevented continuous switching operations and resulted in low testing efficiency. To address the problem of long test cycles, a data augmentation method based on an improved conditional generative adversarial network (CGAN) was developed. The traditional CGAN was optimized by incorporating label embedding (LE) and mini-batch discrimination (MBD), which enhanced both stability and generalization ability of the model. An adaptive boosting algorithm (AdaboostM2) was then employed for defect classification using the augmented dataset.
Experimental results demonstrated that the minimum distinction error between generated and original data was only 1.13%. After data augmentation, the balanced accuracy of defect identification reached 96.67%, representing a 19.60% improvement compared with the original dataset. Moreover, the CGAN+LE+MBD approach significantly reduced the interference of noisy data with large variance during the augmentation process. When different levels of additive noise were applied, the proposed model still maintained strong robustness under a signal-to-noise ratio of 20 dB. This work provides an effective framework for capturing the degradation signatures of OLTC springs and offers significant technical value for accurate defect identification and early warning of potential failures.
Keywords: On-load tap changer (OLTC), energy storage springs, high-frequency current, data augmentation, defect identification
DOI: 10.19595/j.cnki.1000-6753.tces.251099
中图分类号：TM411
国网河北省电力有限公司科技项目资助（kj2023-009）。
收稿日期 2025-06-23
改稿日期 2025-09-16
刘浩宇 男，1993年生，博士，高级工程师，研究方向为电力变压器状态感知与智能评估技术。E-mail：1102132065@qq.com
张 凡 男，1991年生，副教授，研究方向为电力设备多物理场耦合分析及数字孪生技术。E-mail：zhangfanee@xjtu.edu.cn（通信作者）
（编辑 李 冰）