2多頻超聲波信號與界面張力之間的相關性分析

2.1多頻超聲波信號的幅頻響應分析

實驗共選取175組不同界面張力的變壓器油進行實驗。圖4為超聲波接收器接收到的三相信號的幅頻響應圖，所選取的5組變壓器油樣的界面張力值分別為27.8、32.3、36.1、41.1、55.9mN/m.

圖4多頻超聲波幅頻響應圖

圖4（a）為超聲波接收器T1接收到的信號L1的幅頻響應，可以觀察到在同一檢測頻率下，界面張力值越大的變壓器油樣對應的超聲波幅值越大，即變壓器油樣的界面張力值與L1相信號幅值存在正相關關系。所選取的5組油樣的L1相信號幅值變化趨勢大致相同，即隨著超聲波檢測頻率的增加，L1相的幅值逐漸增大，且L1相幅值的增幅較為明顯的檢測頻率段為中頻段700——850kHz,低頻段590——700kHz和高頻段850——1000kHz的幅值增幅較為平穩(wěn)（不同界面張力值的變壓器油樣的L1相超聲波信號幅值差較大的頻率段為高頻段）。L1相信號為超聲波信號在待測介003質變壓器油界面反射傳播被接收到的信號，可以作為分析變壓器油界面張力時的基準信號。圖4（b）所示的L2相超聲波信號的幅值隨檢測頻率的變化趨勢與L1相一致，但變壓器油樣的界面張力值與L2相信號幅值存在負相關關系。圖4（c）所示的L3相超聲波信號的幅值變化趨勢和幅值、界面張力之間的關系都與L1相有所不同。通過觀察可以得到，L3相超聲波信號的幅值響應曲線呈現出比較明顯的“凹”字形，即在中頻段呈現“凹槽”狀，低頻段和高頻段較為平緩，且在整個檢測頻率范圍內，不同界面張力的變壓器油樣對應的L3相超聲波信號幅值差值變化不明顯。

2.2多頻超聲波信號的相頻響應分析

圖5為超聲波接收器T1和T2接收的5組不同界面張力的變壓器油樣的L1、L2和L3三相超聲波信號的相頻響應圖。從圖5（a）中可以觀察到，由超聲波接收器T1接收的信號L1的相位變化趨勢大致相同，且均在707.9、843.4kHz和696.6、832.1kHz處相位分別出現2次的谷值和峰值。如圖5（b）所示，與基準信號L1相信號相比，雖然不同界面張力的油樣對應的L2信號的相位圖皆分別存在2個谷值和峰值，但各相位所對應的頻率點分布由于界面張力的不同而各有不同。由圖5（c）可以觀察到L3相信號的相位變化趨勢，在檢測頻率范圍內，不同界面張力的油樣在相位頻譜上出現峰值和谷值的次數也不盡相同。

這是由于2個超聲波接收器所接收到的三相超聲波信號傳播所經過的路徑和周期不同，導致對應的相角不同。L2和L3的相頻響應圖變化趨勢無相對明顯的變化規(guī)律，但超聲波信號在傳播過程中由于發(fā)生超聲弛豫、吸收、散射等現象導致相角的不同，其信息包含在相位頻譜中，對于分析變壓器油界面張力具有重要作用。

綜合以上對幅頻響應和相頻響應所做的分析可知，在不同檢測頻率下，超聲波信號的幅值和相位信息都能夠體現超聲波信號在待測介質變壓器油中傳播時的聲衰減情況，即通過分析超聲波信號在變壓器油中傳播的幅值、相位等信息可分析變壓器油的品質信息。

圖5多頻超聲波相頻響應圖

3基于神經網絡的變壓器油界面張力預測模型的建立

3.1多頻超聲波數據的降維預處理

多頻超聲平臺檢測175組油樣后得到的超聲波信號數據為包含超聲波信號的幅值、相位、聲速和飛行時間在內的242維數據，為避免在回歸預測時由于高維度數據造成的“維度災難”等問題，在建立變壓器油的界面張力預測模型前，采取KPCA對采集到的242維數據進行降維處理。

不同特征值個數對應的累計方差貢獻率如圖6所示，在能夠保留原始多維數據的最大信息的基礎上，得到累計方差貢獻率為99%的103維數據，作103姚遠，等：基于KPCASSAENN的變壓器油界面張力預測為回歸預測模型的輸入。

3.2人工神經網絡和參數優(yōu)化算法

3.2.1ENN

通過分析采集到的多頻超聲數據可知變壓器油樣的界面張力值同超聲波信號幅值、相位等存在非線性關系。ElmanJL提出的動態(tài)遞歸神經網絡——ENN,包括輸入層、隱含層、承接層和輸出層。承接層可作短期存儲，作為延時算子，進行內部反饋和存儲歷史數據，使得ENN具有記憶功能。ENN中連接權重的隨機設置對于回歸預測的結果造成誤差，使神經網絡在訓練的過程中難以達到全局最優(yōu)。圖7展示了神經網絡的均方誤差隨隱含層神經元數量增加的變化情況，可得當神經元數量為15時，ENN的均方誤差最小，為0.08,所以隱含層和承接層的神經元的數量為15.

3.2.2SSASSA是模擬麻雀群體覓食和反捕食行為提出的群智能優(yōu)化算法。圖8展示了SSA優(yōu)化ENN連接權重的流程。

圖8SSA優(yōu)化ENN連接權重的流程

其步驟如下：

1）對實驗的175組油樣數據集進行訓練集和測試集的劃分。對175組變壓器油樣的超聲波數據集進行劃分，隨機劃分為140組的訓練集和35組的測試集。

2）確定輸入數據和輸出數據并對數據進行歸一化處理。其中，將經過KPCA降維得到的103維數據作為ENN預測模型和SSAENN預測模型的輸入，輸出為145組變壓器油樣的界面張力值。

歸一化方法用于消除幅值、相位、聲速等不同指標數據之間的量綱影響，將其量化在[0,1]的區(qū)間內。歸一化方法的公式為：

x′=a+x-xmin

xmax-xmin

×（b-a）（6）

式中：x′代表在[0,1]區(qū)間內量化后的數據，x、xmin、xmax分別代表樣本的原始數據及原始數據的最小值和最大值，a和b分別代表歸一化后的最大值和最小值；

3）確定ENN的拓撲結構并對神經網絡的權值和閾值進行初始化；

4）根據ENN的神經網絡結構，計算出需要優(yōu)化的變量元素個數；

5）SSA參數的初始化。具體參數分別為初始麻雀數，麻雀初始位置，發(fā)現者和加入者的占比情況，迭代次數上限值，上、下邊界值，種群警戒值和安全值等參數；

6）SSA優(yōu)化ENN的權值和閾值，適應度函數設置為ENN預測的均方誤差，循環(huán)SSA優(yōu)化過程，不斷更新麻雀群中發(fā)現者、加入者和警戒者的位置等參數直至最大迭代次數，終止SSA;

7）將SSA優(yōu)化后得到的最優(yōu)權值和閾值參數輸出傳遞至ENN,以最優(yōu)的SSAENN模型訓練和預測數據。

3.3預測模型的預測效果分析

圖9給出了以140組樣本為訓練集對ENN和SSAENN預測模型進行訓練后，其余未參加訓練的35組樣本的界面張力預測值。與測試集的界面張力實測值相比，ENN預測模型的預測值整體差值較大，預測差值最大為14.58mN/m,最小為1.38mN/m;SSAENN預測模型的整體預測差值較小，個別變壓器油測試樣本的預測差值較大，預測差值最大為6.08mN/m.

圖9預測值與實測值

圖10為35組變壓器油測試集樣本相對預測誤差折線圖，觀察可得ENN預測模型的相對預測誤差起伏較大，最高達到39.52%,平均相對預測誤差為16.67%,而經過SSA優(yōu)化后的SSAENN模型預測誤差起伏相對較小，大多分布在相對預測誤差為0的分界線的附近，平均相對預測誤差為6.53%.對比SSA優(yōu)化ENN前后對界面張力的預測效果，ENN預測模型的準確率為83.33%,SSAENN神經網絡預測模型的準確率達到了9347%,達到了通過多頻超聲檢測對變壓器油界面張力的有效預測效果。

圖10測試集樣本的相對預測誤差

通過觀察SSAENN預測模型測試集各樣本的相對預測誤差，有5組樣本的預測誤差相對較大，超過15%,分別為17.35%、17.50%、15.91%、1602%和19.06%.為分析SSAENN預測模型中誤差異常高的5組樣本，對油樣進行其他油務常規(guī)實驗指標的檢測，分別為微水含量、擊穿電壓、介質損耗因數。表2為GB/T7595—2017對運行中變壓器油的質量要求。表3為預測誤差較大的油樣參數。由表2和表3可知，雖然5組變壓器油樣的界面張力和介質損耗因數滿足國標要求，但微水含量和擊穿電壓均不滿足國標要求，其中5組油樣的微水含量分別超標9.42、16.11、1283、10.94、42.83mg/L,擊穿電壓離達標分別還差17.4、27.5、21.2、13.3、18.6kV,說明預測相

對誤差較大的5組變壓器油樣都發(fā)生了劣化，導致預測誤差相對較大。

表2GB/T7595—2017規(guī)定的運行中變壓器

表3預測誤差較大的油樣參數

4結論

基于多頻超聲波檢測技術和人工神經網絡對變壓器油的界面張力進行了分析和研究，對實驗中選取的175組變壓器油樣進行界面張力的測定和多頻超聲波檢測，通過對比5組不同界面張力的幅頻響應和相頻響應，分析了超聲波信號同界面張力之間的關系，對實驗采集到的242維數據運用KPCA降維至103維后，結合人工神經網絡建立了基于ENN和SSAENN的2種界面張力預測模型。對比SSA優(yōu)化前后預測模型的準確率，結果顯示SSA優(yōu)化后的SSAENN神經網絡預測模型的準確率達到93.47%,預測效果優(yōu)于ENN神經網絡預測模型。與界面張力傳統(tǒng)檢測方法相比，多頻超聲波檢測方法檢測時間短，且檢測重復性好，因此基于多頻超聲波檢測技術和KPCASSAENN神經網絡建立的預測模型對界面張力的識別具有可行性，為電力行業(yè)變壓器油的品質檢測提供了新的思路。