基于卷积神经网络的变压器故障诊断
李辉;张志攀;张中卫
【摘 要】针对传统机器学习算法在变压器故障诊断领域存在精度低、易误判等缺陷,提出一种基于卷积神经网络的电力变压器故障诊断模型.以油中溶解气体分析为基础,首先,将特征气体值由十进制转化为对应的二进制,然后,将其用二维数据进行表示,最后,将二维数据作为卷积神经网络的输入来训练、优化模型.结果表明,此模型的故障诊断精度和实时性均优于深度信念网络、支持向量机、人工神经网络,其在缩短变压器维修时间及提高电力系统可靠性上具有一定的优势.
【期刊名称】《河南理工大学学报（自然科学版）》
【年(卷),期】2018(037)006
【总页数】7页(P118-123,154)
【关键词】变压器;卷积神经网络;特征气体;故障诊断
【作 者】李辉;张志攀;张中卫
【作者单位】河南理工大学 物理与电子信息学院,河南焦作454000;河南理工大学 电气工程与自动化学院,河南焦作454000;河南理工大学 物理与电子信息学院,河南焦作454000
【正文语种】中 文
【中图分类】TM411
0 引 言
电力变压器作为电力系统的核心设备，在电能转换、分配、传输等方面起着重要作用。一旦变压器发生故障，其所在电网将引起大范围停电，从而严重影响人们的生产和生活。因此，确保变压器故障诊断的精度具有非常重要和意义。
目前，故障诊断方法主要分为3大类[1]，即基于解析模型的故障诊断方法、基于信号处理的故障诊断方法和基于人工智能的故障诊断方法。其中解析模型包括状态、参数估计和一致性检验，具有实时诊断和深入系统本质的特征，但存在建模误差大、噪声及扰动多等缺陷；
信号处理包括频谱分析法、小波变换法，具有方法简单、实时性好的优点，但无法应对潜在故障；人工智能包括神经网络、模糊理论、遗传算法、粗糙集、人工免疫和模糊聚类分析相结合算法[2]、故障树和支持向量机，具有较强的学习和推理能力。付强等[3]将RBF神经网络用于变压器故障诊断，提出了一般的诊断方法和流程。陈小青等[4]针对变压器故障提出了改进人工鱼优化粗糙集算法。谷凯凯等[5]针对变压器故障提出了融合模糊集和故障树算法，将两种智能算法进行整合。谢龙君等[6]提出了基于融合对分析和关联规则的变压器故障诊断，对多故障诊断表现出不错性能。石鑫[7]提出了一种基于深度信念网络的变压器故障诊断模型，具有较高的精度。贾京龙等[8]提出了将卷积神经网络(convolutional neural network，CNN)用于变压器故障诊断的方法，但由于没充分利用卷积神经网络在处理图像时的优势(输入数据通常为n×n的形式)，导致其特征提取过程稍显复杂。尽管上述算法在一定程度上解决了变压器故障诊断的问题，但在实际过程中尚存在精度不高、推理能力差等问题。
针对上述问题，本文以多组变压器故障数据为基础，提出了一种基于卷积神经网络的变压器故障诊断模型，把CNN算法在处理图像数据时的优势用于变压器故障诊断，以达到快速诊断、精准定位、高效排除故障的目的。
1 卷积神经网络工作机制
2006年以来，由于Hinton在深度信念网络(deep belief network，DBN)领域所做的贡献，深度学习理论得到了进一步的完善，这在一定程度上促进了卷积神经网络的发展，主要表现为卷积神经网络已不再局限于图像识别领域，在语音识别[8]、人脸识别[9]、医药发现[10]、灾难气候发现[11]、围棋人工智能程序领域[12]等均有应用。卷积神经网络的优势在于卷积层与池化层的交替叠加运算使其对微小特征十分敏感，而且具有局部感受区和权值共享可在很大程度上减少训练参数的优势，使模型适应性更强。因此，本文将卷积神经网络用于变压器故障诊断分析。
1.1 卷积神经网络卷积层的前向传播
在卷积层中，起决定作用的是卷积核，其尺寸根据经验设置为3×3或5×5，而其深度取决于输出单位节点矩阵的深度。卷积核的数目代表提取特征的个数，经卷积核提取的特征称为特征图(feature map)。卷积核的前向传播是指将其作用于输入数据并求出输出节点矩阵的过程。单位节点矩阵中第i个节点的值为
(1)
式中：L，M和N为输入数据的尺寸和特征个数；ax，y，z为卷积核节点(x，y，z)的值；f(·)为激励函数；为输出单位节点矩阵中在第i个节点，卷积核输入节点(x，y，z)的权重； bi为第i个节点的偏置。
为使输出矩阵尺寸与输入矩阵相同，可在输入矩阵边缘以全0填充方式来实现。除全0填充方式，还可通过改变卷积核步长来调整输出矩阵的尺寸。式(2)、(3)分别给出了使用全0与非全0填充时输出矩阵尺寸的计算公式。
支持小数点的进制转换器outlength=[inlength/stridelength]，
outwidth=[inwidth/stridewidth]，(2)
outlength=[(inlength-filterlength+1)/stridelength]，
outwidth=[(inwidth-filterwidth+1)/stridewidth]。(3)
1.2 卷积神经网络池化层的前向传播
池化层过滤器的尺寸同样需要事先设定，是否使用全0填充及步长如何设置，可参照卷积层
卷积核参数的设置。池化层过滤器的移动方式和卷积层中卷积核类似，两者的差异是卷积层使用的卷积核横穿整个深度，而池化层使用的过滤器只影响一个深度上的节点。因此，池化层过滤器既需在长度和宽度方向进行移动，又需在深度方向进行移动。
综上所述，卷积神经网络的前向传播是指卷积层与池化层交替对输入数据特征进行提取、降维、重构以形成特征图的过程。由此重构的特征作为全连接神经网络的输入，直至输出预测结果。
1.3 卷积神经网络的反向传播
在处理多分类问题时，常用Softmax函数。例如，设训练集为{(x(1)，y(1))，(x(2)，y(2))，…，(x(m)，y(m))}，其中y(i)属于{1，2，…，k}。当输入为样本x时，可由激励函数fθ(x)求出样本属于任意类别时的概率p(y=j|x)。激励函数为
(4)
其中，
(5)
式中：θ1，θ2，…，θk∈Rn+1，为模型参数；为对所有类别的概率进行标准化处理且概率和是1。
在本文中，用θ表示模型参数，可用一个k×(n+1)的矩阵来表示。
接着，对Softmax回归代价函数进行分析，I{·}代表示性函数，具体运算法则为I{表达式为真时}=1，I{表达式为假时}=0，代价函数为
其中，样本属于j类的概率可表示为
(7)
目前没有较好的算法使代价函数最小化，最常用的是迭代优化算法，通过求导，可求出其梯度表达式。为尽快使模型中参数达到全局最优，需在式(7)中引入衰减项此时代价函数可表示为
(8)
权重衰减项的引入使代价函数成为凸函数，因此可求出模型的最优参数θ。为使代价函数最
小化，首先对其参数求偏导数，如式(9)所示；其次根据公式(10)更新参数；最后采用梯度下降算法使代价函数最小化，达到网络中的权重参数逐层进行反馈调节的目的，通过反复地迭代训练以提高模型的精度。
j|x(i);θ))]+λθj,(9)
θj=θj-αθjc(θ)(j=1，2，…，k)。(10)
2 基于卷积神经网络的变压器故障诊断模型构建
2.1 样本收集与优化
本试验数据源自相关文献提供的特征数据及对应故障类型。考虑数据(CH4，C2H6，C2H4，C2H2，H2)存在特征数据丢失、无标签、特征及标签均不全的情况，需对原始数据进行“择优录取”以获得对模型更有利的数据。择优后的部分数据见表1。
表1 变压器故障数据示例Tab.1 Examples of transformer fault data特征气体成分及含量/(μL·L-1)故障类型φ(H2)φ(CH4)φ(C2H6)φ(C2H4)φ(C2H2)7.91.1 1.22.61.80正常  654.0
55.034.020.00局部放电36.0141.068.030.00低温过热7.8 33.018.847.11.11中温过热96.7166.048.6256.00.42高温过热49.38.6 1.912.06.80低能放电345.0 112.027.551.558.80高能放电
2.2 变压器故障类型编码
考虑变压器故障类型比较多，书写起来不方便，本文采用编码的方式对其进行分类。表2列出了低能量放电、高能量放电、高温过热等7种故障类型的二进制编码。
2.3 数据预处理
在对油中溶解气体进行分析(DGA)的基础上，选取CH4，C2H6，C2H4，C2H2，H2共5种特征气体的每一组数据为一样本。假设样本集X={x1，x2，…，xK}，其中xi∈R1×5。任取其中一个样本并记为xi，可视其中的每种特征气体均有整数(integer)和小数(float)两部分组成。本文需将实数xi化为5×20位的二进制，具体步骤如下。
表2 电力变压器故障类型编码Tab.2 Coding of fault types for power presses编号故障类型二进制编码1低温过热故障00000012中温过热故障00000103高温过热故障00001004低能
放电故障00010005高能放电故障00100006正常    01000007局部放电故障1000000

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。