杭穎 廖昌義 任廣為 黎楚陽

摘 ? 要：變壓器油中溶解氣體方法（Dissolved Gas-in-oil Analysis， DGA）由于其結(jié)果直觀、操作簡單和在線觀測等優(yōu)勢，被廣泛應(yīng)用于變壓器領(lǐng)域。然而傳統(tǒng)的DGA難以充分利用不帶故障類別標(biāo)簽的樣本信息，導(dǎo)致故障診斷準(zhǔn)確率不高。針對此問題，本文提出了一種基于深度收縮自編碼（Deep Contractive Auto-Encoder， DCAE）網(wǎng)絡(luò)的變壓器故障診斷方法。首先，將深度收縮自編碼網(wǎng)絡(luò)和分類器組成DCAE分類器，構(gòu)建基于深度收縮自編碼網(wǎng)絡(luò)的變壓器故障診斷模型。其次，考慮工程中存在的數(shù)據(jù)采樣錯誤情況，選取部分測試樣本將其隨機置零，研究該模型的容錯性。結(jié)果表明，所提出的變壓器故障診斷模型準(zhǔn)確率均高于傳統(tǒng)的粒子群優(yōu)化支持向量機和BP神經(jīng)網(wǎng)絡(luò)模型，該模型適用于變壓器故障診斷。

關(guān)鍵詞：變壓器 ?油中溶解氣體分析 ?故障診斷 ?深度學(xué)習(xí) ?收縮自編碼

中圖分類號：TM41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2020）06（a）-0005-05

Abstract：Dissolved gas-in-oil Analysis （DGA） is widely used in the transformer field due to its advantages such as intuitive results， simple operation and online observation. However， it is difficult for traditional DGA to make full use of the sample information without fault category labels， leading to low fault diagnosis accuracy. To solve this problem， this paper proposes a transformer fault diagnosis method based on deep contractive auto-encoder （DCAE） network. First， the deep contractive auto-encoder and the classifier were combined into DCAE classifier to construct the transformer fault diagnosis model based on the deep contractive auto-encoder and dissolved gas in the transformer oil. Secondly， considering the data sampling error in engineering practice， some test samples are set to zero randomly to study the fault tolerance of the model. Finally， an example analysis shows that the accuracy of the proposed transformer fault diagnosis model is higher than that of the traditional particle swarm optimization support vector machine and BP neural network models. The model is proved to be suitable for transformer fault diagnosis.

Key Words： Power transformer; Dissolved gas-in-oil analysis; Fault diagnosis; Deep learning; Contractive auto-encoder

變壓器作為電網(wǎng)變電過程的重要設(shè)備，其工作狀態(tài)與電網(wǎng)安全運行密切相關(guān)[1]。變壓器隨著服役年限的增加，發(fā)生故障幾率會顯著上升，嚴(yán)重故障時可能導(dǎo)致范圍性的大面積停電。目前國內(nèi)存在著許多運行超過20年的油浸式變壓器，及早發(fā)現(xiàn)這些變壓器的故障，準(zhǔn)確識別其故障類型，對于保證電網(wǎng)運行的可靠性具有重要意義[2]。變壓器運行中因為老化、電、熱故障等內(nèi)部原因產(chǎn)生少量的氣體，這些氣體溶解于變壓器絕緣油中，與變壓器的運行狀態(tài)緊密相關(guān)，可用于診斷變壓器的狀態(tài)。基于這個理念，油中溶解氣體方法（Dissolved Gas-in-oil Analysis， DGA）在變壓器故障診斷領(lǐng)域得到了廣泛的應(yīng)用[3-4]。

由于具有結(jié)果直觀、操作簡單和在線診斷等優(yōu)勢，DGA成為了現(xiàn)場變壓器最常用的故障診斷方法[5]。但是，傳統(tǒng)的DGA所采用的故障診斷判據(jù)主要依靠檢修人員的現(xiàn)場經(jīng)驗，容易造成較大的診斷偏差。因此，亟需探索提高變壓器故障診斷準(zhǔn)確率的新方法。

人工智能（Artificial Intelligence， AI）在建立DGA的不同氣體成分含量及比例與變壓器故障狀態(tài)間的復(fù)雜非線性關(guān)系中具有明顯優(yōu)勢，被逐漸應(yīng)用于變壓器故障診斷中，并取得了一定成果。國內(nèi)外研究人員研究了聚類分析（Clustering Analysis， CA）[6]、人工神經(jīng)網(wǎng)絡(luò)（Artficial Neural Network， ANN）[7-8]、支持向量機（Support Vector Machine， SVM）[9]等方法，用于提高變壓器故障診斷的準(zhǔn)確率。但是這些方法有一定的不足之處。聚類分析只能將故障樣本劃分成幾類，無法識別各類所對應(yīng)的故障類型;人工神經(jīng)網(wǎng)絡(luò)易陷入一定范圍內(nèi)最優(yōu);SVM在處理大量數(shù)據(jù)多分類時，效率較低，核函數(shù)和參數(shù)較難確定。上述方法由于學(xué)習(xí)能力、處理效率、特征提取等方面存在先天的不足，在現(xiàn)場推廣應(yīng)用中存在一定的局限性。而深度學(xué)習(xí)方法具有強大的學(xué)習(xí)能力，可對復(fù)雜的非線性特征進(jìn)行多層提取，充分利用大量無標(biāo)簽數(shù)據(jù)。因此，部分文獻(xiàn)[10-13]將其引入變壓器故障診斷領(lǐng)域。

深度學(xué)習(xí)（Deep Learning， DL）是一種深層次的機器學(xué)習(xí)方法，由于具有多層網(wǎng)絡(luò)提取特征的優(yōu)勢，成為了近年來國內(nèi)外學(xué)者研究的熱點[14-17]。目前，深度學(xué)習(xí)的主要應(yīng)用領(lǐng)域有：語音識別[18-19]、圖像識別技術(shù)[20-21]、電力變壓器故障診斷等。在深度學(xué)習(xí)方法中，自編碼機（Auto-Encoder，AE）的半監(jiān)督訓(xùn)練方法特征提取能力強大，不需要對訓(xùn)練樣本進(jìn)行標(biāo)記，因此在訓(xùn)練變壓器故障診斷的大量無標(biāo)簽樣本數(shù)據(jù)中具有較大的優(yōu)勢。

本文將深度收縮自編碼（Deep Contractive Auto-Encoder， DCAE）網(wǎng)絡(luò)和分類器組合成深度收縮自編碼分類器，以現(xiàn)場變壓器油中溶解氣體為基礎(chǔ)，選用CH4、C2H2、C2H4、C2H6、H2五種故障氣體特征量，構(gòu)建基于深度收縮自編碼的變壓器故障診斷模型。并且，考慮工程實際中存在的數(shù)據(jù)采樣錯誤的情況，選取部分測試樣本將其隨機置零，研究該模型的容錯性。最后以實例進(jìn)行測試，用本文模型與傳統(tǒng)的粒子群優(yōu)化支持向量機（PSO-SVM）和BP神經(jīng)網(wǎng)絡(luò)（BPNN）模型進(jìn)行比較分析。

1 ?深度學(xué)習(xí)收縮自編碼

1.1 自編碼器介紹

自動編碼器由三層神經(jīng)網(wǎng)絡(luò)組成：分別是輸入層、隱含層、輸出層，此處輸入層輸入數(shù)據(jù)維度和輸出層輸出數(shù)據(jù)維度相同。為了獲得訓(xùn)練模型性能最佳的偏置W和權(quán)值b，盡可能地讓輸入和輸出相等。自編碼器結(jié)構(gòu)如圖1所示。

假設(shè)有一個輸入信號x是h維的，由輸入層經(jīng)過函數(shù)f到達(dá)中間層，信號變?yōu)閥，y可以用下面公式表示。

1.2 帶收縮項的自編碼器

收縮自編碼器（Contractive Auto-Encoder， CAE）是在原先的自編碼器的基礎(chǔ)上增加了正則項，從而增加訓(xùn)練數(shù)據(jù)集周圍出現(xiàn)小擾動時的魯棒性。正則項為編碼器的映射f關(guān)于輸入x的雅克比矩陣的Frobenius范數(shù)，目的是迫使模型在訓(xùn)練樣本上有更強收縮作用的映射。正則項形式如下：

收縮自編碼器通過重構(gòu)誤差和收縮懲罰（正則項）這兩種相反的推動力優(yōu)化網(wǎng)絡(luò)參數(shù)。正則項迫使自編碼器學(xué)習(xí)到的所有映射的梯度都很小，而重構(gòu)誤差迫使自編碼器學(xué)習(xí)一個恒等映射，保留完整的信息。在兩種推動力沖擊下，大部分映射對于輸入的梯度都很小。當(dāng)輸入受到小擾動時，小梯度會減小這些擾動，從而增加自編碼器輸入對受到小擾動時的抗干擾能力。

2 ?實現(xiàn)步驟

（1）初始化自編碼網(wǎng)絡(luò)參數(shù)，其中包含隱含層層數(shù)，權(quán)值W、偏置b、控制正則化強度λ的超參數(shù)等參數(shù)。

（2）將訓(xùn)練數(shù)據(jù)x（n）通過激活函數(shù)f（x）輸入到隱含層中進(jìn)行編碼，得到編碼結(jié)果h，然后采用向前傳播方法（Forward Propagation）計算代價函數(shù)大小。

（3）使用向后傳播方法（Back Propagation）更新網(wǎng)絡(luò)參數(shù)權(quán)值W和偏置b。

假設(shè)有樣本集{（x（1），y（1）），…，（x（n），y（n））}，樣本的重構(gòu)誤差使用均方誤差，訓(xùn)練集的總體誤差為：

3 ?實例分析

3.1 故障樣本選擇

本文采用電網(wǎng)公司歷年故障DGA數(shù)據(jù)和部分文獻(xiàn)中已知故障類型的DGA數(shù)據(jù)，組成1600組數(shù)據(jù)，其中訓(xùn)練集1000組，微調(diào)集200組，測試集400組。本文選擇用CH4、C2H2、C2H4、C2H6、H2五種故障氣體特征量作為輸入。為了縮小變量之間的計算誤差采用公式（10）對特征量進(jìn)行標(biāo)準(zhǔn)化處理。

3.2 特征氣體標(biāo)簽及故障狀態(tài)標(biāo)簽

根據(jù)電力系統(tǒng)變壓器容易發(fā)生的故障狀態(tài)類型，本文分為五種故障狀態(tài)分別是高能放電（HE-D）、低能放電（LE-D）、中低溫過熱（LM-T）、高溫過熱（H-T）、正常狀態(tài)（N-C）。故障對應(yīng)狀態(tài)編號及特征樣本分布情況如表1所示。

當(dāng)損失函數(shù)取得最小值時，即輸入和輸出之間的差值最小，模型故障診斷準(zhǔn)確率最高。適當(dāng)?shù)牡螖?shù)有利于提高收縮自編碼故障診斷模型的診斷效率，而迭代次數(shù)過多對準(zhǔn)確率影響微小。迭代次數(shù)和訓(xùn)練損失關(guān)系如圖3所示。

由圖3可知，訓(xùn)練損失隨著迭代的次數(shù)增加而遞減，模型性能逐漸優(yōu)化，訓(xùn)練損失曲線在迭代次數(shù)500次附近保持平緩，故以下測試取迭代次數(shù)為500次。

3.3 批次大小選擇

當(dāng)數(shù)據(jù)集較小時，批次大小選擇全數(shù)據(jù)集形式，即批次大小等于輸入的數(shù)據(jù)集個數(shù)，其優(yōu)點是：內(nèi)存利用率高，在一定范圍內(nèi)，批次大小越大，引起訓(xùn)練震蕩越小。工程實際中，大量數(shù)據(jù)處理對計算機內(nèi)存要求較高，而適當(dāng)?shù)呐未笮∮兄诰徑鈨?nèi)存壓力，提升計算速度和提高準(zhǔn)確率。本文將批次大小分為七組（分別是50、100、150、200、250、300、350），用不同值進(jìn)行獨立試驗，模型訓(xùn)練過程中的平均準(zhǔn)確率和批次大小的關(guān)系如圖4所示。

從圖4可以看出當(dāng)批次大小取250時，模型的準(zhǔn)確率最高達(dá)到89.5%，故下面模型使用批次大小為250。

3.4 AE層數(shù)和準(zhǔn)確率關(guān)系

AE層數(shù)和訓(xùn)練時間有關(guān)，而診斷準(zhǔn)確率和AE層數(shù)密切相關(guān)。適當(dāng)?shù)腁E層數(shù)有助于提升模型的訓(xùn)練效果。不同AE層數(shù)時收縮自編碼器故障診斷的準(zhǔn)確率如圖5所示。

圖5是不同AE層數(shù)下收縮自編碼器故障模型的測試準(zhǔn)確率，圖中折線表明了模型的測試準(zhǔn)確率隨著AE層數(shù)的遞增而顯著提升。當(dāng)AE層數(shù)到達(dá)4層時，模型診斷準(zhǔn)確率較高，隨后隨著AE層數(shù)的增加，模型診斷的準(zhǔn)確率沒有顯著提升，故下面測試選取AE層數(shù)為4層。

3.5 不同模型對比

選取PSO-SVM和BPNN兩種模型和本文模型進(jìn)行了對比，迭代次數(shù)選用500次，分別做10次獨立試驗，平均準(zhǔn)確率取10次試驗準(zhǔn)確率的均值?？紤]工程實際中存在的數(shù)據(jù)采樣錯誤的情況，選取部分測試樣本將其隨機置零，所占比率為原測試樣本的5%，即5%測試樣本部分?jǐn)?shù)據(jù)置零進(jìn)行試驗。在此條件下，用PSO-SVM、BPNN和本文方法三者進(jìn)行故障診斷，并將三者模型診斷準(zhǔn)確率進(jìn)行比較，模型準(zhǔn)確率對比如表2所示。

由表2可知，DCAE在完整的變壓器故障測試數(shù)據(jù)下故障診斷準(zhǔn)確率最高，能達(dá)到89.5%，相較于PSO-SVM模型提高了5.3%，相較于BPNN模型提高了9.9%。在5%測試樣本隨機置零時，DCAE準(zhǔn)確率最高，僅比完備數(shù)據(jù)情況下降低了2.2%，能達(dá)到87.3%，而PSO-SVM算法準(zhǔn)確率下降到76.5%，BPNN算法準(zhǔn)確率下降到70.5%。結(jié)果表明，DCAE在完整的測試數(shù)據(jù)或是5%測試數(shù)據(jù)出錯的情況下故障診斷準(zhǔn)確率均優(yōu)于PSO-SVM和BPNN算法。

4 ?結(jié)語

本文使用深度收縮自編碼網(wǎng)絡(luò)構(gòu)建分類模型對變壓器進(jìn)行故障診斷結(jié)論如下。

（1）利用自編碼網(wǎng)絡(luò)增加收縮項，增加自編碼網(wǎng)絡(luò)受到小擾動時的魯棒性。然后構(gòu)建收縮自編碼網(wǎng)絡(luò)模型對變壓器進(jìn)行故障診斷，其準(zhǔn)確率優(yōu)于傳統(tǒng)的PSO-SVM、BPNN算法，達(dá)到了89.5%，說明了本文方法能有效地診斷變壓器故障。

（2）對比于PSO-SVM和BPNN算法需要帶樣本標(biāo)簽的數(shù)據(jù)進(jìn)行模型訓(xùn)練而言，本文方法有強大的特征提取能力，其訓(xùn)練數(shù)據(jù)使用無監(jiān)督學(xué)習(xí)，無需使用樣本標(biāo)簽，適用性更廣泛。

（3）在實際應(yīng)用中，油色譜監(jiān)測部分?jǐn)?shù)據(jù)出錯或是部分?jǐn)?shù)據(jù)不全，導(dǎo)致傳統(tǒng)的故障診斷方法準(zhǔn)確率偏低。在此條件下，本文方法相較于PSO-SVM和BPNN故障診斷準(zhǔn)確率更高，準(zhǔn)確率達(dá)到了87.3%，說明了本文故障診斷模型具有較強的魯棒性。

參考文獻(xiàn)

[1] 榮智海，齊波，李成榕，等.面向變壓器油中溶解氣體分析的組合DBN診斷方法[J].電網(wǎng)技術(shù)，2019，43（10）：3800-3808.

[2] 鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J].高電壓技術(shù)，2014，40（11）：3424-3429.

[3] 張鐿議，彭鴻博，李昕，等.基于DGA特征量優(yōu)選與改進(jìn)磷蝦群算法優(yōu)化支持向量機的變壓器故障診斷模型[J].電測與儀表，2019，56（21）：110-116.

[4] 張鐿議，焦健，汪可，等.基于帝國殖民競爭算法優(yōu)化支持向量機的電力變壓器故障診斷模型[J].電力自動化設(shè)備，2018，38（1）：99-104.

[5] 吐松江·卡日，高文勝，張紫薇，等.基于支持向量機和遺傳算法的變壓器故障診斷[J].清華大學(xué)學(xué)報：自然科學(xué)版，2018，58（7）：623-629.

[6] 仲元昌，萬能飛，夏艷，等.基于油氣參數(shù)分析的電力變壓器故障分步式診斷算法[J].高電壓技術(shù)，2014，40（8）：2279-2284.

[7] 張珂斐，郭江，聶德鑫，等.基于化學(xué)反應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)與融合DGA算法的油浸式變壓器模型研究[J].高電壓技術(shù)，2016，42（4）：1275-1281.

[8] 賈亦敏，史麗萍，嚴(yán)鑫.改進(jìn)人工魚群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].河南理工大學(xué)學(xué)報：自然科學(xué)版，2019，38（2）：103-109.

[9] 李春茂，周妺末，劉亞婕，等.基于鄰域粗糙集與多核支持向量機的變壓器多級故障診斷[J].高電壓技術(shù)，2018，44（11）：3474-3482.

[10]許倩文，吉興全，張玉振，等.棧式降噪自編碼網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電測與儀表，2018，55（17）：62-67.

[11]賈京龍，余濤，吳子杰，等.基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].電測與儀表，2017，54（13）：62-67.

[12]石鑫，朱永利.深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].電力建設(shè)，2015，36（12）：116-122.

[13]代杰杰，宋輝，楊祎，等.基于油中氣體分析的變壓器故障診斷ReLU-DBN方法[J].電網(wǎng)技術(shù)，2018，42（2）：658-664.

[14]Hinton， G E. Reducing the Dimensionality of Data with Neural Networks [J]. Science， 2006， 313（5786）：504-507.

[15]Bengio， Y. Learning Deep Architectures for AI [J]. Foundations and Trends？ in Machine Learning， 2009， 2（1）：1-127.

[16]Bengio Y， Courville A， Vincent P. Unsupervised Feature Learning and Deep Learning： A Review and New Perspectives [J]. 2012.

[17]Hinton G E， A practical guide to training restricted Boltzmann machines [J]. Momentum， 2010， 9（1）：926-947.

[18]田啟川，王滿麗.深度學(xué)習(xí)算法研究進(jìn)展[J].計算機工程與應(yīng)用，2019，55（22）：25-33.

[19]侯一民，李永平.基于卷積神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別[J].計算機工程與設(shè)計，2019，40（6）：1751-1756.

[20]馬苗，許西丹，武杰.一種耦合深度信念網(wǎng)絡(luò)的圖像識別方法[J].西安電子科技大學(xué)學(xué)報，2018，45（5）：102-107.

[21]鄭遠(yuǎn)攀，李廣陽，李曄.深度學(xué)習(xí)在圖像識別中的應(yīng)用研究綜述[J].計算機工程與應(yīng)用，2019，55（12）：20-36.