孫葉， 唐琳， 蘇冰， 李玉華

(國網(wǎng)德州供電公司，山東 德州 253000)

0 引言

隨著人們生活水平的不斷提高，家里電器設(shè)備日益增多，每天的用電量也不斷增加，同時對電力系統(tǒng)的安全穩(wěn)定性提出了更高的要求[1]。電力變壓器是電力系統(tǒng)的關(guān)鍵設(shè)備，其工作狀態(tài)直接決定了電力系統(tǒng)的性能。在電力變壓器的實際工作過程中，由于多種因素的影響和干擾，不可避免產(chǎn)生故障，變壓器一旦發(fā)生故障，可以導(dǎo)致電網(wǎng)大面積癱瘓，因此電力變壓器故障識別研究具有重要的實際價值[2-4]。

最初電力變壓器故障識別采用油中溶解氣體分析法，通過對變壓器油中溶解氣體確定電力變壓器故障類型，該方法簡單、實用，但是在實際應(yīng)用中，還存在許多局限性，如經(jīng)常會出現(xiàn)不能識別或者漏識別現(xiàn)象，電力變壓器故障識別結(jié)果不太可靠[5-6]。隨著人工智能技術(shù)的不斷發(fā)展，人們將其應(yīng)用于電力變壓器故障識別和診斷中，出現(xiàn)了基于支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、相關(guān)向量機(jī)等電力變壓器故障識別方法[7-9]，但是在實際應(yīng)用中，這些方法均存在一定的缺陷，如人工神經(jīng)網(wǎng)絡(luò)要求電力變壓器故障識別訓(xùn)練樣本數(shù)量大，不然就會出現(xiàn)“過擬合”的電力變壓器故障識別結(jié)果，而且電力變壓器故障識別訓(xùn)練過程收斂速度慢。支持向量機(jī)的電力變壓器故障識別結(jié)果良好，但是其訓(xùn)練過程十分耗時，直接影響電力變壓器故障識別的實時性[10]。相關(guān)向量機(jī)的收斂速度雖然要快于人工神經(jīng)網(wǎng)絡(luò)，但是電力變壓器故障識別正確率有待提升[11]。

極限學(xué)習(xí)機(jī)是一種深度學(xué)習(xí)算法，執(zhí)行效率高，在電力變壓器故障識別中得到了廣泛的應(yīng)用，輸入權(quán)值和隱含層偏置直接影響極限學(xué)習(xí)機(jī)的性能，而當(dāng)前采用人工方式隨機(jī)確定輸入權(quán)值和隱含層偏置，使得電力變壓器故障識別準(zhǔn)確率不高，為了更準(zhǔn)確地對電力變壓器故障進(jìn)行識別，構(gòu)建了深度學(xué)習(xí)算法的電力變壓器故障識別方法，該方法結(jié)合了粒子群算法和極限學(xué)習(xí)機(jī)的優(yōu)點，實驗結(jié)果表明，本文方法可以有效提升電力變壓器故障識別效果，相對于當(dāng)前其他電力變壓器故障識別方法，優(yōu)勢十分明顯。

1 深度學(xué)習(xí)算法的電力變壓器故障識別方法

1.1 深度學(xué)習(xí)算法

電力變壓器故障識別學(xué)習(xí)樣本數(shù)據(jù)為{xi,ti}，i=1,2,…,N，xi表示電力變壓器故障特征，ti表示電力變壓器故障類型，隱含層神經(jīng)元數(shù)為m，激活函數(shù)為g(x)，極限學(xué)習(xí)機(jī)的輸出可以描述為式(1)。

(1)

式中，ωi表示輸入權(quán)值;βi表示輸出權(quán)值;bi表示隱含層偏置;oj表示電力變壓器故障識別的期望輸出。

通過極限學(xué)習(xí)機(jī)訓(xùn)練，使得輸出誤差最小化，輸出誤差的計算式為式(2)。

(2)

式中，tj表示極限學(xué)習(xí)機(jī)輸出的輸出值。

βi、ωi與bi符合的收斂條件為式(3)。

(3)

采用矩陣形式對式(3)進(jìn)行簡化，可以得到式(4)。

Hβ=T

(4)

式中，H表示隱含層的輸出矩陣，具體為式(5)。

H(ω1,…,ωN,b1,…,bN,x1,…,xN)=

(5)

對于任意的激活函數(shù)g()，隨機(jī)確定輸入權(quán)值ω和隱含層偏置b，通過極限學(xué)習(xí)機(jī)的學(xué)習(xí)和訓(xùn)練，使極限學(xué)習(xí)機(jī)滿足式(6)。

(6)

式中，ε表示預(yù)先設(shè)置極限學(xué)習(xí)機(jī)的訓(xùn)練誤差。

當(dāng)激活函數(shù)無限可微時，輸出權(quán)值β可以通過式(7)進(jìn)行確定。

(7)

最后輸出權(quán)值的解為式(8)。

β*=H+t

(8)

式中，H+為H偽逆矩陣。

確定了β、ω和b后，那么就完成了極限學(xué)習(xí)機(jī)的訓(xùn)練，可以建立電力變壓器故障識別的分類器。

1.2 粒子群算法優(yōu)化輸入權(quán)值和隱含層偏置

相對其他深度學(xué)習(xí)算法，極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度更快、泛化能力更強(qiáng)，但是傳統(tǒng)極限學(xué)習(xí)機(jī)的ω和b采用隨機(jī)方式確定，使得極限學(xué)習(xí)機(jī)很難達(dá)到最優(yōu)，這樣直接采用極限學(xué)習(xí)機(jī)對電力變壓器故障識別進(jìn)行建模，會影響電力變壓器故障識別正確率，因此本文選擇粒子群算法對極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化，具體步驟如下。

Step1：根據(jù)電力變壓器故障識別的樣本確定極限學(xué)習(xí)機(jī)的輸入層、隱含層、輸出層的節(jié)點數(shù)量，從而確定極限學(xué)習(xí)機(jī)的基本結(jié)構(gòu)。

Step2：確定粒子群的迭代次數(shù)，種群規(guī)模以及其他參數(shù)。

Step3：初始化粒子群，每一個粒子的位置與極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置相對應(yīng)。

Step4：計算電力變壓器故障的目標(biāo)輸出和極限學(xué)習(xí)機(jī)的實際輸出之間的誤差，并將其作為粒子的個體適應(yīng)度值。

Step5：依據(jù)個體的適應(yīng)度值對粒子的歷史最優(yōu)位置和群體最優(yōu)位置進(jìn)行更新。

Step6：更新粒子的速度和位置，迭代次數(shù)增加。

Step7：不斷重復(fù)上述步驟，直接滿足終止條件為止。

Step8：根據(jù)粒子群的最優(yōu)位置得到極限學(xué)習(xí)機(jī)的最優(yōu)輸入權(quán)值和隱含層偏置。

1.3 深度學(xué)習(xí)算法的電力變壓器故障識別步驟

為了提高電力變壓器故障識別正確率，提出了基于深度學(xué)習(xí)算法的電力變壓器故障識別方法，具體步驟如下。

1)電力變壓器故障主要分為過熱型和放電型，一旦電力變壓器出現(xiàn)故障，那么變壓器油中溶解氣體就會有所差異，因此采用變壓器油中各種溶解氣體成份含量作為電力變壓器故障識別特征。

2)采集相關(guān)數(shù)據(jù)，并對它們對應(yīng)的電力變壓器故障類型進(jìn)行標(biāo)記。

3)由于變壓器油中各種溶解氣體成份含量差異較大，為減小差值對極限學(xué)習(xí)機(jī)帶來的不利影響，對它們進(jìn)行初始數(shù)據(jù)歸一化處理。

4)將電力變壓器故障的樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。

5)粒子群算法對極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化。

6)根據(jù)最優(yōu)的輸入權(quán)值和隱含層偏置對電力變壓器故障訓(xùn)練樣本進(jìn)行訓(xùn)練，建立電力變壓器故障識別的分類器。

7)將測試樣本輸入到電力變壓器故障識別的分類器中，獲得電力變壓器故障識別結(jié)果。

2 仿真實驗

2.1 仿真環(huán)境設(shè)置

為了驗證深度學(xué)習(xí)算法的電力變壓器故障識別方法的信號有效性，在相同的仿真環(huán)境下選擇文獻(xiàn)[11]的電力變壓器故障識別方法和文獻(xiàn)[12]的電力變壓器故障識別方法進(jìn)行對比實驗，其中文獻(xiàn)[11]采用極限學(xué)習(xí)機(jī)建立電力變壓器故障識別的分類器，但是沒有采用粒子群算法確定輸入權(quán)值和隱含層偏置；文獻(xiàn)[12]選擇支持向量機(jī)建立電力變壓器故障識別的分類器，采用粗糙集理論提取電力變壓器故障識別特征，仿真環(huán)境設(shè)置如表1所示。

表1 電力變壓器故障識別的仿真環(huán)境設(shè)置

2.2 實驗樣本數(shù)據(jù)

為了測試電力變壓器故障識別方法的通用性，選擇5種類型的電力變壓器故障作為測試實驗對象，樣本數(shù)據(jù)分別如表2所示。每一種電力變壓器故障選擇10個樣本作為測試樣本，其他樣本作為電力變壓器故障識別的訓(xùn)練樣本。

表2 電力變壓器故障類的樣本數(shù)量分布

2.3 電力變壓器故障識別效果分析

統(tǒng)計3種方法的不同類型電力變壓器故障識別正確率，結(jié)果如圖1所示。從圖1實驗結(jié)果可以看出，深度學(xué)習(xí)算法的電力變壓器故障識別正確率要高于文獻(xiàn)[11]方法和文獻(xiàn)[12]方法。統(tǒng)計電力變壓器故障的誤識率和拒識率，結(jié)果分別如圖2、圖3所示。對電力變壓器故障的誤識率和拒識率進(jìn)行分析可以發(fā)現(xiàn)，深度學(xué)習(xí)算法提升了電力變壓器故障識別成功率，降低了電力變壓器故障識別錯誤率，體現(xiàn)了深度學(xué)習(xí)算法的電力變壓器故障識別優(yōu)越性。

圖1 不同方法的電力變壓器故障識別正確率

圖2 不同方法的電力變壓器故障誤識率

圖3 不同方法的電力變壓器故障拒識率

2.4 電力變壓器故障識別時間對比

識別時間也是當(dāng)前電力變壓器故障識別結(jié)果的重要指標(biāo)，因為其直接影響電力變壓器故障識別效率，為此統(tǒng)計3種不同方法的電力變壓器故障識別時間，結(jié)果如圖4所示。從圖4可以看出，深度學(xué)習(xí)算法的電力變壓器故障識別時間平均值為6.58 ms，文獻(xiàn)[11]方法的電力變壓器故障識別時間平均值為9.94 ms，文獻(xiàn)[12]方法的電力變壓器故障識別時間平均值為18.22 ms，由此可見深度學(xué)習(xí)算法的電力變壓器故障識別時間顯著減少，加快了電力變壓器故障識別速度，可以滿足電力變壓器故障識別的實時性要求，與現(xiàn)代電力變壓器發(fā)展方向相符合，應(yīng)用前景更加廣泛。

圖4 不同方法的電力變壓器故障識別時間

3 總結(jié)

為了提高電力變壓器故障識別正確率，提出了深度學(xué)習(xí)算法的電力變壓器故障識別方法，并通過仿真對比實驗可以得到如下結(jié)論。

(1)通過粒子群算法確定極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置，客觀設(shè)置了極限學(xué)習(xí)機(jī)的參數(shù)，加快了電力變壓器故障識別的速度。

(2)引入深度學(xué)習(xí)算法擬合特征和電力變壓器故障信號之間的變化關(guān)系，建立效果更好的電力變壓器故障識別分類器，電力變壓器故障識別效果遠(yuǎn)遠(yuǎn)優(yōu)于當(dāng)前其他電力變壓器故障信號識別方法，為電力變壓器故障識別研究提供了一種新的工具。