汪 舒，陽士宇，汪 俊，范葉平，李志浩

（安徽繼遠(yuǎn)軟件有限公司，安徽 合肥 230088）

0 引 言

電力變壓器作為電力系統(tǒng)中的重要設(shè)備，在輸變電過程中承擔(dān)著電壓變換和功率傳輸?shù)闹匾δ?。然而，由于運行環(huán)境的復(fù)雜性和長期工作的高負(fù)荷，電力變壓器存在多種潛在故障隱患，如繞組短路、接地故障、絕緣老化等，給電力系統(tǒng)的安全、穩(wěn)定運行帶來嚴(yán)峻挑戰(zhàn)。因此，開展多源信息融合故障診斷技術(shù)的研究對實現(xiàn)變壓器狀態(tài)實時監(jiān)測與提前預(yù)警具有重要意義。

1 深度信念網(wǎng)絡(luò)和受限玻爾茲曼機

1.1 深度信念網(wǎng)絡(luò)模型介紹

深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）通過訓(xùn)練神經(jīng)元之間的權(quán)重，使整個神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù)[1]。它可以使用非監(jiān)督學(xué)習(xí)的方式學(xué)習(xí)數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，也可以使用監(jiān)督學(xué)習(xí)的方式來優(yōu)化網(wǎng)絡(luò)參數(shù)，并完成分類等任務(wù)。DBN 模型由多層神經(jīng)元組成，每一層神經(jīng)元都通過權(quán)重連接在一起。深度信念網(wǎng)絡(luò)模型組成見圖1。

圖1 深度信念網(wǎng)絡(luò)模型組成

1.2 受限玻爾茲曼機

受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）是一個2 層神經(jīng)網(wǎng)絡(luò)，第1 層被稱為可見層，第2 層被稱為隱藏層。因為網(wǎng)絡(luò)只有2 層，所以又被稱為淺層神經(jīng)網(wǎng)絡(luò)。RBM 可以用于降維、特征提取及協(xié)同過濾等，其訓(xùn)練可以分成正向傳播、反向傳播及比較3 部分。RBM 最初由保羅·斯模棱斯基（Paul Smolensky）于1986年提出，直到杰弗里·辛頓（Geoffrey Hinton）及其合作者在2000 年代中葉發(fā)明快速學(xué)習(xí)算法后，受限玻爾茲曼機才變得知名。

1.3 訓(xùn)練過程

將可見層設(shè)置為輸入數(shù)據(jù)，即需要訓(xùn)練的原始數(shù)據(jù)集，使用無監(jiān)督學(xué)習(xí)的方式逐層訓(xùn)練DBN 中的每一層RBM。在訓(xùn)練過程中，采用對比散度（Contrastive Divergence，CD）算法進(jìn)行權(quán)重和偏置的更新。具體做法是，通過吉布斯采樣（Gibbs Sampling）得到重建樣本，使用重建樣本與原樣本間的差值來改變權(quán)重和偏置。在訓(xùn)練好第一層RBM 之后，把其輸出數(shù)據(jù)當(dāng)作下一層RBM 的輸入數(shù)據(jù)，然后繼續(xù)練習(xí)下一層RBM。反復(fù)進(jìn)行這個步驟，直至每個層次都練習(xí)成功。當(dāng)預(yù)訓(xùn)練完成后，把最后一個RBM 的輸出連接到下一個Softmax 分類器或其他更具體的分類器模型。然后通過有監(jiān)督學(xué)習(xí)的方法，微調(diào)整個DBN。微調(diào)階段的主要目標(biāo)是最小化分類偏差，從而提高分析的精確度。

2 繼電保護(hù)故障診斷中的多源信息融合與DS證據(jù)理論

2.1 建立多源信息融合模型

預(yù)處理變壓器中的多種實驗數(shù)據(jù)，包括歸一化、標(biāo)準(zhǔn)化等操作，以消除不同數(shù)據(jù)之間的量綱和數(shù)值差異，提高數(shù)據(jù)的可比性[2]。將預(yù)處理后的多種實驗數(shù)據(jù)進(jìn)行整合，形成一個綜合數(shù)據(jù)集，包含油色譜分析、油化實驗分析、檢修歷史數(shù)據(jù)、運行環(huán)境數(shù)據(jù)及外觀檢測數(shù)據(jù)等多種信息。從綜合數(shù)據(jù)集中提取與變壓器故障相關(guān)的特征參數(shù)，利用DBN 進(jìn)行特征層的信息融合。通過逐層預(yù)訓(xùn)練和微調(diào)的方式，DBN 可以學(xué)習(xí)到數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，將多種特征參數(shù)融合為一個更加緊湊且有效的特征表示。

2.2 數(shù)據(jù)預(yù)處理

將不同來源和不同格式的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的格式，如將圖片數(shù)據(jù)轉(zhuǎn)換為可處理的數(shù)值數(shù)據(jù)，或?qū)⒉煌瑪?shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)進(jìn)行整合。線性變換原始變壓器數(shù)據(jù)，例如離差標(biāo)準(zhǔn)化，使其結(jié)果值映射到[0,1]，消除不同數(shù)據(jù)之間的量綱和數(shù)值差異，方便后續(xù)的數(shù)據(jù)分析和挖掘。

從清洗和轉(zhuǎn)換后的數(shù)據(jù)中提取與變壓器故障相關(guān)的特征參數(shù)，根據(jù)特征的重要性和相關(guān)性進(jìn)行特征選擇，去除冗余和不相關(guān)的特征，降低數(shù)據(jù)的維度，提高后續(xù)分析的效率和準(zhǔn)確性[3]。利用關(guān)聯(lián)規(guī)則挖掘算法或圖論等方法，分析變壓器數(shù)據(jù)之間的關(guān)聯(lián)性，找出不同部件之間的故障傳播路徑和影響關(guān)系。構(gòu)建變壓器故障關(guān)聯(lián)模型，描述不同部件之間故障的關(guān)聯(lián)程度和傳播機制，為后續(xù)故障預(yù)測和診斷提供依據(jù)。

2.3 DS 證據(jù)理論及其在故障診斷中的應(yīng)用

DS 證據(jù)理論及其在故障診斷中的應(yīng)用數(shù)據(jù)見表1。故障診斷結(jié)果是根據(jù)多個證據(jù)（即證據(jù)1、證據(jù)2）綜合分析得出的針對設(shè)備狀態(tài)的診斷結(jié)果。通常用一個概率值（范圍在0～1）來表示診斷結(jié)果的可靠程度，越接近1 表示越有把握認(rèn)為設(shè)備處于某種特定的故障狀態(tài)。

表1 DS 證據(jù)理論及其在故障診斷中的應(yīng)用數(shù)據(jù)

根據(jù)DS 證據(jù)理論的應(yīng)用和融合結(jié)果，能夠準(zhǔn)確診斷變壓器的故障類型。這些結(jié)果可以為變壓器的維護(hù)和修復(fù)提供重要的參考依據(jù)，幫助工程師及時采取相應(yīng)的措施來修復(fù)故障，確保變壓器的正常運行。

3 算例分析

3.1 數(shù)據(jù)來源與處理

歸一化處理油中溶解氣體體積分?jǐn)?shù)、局部放電量及套管介質(zhì)損耗因數(shù)，將數(shù)據(jù)映射到相同的數(shù)值范圍內(nèi)，以消除不同數(shù)據(jù)之間的量綱和數(shù)值差異。將數(shù)據(jù)映射到相同的數(shù)據(jù)區(qū)域里，以減少各個數(shù)據(jù)間的量綱和數(shù)據(jù)差別。將歸一化后的數(shù)據(jù)構(gòu)建為一個n×8的矩陣，其中n代表數(shù)據(jù)樣本的總數(shù)量[4]。每個數(shù)據(jù)樣本中至少含有8 個特性函數(shù)，可以用來判斷電力變壓器所屬的故障類別。利用DBN 對大量樣本加以練習(xí)，并通過訓(xùn)練培養(yǎng)其泛化能力，從而更好地研究復(fù)雜的本構(gòu)非線性映射問題。

3.2 DBN-DS 融合算法實現(xiàn)

根據(jù)DBN 的輸出，將各個網(wǎng)絡(luò)的輸出轉(zhuǎn)化為各個故障的概率分配函數(shù)。通過計算分配值，確定基本概率分配。歸一化后數(shù)據(jù)1 至數(shù)據(jù)8 均無單位，表示經(jīng)過歸一化處理后的數(shù)據(jù)值，通常在0 ～1。DBNDS 融合算法的數(shù)據(jù)見表2。

表2 DBN-DS 融合算法的數(shù)據(jù)

3.3 與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法的對比分析

DBN-DS 融合算法與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法故障診斷對比分析見表3。

表3 DBN-DS 融合算法與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法故障診斷對比分析

由表3 可知，DBN-DS 融合算法能夠更準(zhǔn)確地判斷故障類型。例如，對于數(shù)據(jù)樣本1 和4，DBNDS 融合算法能夠正確識別高溫過熱的故障類型，傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法則判斷為中低溫過熱，顯示了DBN-DS 融合算法在處理復(fù)雜非線性映射關(guān)系時的優(yōu)勢。從整體上看，DBN-DS 融合算法在電力變壓器多源信息融合故障診斷方面具有一定的優(yōu)勢。通過對多源信息的融合處理，DBN-DS 融合算法能夠更全面地考慮各種因素，降低不確定性，提高故障診斷的準(zhǔn)確性[5]。

4 結(jié) 論

文章提出的基于多源信息融合的電力變壓器故障診斷方法具有重要的理論意義和實踐價值，經(jīng)過實驗驗證該方法效果顯著。與傳統(tǒng)方法相比，本方法在故障診斷準(zhǔn)確率上有了顯著提升，且對多種類型的故障均有較好的診斷效果。這表明通過多源信息融合技術(shù)，能夠更全面、準(zhǔn)確地掌握電力變壓器的運行狀態(tài)，及時發(fā)現(xiàn)并處理潛在的故障隱患，從而保障電力系統(tǒng)的安全、穩(wěn)定運行。