劉曉樂，劉 艷（北京科技大學(xué) 自動化學(xué)院，北京 100083）

基于極限學(xué)習(xí)機的變壓器故障快速識別*

劉曉樂，劉 艷
（北京科技大學(xué) 自動化學(xué)院，北京 100083）

針對基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的變壓器故障識別診斷方法存在網(wǎng)絡(luò)收斂慢、易陷入局部極小點和網(wǎng)絡(luò)參數(shù)難確定的缺點，提出了一種基于極限學(xué)習(xí)機的電力變壓器故障快速識別方法。該方法以變壓器油中用于故障類型分析的5種主要溶解氣體含量作為輸入特征量，5種常見變壓器狀態(tài)作為輸出量建立分類識別模型。實驗結(jié)果顯示，該方法的識別準(zhǔn)確率比支持向量機高12.5%，識別速度是支持向量機的2.6倍，比概率神經(jīng)網(wǎng)絡(luò)快5.5倍以上，表明該方法對變壓器故障的識別快速而有效。

電力變壓器；故障快速識別；極限學(xué)習(xí)機；油中溶解氣體分析

0　引言

電力變壓器是保障供電的重要設(shè)備，尋找快速而準(zhǔn)確的識別和診斷方法及時反饋可能的變壓器故障異常對提高電力系統(tǒng)可靠性有著重要意義。利用油中溶解氣體數(shù)據(jù)，在傳統(tǒng)比值法診斷變壓器故障基礎(chǔ)上采用人工智能的方法進行電力變壓器故障的診斷是近年來的研究趨勢。目前，國內(nèi)外主要研究方向有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)（ANN）、模糊理論以及支持向量機（SVM）等［1-5］。此外，為結(jié)合各種方法的優(yōu)點，近年來還提出了基于多種方法組合的診斷方法［6］，其中，以人工神經(jīng)網(wǎng)絡(luò)的研究最為廣泛與深入。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò) （如BP神經(jīng)網(wǎng)絡(luò)）收斂速度慢，易陷入局部極小點，因此，又提出了改進的小波神經(jīng)網(wǎng)絡(luò)、結(jié)合遺傳算法的BP網(wǎng)絡(luò)以及概率神經(jīng)網(wǎng)絡(luò)（PNN）［1，7-8］等診斷方法，能夠較好地避免局部極小點并提高網(wǎng)絡(luò)收斂速度，但網(wǎng)絡(luò)參數(shù)的確定仍是一個難點，大量時間消耗在網(wǎng)絡(luò)參數(shù)的調(diào)整和訓(xùn)練上，影響了故障識別診斷的實時性。

極限學(xué)習(xí)機（ExtremeLearningMachine，ELM）是2006年南洋理工大學(xué)黃廣斌副教授提出的一種簡單快速的單隱層前饋神經(jīng)網(wǎng)絡(luò)（SLFNs）學(xué)習(xí)算法［9］，該算法最大的特點是只需設(shè)置網(wǎng)絡(luò)的隱藏層神經(jīng)元個數(shù)，其他隱藏層神經(jīng)元參數(shù)則隨機選取，算法執(zhí)行過程中無需調(diào)節(jié)，而通過 Moore-Penrose廣義逆得到的輸出層權(quán)值最小二乘解確定網(wǎng)絡(luò)輸出，整個過程無需任何迭代步驟，從而大大縮短了網(wǎng)絡(luò)參數(shù)的調(diào)節(jié)時間，并且能產(chǎn)生唯一最優(yōu)解。較之于SVM和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，ELM學(xué)習(xí)速度更快，泛化能力更強，自提出以來已成功應(yīng)用于模式分類識別及回歸預(yù)測等問題［9-12］。因此，本文提出了將 ELM應(yīng)用于電力變壓器的故障識別，并給出了應(yīng)用實例。

圖1　ELM的結(jié)構(gòu)模型

1　ELM的原理及算法

ELM網(wǎng)絡(luò)的結(jié)構(gòu)模型如圖1所示。

式（1）的方程可簡寫作矩陣形式：

其中，H稱為ELM網(wǎng)絡(luò)的隱藏層輸出矩陣：

是唯一的可調(diào)參數(shù)，其最小二乘解為：

其中，H+稱為隱藏層輸出矩陣 H的 Moore-Penrose廣義逆。若H是非奇異的，則線性系統(tǒng)響應(yīng)的一般最小二乘估計寫作：

或

綜上所述，可總結(jié)出ELM的算法如下：

（1）設(shè)定訓(xùn)練樣本集（xi，yi），隱藏層神經(jīng)元個數(shù)為L，隱藏層輸出函數(shù)為G（·）；

（2）隨機生成隱藏層神經(jīng)元參數(shù)（αi，bi），i=1，2，…，L；

（3）計算隱藏層輸出矩陣H；

（4）計算得到最優(yōu)輸出權(quán)值β=H+Y。

2　基于ELM的電力變壓器故障識別

2.1輸入特征量與數(shù)據(jù)樣本

油中溶解氣體分析一直是大型油浸式電力變壓器故障診斷的重要方法之一［7］，判斷變壓器內(nèi)部故障有價值的氣體是 H2、CH4、C2H4、C2H6、C2H2、CO和 CO27種特征氣體，但現(xiàn)有大部分在線監(jiān)測裝置只能監(jiān)測到前5種氣體［1］，因此，可以將各氣體含量占 5種氣體含量總和的百分比作為 ELM的輸入特征量，采用無故障（Ⅰ）、中低溫過熱（Ⅱ）、高溫過熱（Ⅲ）、低能量放電（Ⅳ）和高能量放電（Ⅴ）共5種變壓器狀態(tài)對應(yīng)5個輸出神經(jīng)元。若某個輸出神經(jīng)元的輸出越大，則表示發(fā)生該類型故障的可能性越大。采用的樣本集［6］包含38個訓(xùn)練集，16個測試集，基本構(gòu)成如表1所示。

表1　樣本集基本構(gòu)成

2.2數(shù)據(jù)預(yù)處理與參數(shù)選擇

由于不同氣體含量差異巨大，有的樣本間相差甚至可以達到4個數(shù)量級，為避免奇異樣本數(shù)據(jù)對網(wǎng)絡(luò)訓(xùn)練的收斂速度和判斷結(jié)果帶來影響，需要對原始數(shù)據(jù)進行歸一化處理。通過實驗發(fā)現(xiàn)，將數(shù)據(jù)歸一化至［-1，1］之間時分類識別效果最好，因此，本文即采用該方法對原始數(shù)據(jù)進行歸一化。

正如前文所述，對ELM網(wǎng)絡(luò)進行訓(xùn)練時只需設(shè)置網(wǎng)絡(luò)的隱藏層神經(jīng)元個數(shù)，為保證得到使識別準(zhǔn)確率達到最高的網(wǎng)絡(luò)參數(shù)，通過大量實驗，最終發(fā)現(xiàn)當(dāng)隱藏層神經(jīng)元個數(shù)為17時故障識別準(zhǔn)確率最高，網(wǎng)絡(luò)激活函數(shù)設(shè)為sig。圖2與圖3分別為隱藏層神經(jīng)元個數(shù)與訓(xùn)練樣本和測試樣本分類準(zhǔn)確率的關(guān)系。此外，概率神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)擴展系數(shù)Spread設(shè)置為0.5，支持向量機的核函數(shù)采用徑向基函數(shù)，仿真環(huán)境為 MATLAB R2013a。

圖2　隱藏層神經(jīng)元個數(shù)與訓(xùn)練樣本分類準(zhǔn)確率關(guān)系

圖3　隱藏層神經(jīng)元個數(shù)與測試樣本分類準(zhǔn)確率關(guān)系

3　實驗結(jié)果分析

本文采用支持向量機（SVM）、概率神經(jīng)網(wǎng)絡(luò)（PNN）和極限學(xué)習(xí)機（ELM）3種方法分別對歸一化后的訓(xùn)練樣本進行訓(xùn)練，將訓(xùn)練得到的分類模型用測試樣本進行分類測試，結(jié)果如表2所示。

表2　3種方法識別結(jié)果比較

從表2可以看出，3種分類識別方法中，SVM的準(zhǔn)確率最低，僅為81.25%，PNN與ELM相當(dāng)，為93.75%。在識別速度上，PNN最慢，耗時約1.5 s；其次是SVM，用時0.6 s左右；速度最快的是 ELM，僅為0.23 s。

從以上的結(jié)果可以看出，ELM相比于 SVM和神經(jīng)網(wǎng)絡(luò)，在小樣本情況下分類識別準(zhǔn)確率高、訓(xùn)練速度快，分別比SVM和PNN快1.6倍和5.5倍以上，可以滿足電力變壓器故障的實時識別與診斷要求。同時，ELM網(wǎng)絡(luò)參數(shù)設(shè)置簡單，對于不同的樣本和應(yīng)用需求，只需實驗調(diào)試隱藏層神經(jīng)元個數(shù)，即可獲得適合的參數(shù)以提高應(yīng)用效果，具有很好的泛化能力。

4　結(jié)論

對電力變壓器故障進行及時有效的識別診斷對提高電力系統(tǒng)的可靠性具有重要意義。本文嘗試將極限學(xué)習(xí)機應(yīng)用于電力變壓器故障的識別，將變壓器油中的主要溶解氣體含量與故障類型相對應(yīng)，建立了電力變壓器故障識別的極限學(xué)習(xí)機分類模型。該方法可有效解決基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)識別診斷方法存在的網(wǎng)絡(luò)收斂慢、易陷入局部極小點和網(wǎng)絡(luò)參數(shù)難確定等問題。實驗結(jié)果表明，該方法比SVM識別準(zhǔn)確率高，比 PNN識別速度快，適用于有一定實時性要求的變壓器故障識別。

［1］陳偉根，潘翀，云玉新，等.基于改進小波神經(jīng)網(wǎng)絡(luò)算法的電力變壓器故障診斷方法［J］.儀器儀表學(xué)報，2008，29（7）：1489-1493.

［2］LIN C E，LING J M，HUANG C L.An expert system for transformer fault diagnosis using dissolved gas analysis［J］. IEEE Transactions on Power Delivery，1993，8（1）：231-238.

［3］何定，唐國慶，陳珩.電力變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)方法［J］.電力系統(tǒng)自動化，1993，17（8）：33-38.

［4］HUANG Y C，YANG H T，HUANG C L.Developing a new transformer fault diagnosis system through evolutionary fuzzy logic［J］.IEEE Transactions on Power Delivery，1997，12（2）：761-767.

［5］董明，孟源源，徐長響，等.基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究 ［J］.中國電機工程學(xué)報，2003，23（7）：88-92.

［6］楊廷方，李景祿，曾祥君，等.基于多方法組合診斷模型的大型變壓器故障診斷 ［J］.電力系統(tǒng)自動化，2009，33 （20）：92-108.

［7］王少芳，蔡金錠.GA-BP混合算法在變壓器色譜診斷法中的應(yīng)用［J］.高電壓技術(shù)，2003，29（7）：3-6.

［8］曹永剛，周玲，丁曉群，等.基于概率神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷［J］.繼電器，2006，34（3）：9-11.

［9］Huang Guangbin，Zhu Qinyu，SIEW C K.Extreme learning machine：theory and applications［J］.Neurocomputing，2006，70（1）：489-501.

［10］Zhang Runxuan，Huang Guangbin，SUNDARARAJAN N，et al.Multicategory classification using an extreme learning machine for microarray gene expression cancer diagnosis［J］. IEEE/ACMTransactionsonComputationalBiologyand Bioinformatics（TCBB），2007，4（3）：485-495.

［11］NIZARAH，DONGZY，WANGY.Powerutility nontechnical loss analysis with extreme learning machine method［J］.IEEE Transactions on Power Systems，2008，23（3）：946-955.

［12］Huang Guangbin，Zhou Hongming，Ding Xiaojian，et al. Extreme learning machine forregressionandmulticlass classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B：Cybernetics，2012，42（2）：513-529.

Power transformer fault fast recognition based on extreme learning machine

Liu Xiaole，Liu Yan
（School of Automation and Electrical Engineering，University of Science and Technology Beijing，Beijing 100083，China）

This paper presents a method for power transformer fault recognition based on extreme learning machine.It overcomes the shortcomings of slow convergence，entrapment in local optimum and the difficulty of determining network parameters of traditional neural networks.The fault classification and recognition model is constructed by using the five major kinds of dissolved gas content for fault type analysis as inputs and five common states of power transformer as outputs.The experiment results show that the recognition rate of this method is 12.5%higher than that of support vector machine and the recognition speed is 2.6 times as fast as support vector machine，5.5 times faster than that of probabilistic neural network.So this method is effective and fast for power transformer fault recognition.

power transformer；fault fast recognition；extreme learning machine（ELM）；dissolved gas-in-oil analysis（DGA）

TP394.1

A

1674-7720（2015）02-0052-03

中央高?；究蒲袠I(yè)務(wù)費專項（FRF-SD-12-008）；北京市重點學(xué)科共建項目（XK100080537）

（2014-08-27）

劉曉樂（1990-），通信作者，男，學(xué)士，工程師，主要研究方向：TFT-LCD設(shè)備智能檢測及故障診斷，E-mail：kommunistliu@163.com。

劉艷（1975-），女，博士，助理研究員，主要研究方向：復(fù)雜工業(yè)過程建模與智能優(yōu)化控制。