湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 劉林凡

基于機(jī)器學(xué)習(xí)的電力變壓器故障診斷的研究進(jìn)展

湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 劉林凡

電力變壓器具有電能轉(zhuǎn)換、傳輸和分配的作用,變壓器故障能否準(zhǔn)確診斷將直接影響到網(wǎng)供電可靠性和系統(tǒng)的安全運(yùn)行。綜述了支持向量機(jī)、極限學(xué)習(xí)機(jī)、深度學(xué)習(xí)等機(jī)器學(xué)方法在變壓器故障診斷中的應(yīng)用，并分析了目前階段變壓器故障診斷中應(yīng)用的的難點(diǎn)，最后展望了變壓器故障診斷的研究方向。

機(jī)器學(xué)習(xí)；電力變壓器；故障診斷；研究進(jìn)展

0 引言

電力變壓器是電網(wǎng)中能量轉(zhuǎn)換、傳輸?shù)暮诵?，是電力系統(tǒng)中主要設(shè)備之一[1-3]。電力變壓器的正常運(yùn)行關(guān)系到電力系統(tǒng)穩(wěn)定。若發(fā)生故障則會造成電力系統(tǒng)發(fā)生停電故障，并給用戶帶來經(jīng)濟(jì)損失。隨著科技的高速發(fā)展，已經(jīng)可以實(shí)時(shí)獲取變壓器的實(shí)時(shí)狀態(tài)數(shù)據(jù)，利用這些數(shù)據(jù)對變壓器故障進(jìn)行診斷是目前研究的熱點(diǎn)。

電力變壓器油中溶解氣體分析(Dissolved Gas Analysis,DGA)是油浸式變壓器故障診斷的有效方法之一。學(xué)者在此基礎(chǔ)上研究了特征氣體法、三比值法和Rogers法等傳統(tǒng)方法，近年來支持向量機(jī)、極限學(xué)習(xí)機(jī)和深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法被應(yīng)用在電力變壓器的故障診斷中。

支持向量機(jī)于1995年正式發(fā)表。鄭蕊蕊等[4]支持向量機(jī)和人工免疫算法相結(jié)合的電力變壓器故障診斷算法,仿真證明，該方法對變壓器單一故障和多故障診斷具有優(yōu)越性能。薛浩然等[5]利用布谷鳥搜索算法優(yōu)化支持向量機(jī)的參數(shù)，獲得優(yōu)化的支持向量機(jī)分類模型，將電力變壓器故障分為4類。郭創(chuàng)新等[6]提出多分類多核學(xué)習(xí)支持向量機(jī)的變壓器故障診斷方法,結(jié)果表明該方法實(shí)用性強(qiáng)。Huang等人在2004年提出了極限學(xué)習(xí)機(jī)。近年來不少學(xué)者將其運(yùn)用在電力變壓器故障診斷方面。袁海滿等[7]針對變壓器故障信息不完備的問題，提出利用粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)，提高故障分類的精度。遇炳杰等[8]針對電力變壓器故障數(shù)據(jù)不均衡問題,提出了加權(quán)極限學(xué)習(xí)機(jī)的變壓器故障診斷方法。深度學(xué)習(xí)的概念起源于人工神經(jīng)網(wǎng)絡(luò)的研究，多個(gè)隱層的多層感知器是深度學(xué)習(xí)模型之一。石鑫等等[9]嘗試將深度學(xué)習(xí)方法于電力變壓器的故障診斷，提出了一種基于深度自編碼網(wǎng)絡(luò)的油浸式電力變壓器故障診斷新方法。

鑒于機(jī)器學(xué)習(xí)的理論意義和實(shí)際應(yīng)用價(jià)值，本文綜述了機(jī)器學(xué)習(xí)在電力變壓器故障診斷領(lǐng)域的應(yīng)用最新研究進(jìn)展，為進(jìn)一步深入研究故障診斷領(lǐng)域奠定了一定的基礎(chǔ)。使用機(jī)器學(xué)習(xí)方法進(jìn)行變壓器故障診斷實(shí)際上就是首先建立起變壓器變壓器狀態(tài)向量空間到變壓器故障類型空間映射模型，而后使用該模型對未類型得知樣本進(jìn)行故障類型判別的過程。

1 支持向量機(jī)在電力變壓器故障診斷中的應(yīng)用

支持向量機(jī)(Support Vector Machine，SVM)是Vapnik等人于1995年提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法[10]。支持向量機(jī)在解決小樣本、非線性問題上有很大的優(yōu)勢。采用油色譜數(shù)據(jù)(DGA)中的H2、CH4、C2H6、C2H4、C2H2等氣體含量占總烴的比值作為故障判斷的評估指標(biāo)，將變壓器的故障分為：正常、低能放電、高能放電、局部放電、中低溫過熱、高溫過熱6個(gè)類型[11]。支持向量機(jī)是一種二分類器，可以通過構(gòu)造多分類支持向量機(jī)，將變壓器故障區(qū)分開來。針對類間樣本誤分代價(jià)不等的問題，在構(gòu)建分類超平面時(shí)，引入代價(jià)敏感機(jī)制，提高故障之間的誤分敏感度，設(shè)計(jì)具有優(yōu)化節(jié)點(diǎn)的代價(jià)敏感支持向量機(jī)。另一方面故障類型的數(shù)據(jù)不均衡，這樣在訓(xùn)練分類器時(shí)，將導(dǎo)致劃分超分類平面發(fā)生偏移。為此，可結(jié)合基于人工智能的優(yōu)化算法，優(yōu)化設(shè)計(jì)誤判懲罰因子，增強(qiáng)空轉(zhuǎn)樣本在構(gòu)建分類超平面時(shí)的作用，抑制超平面偏移。

2 極限學(xué)習(xí)機(jī)在電力變壓器故障診斷中的應(yīng)用

極限學(xué)習(xí)機(jī)是一種針對單隱含層前饋神經(jīng)網(wǎng)絡(luò)而提出的新興學(xué)習(xí)算法[12]。極限學(xué)習(xí)機(jī)已經(jīng)在語音識別、故障診斷、圖像分類等方面取得了較好的應(yīng)用。極限學(xué)習(xí)機(jī)學(xué)習(xí)速度快，泛化性能好，目前已經(jīng)有許多研究將極限學(xué)習(xí)機(jī)應(yīng)用于電力變壓器的故障診斷[13]。根據(jù)變壓器故障和特征氣體的關(guān)系，選取合適的樣本結(jié)構(gòu)作為網(wǎng)絡(luò)的輸入特征向量，并驗(yàn)證其有效性。并研究了不同激活函數(shù)對基于極限學(xué)習(xí)機(jī)的電力變壓器故障診斷方法的影響以及隱含層節(jié)點(diǎn)數(shù)目對故障診斷診斷性能的影響。極限學(xué)習(xí)的電力變壓器故障診斷方法流程圖如圖1所示。

圖1 基于極限學(xué)習(xí)機(jī)的變壓器故障診斷流程圖

3 深度學(xué)習(xí)在電力變壓器故障診斷中的應(yīng)用

故障檢測的精度依賴于從獲取信息中對特征信息提取的精確程度，電力變壓器發(fā)生故障狀態(tài)的數(shù)據(jù)特征和正常狀態(tài)下的數(shù)據(jù)差異非常小，這種微小的差異使得這種反映故障信息的敏感特征往往淹沒在豐富的數(shù)據(jù)中[14]。深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)的研究,可理解為深層的神經(jīng)網(wǎng)絡(luò)。Hinton等提出了深度置信網(wǎng)絡(luò)[15]。深度置信網(wǎng)絡(luò)是深度學(xué)習(xí)算法的主要實(shí)現(xiàn)結(jié)構(gòu)之一，其主要思想是在每層深度下盡量保持輸入信號的信息，從而達(dá)到特征提取的目的，因此單層深度學(xué)習(xí)結(jié)構(gòu)又被稱為編碼器[16]。深度學(xué)習(xí)通過建立與人腦類似的分層模型結(jié)構(gòu)，對需要訓(xùn)練的數(shù)據(jù)進(jìn)行由底層到高層的特征提取，刻畫數(shù)據(jù)豐富的內(nèi)在信息，可改善分類或預(yù)測精度。深度學(xué)習(xí)在電力變壓器故障診斷中的模型如圖2所示。

圖2 深度學(xué)習(xí)在電力變壓器故障診斷中的模型

4 機(jī)器學(xué)習(xí)在電力變壓器故障診斷中研究的難點(diǎn)

目前，電力變壓器故障診斷領(lǐng)域所面臨的主要問題是：

（1）精準(zhǔn)地獲取變壓器故障診斷的相關(guān)數(shù)據(jù)，是研究的難點(diǎn)。采用油色譜數(shù)據(jù)中的相關(guān)氣體含量占總烴的比值作為故障判斷的評估指標(biāo)。研究如何精確分析當(dāng)前時(shí)刻相關(guān)氣體含量的精準(zhǔn)值具有重要意義。

（2）通過實(shí)時(shí)采集相關(guān)數(shù)據(jù)，然后利用機(jī)器學(xué)習(xí)算法，對這些數(shù)據(jù)進(jìn)行分類，當(dāng)出現(xiàn)新的故障時(shí)，僅憑已有的經(jīng)驗(yàn)數(shù)據(jù)，這類故障將會被歸一類已有的故障，解決這類問題，目前是研究的難點(diǎn)之一。

5 機(jī)器學(xué)習(xí)在電力變壓器故障診斷中研究的展望

國內(nèi)外許多學(xué)者對電力變壓器故障診斷已經(jīng)進(jìn)行了許多研究，許多已經(jīng)在實(shí)際工程中得到應(yīng)用，但是還存在一些需要解決的問題：

(a)機(jī)器學(xué)習(xí)在電力變壓器故障診斷中，取得良好的效果，但是這些研究停留在對故障進(jìn)行分類，卻很少涉及研究故障的定位。部分故障可以通過結(jié)合其他方法可以確定故障點(diǎn)位置，大多數(shù)故障診斷方法對故障點(diǎn)的定位還是略有欠缺。精準(zhǔn)診斷出電力變壓器的故障，并對故障進(jìn)行定位是未來研究的方向。

(b)隨著計(jì)算機(jī)信息技術(shù)和人工智能的高速發(fā)展，對電力變壓器的運(yùn)行狀態(tài)全方監(jiān)測稱為可能。利用獲取的電力變壓器運(yùn)行狀態(tài)數(shù)據(jù)，研究智能的機(jī)器學(xué)習(xí)方法，能夠識別電力變壓器新出現(xiàn)的故障，并準(zhǔn)確進(jìn)行診斷是研究的熱點(diǎn)。

6 總結(jié)

采用機(jī)器學(xué)習(xí)方法的電力變壓器故障診斷是該領(lǐng)域發(fā)展過程中新的思路，并且目前已取得大量實(shí)質(zhì)性成果。本文綜述了目前較受關(guān)注的電力變壓器故障診斷的機(jī)器學(xué)習(xí)方法，具體介紹這些方法在故障診斷中的具體應(yīng)該用和近年來的研究成果，并指出當(dāng)前電力變壓器故障診斷領(lǐng)域所面臨的問題。最后探討了電網(wǎng)故障診斷領(lǐng)域未來的發(fā)展趨勢。這些機(jī)器學(xué)習(xí)有些還處于理論階段，而且都有各自的不足，因此結(jié)合實(shí)際工程應(yīng)用，并不斷完善，提升電力變壓器診斷的智能化水平。

[1]Cui Y,Ma H,Saha T,et al．Moisture-Dependent Thermal Modelling of Power Transformer[J]．IEEE Transactions on Power Delivery,2016,31(5):2140-2150．

[2]Seo J,Ma H,Saha T K．A Joint Vibration and Arcing Measurement System for Online Condition Monitoring of Onload Tap Changer of the Power Transformer[J]．IEEE Transactions on Power Delivery,2017,32(2):1031-1038．

[3]Liu J,Dinavahi V．Detailed magnetic equivalent circuit based realtime nonlinear power transformer model on FPGA for electromagnetic transient studies[J]．IEEE Transactions on Industrial Electroni cs,2016,63(2):1191-1202．

[4]鄭蕊蕊,趙繼印,趙婷婷,等．基于遺傳支持向量機(jī)和灰色人工免疫算法的電力變壓器故障診斷[J]．中國電機(jī)工程學(xué)報(bào),2011(7):56-63．

[5]薛浩然,張珂珩,李斌,等．基于布谷鳥算法和支持向量機(jī)的變壓器故障診斷[J]．電力系統(tǒng)保護(hù)與控制,2015(8):8-13．

[6]郭創(chuàng)新,朱承治,張琳,等．應(yīng)用多分類多核學(xué)習(xí)支持向量機(jī)的變壓器故障診斷方法[J]．中國電機(jī)工程學(xué)報(bào),2010(13):128-134．

[7]袁海滿,吳廣寧,高波．基于DGA的粒子群極限學(xué)習(xí)機(jī)電力變壓器故障診斷[J]．高壓電器,2016(11):176-180．

[8]遇炳杰,朱永利．加權(quán)極限學(xué)習(xí)機(jī)在變壓器故障診斷中的應(yīng)用[J]．計(jì)算機(jī)工程與設(shè)計(jì),2013,34(12):4340-4344．

[9]石鑫,朱永利,寧曉光,等．基于深度自編碼網(wǎng)絡(luò)的電力變壓器故障診斷[J]．電力自動(dòng)化設(shè)備,2016,36(5):122-126．

[10]王瑜,苑津莎,尚海昆,等．組合核支持向量機(jī)在放電模式識別中的優(yōu)化策略[J]．電工技術(shù)學(xué)報(bào),2015,30(2):229-236．

[11]張勇．基于油中溶解氣體分析的變壓器在線監(jiān)測與故障診斷[D]．華北電力大學(xué),2014．

[12]李冬輝,閆振林,姚樂樂,等．基于改進(jìn)流形正則化極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測[J]．高電壓技術(shù),2016,42(7):2092-2099．

[13]袁海滿,吳廣寧,高波．基于DGA的粒子群極限學(xué)習(xí)機(jī)電力變壓器故障診斷[J]．高壓電器,2016(11):176-180．

[14]劉耀先,孫毅,武昕,等．面向配電網(wǎng)故障檢測的無線傳感網(wǎng)絡(luò)可靠路由方法[J]．電網(wǎng)技術(shù),2015,39(12):3609-3614．

[15]LeCun Y,Bengio Y,Hinton G．Deep learning[J]．Nature,2015．521(7553): 436-444．

[16]Xu J,Luo X,Wang G,et al．A deep convolutional neural network for segmenting and classifying epithelial and stromal regions in histopathological images[J]．Neurocomputing,2016,191:214-223．

劉林凡（1989—），男，碩士研究生，研究方向?yàn)殡娏鲃?dòng)技術(shù)及其故障診斷。