李輝 張志攀

摘要：針對(duì)傳統(tǒng)算法在變壓器故障診斷領(lǐng)域存在參數(shù)難以選取、準(zhǔn)確率低、易誤判等缺點(diǎn)，提出一種基于改進(jìn)深度信念網(wǎng)絡(luò)（IDBN）的電力變壓器故障診斷方法。在油中溶解氣體分析（DGA）基礎(chǔ)上，首先以IDBN無(wú)監(jiān)督訓(xùn)練方式重構(gòu)原始數(shù)據(jù)特征，然后以有監(jiān)督方式學(xué)習(xí)特征與故障類(lèi)型之間的映射關(guān)系，最后將測(cè)試數(shù)據(jù)應(yīng)用于模型并進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法不僅具有較高精度，而且在準(zhǔn)確率方面優(yōu)于傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法。因此，將改進(jìn)深度信念網(wǎng)絡(luò)用于變壓器故障診斷具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：改進(jìn)深度信念網(wǎng)絡(luò)；變壓器故障；氣體分析；準(zhǔn)確率

DOI：10.11907/rjdk.173159

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2018）007-0169-04

Abstract：Aimingattheshortcomingsoftraditionalalgorithmsincludingdifficultiestoselecttheparametersinthefieldoftransformerfaultdiagnosisaccuracyandlowfalsejudgment，weproposeanimprovedfaultdiagnosismethodofpowertransformerbasedonimproveddepthbeliefnetwork（IDBN）.Onthebasisofdissolvedgasanalysis（DGA）inoil，wereconstructtheoriginaldatacharacteristicsbyunsupervisedtrainingmethodofIDBN，andthenstudythemappingrelationshipbetweenfeaturesandfaulttypesinasupervisedmanner.Finally，thetestdataisappliedonthemodelandtheexperimentiscarriedout.Theresultsshowthattheproposedmethodnotonlyhashigherprecision，butalsooutperformsthetraditionalartificialneuralnetworkandsupportvectormachinesinaccuracy.Therefore，itisofpracticalvalueandpracticalsignificancetoimprovethedeepbeliefnetworkfortransformerfaultdiagnosis.

KeyWords：improveddeepbeliefnetwork；transformerfault；gasanalysis；accuracyrate

0引言

電力變壓器在電能轉(zhuǎn)換、分配、傳輸?shù)确矫嫫鹬鴽Q定性作用，一旦發(fā)生故障，其所在電網(wǎng)將發(fā)生大面積癱瘓。因此，對(duì)其故障的精準(zhǔn)診斷顯得格外重要。通過(guò)對(duì)故障類(lèi)型及故障位置的精準(zhǔn)識(shí)別，可為工程師維修提供指導(dǎo)，從而保證電力系統(tǒng)的安全穩(wěn)定運(yùn)行。

現(xiàn)有的電力變壓器故障診斷方法主要分為兩大類(lèi)[1]：一是基于實(shí)踐經(jīng)驗(yàn)的診斷方法；二是基于機(jī)器學(xué)習(xí)算法的診斷方法。第一類(lèi)方法通過(guò)總結(jié)實(shí)踐經(jīng)驗(yàn)診斷故障，代表方法包括羅杰斯特法、三比值法等；第二類(lèi)方法通過(guò)機(jī)器學(xué)習(xí)中的分類(lèi)方法對(duì)與故障相關(guān)的數(shù)據(jù)進(jìn)行分類(lèi)，實(shí)現(xiàn)故障類(lèi)型的自動(dòng)識(shí)別，代表方法包括人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）、支持向量機(jī)（SupportVectorMachine，SVM）、極限學(xué)習(xí)機(jī)（ExtremeLearningMachine，ELM）等。然而，現(xiàn)有方法依然存在一些缺點(diǎn)：第一類(lèi)方法依賴(lài)于大量實(shí)踐經(jīng)驗(yàn)及系統(tǒng)性總結(jié)，第二類(lèi)方法盡管不依賴(lài)于實(shí)踐經(jīng)驗(yàn)，但其中的每種分類(lèi)方法都有一定局限性，如：ANN收斂不穩(wěn)定，且容易震蕩[2]；SVM難以處理大量樣本，且在處理非線性分類(lèi)問(wèn)題時(shí)，核函數(shù)及參數(shù)難以選取[3]；ELM學(xué)習(xí)速度快、泛化性能強(qiáng)，但是不穩(wěn)定[4]。上述3種分類(lèi)算法均為淺層學(xué)習(xí)模型，在解決復(fù)雜非線性多分類(lèi)問(wèn)題時(shí)能力有限。

針對(duì)上述缺點(diǎn)，本文提出一種基于改進(jìn)深度信念網(wǎng)絡(luò)（Improved-DeepBeliefNetwork，IDBN）的電力變壓器故障診斷方法，利用IDBN算法近似任意復(fù)雜非線性映射的能力，實(shí)現(xiàn)對(duì)數(shù)據(jù)分布的近似建模，從而達(dá)到對(duì)故障類(lèi)型的準(zhǔn)確識(shí)別。首先，以無(wú)監(jiān)督方式，從數(shù)據(jù)中自動(dòng)挖掘有效特征；其次，根據(jù)樣本標(biāo)簽，采用有監(jiān)督方式對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，以獲得最優(yōu)的網(wǎng)絡(luò)參數(shù)；最后，根據(jù)調(diào)優(yōu)模型對(duì)故障類(lèi)型進(jìn)行識(shí)別。通過(guò)工程實(shí)例，驗(yàn)證了所提方法的有效性，并通過(guò)與經(jīng)典分類(lèi)算法的對(duì)比，證明了該方法的優(yōu)越性。

1改進(jìn)深度信念網(wǎng)絡(luò)原理

2006年，隨著Hinton[5-6]在深度信念網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）研究領(lǐng)域取得巨大成功，深度學(xué)習(xí)開(kāi)始成為人們關(guān)注的熱點(diǎn)，尤其是將深度學(xué)習(xí)應(yīng)用于人工智能領(lǐng)域具有明顯優(yōu)勢(shì)，如語(yǔ)音識(shí)別、圖像識(shí)別[7]、自然語(yǔ)言處理等。深度學(xué)習(xí)的廣泛應(yīng)用取決于其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)。

1.1限制玻爾茲曼機(jī)

限制玻爾茲曼機(jī)[8]（RestrictedBoltzmannMachine，RBM）是一種特殊的馬爾科夫隨機(jī)場(chǎng)（MarkovRandomField，MRF）。一個(gè)RBM是由一個(gè)隨機(jī)的隱含層（一般是伯努利分布）和一個(gè)隨機(jī)的可視層（一般是伯努利分布和高斯分布）構(gòu)成的。RBM可用雙向圖表示，所有隱含層與可視層之間均存在連接，而隱含層層內(nèi)和可視層層內(nèi)之間不存在連接，即層內(nèi)無(wú)連接，層間全連接。具體結(jié)構(gòu)如圖1所示，其是一個(gè)兩層神經(jīng)網(wǎng)絡(luò)，連接權(quán)重將可視層與隱含層連接，可視層接收輸入數(shù)據(jù)，根據(jù)式（1）計(jì)算隱藏層神經(jīng)元的激活概率。

其中，h為隱含層神經(jīng)元的值，v為可視層神經(jīng)元的值，w為連接權(quán)重，b為偏置，f·為激活函數(shù)。本文選取relu函數(shù)作為激活函數(shù)。

1.2改進(jìn)深度信念網(wǎng)絡(luò)結(jié)構(gòu)及原理

深度信念網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上并無(wú)太大差異，均是多層神經(jīng)元在縱向的延伸，但由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)隨著深度增加導(dǎo)致梯度消失，因而無(wú)法進(jìn)行深度學(xué)習(xí)。Hinton提出的深度信念網(wǎng)絡(luò)，其本質(zhì)是由多個(gè)RBM堆疊而成的神經(jīng)網(wǎng)絡(luò)模型。本文提出的改進(jìn)深度信念網(wǎng)絡(luò)（IDBN）算法是在深度信念網(wǎng)絡(luò)基礎(chǔ)上演變而來(lái)，其具體結(jié)構(gòu)如圖2所示。IDBN主要架構(gòu)由3個(gè)RBM堆疊而成，在傳統(tǒng)的深度信念網(wǎng)絡(luò)上增加了一層BN（BatchNormalization）[9]。其工作原理是首先將經(jīng)過(guò)批量標(biāo)準(zhǔn)化處理（BN）的數(shù)據(jù)作為網(wǎng)絡(luò)輸入；其次將經(jīng)過(guò)權(quán)重處理后的數(shù)據(jù)在進(jìn)行函數(shù)激勵(lì)前，再進(jìn)行批量標(biāo)準(zhǔn)化處理；然后將批量標(biāo)準(zhǔn)化處理的數(shù)據(jù)作為激勵(lì)函數(shù)的輸入，由此輸出新的特征，以避免由于新產(chǎn)生的特征數(shù)據(jù)分布太廣，導(dǎo)致施加于激勵(lì)函數(shù)的數(shù)據(jù)無(wú)法再現(xiàn)原始數(shù)據(jù)特征，從而使訓(xùn)練出的模型性能降低；最后，在RBM的輸出端連接softmax函數(shù)，實(shí)現(xiàn)對(duì)故障的分類(lèi)。

2改進(jìn)深度信念網(wǎng)絡(luò)預(yù)訓(xùn)練與優(yōu)化過(guò)程

2.1預(yù)訓(xùn)練過(guò)程

分別單獨(dú)訓(xùn)練每一層RBM網(wǎng)絡(luò)，以確保特征向量映射到不同特征空間時(shí)，均盡可能地保留特征信息。在本文中，RBMh1可看作RBMh2的可見(jiàn)層，這里用v1……vn表示，第一個(gè)RBM的輸入層即整個(gè)模型的輸入層。通過(guò)將對(duì)比梯度算法作用于所有樣本，并訓(xùn)練出h1；由于h2的可見(jiàn)層是h1隱含層，訓(xùn)練起始于將數(shù)據(jù)導(dǎo)入v1可見(jiàn)層，通過(guò)前向傳播傳至h1層，然后作為h2隱含層訓(xùn)練的初始數(shù)據(jù)。重復(fù)以上過(guò)程，便可預(yù)訓(xùn)練出一個(gè)由多層RBM構(gòu)成的多層感知機(jī)。

2.2優(yōu)化過(guò)程

在IDBN最后一層設(shè)置BP網(wǎng)絡(luò)，接收RBM輸出的特征向量作為輸入向量。作為有監(jiān)督訓(xùn)練分類(lèi)器，由于每層RBM層內(nèi)的權(quán)值對(duì)該層特征向量達(dá)到最優(yōu)，并不代表對(duì)整個(gè)IDBN的特征向量映射達(dá)到最優(yōu)，所以反向傳播網(wǎng)絡(luò)還需將誤差信息自頂向下傳播至每層RBM，以微調(diào)整個(gè)IDBN網(wǎng)絡(luò)。RBM訓(xùn)練過(guò)程可看作對(duì)一個(gè)深層BP網(wǎng)絡(luò)權(quán)值參數(shù)的初始化過(guò)程，使DBN克服傳統(tǒng)BP網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)不當(dāng)而陷入局部最優(yōu)，并導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題。

2.3改進(jìn)深度信念訓(xùn)練步驟

根據(jù)改進(jìn)深度信念網(wǎng)絡(luò)的預(yù)訓(xùn)練和優(yōu)化過(guò)程，給出其具體訓(xùn)練步驟：

步驟4：重復(fù)步驟2～3，直至迭代終止。

步驟5：將當(dāng)前RBM神經(jīng)元值進(jìn)行批量標(biāo)準(zhǔn)化處理后作為下一個(gè)RBM的輸入，重復(fù)步驟2～5，直至所有RBM完成訓(xùn)練。

步驟6：根據(jù)樣本標(biāo)簽，采用梯度下降微調(diào)所有權(quán)重和偏置。

步驟7：利用訓(xùn)練好的IDBN進(jìn)行故障診斷。

3實(shí)驗(yàn)分析

3.1數(shù)據(jù)描述與預(yù)處理

根據(jù)油中溶解氣體（DGA）分析法，本文選取C2H2/C2H4、CH4/H2、C2H4/C2H6的比值作為訓(xùn)練樣本。為避免因數(shù)據(jù)差異過(guò)大導(dǎo)致某些重要數(shù)據(jù)特征丟失，首先對(duì)每種特征進(jìn)行歸一化處理。假設(shè)樣本集X={x1，x2，…，xK}，其中xi∈R1×3為一個(gè)樣本，采用式（4）作歸一化處理。

其中，xNi為歸一化后的樣本，xmax∈R1×3為每個(gè)特征量最大值構(gòu)成的向量，xmin∈R1×3為每個(gè)特征量最小值構(gòu)成的向量。

3.2故障類(lèi)型編碼

依據(jù)電力變壓器在運(yùn)行過(guò)程中的狀態(tài)，將故障分為低能量放電故障、高能量放電故障、高溫過(guò)熱故障、中溫過(guò)熱故障、低溫過(guò)熱故障、局部放電故障6種類(lèi)型，加上正常運(yùn)行狀況，共有7種健康狀態(tài)，每種狀態(tài)下各200個(gè)樣本[10-12]，詳細(xì)編碼如表1所示。

3.3參數(shù)選取

由于IDBN的性能與參數(shù)選取直接相關(guān)，然而配置合適的參數(shù)并非易事。為獲得最優(yōu)參數(shù)配置，本文采用網(wǎng)格化的搜索技術(shù)確定最優(yōu)學(xué)習(xí)率alpha（α）及慣量參數(shù)m。其中，m從0.1～1每隔0.1取一個(gè)值，共取10個(gè)值，α=[1×10-2，5×10-3，1×10-3，5×10-4，1×10-4，5×10-5，1×10-5]，每種參數(shù)配置下的平均準(zhǔn)確率如圖3所示。

由圖3可知，不同的參數(shù)配置對(duì)算法性能有較大的影響，根據(jù)實(shí)驗(yàn)結(jié)果，得出當(dāng)學(xué)習(xí)率為1E-5、慣量參數(shù)為0.3時(shí)，DBN性能達(dá)到最優(yōu)，平均測(cè)試準(zhǔn)確率為86.18%。因此，本文選取α=1×10-5m=0.3。

3.4方法對(duì)比分析

為證明本文提出方法的優(yōu)越性，基于相同的訓(xùn)練樣本和測(cè)試樣本，采用經(jīng)典分類(lèi)方法ANN和SVM進(jìn)行實(shí)驗(yàn)。ANN采取3-9-7的網(wǎng)絡(luò)結(jié)構(gòu)，即隱藏層包含9個(gè)神經(jīng)元，學(xué)習(xí)率為0.08，迭代次數(shù)為2000次。SVM選取徑向基核函數(shù)，懲罰系數(shù)為2048，核函數(shù)參數(shù)為0.03。由于是多分類(lèi)問(wèn)題，采取1對(duì)多的分類(lèi)策略。10次實(shí)驗(yàn)的平均結(jié)果如表2所示。

縱向?qū)Ρ?種方法可得，本文所提方法在相同訓(xùn)練集上的診斷準(zhǔn)確率優(yōu)于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）方法。橫向?qū)Ρ炔煌?guī)模比例的訓(xùn)練集可得，隨著訓(xùn)練樣本數(shù)增加，平均測(cè)試準(zhǔn)確率也隨之升高。

3.5詳細(xì)分類(lèi)結(jié)果

圖4給出7種故障的詳細(xì)分類(lèi)結(jié)果，可以看出，第3種類(lèi)型的故障識(shí)別率非常低，這是由于高能量放電和低能量放電故障類(lèi)型相似，油中溶解氣體分析數(shù)據(jù)具有近似分布，因此導(dǎo)致87%的高能量放電故障被誤分為低能量放電故障。盡管誤分率非常高，但基于相似的故障類(lèi)型，依然能夠?yàn)榫S修操作提供指導(dǎo)。在其它6種故障上，本文提出方法均能獲得高診斷準(zhǔn)確率。

4結(jié)語(yǔ)

為獲得更高的診斷準(zhǔn)確率，本文提出一種基于改進(jìn)深度信念網(wǎng)絡(luò)（IDBN）的電力變壓器故障診斷方法。通過(guò)實(shí)驗(yàn)分析，可得出以下結(jié)論：①基于相同數(shù)據(jù)集，本文提出方法的診斷準(zhǔn)確率優(yōu)于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)兩個(gè)經(jīng)典分類(lèi)方法；②隨著訓(xùn)練樣本集增加，所提方法的性能也隨之提高，因此在解決多分類(lèi)的故障診斷問(wèn)題時(shí)，需要采集足夠數(shù)量的樣本；③該方法是一種有效、可靠的電力變壓器故障診斷方法。

參考文獻(xiàn)：

[1]楊蕾.基于BP人工神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].河南科技，2015，572（9）：136-138.

[2]王濤，王曉霞.基于改進(jìn)PSO-BP算法的變壓器故障診斷[J].中國(guó)電力，2009，42（5）：13-16.

[3]尹娟，王媚，張金江，等.一種自主核優(yōu)化的二值粒子群優(yōu)化多核學(xué)習(xí)支持向量機(jī)變壓器故障診斷方法[J].電網(wǎng)技術(shù)，2012，36（7）：249-254.

[4]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.

[5]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.

[6]ZHANGZP，ZHAOJS.Adeepbeliefnetworkbasedfaultdiagnosismodelforcomplexchemicalprocess[J].ComputersandChemicalEngineering，2017.

[7]李輝，石波.基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法[J].軟件導(dǎo)刊，2017，16（3）：26-29.

[8][美]鄧力，[美]俞棟.深度學(xué)習(xí)：方法與應(yīng)用[M].謝磊，譯.北京：機(jī)械工業(yè)出版社，2015.

[9]黃文堅(jiān)，唐源.TensorFlow實(shí)戰(zhàn)[M].北京：電子工業(yè)出版社，2017.

[10]王福忠，邵淑敏，董鵬飛.變壓器油中氣體組分含量在線監(jiān)測(cè)與故障診斷[J].河南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，34（3）：379-383.

[11]陳志勇，李忠杰.油中溶解氣體分析在變壓器故障診斷中的應(yīng)用[J].變壓器，2011，48（2）：64-66.

[12]伊弘博.基于電力變壓器故障特征氣體的預(yù)測(cè)方法研究[D].青島：青島科技大學(xué)，2015.

（責(zé)任編輯：黃?。?/p>