童國鋒，朱 梅

(1.紹興電力局柯橋區(qū)供電分局，浙江 紹興 312030; 2.浙江科技學院 信息學院，杭州 310023)

0 引言

變壓器是輸變電、供配電系統(tǒng)中的重要設(shè)備，變壓器安全可靠穩(wěn)定運行是供電網(wǎng)絡(luò)安全可靠穩(wěn)定運行的根本。近幾年隨著我國國民經(jīng)濟的快速發(fā)展，對供配電網(wǎng)絡(luò)的質(zhì)量和數(shù)量都提出了更高的要求。傳統(tǒng)變壓器故障檢測方法為通過人工數(shù)據(jù)采樣和在線參數(shù)采樣相結(jié)合，由維護人員根據(jù)這些采樣數(shù)據(jù)判斷變壓器的運行狀態(tài)。然而由于人工判斷一般只結(jié)合當前時刻的采樣數(shù)據(jù)，缺乏預見性，不能有效地預測故障，可能造成不可估量的損失。因此，引入計算機在線檢測和輔助分析就顯得尤為重要[1-2]。目前深度學習已經(jīng)成為機器學習中一個非常關(guān)鍵的研究領(lǐng)域，并取得了許多顛覆性的研究成果[3-5]。針對變壓器等故障緩慢變化、又缺乏故障發(fā)展變換的預測模型，采用深度學習方法分析設(shè)備故障具有非常重要的現(xiàn)實意義。本文提出了一種多變量、多時段采樣數(shù)據(jù)預處理，并使用大量的多時段采樣數(shù)據(jù)訓練深度學習網(wǎng)絡(luò)，得到了一個變壓器故障預測模型來預測變壓器故障狀態(tài)[6-7]。

1 深度學習算法簡介

2006年Hilton在Science上提出深度學習的概念，與之前的人工神經(jīng)網(wǎng)絡(luò)不同[8]，深度學習算法所用的學習網(wǎng)絡(luò)以神經(jīng)元數(shù)量龐大和網(wǎng)絡(luò)層次深度為特征，在實際應(yīng)用中取得了極大的成功。其中，卷積神經(jīng)網(wǎng)絡(luò)是一種典型的深度學習算法網(wǎng)絡(luò)，通常用于圖像識別和圖像處理算法中，諸如人臉識別[9]、行人檢測[10]等各個圖像處理的相關(guān)領(lǐng)域。神經(jīng)元的局部感知技術(shù)可以有效提取圖像的局部特征，如方向、角點等，而神經(jīng)元的權(quán)值共享可以使得卷積神經(jīng)網(wǎng)絡(luò)算法減少參數(shù)的數(shù)量。

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層和全連接層等多層神經(jīng)網(wǎng)絡(luò)層組成。卷積層使用卷積核計算圖像的相關(guān)性，學習和提取圖像的局部特征。池化層通常被安排在卷積層之后，利于提取圖像的主要特征及特征壓縮。池化層的作用是減少圖像數(shù)據(jù)的規(guī)模和計算負荷，降低算法復雜度。全連接層將提取到的特征映射到描述樣本空間的特征參量。

2 變壓器的狀態(tài)檢測數(shù)據(jù)處理

變壓器的狀態(tài)檢測主要分為變壓器本體的物理參數(shù)、一次側(cè)電參數(shù)和二次側(cè)電參數(shù)等參數(shù)檢測。變壓器的狀態(tài)檢測數(shù)據(jù)處理流程如圖1所示。

圖1 基于深度學習的變壓器故障監(jiān)測數(shù)據(jù)處理流程

本體物理參數(shù)包括變壓器油的H2、CH4、C2H6、C2H4和C2H2等5種氣體含量[11]，經(jīng)驗表明，利用這些參數(shù)可以及時發(fā)現(xiàn)變壓器內(nèi)部的早期故障，消除事故隱患。利用溶解氣體分析技術(shù)，可以精確測量變壓器油中的這5種氣體含量，有效地反應(yīng)變壓器本體的運行狀態(tài)；為了方便分析運算，將這5種氣體參量合并，構(gòu)建一個特征向量Y=(y1，y2，,y3，y4，y5)，其中，y1、y2、y3、y4、y5分別為H2、CH4、C2H6、C2H4和C2H2這5種氣體的含量。另外由于不同容量和電壓等級變壓器油中，這5種氣體的含量差異較大，需要將氣體的絕對含量轉(zhuǎn)化為相對含量，以減小誤差，特征量轉(zhuǎn)換的具體公式為：X1=y1/，xj=yj/(其中j=2，…，5)，即原來的絕對特征向量Y=(y1，y2，,y3，y4，y5)就轉(zhuǎn)換為相對特征向量X=(x1，x2，,x3，x4，x5)，這樣利用相對特征向量x描述變壓器本體的狀態(tài)就可以消除不同容量和電壓等級變壓器的參數(shù)差異。

一次側(cè)電參數(shù)和二次側(cè)電參數(shù)包括變壓器兩側(cè)的電流、電壓、有功功率、無功功率、關(guān)鍵點的溫度等數(shù)據(jù)信息[12]，并通過對數(shù)字信號的運算和處理，得出介質(zhì)損耗和電容量等信息。在這些電參數(shù)數(shù)據(jù)出現(xiàn)異常波動時，系統(tǒng)自動發(fā)出報警，提醒維護或安全監(jiān)管人員，及時處理問題，避免事故的發(fā)生。同樣，為了方便分析運算，消除數(shù)據(jù)冗余，這里忽略一次側(cè)電參數(shù)，將二次側(cè)電流、電壓、有功功率、無功功率這4種電參數(shù)除以變壓器容量，消除變壓器容量的差別，將這些相對量采樣值構(gòu)建一個特征向量Z=(z1，z2，z3，z4)，用來描述變壓器的電運行狀態(tài)。另外還有變壓器關(guān)鍵點的溫度單獨作為一種參數(shù)描述變壓器的工作狀態(tài)。

本文的主要研究方法是將變壓器的采樣數(shù)據(jù)轉(zhuǎn)換為以采樣數(shù)據(jù)為坐標軸的多維空間的“密度圖像”，這樣多維“密度圖像”的像素間隔表示各采樣數(shù)據(jù)的分辨率，幀間隔(監(jiān)測周期)表示根據(jù)需要確定的某一數(shù)據(jù)采樣時段，該時段內(nèi)所有采樣數(shù)據(jù)作為一個“密度圖像”幀，圖像點的坐標表示各有關(guān)量的采樣值，其出現(xiàn)的次數(shù)作為該圖像點的值；例如(X1，X2)為待采樣的兩個參量，則在x1-x2坐標系中可以用函數(shù)φ(x1,x2)的值表示采樣結(jié)果為(x1，x2)出現(xiàn)的次數(shù)，也稱為密度，而x1-x2坐標空間中沒出現(xiàn)的采樣值，即剩余空間點的函數(shù)φ(x1,x2)值為0，即密度為0。如圖所示表示(x1，x2)兩個參數(shù)在某段時間內(nèi)的采樣值在x1-x2坐標系中的“密度圖像”。通過上述轉(zhuǎn)換，變壓器故障檢測問題就轉(zhuǎn)換為多維空間“密度圖像”的空間聚類。另外，由于這些采樣數(shù)據(jù)在電網(wǎng)實時監(jiān)測系統(tǒng)中可以不間斷采集，而且經(jīng)過上述處理后，同類變壓器之間采集參數(shù)可以相互通用，這樣就可在電網(wǎng)監(jiān)測系統(tǒng)中獲得海量的多維空間“密度圖像”數(shù)據(jù)。而將所有運行時段的、多個同類變壓器的運行數(shù)據(jù)都顯示在同一張圖中，就構(gòu)成了變壓器運行的全狀態(tài)空間運行圖。如圖2～3所示。

圖2 某采樣時段的 “密度圖像” 圖3 全時段的 “密度圖”

通過上述處理變壓器的運行狀態(tài)可以通過兩個向量X，Z和油溫等參數(shù)來描述變壓器的工作狀態(tài)。變壓器故障可粗略分類為高溫過熱(高于700 ℃)、中溫過熱(低于700 ℃且高于300 ℃)、低溫過熱(低于300 ℃)、高能放電、低能放電、局部放電6種故障狀態(tài)，再加上正常工作狀態(tài)共7種狀態(tài)。另外，為保證變壓器狀態(tài)空間的封閉完備，在變壓器故障狀態(tài)之外將變壓器狀態(tài)的其余空間分為預警狀態(tài)和報警狀態(tài)兩種，這樣變壓器的全部工作狀態(tài)共分為9種。為了能夠利用AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)算法來對變壓器工作狀態(tài)進行空間數(shù)據(jù)分析，還必須對上述數(shù)據(jù)進行數(shù)據(jù)預處理，共有3個步驟，分別為：變壓器工作狀態(tài)核的“密度圖像”提取、7大狀態(tài)核的校驗、故障產(chǎn)生發(fā)展的連續(xù)狀態(tài)空間遷移圖像的曲線擬合。

2.1 變壓器工作狀態(tài)核的“密度圖像”提取

數(shù)據(jù)預處理的第一步為變壓器工作狀態(tài)核的提取。由于我們主要對變壓器工作狀態(tài)核部分感興趣，所以我們從原始工作狀態(tài)“圖像”中提取出工作狀態(tài)核來進行分析，這樣就可以有效過濾變壓器工作狀態(tài)數(shù)據(jù)。在工作狀態(tài)核提取的過程中，我們采取了圖像輪廓腐蝕的方法來去除粘連在工作狀態(tài)核上的其它干擾數(shù)據(jù)。

工作狀態(tài)核提取的詳細步驟為：①提取出密度圖像中密度最大的區(qū)域，并將其視為初步提取的工作狀態(tài)核輪廓；②通過簡單的8鄰域膨脹和腐蝕方法填補工作狀態(tài)核的一些小空洞；③對工作狀態(tài)核輪廓進行腐蝕操作，來將粘連在工作狀態(tài)核輪廓上的其它狀態(tài)分割開；④對狀態(tài)核輪廓使用上一步驟的腐蝕操作中相同的操作算子進行膨脹操作，得到最終的七大工作狀態(tài)核輪廓。

2.2 7大狀態(tài)核的校驗

數(shù)據(jù)預處理的第二個步驟是對7種狀態(tài)核中的6大故障狀態(tài)核進行校驗。在得到了初步的工作狀態(tài)核之后，必須要對故障狀態(tài)核的個數(shù)進行校驗，即對每個參數(shù)的極限值進行校驗，如果每個參數(shù)的極限值都包含在故障狀態(tài)核之內(nèi)，則故障狀態(tài)核保持不變，如果有些參數(shù)的極限值在故障狀態(tài)核之外，則重新調(diào)整故障狀態(tài)核，使之包含這些參數(shù)的極限值，確保故障狀態(tài)核的描述圖像符合實際需求。故障狀態(tài)核的調(diào)整方法有區(qū)域合并及膨脹腐蝕和點面圖像的邊界擬合等方法。

當我們獲得7種故障狀態(tài)核以后，還必須將正常狀態(tài)和6大故障狀態(tài)核之外的狀態(tài) “圖像”分類，一般可分成預警狀態(tài)和報警狀態(tài)，同時按實際需要分為多級預警狀態(tài)和報警狀態(tài)，這樣就會產(chǎn)生更多的狀態(tài)。

2.3 故障產(chǎn)生發(fā)展的連續(xù)狀態(tài)空間遷移圖像的曲線擬合

數(shù)據(jù)預處理的最后一個步驟也是最為重要的步驟為故障產(chǎn)生發(fā)展的連續(xù)狀態(tài)空間遷移圖像的曲線擬合。當我們獲得6大故障狀態(tài)核、正常狀態(tài)核、多級預警狀態(tài)核和報警狀態(tài)核以后，就可按變壓器工作狀態(tài)故障發(fā)生時參數(shù)變化的快慢設(shè)定變壓器工作狀態(tài)遷移的時間片，并將該時間片內(nèi)的變壓器工作狀態(tài)遷移圖像擬合成簡單的一條曲線，可以根據(jù)需要擬合成直線、二次曲線或三次曲線，如圖4所示，作為狀態(tài)遷移的最小描述，并且這條狀態(tài)遷移曲線就作為深度學習網(wǎng)絡(luò)的輸入?yún)?shù)。

圖4 連續(xù)狀態(tài)空間遷移的曲線擬合

3 利用深度學習算法訓練狀態(tài)預測模型

AlexNet是一種經(jīng)典開源卷積神經(jīng)網(wǎng)絡(luò)，與今天動則十幾層、幾十層甚至成百上千層相比，網(wǎng)絡(luò)結(jié)構(gòu)非常簡單，主要由5個卷積層，3個全連接層和七個激活層組成，有近六千萬個自由參數(shù)。利用tensorflow架構(gòu)，很容易實現(xiàn)一個AlexNet網(wǎng)絡(luò)，而且可以將其定義成一個單獨的Python類，方便引用。本文采用為現(xiàn)在通用的tensorflow架構(gòu)實現(xiàn)alexnet網(wǎng)絡(luò)，因有兩臺GPU服務(wù)器，采用兩個獨立的學習過程[13]，數(shù)據(jù)處理流程如圖5所示。

圖5 深度學習網(wǎng)絡(luò)的流程

為增加訓練集的數(shù)量，將變壓器的狀態(tài)數(shù)據(jù)按不同的時間段進行組合，然后經(jīng)過上述預處理，得到變壓器工作狀態(tài)遷移的擬合曲線，判斷這段曲線與故障狀態(tài)之間的因果關(guān)系，并且與九個工作狀態(tài)描述一起作為深度學習網(wǎng)絡(luò)的輸入數(shù)據(jù)進行學習。

初始學習率設(shè)置為0.01，以0.001的衰減因子進行迭代。最大迭代次數(shù)設(shè)為100 000次，動量系數(shù)設(shè)為0.9，衰減權(quán)值為0.000 5。經(jīng)過訓練以后，我們得到了一個神經(jīng)網(wǎng)絡(luò)模型，判斷變壓器工作狀態(tài)遷移擬合曲線與其中一種故障狀態(tài)之間的因果關(guān)系。

學習數(shù)據(jù)集采用某電力局在2011年到2018年7年間的變壓器運行數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，經(jīng)過預處理后得到10 000條與故障有關(guān)的擬合曲線和20 000條與故障無關(guān)的擬合曲線，作為訓練數(shù)據(jù)樣本集。通過深度學習網(wǎng)絡(luò)對數(shù)據(jù)進行學習和分析，訓練得到一個預測模型。最后用2011年到2019年的變壓器運行數(shù)據(jù)進行驗證測試，實驗結(jié)果如表1所示，結(jié)果表明故障預測的準確率達到90%以上，明顯好于傳統(tǒng)的故障檢測方法，達到了實際使用的要求。

表1 實驗結(jié)果

4 實時在線故障檢測

如上所述，利用深度學習算法獲得變壓器狀態(tài)預測模型后，就可以搭建實時在線的變壓器狀態(tài)監(jiān)測系統(tǒng)，其結(jié)構(gòu)圖如圖6所示。

圖6 基于深度學習訓練模型的變壓器狀態(tài)監(jiān)測系統(tǒng)結(jié)構(gòu)

其中，變壓器狀態(tài)監(jiān)測模塊主要為傳統(tǒng)檢測儀表，并通過各種網(wǎng)絡(luò)通信手段將檢測數(shù)據(jù)傳輸?shù)奖O(jiān)控中心，監(jiān)測數(shù)據(jù)的預處理是指監(jiān)控中心的監(jiān)控主機按圖1所示的數(shù)據(jù)處理流程進行數(shù)據(jù)處理，狀態(tài)預測模型計算就是利用上述基于深度學習算法訓練的狀態(tài)預測模型計算并輸出變壓器的實時在線工作狀態(tài)，并判斷各種故障狀態(tài)，進而給出各種故障處理指令。該系統(tǒng)目前已在某電力局進行試用，試用結(jié)果表明，有效提高了變壓器的故障預報的準確性和實時性，基本滿足了實際使用的要求。

5 結(jié)束語

本文提出一種基于深度學習的變壓器故障狀態(tài)檢測方法，并給出了該方法的算法實現(xiàn)和實現(xiàn)應(yīng)用。實驗結(jié)果表明通過本方法可以有效地提高變壓器運行效率，明顯提高了電力網(wǎng)絡(luò)系統(tǒng)中變壓器故障狀態(tài)的檢出率，并能給出更多的故障預警時間，方便工程人員提前處理，減少和降低故障發(fā)生率及故障損失。另外，本方法還適用于其它同類型變壓器的故障檢測，具有普遍的適用性。下一步，將不斷改進算法，進一步提高變壓器的故障檢出率，并在嵌入式系統(tǒng)中實現(xiàn)，以便將該方法推廣到更多的實際變壓器故障檢測中。