鄧燕山， 趙凱利， 呂文超， 白杰， 董杰， 高嶺

(國(guó)網(wǎng)冀北電力有限公司唐山供電公司， 河北 唐山 063000)

0 引言

溶解氣體分析法(DGA)是診斷電力變壓器故障的常見(jiàn)方法[1]。DGA的原理是故障電力變壓器在熱應(yīng)力和電應(yīng)力作用下,其油紙絕緣層會(huì)分解出可溶解的氣體，通過(guò)氣體分析可以診斷變壓器的故障類(lèi)型[2]。本文將使用深度神經(jīng)網(wǎng)絡(luò)算法(DNN)對(duì)溶解氣體數(shù)據(jù)進(jìn)行挖掘分析，以實(shí)現(xiàn)變壓器故障的自動(dòng)分類(lèi)。

DNN需要大量數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)。為了降低對(duì)高可用性數(shù)據(jù)的依賴(lài)，本研究將使用杜瓦爾三角法生成模擬DGA數(shù)據(jù)，并將其應(yīng)用于DNN訓(xùn)練中。為了證明DNN在電力變壓器故障診斷應(yīng)用中的有效性和性能，本文針對(duì)分類(lèi)準(zhǔn)確性將DNN與隨機(jī)森林分類(lèi)算法(RFC)、K最近鄰分類(lèi)算法(KNN)進(jìn)行了對(duì)比測(cè)試。

1 機(jī)器學(xué)習(xí)算法

1.1 KNN算法

KNN算法是簡(jiǎn)單的且廣泛使用的監(jiān)督聚類(lèi)算法之一。其主要思想是通過(guò)數(shù)據(jù)點(diǎn)之間距離的計(jì)算，實(shí)現(xiàn)對(duì)未分類(lèi)的數(shù)據(jù)進(jìn)行分類(lèi)。k是最近數(shù)據(jù)點(diǎn)的數(shù)量。對(duì)于每個(gè)未分類(lèi)的點(diǎn)，該算法將計(jì)算其與k個(gè)最近的數(shù)據(jù)點(diǎn)之間的距離，如圖1所示。

圖1 KNN算法

如果k設(shè)置為3，則未知點(diǎn)將歸為B類(lèi)，因?yàn)槿齻€(gè)最近點(diǎn)中的兩個(gè)屬于B類(lèi)；如果k設(shè)置為7，則未知點(diǎn)將屬于A類(lèi)，因?yàn)閷儆贏類(lèi)的點(diǎn)最近。

KNN算法通常會(huì)產(chǎn)生一致的結(jié)果，并且計(jì)算過(guò)程較簡(jiǎn)單[3]。但是，該算法的效率會(huì)隨著數(shù)據(jù)量的增大而大幅下降[4]。

1.2 隨機(jī)森林分類(lèi)算法(RFC)

RFC是一種監(jiān)督聚類(lèi)算法。該分類(lèi)算法由多個(gè)決策樹(shù)組成，這些決策樹(shù)用于對(duì)未分類(lèi)的數(shù)據(jù)集進(jìn)行分類(lèi)。每個(gè)決策樹(shù)都是一個(gè)分類(lèi)器。如果有N個(gè)訓(xùn)練數(shù)據(jù)，則在訓(xùn)練過(guò)程中，隨機(jī)替換M個(gè)訓(xùn)練數(shù)據(jù)(M

1.3 深度學(xué)習(xí)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是從生物神經(jīng)元結(jié)構(gòu)衍生而來(lái)的抽象和簡(jiǎn)化模型。通常，神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層組成。每層中的節(jié)點(diǎn)都模仿神經(jīng)元，節(jié)點(diǎn)之間使用不同的權(quán)重進(jìn)行連接[7]。

神經(jīng)網(wǎng)絡(luò)算法的過(guò)程包括輸入數(shù)據(jù)正向傳播和誤差反向傳播。在正向傳播中，原始數(shù)據(jù)從輸入層傳輸?shù)诫[藏層，隱藏層使用激活函數(shù)提取數(shù)據(jù)的特征。激活函數(shù)的目的是通過(guò)加權(quán)輸入的非線性組合產(chǎn)生非線性決策邊界。輸出層完成分類(lèi)過(guò)程[8]。在誤差反向傳播中，該算法利用監(jiān)督的分類(lèi)結(jié)果并修改神經(jīng)元連接的權(quán)重[9]。

DNN由多個(gè)隱藏層組成，如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)

每個(gè)層都應(yīng)提取不同級(jí)別的數(shù)據(jù)特征。分類(lèi)器包含兩個(gè)隱藏層。輸入層的激活函數(shù)為tanh，兩個(gè)隱藏層的激活函數(shù)為ReLU，輸出層的激活功能為SoftMax。

tanh函數(shù)將實(shí)數(shù)值映射到[-1,1]范圍，如圖3所示。

圖3 tanh函數(shù)圖形

ReLU函數(shù)的計(jì)算式為f(x)=max(0，x)，如圖4所示。

圖4 ReLU函數(shù)圖形

與tanh函數(shù)相比，ReLU函數(shù)的優(yōu)點(diǎn)之一是極大地加快了隨機(jī)梯度下降的收斂速度[10]。因此，將兩個(gè)隱藏層的激活函數(shù)選擇為ReLU。Softmax(歸一化指數(shù)函數(shù))函數(shù)[11]的計(jì)算式為式(1)。

(1)

σ(z)是輸出向量，zj是輸入向量z的元素，如圖5所示。

圖5 Softmax函數(shù)圖形

在反向傳播過(guò)程中，本研究使用Adam優(yōu)化方法更新網(wǎng)絡(luò)權(quán)重。相對(duì)于隨機(jī)梯度下降優(yōu)化方法，Adam優(yōu)化方法可以根據(jù)梯度的第一和第二矩的估計(jì)來(lái)計(jì)算不同參數(shù)的單獨(dú)學(xué)習(xí)率。經(jīng)驗(yàn)結(jié)果表明，Adam優(yōu)化方法在實(shí)踐中比隨機(jī)梯度下降方法效果更好[12]。

2 采用杜瓦爾三角生成仿真數(shù)據(jù)

常見(jiàn)的分析變壓器油中所溶解氣體的方法有關(guān)鍵氣體法、Rogers比率法、Doernenburg比率法和杜瓦爾三角法[13-14]。通過(guò)338個(gè)油樣的對(duì)比試驗(yàn)表明，與其他溶解氣體分析方法相比，杜瓦爾三角方法具有最高的一致性。

因此，在本研究中隨機(jī)生成大量的氣體化合物百分比數(shù)據(jù)，并使用杜瓦爾三角法生成相應(yīng)的故障類(lèi)型。這些模擬數(shù)據(jù)分為用于深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。杜瓦爾三角分析法如圖6所示。

圖6 杜瓦爾三角

杜瓦爾三角故障區(qū)域如表1所示。

表1 杜瓦爾三角故障區(qū)

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)首先是隨機(jī)生成包含三種氣體的數(shù)量的1 000個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)集，并使用杜瓦爾三角方法確定相應(yīng)的故障類(lèi)型。從故障變壓器歷史數(shù)據(jù)得出的最小值和最大值邊界，以確保所生成的數(shù)據(jù)樣本落在經(jīng)驗(yàn)值邊界之內(nèi)。三種溶解氣體為CH4、C2H2和C2H4，它們各自的百分比為三種氣體占?xì)怏w總量的比例。由于某些故障類(lèi)型的發(fā)生概率較低，本實(shí)驗(yàn)將七種故障類(lèi)型組合為五種：低能放電(D1和PD)、高能放電(D2)、最高700℃的發(fā)熱故障(T1、T2)、高于700℃發(fā)熱故障(T3)以及熱電故障(DT)。每個(gè)樣本的故障類(lèi)型編碼都為0到4之間的整數(shù)，如表2所示。

表2 故障編碼

為了測(cè)試數(shù)據(jù)大小的影響，實(shí)驗(yàn)采用生成的數(shù)據(jù)集的子集的方式來(lái)形成其他數(shù)據(jù)集。具體而言，創(chuàng)建分別具有350、700和1000個(gè)數(shù)據(jù)點(diǎn)的三個(gè)數(shù)據(jù)集。對(duì)于這三個(gè)數(shù)據(jù)集的每一個(gè)，將80%的數(shù)據(jù)點(diǎn)用作訓(xùn)練數(shù)據(jù)集，并將其余的數(shù)據(jù)點(diǎn)(20%)用作測(cè)試數(shù)據(jù)集。實(shí)施的DNN模型的每一層中的節(jié)點(diǎn)數(shù)分別為256、126、32和5。實(shí)驗(yàn)首先以10-3的學(xué)習(xí)率訓(xùn)練網(wǎng)絡(luò)，然后將其更改為10-5進(jìn)行測(cè)試。深度神經(jīng)網(wǎng)絡(luò)的參數(shù)如表3所示。

表3 DNN參數(shù)

基于表3指定參數(shù)，深度神經(jīng)網(wǎng)絡(luò)模型(DNN)在具有1 000個(gè)數(shù)據(jù)點(diǎn)的數(shù)據(jù)集上實(shí)現(xiàn)了99.68%的精度。實(shí)驗(yàn)還使用相同的數(shù)據(jù)集測(cè)試了KNN和RFC。KNN算法的準(zhǔn)確率為97%，而RFC為97.65%。

為了檢查數(shù)據(jù)大小對(duì)準(zhǔn)確性的影響，實(shí)驗(yàn)采用了三種不同大小的數(shù)據(jù)集，這三個(gè)實(shí)驗(yàn)過(guò)程的準(zhǔn)確性如表4所示。

表4 每種故障類(lèi)型與整體精度的準(zhǔn)確性比較

從表4可以看出，隨著數(shù)據(jù)點(diǎn)數(shù)量的增加，實(shí)驗(yàn)的準(zhǔn)確性都會(huì)提高。實(shí)驗(yàn)結(jié)果可以總結(jié)如下：(1) 數(shù)據(jù)集越大，每種方法在電力變壓器故障識(shí)別應(yīng)用中的總體精度就越高；(2) 測(cè)試結(jié)果表明，與KNN和RFC方法相比，DNN具有更高的識(shí)別準(zhǔn)確性。

4 總結(jié)

本文使用DNN來(lái)識(shí)別變壓器的故障類(lèi)型。在本研究的實(shí)驗(yàn)中隨機(jī)生成數(shù)據(jù)點(diǎn)，并使用杜瓦爾三角法確定用于監(jiān)督學(xué)習(xí)的故障類(lèi)型。DNN被設(shè)計(jì)為具有四層的網(wǎng)絡(luò)結(jié)構(gòu)，其激活函數(shù)分別是Tanh、ReLU和SoftMax。權(quán)重更新使用Adam優(yōu)化器。試驗(yàn)結(jié)果表明，與KNN和RFC相比，DNN在識(shí)別變壓器故障類(lèi)型方面具有更高的準(zhǔn)確性。