孫葉， 唐琳， 蘇冰， 李玉華

(國(guó)網(wǎng)德州供電公司，山東 德州 253000)

0 引言

隨著人們生活水平的不斷提高，家里電器設(shè)備日益增多，每天的用電量也不斷增加，同時(shí)對(duì)電力系統(tǒng)的安全穩(wěn)定性提出了更高的要求[1]。電力變壓器是電力系統(tǒng)的關(guān)鍵設(shè)備，其工作狀態(tài)直接決定了電力系統(tǒng)的性能。在電力變壓器的實(shí)際工作過(guò)程中，由于多種因素的影響和干擾，不可避免產(chǎn)生故障，變壓器一旦發(fā)生故障，可以導(dǎo)致電網(wǎng)大面積癱瘓，因此電力變壓器故障識(shí)別研究具有重要的實(shí)際價(jià)值[2-4]。

最初電力變壓器故障識(shí)別采用油中溶解氣體分析法，通過(guò)對(duì)變壓器油中溶解氣體確定電力變壓器故障類型，該方法簡(jiǎn)單、實(shí)用，但是在實(shí)際應(yīng)用中，還存在許多局限性，如經(jīng)常會(huì)出現(xiàn)不能識(shí)別或者漏識(shí)別現(xiàn)象，電力變壓器故障識(shí)別結(jié)果不太可靠[5-6]。隨著人工智能技術(shù)的不斷發(fā)展，人們將其應(yīng)用于電力變壓器故障識(shí)別和診斷中，出現(xiàn)了基于支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、相關(guān)向量機(jī)等電力變壓器故障識(shí)別方法[7-9]，但是在實(shí)際應(yīng)用中，這些方法均存在一定的缺陷，如人工神經(jīng)網(wǎng)絡(luò)要求電力變壓器故障識(shí)別訓(xùn)練樣本數(shù)量大，不然就會(huì)出現(xiàn)“過(guò)擬合”的電力變壓器故障識(shí)別結(jié)果，而且電力變壓器故障識(shí)別訓(xùn)練過(guò)程收斂速度慢。支持向量機(jī)的電力變壓器故障識(shí)別結(jié)果良好，但是其訓(xùn)練過(guò)程十分耗時(shí)，直接影響電力變壓器故障識(shí)別的實(shí)時(shí)性[10]。相關(guān)向量機(jī)的收斂速度雖然要快于人工神經(jīng)網(wǎng)絡(luò)，但是電力變壓器故障識(shí)別正確率有待提升[11]。

極限學(xué)習(xí)機(jī)是一種深度學(xué)習(xí)算法，執(zhí)行效率高，在電力變壓器故障識(shí)別中得到了廣泛的應(yīng)用，輸入權(quán)值和隱含層偏置直接影響極限學(xué)習(xí)機(jī)的性能，而當(dāng)前采用人工方式隨機(jī)確定輸入權(quán)值和隱含層偏置，使得電力變壓器故障識(shí)別準(zhǔn)確率不高，為了更準(zhǔn)確地對(duì)電力變壓器故障進(jìn)行識(shí)別，構(gòu)建了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法，該方法結(jié)合了粒子群算法和極限學(xué)習(xí)機(jī)的優(yōu)點(diǎn)，實(shí)驗(yàn)結(jié)果表明，本文方法可以有效提升電力變壓器故障識(shí)別效果，相對(duì)于當(dāng)前其他電力變壓器故障識(shí)別方法，優(yōu)勢(shì)十分明顯。

1 深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法

1.1 深度學(xué)習(xí)算法

電力變壓器故障識(shí)別學(xué)習(xí)樣本數(shù)據(jù)為{xi,ti}，i=1,2,…,N，xi表示電力變壓器故障特征，ti表示電力變壓器故障類型，隱含層神經(jīng)元數(shù)為m，激活函數(shù)為g(x)，極限學(xué)習(xí)機(jī)的輸出可以描述為式(1)。

(1)

式中，ωi表示輸入權(quán)值;βi表示輸出權(quán)值;bi表示隱含層偏置;oj表示電力變壓器故障識(shí)別的期望輸出。

通過(guò)極限學(xué)習(xí)機(jī)訓(xùn)練，使得輸出誤差最小化，輸出誤差的計(jì)算式為式(2)。

(2)

式中，tj表示極限學(xué)習(xí)機(jī)輸出的輸出值。

βi、ωi與bi符合的收斂條件為式(3)。

(3)

采用矩陣形式對(duì)式(3)進(jìn)行簡(jiǎn)化，可以得到式(4)。

Hβ=T

(4)

式中，H表示隱含層的輸出矩陣，具體為式(5)。

H(ω1,…,ωN,b1,…,bN,x1,…,xN)=

(5)

對(duì)于任意的激活函數(shù)g()，隨機(jī)確定輸入權(quán)值ω和隱含層偏置b，通過(guò)極限學(xué)習(xí)機(jī)的學(xué)習(xí)和訓(xùn)練，使極限學(xué)習(xí)機(jī)滿足式(6)。

(6)

式中，ε表示預(yù)先設(shè)置極限學(xué)習(xí)機(jī)的訓(xùn)練誤差。

當(dāng)激活函數(shù)無(wú)限可微時(shí)，輸出權(quán)值β可以通過(guò)式(7)進(jìn)行確定。

(7)

最后輸出權(quán)值的解為式(8)。

β*=H+t

(8)

式中，H+為H偽逆矩陣。

確定了β、ω和b后，那么就完成了極限學(xué)習(xí)機(jī)的訓(xùn)練，可以建立電力變壓器故障識(shí)別的分類器。

1.2 粒子群算法優(yōu)化輸入權(quán)值和隱含層偏置

相對(duì)其他深度學(xué)習(xí)算法，極限學(xué)習(xí)機(jī)的學(xué)習(xí)速度更快、泛化能力更強(qiáng)，但是傳統(tǒng)極限學(xué)習(xí)機(jī)的ω和b采用隨機(jī)方式確定，使得極限學(xué)習(xí)機(jī)很難達(dá)到最優(yōu)，這樣直接采用極限學(xué)習(xí)機(jī)對(duì)電力變壓器故障識(shí)別進(jìn)行建模，會(huì)影響電力變壓器故障識(shí)別正確率，因此本文選擇粒子群算法對(duì)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化，具體步驟如下。

Step1：根據(jù)電力變壓器故障識(shí)別的樣本確定極限學(xué)習(xí)機(jī)的輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)量，從而確定極限學(xué)習(xí)機(jī)的基本結(jié)構(gòu)。

Step2：確定粒子群的迭代次數(shù)，種群規(guī)模以及其他參數(shù)。

Step3：初始化粒子群，每一個(gè)粒子的位置與極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置相對(duì)應(yīng)。

Step4：計(jì)算電力變壓器故障的目標(biāo)輸出和極限學(xué)習(xí)機(jī)的實(shí)際輸出之間的誤差，并將其作為粒子的個(gè)體適應(yīng)度值。

Step5：依據(jù)個(gè)體的適應(yīng)度值對(duì)粒子的歷史最優(yōu)位置和群體最優(yōu)位置進(jìn)行更新。

Step6：更新粒子的速度和位置，迭代次數(shù)增加。

Step7：不斷重復(fù)上述步驟，直接滿足終止條件為止。

Step8：根據(jù)粒子群的最優(yōu)位置得到極限學(xué)習(xí)機(jī)的最優(yōu)輸入權(quán)值和隱含層偏置。

1.3 深度學(xué)習(xí)算法的電力變壓器故障識(shí)別步驟

為了提高電力變壓器故障識(shí)別正確率，提出了基于深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法，具體步驟如下。

1)電力變壓器故障主要分為過(guò)熱型和放電型，一旦電力變壓器出現(xiàn)故障，那么變壓器油中溶解氣體就會(huì)有所差異，因此采用變壓器油中各種溶解氣體成份含量作為電力變壓器故障識(shí)別特征。

2)采集相關(guān)數(shù)據(jù)，并對(duì)它們對(duì)應(yīng)的電力變壓器故障類型進(jìn)行標(biāo)記。

3)由于變壓器油中各種溶解氣體成份含量差異較大，為減小差值對(duì)極限學(xué)習(xí)機(jī)帶來(lái)的不利影響，對(duì)它們進(jìn)行初始數(shù)據(jù)歸一化處理。

4)將電力變壓器故障的樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。

5)粒子群算法對(duì)極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置進(jìn)行優(yōu)化。

6)根據(jù)最優(yōu)的輸入權(quán)值和隱含層偏置對(duì)電力變壓器故障訓(xùn)練樣本進(jìn)行訓(xùn)練，建立電力變壓器故障識(shí)別的分類器。

7)將測(cè)試樣本輸入到電力變壓器故障識(shí)別的分類器中，獲得電力變壓器故障識(shí)別結(jié)果。

2 仿真實(shí)驗(yàn)

2.1 仿真環(huán)境設(shè)置

為了驗(yàn)證深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法的信號(hào)有效性，在相同的仿真環(huán)境下選擇文獻(xiàn)[11]的電力變壓器故障識(shí)別方法和文獻(xiàn)[12]的電力變壓器故障識(shí)別方法進(jìn)行對(duì)比實(shí)驗(yàn)，其中文獻(xiàn)[11]采用極限學(xué)習(xí)機(jī)建立電力變壓器故障識(shí)別的分類器，但是沒(méi)有采用粒子群算法確定輸入權(quán)值和隱含層偏置；文獻(xiàn)[12]選擇支持向量機(jī)建立電力變壓器故障識(shí)別的分類器，采用粗糙集理論提取電力變壓器故障識(shí)別特征，仿真環(huán)境設(shè)置如表1所示。

表1 電力變壓器故障識(shí)別的仿真環(huán)境設(shè)置

2.2 實(shí)驗(yàn)樣本數(shù)據(jù)

為了測(cè)試電力變壓器故障識(shí)別方法的通用性，選擇5種類型的電力變壓器故障作為測(cè)試實(shí)驗(yàn)對(duì)象，樣本數(shù)據(jù)分別如表2所示。每一種電力變壓器故障選擇10個(gè)樣本作為測(cè)試樣本，其他樣本作為電力變壓器故障識(shí)別的訓(xùn)練樣本。

表2 電力變壓器故障類的樣本數(shù)量分布

2.3 電力變壓器故障識(shí)別效果分析

統(tǒng)計(jì)3種方法的不同類型電力變壓器故障識(shí)別正確率，結(jié)果如圖1所示。從圖1實(shí)驗(yàn)結(jié)果可以看出，深度學(xué)習(xí)算法的電力變壓器故障識(shí)別正確率要高于文獻(xiàn)[11]方法和文獻(xiàn)[12]方法。統(tǒng)計(jì)電力變壓器故障的誤識(shí)率和拒識(shí)率，結(jié)果分別如圖2、圖3所示。對(duì)電力變壓器故障的誤識(shí)率和拒識(shí)率進(jìn)行分析可以發(fā)現(xiàn)，深度學(xué)習(xí)算法提升了電力變壓器故障識(shí)別成功率，降低了電力變壓器故障識(shí)別錯(cuò)誤率，體現(xiàn)了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別優(yōu)越性。

圖1 不同方法的電力變壓器故障識(shí)別正確率

圖2 不同方法的電力變壓器故障誤識(shí)率

圖3 不同方法的電力變壓器故障拒識(shí)率

2.4 電力變壓器故障識(shí)別時(shí)間對(duì)比

識(shí)別時(shí)間也是當(dāng)前電力變壓器故障識(shí)別結(jié)果的重要指標(biāo)，因?yàn)槠渲苯佑绊戨娏ψ儔浩鞴收献R(shí)別效率，為此統(tǒng)計(jì)3種不同方法的電力變壓器故障識(shí)別時(shí)間，結(jié)果如圖4所示。從圖4可以看出，深度學(xué)習(xí)算法的電力變壓器故障識(shí)別時(shí)間平均值為6.58 ms，文獻(xiàn)[11]方法的電力變壓器故障識(shí)別時(shí)間平均值為9.94 ms，文獻(xiàn)[12]方法的電力變壓器故障識(shí)別時(shí)間平均值為18.22 ms，由此可見(jiàn)深度學(xué)習(xí)算法的電力變壓器故障識(shí)別時(shí)間顯著減少，加快了電力變壓器故障識(shí)別速度，可以滿足電力變壓器故障識(shí)別的實(shí)時(shí)性要求，與現(xiàn)代電力變壓器發(fā)展方向相符合，應(yīng)用前景更加廣泛。

圖4 不同方法的電力變壓器故障識(shí)別時(shí)間

3 總結(jié)

為了提高電力變壓器故障識(shí)別正確率，提出了深度學(xué)習(xí)算法的電力變壓器故障識(shí)別方法，并通過(guò)仿真對(duì)比實(shí)驗(yàn)可以得到如下結(jié)論。

(1)通過(guò)粒子群算法確定極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱含層偏置，客觀設(shè)置了極限學(xué)習(xí)機(jī)的參數(shù)，加快了電力變壓器故障識(shí)別的速度。

(2)引入深度學(xué)習(xí)算法擬合特征和電力變壓器故障信號(hào)之間的變化關(guān)系，建立效果更好的電力變壓器故障識(shí)別分類器，電力變壓器故障識(shí)別效果遠(yuǎn)遠(yuǎn)優(yōu)于當(dāng)前其他電力變壓器故障信號(hào)識(shí)別方法，為電力變壓器故障識(shí)別研究提供了一種新的工具。