趙志新，趙宗羅，趙 穎，王子凌，俞建飛，李忠民

（1.國網(wǎng)浙江富陽市供電有限公司，杭州 311400；2.國網(wǎng)浙江省電力有限公司電力科學(xué)研究院，杭州 310014；3.西安交通大學(xué) 電氣工程學(xué)院，西安 710049）

0 引言

作為電力系統(tǒng)的重要組成部分，配電網(wǎng)承擔(dān)了由電網(wǎng)主干部分向各實際用電客戶分配電能的重要任務(wù)。與主網(wǎng)相比，配電網(wǎng)發(fā)展相對落后，整體架構(gòu)較為薄弱，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)較為單一，故障率較高。據(jù)相關(guān)統(tǒng)計，配電網(wǎng)故障造成的電網(wǎng)區(qū)域性停電事故占比達80%以上[1]。因此，保障配電網(wǎng)的穩(wěn)定運行，是進一步提升電網(wǎng)可靠性及供電質(zhì)量的重要途徑[2]。對于配電變壓器各類故障的檢修工作，目前仍以預(yù)防性檢修及故障后搶修方式為主。上述方式存在明顯的弊端：定期檢修方式存在檢修不及時、檢修過度等問題；故障后搶修屬應(yīng)急維修手段，故障問題已經(jīng)造成實際經(jīng)濟損失。隨著電網(wǎng)投資逐步向配電網(wǎng)傾斜[3]，各類多運用于主網(wǎng)的設(shè)備在線監(jiān)測技術(shù)，如油中溶解氣體分析、電能質(zhì)量檢測、局部放電監(jiān)測及紅外成像監(jiān)測技術(shù)，逐步在配電網(wǎng)設(shè)備運維工作中推廣使用。集成配電網(wǎng)設(shè)備狀態(tài)監(jiān)測、運行調(diào)度等數(shù)據(jù)的統(tǒng)一化信息平臺也已初步建立，但相關(guān)技術(shù)在配電網(wǎng)設(shè)備狀態(tài)檢修中的應(yīng)用仍處于起步階段。

就配電變壓器而言，實現(xiàn)其狀態(tài)檢修的關(guān)鍵在于開展設(shè)備故障預(yù)測與診斷工作，以準(zhǔn)確判斷其運行狀態(tài)，并依此輔助制定檢修策略。

配電變壓器故障一般可按故障發(fā)生位置劃分為外部故障和內(nèi)部故障兩大類，外部故障即變壓器油箱、套管及引線等裸露部分出現(xiàn)的故障，內(nèi)部故障包括各類變壓器箱體內(nèi)部的放電及過熱故障[4]。目前，配電變壓器故障監(jiān)測及診斷手段包括絕緣油試驗、局部放電試驗及紅外成像試驗等，其中DGA（溶解氣體分析）技術(shù)由于不受外部環(huán)境因素的干擾，是有效的內(nèi)部故障監(jiān)測手段。DGA 基于油中溶解氣體類型與內(nèi)部故障的對應(yīng)關(guān)系，采用氣相色譜儀分析溶解于油中的氣體，根據(jù)氣體的組分和含量來判斷變壓器內(nèi)部有無異常情況，并判斷故障類型、大概部位、嚴(yán)重程度和發(fā)展趨勢，能夠?qū)崿F(xiàn)變壓器的不停電檢測和早期故障診斷，并在此基礎(chǔ)上發(fā)展出了三比值法和特征氣體判別法等故障判斷方法。另一方面，隨著信息智能化處理技術(shù)的廣泛應(yīng)用，國內(nèi)外學(xué)者結(jié)合數(shù)據(jù)挖掘技術(shù)，如ANN（人工神經(jīng)網(wǎng)絡(luò)）[5-7]、SVM（支持向量機）[8-11]及貝葉斯網(wǎng)絡(luò)[12-15]等，提出了許多基于DGA 的變壓器智能故障診斷方法。其中以基于ANN 方法的設(shè)備故障診斷技術(shù)應(yīng)用最為廣泛，但目前該類方法存在一些共性問題，包括網(wǎng)絡(luò)訓(xùn)練時的收斂速度較慢、分類結(jié)果易陷入局部最優(yōu)值等[16-17]，不利于實際應(yīng)用。

針對目前基于ANN 方法的變壓器故障診斷技術(shù)存在的主要問題，本文提出一種基于MapReduce 并行化的BP（反向傳播）神經(jīng)網(wǎng)絡(luò)算法——MR-BPNN 算法，以實現(xiàn)對于配電變壓器故障的快速診斷，并借助Hadoop 平臺實現(xiàn)MR-BPNN的優(yōu)化運行。最后，基于所采集的某電力公司配電變壓器油中溶解氣體數(shù)據(jù)，驗證所提方法運用于設(shè)備故障診斷時的有效性。

1 BP 神經(jīng)網(wǎng)絡(luò)算法

ANN 按學(xué)習(xí)策略可粗略地分為兩大類：有監(jiān)督的ANN 和無監(jiān)督的ANN。

BP 神經(jīng)網(wǎng)絡(luò)是一種典型的有監(jiān)督前饋型ANN，由非線性變換神經(jīng)單元組成，一般呈現(xiàn)多層結(jié)構(gòu)，具備優(yōu)秀的非線性映射逼近能力與預(yù)測性能。

神經(jīng)元（Neuron）也稱為節(jié)點（Node），是ANN的基本單元，同層中的神經(jīng)元具有相同的非線性轉(zhuǎn)換函數(shù)，不同層的神經(jīng)元則可能具有相同或不同的非線性轉(zhuǎn)換函數(shù)。組成BP 神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型如圖1 所示，主要由5 部分組成：

圖1 BP 神經(jīng)網(wǎng)絡(luò)神經(jīng)元模型

1）輸入。x1，x2，x3，…，xp為神經(jīng)元的p 個輸入變量。

2）網(wǎng)絡(luò)權(quán)值與閾值。x1，x2，x3，…，wp為網(wǎng)絡(luò)權(quán)值；b 為神經(jīng)元的閾值（或者稱為偏置值）。

3）求和模塊。

4）傳遞函數(shù)f。對求和模塊的計算結(jié)果進行函數(shù)運算，得到神經(jīng)元的輸出。

5）輸出。輸入變量經(jīng)神經(jīng)元加權(quán)求和，得到最終的輸出o=f（wx+b）。

BP 神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱含層和輸出層組成。圖2 描述了典型的3 層BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，其中圓圈表示神經(jīng)元。

圖2 三層BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理后，由BP 神經(jīng)網(wǎng)絡(luò)的輸入層輸入，再經(jīng)施以權(quán)重后傳輸?shù)诫[含層，數(shù)據(jù)在隱含層進行權(quán)值和閾值的調(diào)整以及激勵函數(shù)的運算，并將處理好的數(shù)據(jù)傳輸?shù)捷敵鰧?，由輸出層輸出?shù)據(jù)的預(yù)測值，將此預(yù)測值和期望值相比，如果有誤差，則將誤差從輸出層反向傳播，根據(jù)誤差的大小對權(quán)值和閾值進行相應(yīng)的調(diào)整，使BP 神經(jīng)網(wǎng)絡(luò)的輸出逐漸與期望值一致。

直接采用BP 神經(jīng)網(wǎng)絡(luò)進行色譜數(shù)據(jù)分析時，學(xué)習(xí)過程誤差收斂速度較慢，權(quán)值的調(diào)整可能需要數(shù)萬次才能收斂，計算量龐大，故本文提出采用Hadoop 集群計算平臺，從而實現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)的并行化計算，大幅度提升訓(xùn)練效率。

2 Hadoop 集群計算平臺

Hadoop 是 由Apache Software Foundation 公司開發(fā)的開源集群計算平臺軟件框架，可以讓用戶在廉價的計算機集群上部署運行。Hadoop 為程序的分布式運行提供了大量的接口和服務(wù)。Hadoop 由9 個項目構(gòu)成，如圖3 所示，每個項目的功能如表1 所示。

表1 Hadoop 組成項目功能

圖3 Hadoop 的組成結(jié)構(gòu)

3 BP 神經(jīng)網(wǎng)絡(luò)的MapReduce 并行化實現(xiàn)

Hadoop 集群計算平臺中的MapReduce 模型是本文的應(yīng)用重點，其由Map 和Reduce 兩階段組成，Map 階段對任務(wù)進行分解，Reduce 階段對子任務(wù)結(jié)果進行匯總。HDFS（分布式文件系統(tǒng)）負(fù)責(zé)數(shù)據(jù)存儲，當(dāng)獲得大型數(shù)據(jù)集后，首先要存儲到HDFS 中，實際文件存儲到集群中的多個節(jié)點上，然后再經(jīng)MapReduce 將數(shù)據(jù)集分成更小的數(shù)據(jù)塊進行處理。

對于BP 神經(jīng)網(wǎng)絡(luò)而言，MapReduce 并行化包括兩個過程：第一個是Map 過程，該過程將數(shù)據(jù)集分成多個數(shù)據(jù)塊，每個數(shù)據(jù)塊作用于一個計算節(jié)點中的神經(jīng)網(wǎng)絡(luò)，計算節(jié)點中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)次后滿足收斂條件則輸出神經(jīng)網(wǎng)絡(luò)權(quán)值；第二個過程是Reduce 過程，匯總Map 過程輸出的神經(jīng)網(wǎng)絡(luò)權(quán)值，若權(quán)值偏移量小于一定的閾值，則停止迭代，輸出最終結(jié)果。以下對上述過程的設(shè)計進行詳細闡述。

在Map 過程中，計算節(jié)點從HDFS 中讀取神經(jīng)網(wǎng)絡(luò)初始權(quán)值，然后根據(jù)初始權(quán)值設(shè)定一個BP 神經(jīng)網(wǎng)絡(luò)，并讀取訓(xùn)練樣本數(shù)據(jù)塊，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，當(dāng)訓(xùn)練達到收斂條件后，就認(rèn)為在該計算節(jié)點上基于該訓(xùn)練樣本數(shù)據(jù)塊訓(xùn)練的網(wǎng)絡(luò)收斂。Map 以一組鍵值對形式輸出結(jié)果，key 代表序號，value 代表一個網(wǎng)絡(luò)權(quán)值，該組鍵值對包含了所有網(wǎng)絡(luò)權(quán)值。然后將該組鍵值對送入Reduce 過程進行匯總處理。并行化BP 神經(jīng)網(wǎng)絡(luò)的Map 流程如圖4 所示。

圖4 BP 神經(jīng)網(wǎng)絡(luò)的Map 流程

Reduce 過程的輸入是Map 過程輸出的鍵值對組，獲取Map 輸出的網(wǎng)絡(luò)權(quán)值，并根據(jù)value的數(shù)目和value 的累加和計算權(quán)值的算術(shù)平均值，然后讀取HDFS 中存儲的神經(jīng)網(wǎng)絡(luò)權(quán)值，將其與更新的權(quán)值對比，求差值。如果差值小于設(shè)定的閾值，則停止迭代，輸出權(quán)值；否則用訓(xùn)練后的權(quán)值替代HDFS 中的權(quán)值，作為下次Map 迭代訓(xùn)練任務(wù)的初始權(quán)值。并行化BP 神經(jīng)網(wǎng)絡(luò)的Reduce 流程如圖5 所示。

圖5 BP 神經(jīng)網(wǎng)絡(luò)的Reduce 流程

4 基于MR-BPNN 的配電變壓器故障診斷實例分析

為了測試本文所提方法的性能，以下通過針對配電變壓器的故障診斷實例進行說明，所使用的數(shù)據(jù)來自于某電力公司2015—2020 年的配電變壓器檢測數(shù)據(jù)，挑選其中的357 臺配電變壓器共計2 642 條數(shù)據(jù)作為樣本數(shù)據(jù)集。

4.1 數(shù)據(jù)預(yù)處理

初始化階段首先選取配電變壓器油中溶解氣體H2，CO，CO2，CH4，C2H6，C2H4，C2H2和 總 烴的含量數(shù)據(jù)作為網(wǎng)絡(luò)的輸入。對于所采集的任意類型氣體數(shù)據(jù)，均采用極大-極小法進行歸一化：

式中：xi為任意種類的氣體含量值；為xi經(jīng)歸一化處理后的值；max（xi）為所有該類氣體含量值中的最大值；min（xi）為所有該類氣體含量值中的最小值。

4.2 確定隱含層節(jié)點數(shù)

在運用MR-BPNN 算法前，首先根據(jù)數(shù)據(jù)集特性確定隱含層節(jié)點的選擇方法。隱含層節(jié)點是為了從樣本數(shù)據(jù)中抽象出并存儲其隱含信息，節(jié)點數(shù)越少，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間越短，學(xué)習(xí)過程中忽略的隱含信息越多，對樣本變化規(guī)律描述性能越差；相應(yīng)地，隱含層節(jié)點數(shù)越多，存儲的信息就越多，但過多的節(jié)點數(shù)會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間過長，學(xué)習(xí)過程中可能出現(xiàn)過度擬合問題，即將噪聲作為知識進行識別。隱含層節(jié)點數(shù)的確定取決于樣本的個數(shù)與維度，目前常用的方法為試湊法，即采用不同隱含層節(jié)點數(shù)進行訓(xùn)練，選擇網(wǎng)絡(luò)誤差最小時的節(jié)點數(shù)。

通過計算不同隱含層節(jié)點數(shù)網(wǎng)絡(luò)的收斂性可以發(fā)現(xiàn)，就本例而言，當(dāng)隱含層節(jié)點數(shù)為10 時誤差曲線振蕩較小、收斂速度最快，因此確定隱含層節(jié)點數(shù)為10。測試過程在Hadoop 集群計算平臺上進行編程實現(xiàn)，每種情況循環(huán)運行10 次，取各指標(biāo)相應(yīng)的均值。

4.3 算法測試及結(jié)果分析

設(shè)置隱含層節(jié)點數(shù)后，利用百葉窗分組策略將原始數(shù)據(jù)集隨機劃分為訓(xùn)練集（占比80%）和驗證集（占比20%），訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值分配，驗證集用于評估模型分類性能。隨后需要確定輸出特征向量，為簡化說明，選擇過熱和電弧放電這兩個變壓器典型故障類型的發(fā)生概率作為神經(jīng)網(wǎng)絡(luò)的輸出向量，以0～1 的數(shù)值表示對應(yīng)的故障程度，數(shù)值越大表示發(fā)生此類故障的概率越大，并設(shè)定該網(wǎng)絡(luò)輸出層神經(jīng)元節(jié)點數(shù)為2。

MR-BPNN 算法執(zhí)行過程中的參數(shù)變化情況如圖6 所示，包括均方誤差隨迭代次數(shù)變化曲線（性能曲線）、梯度變化曲線、檢驗錯誤數(shù)曲線以及學(xué)習(xí)率變化曲線等。

圖6 MR-BPNN 算法執(zhí)行過程中的參數(shù)變化情況

完成數(shù)據(jù)初始化及網(wǎng)絡(luò)訓(xùn)練過程后，運用基于溶解氣體驗證集數(shù)據(jù)，評估MR-BPNN 算法針對配電變壓器故障診斷的性能，并將診斷結(jié)果與特征氣體法、三比值法的診斷結(jié)果進行對比。表2 給出了不同方法針對部分典型樣本和部分特征氣體的故障診斷結(jié)果示例，表3 對比了MRBPNN 與BP 神經(jīng)網(wǎng)絡(luò)基于相同油中溶解氣體數(shù)據(jù)集實現(xiàn)故障診斷時的運行時間。

表3 MR-BPNN 與BP 神經(jīng)網(wǎng)絡(luò)實現(xiàn)配電變壓器故障

實驗結(jié)果顯示，基于給定驗證集，應(yīng)用MRBPNN 算法、特征氣體法、三比值法對配電變壓器故障診斷的準(zhǔn)確率分別為91.67%，58.33%和75%。由表2 中典型診斷結(jié)果可見：由于三比值法中提供的編碼是由實際案例總結(jié)得到，應(yīng)用過程中編碼缺失問題較為嚴(yán)重，許多情況下無法得到診斷結(jié)果；特征氣體法存在無法全面反映故障狀況的問題，易產(chǎn)生誤判；相比其他兩種方法，采用MR-BPNN 算法對同一故障性質(zhì)進行判斷的準(zhǔn)確率有顯著提高。另一方面，MapReduce 的引入將數(shù)據(jù)集進行了拆解，并為每個數(shù)據(jù)塊分配單獨的處理單元，同時集合Map 過程、Reduce 過程實現(xiàn)迭代過程的并行化，從而在相同故障診斷準(zhǔn)確率的前提下提升收斂速度。

表2 典型故障診斷結(jié)果對比

通過對部分故障變壓器進行拆解檢修，進一步驗證了所提方法用于配電變壓器故障診斷時的準(zhǔn)確性。以表2 中最后一行色譜數(shù)據(jù)所對應(yīng)配電變壓器為例，其出現(xiàn)故障運行狀態(tài)后，油箱外觀正常，套管瓷瓶無破損，壓力釋放閥正常，油位計顯示油量不足。試驗人員首先對設(shè)備本體進行了多項試驗，結(jié)果表明：配電變壓器高壓側(cè)直流電阻、變比試驗及空載損耗測試結(jié)果不合格。通過對配電變壓器進行離線油色譜分析，發(fā)現(xiàn)H2，C2H2及總烴含量不合格，初步提示故障類型為電弧放電。隨后，對故障變壓器進行了吊芯解體，發(fā)現(xiàn)B 相繞組高壓側(cè)與下鐵軛之間有銅屑，切開后發(fā)現(xiàn)第5 層線圈開始出現(xiàn)擊穿部位，油道位于第5、第6 層線圈之間，證實故障類型為電弧放電，與本文方法診斷結(jié)果一致。

5 結(jié)語

本文針對配電網(wǎng)設(shè)備狀態(tài)檢修工作中的設(shè)備故障快速診斷問題，提出了一種基于MapReduce并行化的BP 神經(jīng)網(wǎng)絡(luò)算法——MR-BPNN 算法。相比于傳統(tǒng)的特征氣體法和三比值法，該方法的故障判斷準(zhǔn)確率明顯改善，且Map 和Reduce 過程的引入使其在相同故障診斷準(zhǔn)確性前提下的算法執(zhí)行效率相較傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)有顯著提升。MR-BPNN 算法可實現(xiàn)配電變壓器狀態(tài)的快速識別與診斷，為開展其狀態(tài)檢修工作打下良好的基礎(chǔ)。