江俊飛，羅穎婷，許海林，鄂盛龍

（廣東電網(wǎng)有限責任公司電力科學研究院，廣東 廣州 510000）

0 引 言

電力變壓器實際運行過程中，環(huán)境溫濕度、負荷、油溫等均會直接或者間接地使油色譜發(fā)生變化。文獻[1]通過計算油色譜數(shù)據(jù)的李雅普諾夫（Lyapunov）指數(shù)，證明油色譜本身是個復雜混沌的問題?，F(xiàn)有的文獻中已經(jīng)有大量油色譜時間序列的研究，多是基于油色譜數(shù)據(jù)進行電力變壓器潛伏性故障與缺陷的診斷和分析，針對在線裝置本身準確性研究的文章較少[2-4]。目前文章采用支持向量機來解決在線油色譜數(shù)據(jù)失真的問題，但是模型過于簡單，且需要離線數(shù)據(jù)作為對比支持，在實際應用中可行性不強[5]。文獻[6]將油色譜在線裝置的故障分解為固定偏差故障、漂移偏差故障、變比偏差故障、精度失真故障以及完全失效故障5類，并通過極值閾值判據(jù)、變異系數(shù)判據(jù)、產(chǎn)氣率斜率等判據(jù)對油色譜數(shù)據(jù)的有效性進行評估，但是由于油色譜數(shù)據(jù)的復雜性，基于閾值的方法在實際應用過程中因為閾值的選擇不當容易導致大量的漏報和錯報。

因此，如何在油色譜數(shù)據(jù)分析中降低被監(jiān)測量本身的影響，從而突出監(jiān)測裝置本身信號的變化是個非常困難的問題。本文首先采用B-EMD對油色譜進行模態(tài)分析，其次建立深度置信網(wǎng)絡(luò)進行有效性評估，最后實現(xiàn)對油色譜在線監(jiān)測裝置的可靠性評估。

1 基于B-EMD的油色譜固有模態(tài)分析

對于油色譜信號的分析，傳統(tǒng)的信號處理方法需要預先定義基函數(shù)（如傅里葉分析、小波分析）,而實際在線裝置采集的油色譜信號是非平穩(wěn)信號，其信號的功率譜、相關(guān)函數(shù)等是時變的函數(shù)，因此難以選取統(tǒng)一的基函數(shù)進行分解。

1.1 EMD算法

1998年，黃鄂博士提出了一種新的信號處理方法，即經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）。其核心思想是將非平穩(wěn)復雜信號分解成一系列固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF），各個IMF包含信號在不同尺度上的局部特性，通過信號自身的特征分解得來，因而不需要預先定義基函數(shù)，在非平穩(wěn)信號中具有很好的自適應性。目前，在電力設(shè)備檢測信號分析方面已經(jīng)有一些基于EMD的研究[7-10]。

標準EMD方法的計算過程為：假設(shè)輸入信號為x(t)，搜索得到x(t)的所有極大值/極小值序列x+(t)和x_(t)，對極大值/極小值序列x+(t)和x_(t)分別進行3次樣條插值得到原輸入信號x(t)的上/下包絡(luò)線，分別表示為e+(t)和e_(t)。通過公式計算x(t)的均值信號m(t)為

將x(t)與其本身的均值信號m(t)相減，得到其準模態(tài)信號h(t)。

1.2 面向油色譜數(shù)據(jù)的B-EMD算法

由上述可知，該方法的關(guān)鍵在于求取原始信號的上下包絡(luò)線，而包絡(luò)線的獲取非常依賴輸入信號的極值點位置和取值信息的準確性。若想得到一組信號穩(wěn)定準確的EMD分解結(jié)果，其采樣率須遠大于信號的奈奎斯特頻率。

假設(shè)原始油色譜數(shù)據(jù)曲線為y(t)，其p階B樣條擬合曲線g(t)可以表示為

式中：cj為B樣條擬合待求解參數(shù)；Bj,p為p階B樣條函數(shù)。假設(shè)原始油色譜監(jiān)測序列u={u0,u1,u2,…,un+p}，p階B樣條函數(shù)Bj,p可使用Cox-deBoor 遞歸公式計算為

記B樣條擬合曲線g(t)與原始油色譜信號y(t)的差值為ε(t)，計算公式為

因此，B樣條擬合中待求解參數(shù)cj可以通過ε(t)的最小二乘求取

在理想情況下，假設(shè)被測量信號為恒定值μ，油色譜監(jiān)測裝置測量得到的信號應該滿足以μ為均值，σ為方差的正態(tài)分布（σ與油色譜裝置的測量精度、老化程度有關(guān)）。油色譜在線監(jiān)測裝置實際運行過程中，油色譜采樣頻率大多為每天1～3次，以最高頻率計算，其信號的頻率范圍如圖1所示?？紤]到B-EMD分解出的每個IMF均可看做一個窄帶信號，結(jié)合B-EMD實際分解效果，由油色譜測量裝置引起的誤差信號主要分布在IMF1～IMF3中。

圖1 油色譜信號B-EMD分解示意

2 基于多參量DBN網(wǎng)絡(luò)的油色譜信號有效性評估

2.1 油色譜信號有效性評估網(wǎng)絡(luò)的構(gòu)建

基于經(jīng)驗模態(tài)分解和多參量深度置信網(wǎng)絡(luò)的變壓器油色譜在線監(jiān)測數(shù)據(jù)有效性評估網(wǎng)絡(luò)如圖2所示，分為EMD分解模塊、深度置信網(wǎng)絡(luò)（Deep Belief Networks，DBN）識別模塊、權(quán)重排序模塊3個部分。對輸入信息進行B樣條擬合和EMD分解，得到其前3個固有模態(tài)函數(shù)IMF1～IMF3，分別接入到3個獨立的DBN網(wǎng)絡(luò)中，再將DBN網(wǎng)絡(luò)的輸出結(jié)果輸入BP網(wǎng)絡(luò)中進行權(quán)重因子排序，綜合得出最終的結(jié)果。

圖2 油色譜信號有效性評估網(wǎng)絡(luò)

2.2 油色譜信號有效性評估網(wǎng)絡(luò)的訓練

2.2.1 訓練樣本的選擇

油色譜信號有效性評估網(wǎng)絡(luò)的訓練樣本數(shù)據(jù)可以分為無標記樣本數(shù)據(jù)和標記樣本數(shù)據(jù)。無標記樣本數(shù)據(jù)主要來源于油色譜的實際在線監(jiān)測數(shù)據(jù)，剔除數(shù)據(jù)中斷、零值、無窮大等特別異常數(shù)據(jù)。有標記樣本主要來源于有過校驗記錄的油色譜在線監(jiān)測裝置，主要包括以下內(nèi)容。

（1）變壓器油色譜正常且監(jiān)測裝置校驗合格的監(jiān)測數(shù)據(jù)（正面樣本）。

（2）變壓器油色譜離線試驗數(shù)據(jù)異常但校驗正常裝置正常的監(jiān)測數(shù)據(jù)（正面樣本）。

（3）校驗不合格監(jiān)測裝置的監(jiān)測數(shù)據(jù)（負面樣本）。

考慮到實際油色譜數(shù)據(jù)的不平衡性問題，可以通過隨機過采樣、SMOTE算法、EasyEnsemble 算法、BalanceCascade算法等方法進行數(shù)據(jù)的擴充。

2.2.2 油色譜有效性評估網(wǎng)絡(luò)訓練整體過程

整個訓練過程可以描述為3個階段。第一階段對所有樣本進行B樣條擬合和EMD分解，得到IMF1～IMF3樣本。第二階段利用未標記的IMF1～IMF3分解樣本根據(jù)公式對DBN網(wǎng)絡(luò)1～3分別進行預訓練。第三階段利用已標記IMF1～IMF3分解樣本對DBN網(wǎng)絡(luò)1～3通過BP反向傳播算法分別進行訓練。

3 油色譜監(jiān)測數(shù)據(jù)有效性評估驗證

為了最大程度上提取數(shù)據(jù)特征，本文選擇DBN、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和FCN這3種具有代表性的神經(jīng)網(wǎng)絡(luò)進行算例分析，使用的樣本一致，圖3所示為不同網(wǎng)絡(luò)對油色譜的識別精度結(jié)果。

圖3 DBN、RNN、FCN網(wǎng)絡(luò)誤差

隨著模型不斷訓練迭代發(fā)現(xiàn)，DBN網(wǎng)絡(luò)在識別精度與訓練速度都有較好的效果，因此本文選擇該網(wǎng)絡(luò)為所用網(wǎng)絡(luò)。

4 結(jié) 論

本文提出基于B樣條插值的油色譜數(shù)據(jù)經(jīng)驗模態(tài)分解方法，可以有效提高油色譜數(shù)據(jù)低采樣下的經(jīng)驗模態(tài)分解穩(wěn)定性。提出基于多參量深度置信網(wǎng)絡(luò)的油色譜固數(shù)據(jù)有效性分析網(wǎng)絡(luò)，可以對油色譜在線監(jiān)測裝置的有效性進行判別。