楊廷勝　盧志鵬　苗厚利

摘要：針對(duì)現(xiàn)有設(shè)備故障檢測(cè)模型難以及時(shí)精確檢測(cè)或預(yù)測(cè)電力變壓器故障的問(wèn)題，研究提出一種基于PMS的變壓器設(shè)備故障數(shù)據(jù)分析模型，并設(shè)計(jì)了一種基于LSTM網(wǎng)絡(luò)的變壓器故障預(yù)測(cè)方法。利用PMS采集的變壓器油中H、CH、CH、CH、CH、CO、CO此7種故障氣體濃度作為L(zhǎng)STM網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，構(gòu)建7種不同故障氣體預(yù)測(cè)模型;通過(guò)實(shí)驗(yàn)確定了不同故障氣體最佳預(yù)測(cè)模型的時(shí)間步與網(wǎng)絡(luò)結(jié)構(gòu);通過(guò)仿真對(duì)提出的模型進(jìn)行驗(yàn)證。結(jié)果表明：基于PMS的變壓器故障數(shù)據(jù)分析模型，通過(guò)LSTM網(wǎng)絡(luò)對(duì)故障數(shù)據(jù)進(jìn)行分析，可有效預(yù)測(cè)40 d內(nèi)變壓器故障氣體濃度，進(jìn)而實(shí)現(xiàn)對(duì)變壓器故障的預(yù)測(cè)。該模型性能優(yōu)于基于多變量的灰色預(yù)測(cè)模型GM（1，7），預(yù)測(cè)均方根誤差約為10%。

關(guān)鍵詞：PMS系統(tǒng);變壓器;LSTM網(wǎng)絡(luò);故障數(shù)據(jù)分析

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2022）07-0165-06

Construction and simulation of equipment fault data

analysis model based on PMS

YANG Tingsheng LU Zhipeng MIAO Houli

（1.CNOOCIRAQ Ltd.， Beijing 100028， China; 2.Shenzhen Wrellreach Automation

Co.， Ltd.， Shenzhen 518057， Guangdong China）

Abstract：Aiming at the problem that the existing equipment fault detection models are difficult to detect or predict power transformer faults timely and accurately， a PMS based transformer equipment fault data analysis model is proposed， and a transformer fault prediction method based on LSTM network is designed. Seven fault gas concentrations of H， CH， CH， CH， CH， CO and CO in transformer oil collected by PMS are used as LSTM network training data to build seven different fault gas prediction models. The time step and network structure of the best prediction model for different fault gases are determined by experiments. Finally， the proposed model is verified by simulation. The results show that the analysis model of transformer fault data based on PMS and LSTM network can effectively predict the concentration of transformer fault gas within 40 days， therefore realize the prediction of transformer fault. The performance of the model is better than that of grey prediction model GM （1，7）， and the root mean square error is about 10%.

Key words：PMS system; transformer; LSTM network; fault data analysis

變壓器是電力系統(tǒng)的重要組成部分，其穩(wěn)定運(yùn)行是確保電力系統(tǒng)安全的基礎(chǔ);為此，有必要確保電力變壓器始終處于正常運(yùn)行狀態(tài)。然而，由于環(huán)境原因或某種原因，電力變壓器可能發(fā)生故障，導(dǎo)致電力系統(tǒng)供電受到一定影響。因此，為避免因變壓器故障帶來(lái)的電力問(wèn)題，保障電力系統(tǒng)正常運(yùn)行，需對(duì)變壓器是否故障進(jìn)行診斷與預(yù)測(cè)。長(zhǎng)期以來(lái)，變壓器的故障診斷通常為人工巡檢的方式，通過(guò)人工定期巡檢發(fā)現(xiàn)變壓器故障或潛在故障，并進(jìn)行維修，保證變壓器的穩(wěn)定。但這種方式不僅需要耗費(fèi)大量的人力、財(cái)力、物力，同時(shí)存在無(wú)法精準(zhǔn)預(yù)測(cè)變壓器潛在故障發(fā)生的時(shí)間問(wèn)題。近年來(lái)，隨著深度學(xué)習(xí)發(fā)展以及自動(dòng)化技術(shù)的廣泛應(yīng)用，變壓器故障檢修逐漸趨于智能化。如利用變壓器設(shè)備發(fā)生故障時(shí)，變壓器油中溶解的氣體種類、濃度及比例會(huì)發(fā)生相應(yīng)的變化，提出一種基于變壓器油色譜分析的檢測(cè)方法，有效實(shí)現(xiàn)了對(duì)變壓器故障的預(yù)測(cè)[1-3]。但通過(guò)研究發(fā)現(xiàn)，上述方法的故障數(shù)據(jù)集為靜態(tài)數(shù)據(jù)，導(dǎo)致模型預(yù)測(cè)值與實(shí)際值存在一定的差異。本研究利用具有龐大實(shí)時(shí)采集數(shù)據(jù)功能與管理能力的PMS系統(tǒng)，通過(guò)實(shí)時(shí)采集的變壓器故障氣體動(dòng)態(tài)數(shù)據(jù)，構(gòu)建了基于LSTM的變壓器設(shè)備故障數(shù)據(jù)分析模型，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該模型的預(yù)測(cè)效果。

1LSTM算法簡(jiǎn)介

LSTM網(wǎng)絡(luò)是一種為解決循環(huán)神經(jīng)網(wǎng)絡(luò)長(zhǎng)期依賴問(wèn)題的時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，主要用于處理時(shí)間序列數(shù)據(jù)，以預(yù)測(cè)輸出變量的未來(lái)發(fā)展趨勢(shì)。其基本單元結(jié)構(gòu)如圖1所示[4]。

2基于LSTM的變壓器故障數(shù)據(jù)分析模型構(gòu)建

基于LSTM的變壓器故障數(shù)據(jù)分析模型實(shí)現(xiàn)流程首先是根據(jù)PMS采集的變壓器油中溶解的故障氣體濃度歷史數(shù)據(jù)，采用LSTM網(wǎng)絡(luò)模型對(duì)故障氣體濃度進(jìn)行預(yù)測(cè);然后根據(jù)預(yù)測(cè)的故障氣體濃度判斷變壓器故障發(fā)展趨勢(shì)。最后根據(jù)該趨勢(shì)判斷變壓器發(fā)生故障的類別和時(shí)間，即實(shí)現(xiàn)了對(duì)變壓器故障數(shù)據(jù)的分析預(yù)測(cè)。

3仿真實(shí)驗(yàn)

3.1實(shí)驗(yàn)平臺(tái)

本實(shí)驗(yàn)在MATLAB軟件中進(jìn)行仿真，在Windows10上進(jìn)行操作。系統(tǒng)處理器選用Intel core i3，內(nèi)存為2 G。

3.2數(shù)據(jù)來(lái)源及預(yù)處理

本實(shí)驗(yàn)數(shù)據(jù)來(lái)自PMS采集的連續(xù)70 d內(nèi)220 kV變壓器油中溶解的H、CH、CH、CH、CH、CO、CO此7種故障氣體濃度數(shù)據(jù)，共300組。隨機(jī)選擇其中80%（240組）數(shù)據(jù)樣本作為模型訓(xùn)練樣本，剩余20%（60組）數(shù)據(jù)樣本作為測(cè)試樣本，并建立7個(gè)LSTM模型分別對(duì)7種故障氣體濃度進(jìn)行預(yù)測(cè)。

考慮到LSTM模型中，輸入的故障氣體濃度數(shù)量級(jí)差異較大，容易導(dǎo)致較大的誤差。因此，研究對(duì)PMS采集到的故障氣體濃度數(shù)據(jù)樣本進(jìn)行了歸一化處理。具體處理方法：

3.3評(píng)價(jià)指標(biāo)

3.4參數(shù)設(shè)置

3.4.1時(shí)間步個(gè)數(shù)

時(shí)間步個(gè)數(shù)是影響LSTM模型預(yù)測(cè)效果的關(guān)鍵因素，因此有必要對(duì)預(yù)測(cè)模型的時(shí)間步進(jìn)行確定[9]?？紤]到本研究7種故障氣體濃度預(yù)測(cè)模型構(gòu)建方法類似，因此實(shí)驗(yàn)以H濃度預(yù)測(cè)模型為例，確定其時(shí)間步個(gè)數(shù)。

設(shè)置LSTM網(wǎng)絡(luò)模型迭代次數(shù)為100，學(xué)習(xí)率為0.15，學(xué)習(xí)率調(diào)整因子φ=1.1、β=0.9，動(dòng)量項(xiàng)為0.7，輸入層噪聲個(gè)數(shù)為3，每個(gè)時(shí)間步網(wǎng)絡(luò)結(jié)構(gòu)為7-15-1，在不同時(shí)間步個(gè)數(shù)下，測(cè)試樣本的均方根誤差如圖3所示。

由圖3可知，隨著時(shí)間步的增加，測(cè)試樣本的均方根誤差迅速下降后趨于平穩(wěn)。當(dāng)時(shí)間步達(dá)到31 d時(shí)，測(cè)試樣本的均方根誤差逐漸增大。分析其原因是，當(dāng)時(shí)間步小于31 d時(shí)，隨著樣本數(shù)據(jù)信息的增多，LSTM網(wǎng)絡(luò)模型的預(yù)測(cè)性能逐漸增強(qiáng)，故均方根誤差逐漸下降到最低后保持穩(wěn)定;當(dāng)時(shí)間步大于31 d時(shí)，樣本數(shù)據(jù)信息的增多導(dǎo)致LSTM模型出現(xiàn)過(guò)擬合現(xiàn)象，故導(dǎo)致均方根誤差出現(xiàn)上升趨勢(shì)。由此可以確定，H的LSTM預(yù)測(cè)模型最佳時(shí)間步個(gè)數(shù)為31。

3.4.2網(wǎng)絡(luò)結(jié)構(gòu)

LSTM網(wǎng)絡(luò)結(jié)構(gòu)決定了其性能的優(yōu)劣。通常情況下，其網(wǎng)絡(luò)的隱藏層數(shù)越多，模型性能越好，但過(guò)多的隱藏層數(shù)容易導(dǎo)致模型過(guò)擬合，進(jìn)而降低模型性能[10]。因此，為提高模型的預(yù)測(cè)性能，研究通過(guò)實(shí)驗(yàn)對(duì)LSTM網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了確定。以H預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)確定為例，設(shè)置迭代次數(shù)為100，學(xué)習(xí)率為0.13，學(xué)習(xí)率調(diào)整因子φ=1.15、β=0.95，動(dòng)量項(xiàng)為0.5，輸入層噪聲個(gè)數(shù)為3時(shí)間步個(gè)數(shù)為31，構(gòu)建1～6個(gè)不同隱藏層數(shù)目的LSTM模型，得到如圖4所示訓(xùn)練誤差。

由圖4可知，當(dāng)隱藏層數(shù)目小于3時(shí)，隨著隱藏層數(shù)目的增加，訓(xùn)練誤差逐漸下降;當(dāng)隱藏層數(shù)目大于3時(shí)，隨著隱藏層數(shù)目的增加，訓(xùn)練誤差逐漸增大。由此說(shuō)明，H預(yù)測(cè)模型的最佳隱藏層數(shù)目為3，LSTM網(wǎng)絡(luò)層數(shù)為5層。

設(shè)置LSTM網(wǎng)絡(luò)層數(shù)為5層，時(shí)間步為31，迭代次數(shù)為100，學(xué)習(xí)率為0.15，學(xué)習(xí)率調(diào)整因子φ=1.2、β=0.9，，動(dòng)量項(xiàng)為0.，輸入層噪聲個(gè)數(shù)為3，采用不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，得到不同網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)效果如圖5所示。

3.5結(jié)果與分析

3.5.1故障氣體濃度預(yù)測(cè)模型評(píng)估

為驗(yàn)證本研究基于LSTM模型對(duì)變壓器故障預(yù)測(cè)的有效性，研究根據(jù)上述確定的最佳參數(shù)和結(jié)構(gòu)，構(gòu)建預(yù)測(cè)模型，并對(duì)PMS采集的故障氣體濃度進(jìn)行預(yù)測(cè)，得到變壓器不同故障氣體預(yù)測(cè)值與真實(shí)值比較結(jié)果，具體如圖6所示。

由圖6可知，當(dāng)預(yù)測(cè)時(shí)間在40 d以內(nèi)時(shí)，預(yù)測(cè)值與實(shí)際值變化趨勢(shì)基本一致，擬合效果良好，說(shuō)明本研究模型對(duì)變壓器故障預(yù)測(cè)效果良好;當(dāng)預(yù)測(cè)時(shí)間超過(guò)40 d后，預(yù)測(cè)值與實(shí)際值的誤差較大，說(shuō)明本模型對(duì)40 d后的故障氣體預(yù)測(cè)精度較低。

3.5.2模型對(duì)比

為進(jìn)一步驗(yàn)證提出的預(yù)測(cè)模型對(duì)變壓器油中溶解氣體預(yù)測(cè)有效性和優(yōu)越性，研究對(duì)比了提出方法與多變量灰色預(yù)測(cè)模型的預(yù)測(cè)效果?？紤]到本實(shí)驗(yàn)是以H、CH等7種濃度數(shù)據(jù)序列建立的灰色預(yù)測(cè)模型，因此，構(gòu)建的灰色預(yù)測(cè)模型為GM（1，7）。2種預(yù)測(cè)模型對(duì)PMS采集的故障氣體濃度的預(yù)測(cè)結(jié)果如圖7所示。

由圖7可知，本研究提出的基于LSTM網(wǎng)絡(luò)的預(yù)測(cè)模型均方根誤差明顯低于GM（1，7）預(yù)測(cè)模型，約為10%。說(shuō)明本研究預(yù)測(cè)模型可準(zhǔn)確預(yù)測(cè)變壓器油中溶解的故障氣體濃度，進(jìn)而實(shí)現(xiàn)對(duì)變壓器故障的預(yù)測(cè)，具有一定的優(yōu)越性和有效性。

4結(jié)語(yǔ)

本研究基于LSTM的變壓器設(shè)備故障數(shù)據(jù)分析模型，通過(guò)以PMS采集的變壓器故障氣體數(shù)據(jù)建立LSTM預(yù)測(cè)模型，可良好預(yù)測(cè)40 d內(nèi)變壓器故障氣體濃度，且預(yù)測(cè)值與實(shí)際值接近，擬合效果良好;相較于多變量的灰色預(yù)測(cè)模型GM（1，7），本研究提出的LSTM模型預(yù)測(cè)均方誤差更小，約為10%，具更好的預(yù)測(cè)性能。但因條件限制，本研究仍存在一些不足，主要表現(xiàn)在構(gòu)建的變壓器故障LSTM預(yù)測(cè)模型計(jì)算量大、訓(xùn)練耗時(shí)長(zhǎng)兩方面。下一步，研究將從上述兩方面深入研究改進(jìn)LSTM網(wǎng)絡(luò)，以減少模型的計(jì)算量，縮短模型訓(xùn)練時(shí)長(zhǎng)，進(jìn)一步提高模型性能。

【參考文獻(xiàn)】

[1]陳錦鋒，張軍財(cái)，盧思佳，等.一種基于SAE-RF算法的配電變壓器故障診斷方法[J].電工電氣，2021（2）：17-23.

[2]明菊蘭，余璐靜，錢洲亥，等.絕緣油中溶解氣體在線監(jiān)測(cè)裝置校驗(yàn)定值系統(tǒng)的研制[J].理化檢驗(yàn)（化學(xué)分冊(cè)），2021，57（2）：172-178.

[3]王佳琳，張磊，唐彬，等.一起500 kV自耦變壓器油色譜數(shù)據(jù)異常缺陷診斷及處理[J].廣西電力，2021，44（1）：77-81.

[4]趙楠，李潔.基于LSTM-SVM的隧道圍巖位移預(yù)測(cè)[J].公路，2021（6）：404-407.

[5]張松，李江濤，別東洋，等.一種基于單通道sEMG分解與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的手勢(shì)識(shí)別方法[J].儀器儀表學(xué)報(bào)，2021，42（4）：228-235.

[6]張爭(zhēng)萬(wàn)，吳迪，張春炯.基于多通道稀疏LSTM的蜂窩流量預(yù)測(cè)研究[J].計(jì)算機(jī)科學(xué)，2021，48（6）：296-300.

[7]林藝華.基于深度學(xué)習(xí)的高速公路交通流數(shù)據(jù)監(jiān)控方法研究[J].粘接，2021，46（5）：182-186.

[8]王英潔，曹鐵男.基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2021，43（3）：254-258.

[9]謝樂(lè)，仇煒，李振偉，等.基于變分模態(tài)分解和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體預(yù)測(cè)模型[J].高電壓技術(shù)，2022，48（2）：653-660.

[10]李豐，姒天軍，何建明，等.一起220 kV變壓器套管滲油故障原因分析及處理[J].電瓷避雷器，2021（2）：90-94.