楊廷勝　盧志鵬　苗厚利

摘要：針對現(xiàn)有設(shè)備故障檢測模型難以及時精確檢測或預(yù)測電力變壓器故障的問題，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)計了一種基于LSTM網(wǎng)絡(luò)的變壓器故障預(yù)測方法。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LSTM網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，構(gòu)建7種不同故障氣體預(yù)測模型;通過實驗確定了不同故障氣體最佳預(yù)測模型的時間步與網(wǎng)絡(luò)結(jié)構(gòu);通過仿真對提出的模型進行驗證。結(jié)果表明：基于PMS的變壓器故障數(shù)據(jù)分析模型，通過LSTM網(wǎng)絡(luò)對故障數(shù)據(jù)進行分析，可有效預(yù)測40 d內(nèi)變壓器故障氣體濃度，進而實現(xiàn)對變壓器故障的預(yù)測。該模型性能優(yōu)于基于多變量的灰色預(yù)測模型GM（1，7），預(yù)測均方根誤差約為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：TP391 文獻標(biāo)識碼：A 文章編號：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的電力問題，保障電力系統(tǒng)正常運行，需對變壓器是否故障進行診斷與預(yù)測。長期以來，變壓器的故障診斷通常為人工巡檢的方式，通過人工定期巡檢發(fā)現(xiàn)變壓器故障或潛在故障，并進行維修，保證變壓器的穩(wěn)定。但這種方式不僅需要耗費大量的人力、財力、物力，同時存在無法精準(zhǔn)預(yù)測變壓器潛在故障發(fā)生的時間問題。近年來，隨著深度學(xué)習(xí)發(fā)展以及自動化技術(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，變壓器油中溶解的氣體種類、濃度及比例會發(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方法，有效實現(xiàn)了對變壓器故障的預(yù)測[1-3]。但通過研究發(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)測值與實際值存在一定的差異。本研究利用具有龐大實時采集數(shù)據(jù)功能與管理能力的PMS系統(tǒng)，通過實時采集的變壓器故障氣體動態(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，并通過仿真實驗驗證了該模型的預(yù)測效果。

1LSTM算法簡介

LSTM網(wǎng)絡(luò)是一種為解決循環(huán)神經(jīng)網(wǎng)絡(luò)長期依賴問題的時間循環(huán)神經(jīng)網(wǎng)絡(luò)，主要用于處理時間序列數(shù)據(jù)，以預(yù)測輸出變量的未來發(fā)展趨勢。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)模型對故障氣體濃度進行預(yù)測;然后根據(jù)預(yù)測的故障氣體濃度判斷變壓器故障發(fā)展趨勢。最后根據(jù)該趨勢判斷變壓器發(fā)生故障的類別和時間，即實現(xiàn)了對變壓器故障數(shù)據(jù)的分析預(yù)測。

3仿真實驗

3.1實驗平臺

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

3.2數(shù)據(jù)來源及預(yù)處理

本實驗數(shù)據(jù)來自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)樣本作為測試樣本，并建立7個LSTM模型分別對7種故障氣體濃度進行預(yù)測。

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

3.3評價指標(biāo)

3.4參數(shù)設(shè)置

3.4.1時間步個數(shù)

時間步個數(shù)是影響LSTM模型預(yù)測效果的關(guān)鍵因素，因此有必要對預(yù)測模型的時間步進行確定[9]?？紤]到本研究7種故障氣體濃度預(yù)測模型構(gòu)建方法類似，因此實驗以H濃度預(yù)測模型為例，確定其時間步個數(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，動量項為0.7，輸入層噪聲個數(shù)為3，每個時間步網(wǎng)絡(luò)結(jié)構(gòu)為7-15-1，在不同時間步個數(shù)下，測試樣本的均方根誤差如圖3所示。

由圖3可知，隨著時間步的增加，測試樣本的均方根誤差迅速下降后趨于平穩(wěn)。當(dāng)時間步達到31 d時，測試樣本的均方根誤差逐漸增大。分析其原因是，當(dāng)時間步小于31 d時，隨著樣本數(shù)據(jù)信息的增多，LSTM網(wǎng)絡(luò)模型的預(yù)測性能逐漸增強，故均方根誤差逐漸下降到最低后保持穩(wěn)定;當(dāng)時間步大于31 d時，樣本數(shù)據(jù)信息的增多導(dǎo)致LSTM模型出現(xiàn)過擬合現(xiàn)象，故導(dǎo)致均方根誤差出現(xiàn)上升趨勢。由此可以確定，H的LSTM預(yù)測模型最佳時間步個數(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，但過多的隱藏層數(shù)容易導(dǎo)致模型過擬合，進而降低模型性能[10]。因此，為提高模型的預(yù)測性能，研究通過實驗對LSTM網(wǎng)絡(luò)結(jié)構(gòu)進行了確定。以H預(yù)測模型網(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，動量項為0.5，輸入層噪聲個數(shù)為3時間步個數(shù)為31，構(gòu)建1～6個不同隱藏層數(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，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，隨著隱藏層數(shù)目的增加，訓(xùn)練誤差逐漸增大。由此說明，H預(yù)測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，，動量項為0.，輸入層噪聲個數(shù)為3，采用不同網(wǎng)絡(luò)結(jié)構(gòu)對測試樣本進行預(yù)測，得到不同網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測效果如圖5所示。

3.5結(jié)果與分析

3.5.1故障氣體濃度預(yù)測模型評估

為驗證本研究基于LSTM模型對變壓器故障預(yù)測的有效性，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)測模型，并對PMS采集的故障氣體濃度進行預(yù)測，得到變壓器不同故障氣體預(yù)測值與真實值比較結(jié)果，具體如圖6所示。

由圖6可知，當(dāng)預(yù)測時間在40 d以內(nèi)時，預(yù)測值與實際值變化趨勢基本一致，擬合效果良好，說明本研究模型對變壓器故障預(yù)測效果良好;當(dāng)預(yù)測時間超過40 d后，預(yù)測值與實際值的誤差較大，說明本模型對40 d后的故障氣體預(yù)測精度較低。

3.5.2模型對比

為進一步驗證提出的預(yù)測模型對變壓器油中溶解氣體預(yù)測有效性和優(yōu)越性，研究對比了提出方法與多變量灰色預(yù)測模型的預(yù)測效果。考慮到本實驗是以H、CH等7種濃度數(shù)據(jù)序列建立的灰色預(yù)測模型，因此，構(gòu)建的灰色預(yù)測模型為GM（1，7）。2種預(yù)測模型對PMS采集的故障氣體濃度的預(yù)測結(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)測模型均方根誤差明顯低于GM（1，7）預(yù)測模型，約為10%。說明本研究預(yù)測模型可準(zhǔn)確預(yù)測變壓器油中溶解的故障氣體濃度，進而實現(xiàn)對變壓器故障的預(yù)測，具有一定的優(yōu)越性和有效性。

4結(jié)語

本研究基于LSTM的變壓器設(shè)備故障數(shù)據(jù)分析模型，通過以PMS采集的變壓器故障氣體數(shù)據(jù)建立LSTM預(yù)測模型，可良好預(yù)測40 d內(nèi)變壓器故障氣體濃度，且預(yù)測值與實際值接近，擬合效果良好;相較于多變量的灰色預(yù)測模型GM（1，7），本研究提出的LSTM模型預(yù)測均方誤差更小，約為10%，具更好的預(yù)測性能。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)測模型計算量大、訓(xùn)練耗時長兩方面。下一步，研究將從上述兩方面深入研究改進LSTM網(wǎng)絡(luò)，以減少模型的計算量，縮短模型訓(xùn)練時長，進一步提高模型性能。

【參考文獻】

[1]陳錦鋒，張軍財，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)測裝置校驗定值系統(tǒng)的研制[J].理化檢驗（化學(xué)分冊），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[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)合的手勢識別方法[J].儀器儀表學(xué)報，2021，42（4）：228-235.

[6]張爭萬，吳迪，張春炯.基于多通道稀疏LSTM的蜂窩流量預(yù)測研究[J].計算機科學(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Elman神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].沈陽工業(yè)大學(xué)學(xué)報，2021，43（3）：254-258.

[9]謝樂，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.