龍思成，黃志鴻

（1.湖南星電集團(tuán)有限責(zé)任公司，長沙 410035；2.國網(wǎng)湖南省電力有限公司電力科學(xué)研究院，長沙 410007）

0 引言

變壓器連接不同電壓等級的電力網(wǎng)絡(luò)，保障電力系統(tǒng)安全穩(wěn)定運(yùn)行［1］。然而，變壓器在長期運(yùn)行中不可避免地受到環(huán)境因素的影響［2］，內(nèi)部絕緣油質(zhì)量退化并釋放溶解性氣體，如H2，CH4和C2H2等［3-4］，導(dǎo)致發(fā)生故障。

為分析電力變壓器中的氣體體積分?jǐn)?shù)并診斷故障類型，研究人員先后提出幾種溶解氣體分析方法，例如關(guān)鍵氣體法［5］，Roger Ratio法［6］和Duval三角法［7］。這些方法通過計(jì)算各種溶解性氣體成分來診斷變壓器的故障類型，但可能無法為每種氣體的比值組合提供合理解釋。因此，傳統(tǒng)的溶解氣體分析方法在變壓器診斷故障上具有一定的局限性。

目前，一些機(jī)器學(xué)習(xí)方法已成功應(yīng)用在電力變壓器故障診斷中。這些方法根據(jù)故障類型和特征氣體之間的統(tǒng)計(jì)關(guān)系進(jìn)行故障分析。其中，以神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（Support Vector Machine，SVM）為典型代表。文獻(xiàn)［8］提出一種基于多項(xiàng)式的神經(jīng)網(wǎng)絡(luò)用于分析特征氣體。文獻(xiàn)［9］提出一種基于混沌蜂群算法和小波網(wǎng)絡(luò)用于變壓器故障診斷。文獻(xiàn)［10］將SVM 用于處理特征氣體數(shù)據(jù)以診斷變壓器故障。文獻(xiàn)［11］提出一種混合神經(jīng)網(wǎng)絡(luò)算法，通過神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)提升故障診斷性能。

上述診斷方法均取得不錯的診斷精度，但同時也存在一些缺點(diǎn)，如訓(xùn)練速度慢及難以確定最佳參數(shù)值。與其他神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）在網(wǎng)絡(luò)快速學(xué)習(xí)方面具有巨大優(yōu)勢，且泛化能力強(qiáng)［12］，在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域中已廣泛應(yīng)用。一些改進(jìn)的ELM 方法［13-14］已成功應(yīng)用于變壓器故障診斷中。但這些方法依賴固定的隱藏層節(jié)點(diǎn)數(shù)，可能無法有效地利用溶解氣體的統(tǒng)計(jì)特征進(jìn)行故障診斷。

近年來，信息融合［15］技術(shù)在機(jī)器學(xué)習(xí)領(lǐng)域受到廣泛關(guān)注，該技術(shù)通過集成來自多個傳感器的測量數(shù)據(jù)生成高質(zhì)量的數(shù)據(jù)分析與處理結(jié)果。基于信息融合理論的優(yōu)勢，提出一種基于多尺度極限融合網(wǎng)絡(luò)（Multiscale Extreme Fusion Network，MEFN）用于電力變壓器故障診斷。其基本思路是將信息融合算法與ELM 技術(shù)相結(jié)合。首先，采用基于不同參數(shù)尺度的ELM 處理同一組特征氣體數(shù)據(jù)，生成若干初始診斷結(jié)果。再采用一種決策級融合策略（多數(shù)表決）融合不同的初始診斷結(jié)果。通過聯(lián)合利用不同ELM模型的統(tǒng)計(jì)信息，生成最優(yōu)故障診斷結(jié)果。

1 相關(guān)研究

1.1 ELM

ELM 是一種典型的前饋型神經(jīng)網(wǎng)絡(luò)［12］，其結(jié)構(gòu)如圖1 所示。由圖1 可見，輸入層有n個神經(jīng)元，并對應(yīng)n個輸入變量。隱藏層有L個神經(jīng)元并對應(yīng)m個輸出變量。輸入層和輸出層之間的連接權(quán)重為

式中：wij為輸入層第i個神經(jīng)元和隱藏層第j個神經(jīng)元的連接權(quán)重。

隱藏層和輸出之間的權(quán)重Bjk層為

式中：Bjk代表是隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元的連接權(quán)重。將b設(shè)置為隱藏層中神經(jīng)元的閾值。

假設(shè)輸入矩陣X和輸出矩陣Y都有N個訓(xùn)練樣本

則G（w，x，b）表示為隱藏層中的激活函數(shù)。網(wǎng)絡(luò)輸出T表示為

式中：j=［1，2，…，N］；wi=［wi1，wi2，…，win］；xi=［x1j，x2j，…，xnj］。

1.2 三比值法

當(dāng)電力變壓器內(nèi)部發(fā)生故障時，會產(chǎn)生多種類型的特征氣體。一般用于判斷變壓器內(nèi)部故障類型的主要特征氣體有H2，CO，CO2，CH4，C2H4，C2H6，C2H2。試驗(yàn)使用的變壓器油中溶解氣體在線檢測裝置為湖電試研XD-DGA-1。

三比值法［16］現(xiàn)已廣泛應(yīng)用于多個國家，通過不同的編碼大小來表示不同的比例范圍，具體見表1。電力變壓器具體故障類型包括：局部放電（PD）、低壓放電（D1）、高壓放電（D2）、低溫過載（T1）、中溫過載（T2）、高溫過載（T3）。具體故障類型的編碼組合見表2。

表1 三比值法的編碼規(guī)則Table 1 Coding rules of three ratio method

表2 不同故障類型的編碼Table 2 Coding of different types of faults

2 基于MEFN的診斷方法

MEFN 方法原理如圖2 所示。首先，使用具有不同隱藏層節(jié)點(diǎn)大小的ELM 模型產(chǎn)生若干初始診斷結(jié)果。不同的診斷結(jié)果可以挖掘各種溶解氣體間的統(tǒng)計(jì)信息，為電力變壓器故障診斷提供互補(bǔ)信息。然后，提出一種有效的方法融合不同診斷結(jié)果，產(chǎn)生最終診斷結(jié)果。

圖2 MEFN方法原理Fig.2 Principle of the MEFN method

2.1 基于ELM的變壓器故障初始診斷

根據(jù)1.2 節(jié)介紹的三比值法，使用6 種溶解性氣體的3 個比值特征進(jìn)行分析。因此，輸入層的數(shù)量設(shè)置為3。根據(jù)選擇的特征向量和故障類型，對故障樣本進(jìn)行預(yù)處理，并將處理后的樣本分為訓(xùn)練樣本集和測試樣本集。

例如，測得某變壓器中各種特征氣體的體積分?jǐn)?shù)分別為：φ（H2）=279.0 μL/L，φ（CH4）=41.0 μL/L，φ（C2H6）=42.0 μL/L，φ（C2H4）=9.7 μL/L，φ（C2H2）=434.0 μL/L。該變壓器的故障類型為低壓放電（D1），見表2。在ELM 模型中，此樣本對應(yīng)的輸入向量為［44.742 2，0.146 9，0.230 9］。首先，設(shè)定固定大小隱藏層神經(jīng)元數(shù)量L，隨機(jī)設(shè)置輸入層和隱藏層之間的連接權(quán)重w及隱藏層的偏差b層神經(jīng)元。然后，選擇激活隱藏層中的函數(shù)G（w，x，b），計(jì)算隱藏層輸出矩陣和連接權(quán)重B。最后，使用不同L值的ELM來測試和輸出分類結(jié)果CQ。

2.2 基于多尺度融合的故障診斷

由于實(shí)際氣體數(shù)據(jù)的復(fù)雜性，依賴單一尺度的模型難以充分挖掘氣體間的統(tǒng)計(jì)特征。因此，基于多尺度隱藏層節(jié)點(diǎn)數(shù)的診斷結(jié)果比基于單尺度下的診斷結(jié)果更具有優(yōu)勢。每種尺度的診斷結(jié)果能從不同角度挖掘氣體中獨(dú)特的統(tǒng)計(jì)特征，基于多尺度的診斷結(jié)果能有效挖掘特征氣體中的互補(bǔ)信息。

因此，為了有效挖掘不同尺度下的互補(bǔ)信息，采用決策表決策略，即多數(shù)投票（Major Voting，MV）［15］，聯(lián)合利用不同尺度的初始診斷結(jié)果（C1，C2，C3，…，CQ）。計(jì)算每個輸入特征的次數(shù)，并將其分別定義為count1，count2，count3，…，countQ。它們的大小為3n，其中n是測試樣本的數(shù)量。最終的診斷結(jié)果可以通過以下方式生成

countf= maxm(count1，count2，count3，…，countQ)。（8）

當(dāng)對每個初始檢測結(jié)果進(jìn)行“多數(shù)投票”時，相應(yīng)診斷結(jié)果的置信度將增加1。選擇置信度最高的診斷標(biāo)簽作為輸出標(biāo)簽。為證明多尺度融合策略的有效性，在表3中提供了部分診斷結(jié)果。

表3 部分診斷結(jié)果Table 3 Partial diagnostic results

MEFN 方法具有出色的診斷性能，原因是基于單尺度的ELM 模型可能無法有效地診斷部分故障樣本，而其他尺度的模型可能會提供正確的診斷結(jié)果。MEFN 方法使用“多數(shù)投票”來聯(lián)合多個診斷結(jié)果，并生成具有最高置信度的診斷結(jié)果。因此，所提出的方法在電力變壓器故障診斷上具有高可靠性和高精度的診斷性能。

3 試驗(yàn)與分析

3.1 試驗(yàn)介紹

在試驗(yàn)中，所用的數(shù)據(jù)集共有487 個樣本。隨機(jī)選擇其中的387 個樣本作為訓(xùn)練樣本，其余100個樣本作為測試樣本。試驗(yàn)使用Matlab R2016b 軟件作為測試平臺。

3.2 對比試驗(yàn)

在所提出的MEFN 模型中，sigmoid 函數(shù)設(shè)置為隱藏層的激活函數(shù)。對于不同的ELM 模型，隱藏層節(jié)點(diǎn)數(shù)目設(shè)置為50，100，150，200，250。變壓器故障分為6 種類型，加上正常運(yùn)行狀態(tài)，網(wǎng)絡(luò)共有7 種輸出。因此，輸出層的神經(jīng)元數(shù)量設(shè)置為7。

為證明MEFN 方法的有效性，將2 種經(jīng)典的診斷方法反向傳播（BP）神經(jīng)網(wǎng)絡(luò)［11］和SVM［10］用于對比試驗(yàn)。對于BP 神經(jīng)網(wǎng)絡(luò)，其隱藏層節(jié)點(diǎn)數(shù)為50，網(wǎng)絡(luò)結(jié)構(gòu)為3×50×7。對于SVM 方法，參數(shù)c和σ通過五重交叉驗(yàn)證進(jìn)行調(diào)整［17-20］，設(shè)置為（c，σ）=（12，18）。

不同分類方法的診斷精度見表4。Ntotal代表每種故障類型的數(shù)量，Nright代表正確的診斷數(shù)量。由表4 可見，與BP 神經(jīng)網(wǎng)絡(luò)和SVM 診斷方法相比，MEFN 方法具有顯著優(yōu)勢，低溫過載（T1）的診斷準(zhǔn)確性從73.68%提高到89.47%，低能量放電（D1）故障類型診斷準(zhǔn)確性從84.62%提高到100.00%。將表4 中的整體正確數(shù)目除以整體數(shù)目可得出3 種方法的總體準(zhǔn)確度見表5，提出的MEFN 方法總體診斷準(zhǔn)確率為94%，優(yōu)于其他2 種對比方法的83%，87%。

表4 3種分類方法的診斷精度Table 4 Comparison of the accuracy of three diagnostic methods

表5 3種分類方法的整體診斷精度Table 5 Overall accuracy of the three diagnostic methods

為證明多尺度信息融合策略的有效性，將提出的MEFN 方法與基于單尺度的ELM 進(jìn)行比較，診斷準(zhǔn)確性如圖3所示。

圖3 單一尺度與多尺度模型診斷性能對比Fig.3 Comparison of the diagnostic performance of a single-scale model and a multi-scale model

對于每個比例ELM 模型，隱藏層節(jié)點(diǎn)數(shù)目設(shè)置為［50，100，150，200，250］中。使用ELMq（q∈Q）表示單尺度ELM 模型，可見當(dāng)節(jié)點(diǎn)數(shù)從50 增加到150時，診斷精度持續(xù)上升并達(dá)到穩(wěn)定狀態(tài)。在對比試驗(yàn)中，提出的MEFN 方法可以獲得出色的診斷準(zhǔn)確性。理由如下，當(dāng)基于單尺度的ELM 模型錯誤地診斷了測試樣本，則其他尺度的ELM 模型可能有效診斷出故障類型。多尺度信息融合策略可以使MEFN模型對變壓器故障的診斷的魯棒性更高。

4 結(jié)束語

提出一種基于MEFN的電力變壓器故障診斷方法。首先，通過不同尺度下的ELM 模型來產(chǎn)生初始診斷結(jié)果。不同的診斷結(jié)果能充分挖掘各種溶解氣體間統(tǒng)計(jì)信息，為變壓器故障診斷提供補(bǔ)充信息。然后，提出一種有效的信息融合方法以融合不同的診斷結(jié)果以產(chǎn)生更好的診斷結(jié)果。試驗(yàn)表明，所提出的方法在診斷精度方面優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)及SVM方法。

致謝：感謝國網(wǎng)湖南省電力有限公司湘潭供電分公司在數(shù)據(jù)采集與分析方面給予的支持。