汪 舒，陽士宇，汪 俊，范葉平，李志浩

（安徽繼遠軟件有限公司，安徽 合肥 230088）

0 引 言

電力變壓器作為電力系統(tǒng)中的重要設備，在輸變電過程中承擔著電壓變換和功率傳輸的重要功能。然而，由于運行環(huán)境的復雜性和長期工作的高負荷，電力變壓器存在多種潛在故障隱患，如繞組短路、接地故障、絕緣老化等，給電力系統(tǒng)的安全、穩(wěn)定運行帶來嚴峻挑戰(zhàn)。因此，開展多源信息融合故障診斷技術的研究對實現變壓器狀態(tài)實時監(jiān)測與提前預警具有重要意義。

1 深度信念網絡和受限玻爾茲曼機

1.1 深度信念網絡模型介紹

深度信念網絡（Deep Belief Network，DBN）通過訓練神經元之間的權重，使整個神經網絡按照最大概率來生成訓練數據[1]。它可以使用非監(jiān)督學習的方式學習數據的內在規(guī)律和表示層次，也可以使用監(jiān)督學習的方式來優(yōu)化網絡參數，并完成分類等任務。DBN 模型由多層神經元組成，每一層神經元都通過權重連接在一起。深度信念網絡模型組成見圖1。

圖1 深度信念網絡模型組成

1.2 受限玻爾茲曼機

受限玻爾茲曼機（Restricted Boltzmann Machine，RBM）是一個2 層神經網絡，第1 層被稱為可見層，第2 層被稱為隱藏層。因為網絡只有2 層，所以又被稱為淺層神經網絡。RBM 可以用于降維、特征提取及協(xié)同過濾等，其訓練可以分成正向傳播、反向傳播及比較3 部分。RBM 最初由保羅·斯模棱斯基（Paul Smolensky）于1986年提出，直到杰弗里·辛頓（Geoffrey Hinton）及其合作者在2000 年代中葉發(fā)明快速學習算法后，受限玻爾茲曼機才變得知名。

1.3 訓練過程

將可見層設置為輸入數據，即需要訓練的原始數據集，使用無監(jiān)督學習的方式逐層訓練DBN 中的每一層RBM。在訓練過程中，采用對比散度（Contrastive Divergence，CD）算法進行權重和偏置的更新。具體做法是，通過吉布斯采樣（Gibbs Sampling）得到重建樣本，使用重建樣本與原樣本間的差值來改變權重和偏置。在訓練好第一層RBM 之后，把其輸出數據當作下一層RBM 的輸入數據，然后繼續(xù)練習下一層RBM。反復進行這個步驟，直至每個層次都練習成功。當預訓練完成后，把最后一個RBM 的輸出連接到下一個Softmax 分類器或其他更具體的分類器模型。然后通過有監(jiān)督學習的方法，微調整個DBN。微調階段的主要目標是最小化分類偏差，從而提高分析的精確度。

2 繼電保護故障診斷中的多源信息融合與DS證據理論

2.1 建立多源信息融合模型

預處理變壓器中的多種實驗數據，包括歸一化、標準化等操作，以消除不同數據之間的量綱和數值差異，提高數據的可比性[2]。將預處理后的多種實驗數據進行整合，形成一個綜合數據集，包含油色譜分析、油化實驗分析、檢修歷史數據、運行環(huán)境數據及外觀檢測數據等多種信息。從綜合數據集中提取與變壓器故障相關的特征參數，利用DBN 進行特征層的信息融合。通過逐層預訓練和微調的方式，DBN 可以學習到數據的內在規(guī)律和表示層次，將多種特征參數融合為一個更加緊湊且有效的特征表示。

2.2 數據預處理

將不同來源和不同格式的數據轉換為統(tǒng)一的格式，如將圖片數據轉換為可處理的數值數據，或將不同數據結構的數據進行整合。線性變換原始變壓器數據，例如離差標準化，使其結果值映射到[0,1]，消除不同數據之間的量綱和數值差異，方便后續(xù)的數據分析和挖掘。

從清洗和轉換后的數據中提取與變壓器故障相關的特征參數，根據特征的重要性和相關性進行特征選擇，去除冗余和不相關的特征，降低數據的維度，提高后續(xù)分析的效率和準確性[3]。利用關聯規(guī)則挖掘算法或圖論等方法，分析變壓器數據之間的關聯性，找出不同部件之間的故障傳播路徑和影響關系。構建變壓器故障關聯模型，描述不同部件之間故障的關聯程度和傳播機制，為后續(xù)故障預測和診斷提供依據。

2.3 DS 證據理論及其在故障診斷中的應用

DS 證據理論及其在故障診斷中的應用數據見表1。故障診斷結果是根據多個證據（即證據1、證據2）綜合分析得出的針對設備狀態(tài)的診斷結果。通常用一個概率值（范圍在0～1）來表示診斷結果的可靠程度，越接近1 表示越有把握認為設備處于某種特定的故障狀態(tài)。

表1 DS 證據理論及其在故障診斷中的應用數據

根據DS 證據理論的應用和融合結果，能夠準確診斷變壓器的故障類型。這些結果可以為變壓器的維護和修復提供重要的參考依據，幫助工程師及時采取相應的措施來修復故障，確保變壓器的正常運行。

3 算例分析

3.1 數據來源與處理

歸一化處理油中溶解氣體體積分數、局部放電量及套管介質損耗因數，將數據映射到相同的數值范圍內，以消除不同數據之間的量綱和數值差異。將數據映射到相同的數據區(qū)域里，以減少各個數據間的量綱和數據差別。將歸一化后的數據構建為一個n×8的矩陣，其中n代表數據樣本的總數量[4]。每個數據樣本中至少含有8 個特性函數，可以用來判斷電力變壓器所屬的故障類別。利用DBN 對大量樣本加以練習，并通過訓練培養(yǎng)其泛化能力，從而更好地研究復雜的本構非線性映射問題。

3.2 DBN-DS 融合算法實現

根據DBN 的輸出，將各個網絡的輸出轉化為各個故障的概率分配函數。通過計算分配值，確定基本概率分配。歸一化后數據1 至數據8 均無單位，表示經過歸一化處理后的數據值，通常在0 ～1。DBNDS 融合算法的數據見表2。

表2 DBN-DS 融合算法的數據

3.3 與傳統(tǒng)BP 神經網絡算法的對比分析

DBN-DS 融合算法與傳統(tǒng)BP 神經網絡算法故障診斷對比分析見表3。

表3 DBN-DS 融合算法與傳統(tǒng)BP 神經網絡算法故障診斷對比分析

由表3 可知，DBN-DS 融合算法能夠更準確地判斷故障類型。例如，對于數據樣本1 和4，DBNDS 融合算法能夠正確識別高溫過熱的故障類型，傳統(tǒng)BP 神經網絡算法則判斷為中低溫過熱，顯示了DBN-DS 融合算法在處理復雜非線性映射關系時的優(yōu)勢。從整體上看，DBN-DS 融合算法在電力變壓器多源信息融合故障診斷方面具有一定的優(yōu)勢。通過對多源信息的融合處理，DBN-DS 融合算法能夠更全面地考慮各種因素，降低不確定性，提高故障診斷的準確性[5]。

4 結 論

文章提出的基于多源信息融合的電力變壓器故障診斷方法具有重要的理論意義和實踐價值，經過實驗驗證該方法效果顯著。與傳統(tǒng)方法相比，本方法在故障診斷準確率上有了顯著提升，且對多種類型的故障均有較好的診斷效果。這表明通過多源信息融合技術，能夠更全面、準確地掌握電力變壓器的運行狀態(tài)，及時發(fā)現并處理潛在的故障隱患，從而保障電力系統(tǒng)的安全、穩(wěn)定運行。