基于極限學習機的電力變壓器故障診斷

杜文霞，趙秀平，杜海蓮，呂 鋒

(河北師范大學 職業技術學院,河北 石家莊 050024)

基于極限學習機的電力變壓器故障診斷

杜文霞，趙秀平，杜海蓮，呂 鋒

(河北師范大學 職業技術學院,河北 石家莊 050024)

針對三比值法存在比值編碼缺失無法診斷故障的不足，將泛化性能好的極限學習機與三比值法相結合，用于電力變壓器的故障診斷。一方面將樣本中特征氣體的組分含量及對應的比值編碼作為極限學習機的輸入，使建立的極限學習機故障診斷模型包含了比值編碼信息，進一步發揮三比值法在遠離區間分界點時診斷準確率高的長處；另一方面，在故障診斷時，可根據待測樣本輸出矩陣中每列元素最大值所在的行，判斷樣本所屬的故障類型，從而在一定程度彌補了比值編碼缺失無法診斷故障的不足。實例診斷結果表明，該方法計算簡單，靈活方便，故障診斷正確率高，具有一定可行性和有效性。

極限學習機；電力變壓器；故障診斷；三比值

電力變壓器是供配電系統中的重要設備之一，在運行時容易出現由于相間或匝間短路引起的熱性故障，或出現由于高電場強度作用造成絕緣性能下降或劣化的電性故障。研究電力變壓器故障診斷技術，對提高變壓器的運行維護水平具有重要意義。分析油中溶解氣體的組分和含量是監視充油電力變壓器安全運行的最有效措施之一。三比值法在油中溶解氣體為特征量的充油變壓器故障診斷中得廣泛應用[1-3]，大量實踐及事例驗證，根據氣體比值劃分區間的編碼規則基本合理，尤其是在遠離區間分界點的地方，這樣確定的編碼準確率相當高，但是當氣體組分比值編碼缺失時，用三比值法則無法進行故障診斷。隨著人工智能研究的發展，各種智能學習方法在變壓器故障診斷中得到廣泛應用[4-7]?；趥鹘y神經網絡和支持向量機的變壓器故障診斷方法克服三比值法的不足[6-7]，提高了診斷準確率，但存在訓練速度慢、調節參數多、參數確定困難等缺點。極限學習機(extreme learning machine， ELM)是一種典型的單隱含層前饋神經網絡[8-9]，可隨機初始化輸入權重和偏置，并得到相應的輸出權重，且在訓練過程中無需調整連接權值，只需設置隱含層神經元的個數，便可獲得唯一的最優解,克服了傳統學習方法的一些缺點，具有學習速度快、泛化性能好等優點[10-14]。因此，本文將極限學習機用于電力變壓器故障診斷，并對診斷結果進行分析。

圖1 ELM結構

1 極限學習機基本理論

極限學習機是一種典型的單隱含層前饋神經網絡，網絡結構如圖1所示。

(1)

其中，wj=[wj1,wj2,…,wjt,…,wjn],由上述定義描述的極限學習機能夠以零誤差逼近訓練樣本，即

(2)

以矩陣形式可表示為：YT=Hβ，

(3)

(4)

(5)

(6)

H+其解為隱含層輸出矩陣H的Moore-Penrose廣義逆。

因此，基于ELM極限學習機算法的步驟如下：

1) 確定隱含層神經元個數，隨機設定輸入層與隱含層連接權值w和隱含層神經元的閾值b ；

2) 選擇一個激活函數，計算隱含層神經元的輸出矩陣H；

3) 計算輸出權值。

2 基于ELM的電力變壓器故障診斷

2.1 電力變壓器的故障類型

在電力變壓器運行過程中，一般通過采取油樣，利用氣相色譜法進行油中溶解氣體分析(DissolvedGasAnalysis,DGA)技術，根據分析組分及其濃度的變化規律判斷變壓器所處的狀態。電力變壓器在運行時容易出現由于相間或匝間短路引起的熱性故障，或出現由于高電場強度的作用造成絕緣性能下降或劣化的電性故障，具體包括：中低溫過熱、高溫過熱、低能放電、高能放電、放電兼過熱和局部放電6種故障。為了有效進行故障診斷，須選擇具有代表性的變量，以H2,CH4,C2H2,C2H4,C2H6在混合氣中的相對含量和(C2H2/C2H4),(CH4/H2),(C2H4/C2H6)三組氣體相對含量的比值作為ELM分類器的輸入變量。

表1 樣本數據故障類型

2.2 電力變壓器的故障診斷的ELM模型

2.2.1 樣本數據選取

在電力變壓器運行過程中，利用氣相色譜法可多次測量H2、CH4、C2H2、C2H4以及C2H65種特征氣體的含量(單位：μL/L)。由于不同地區不同部門的變壓器數據庫在記錄形式、記錄習慣、記錄時間段以及數據匯總形式等方面存在差異，需對不同的數據源進行適當取舍，按統一形式整合。根據樣本數據的廣泛性、緊湊性和樣本中各類故障占總類的百分比應與工程上實際各類故障發生率相近的原則，從電力公司檢修工區油務組和文獻[15-16]共收集了有明確結論的部分變壓器故障數據。借鑒 DL/T 722—2000《導則》的三比值故障類，把正常情況作為一個類別考慮，對這276 條數據進行分類，樣本數據故障類型見表1，部分數據樣本如表2所示。其中,表2的故障類型:1 表示中低溫過熱；2 表示高溫過熱；3 表示低能放電，即火花放電；4 表示高能放電，即電弧放電；5 表示放電兼過熱；6 表示局部放電；7 表示正常。表2中，V表示混合氣的體積,VH2表示H2的體積,VCH4表示CH4的體積,VC2H2表示C2H2的體積,VC2H4表示C2H4的體積,VC2H6表示C2H6的體積。

為了從樣本數據中隨機獲取訓練集和測試集，將樣本按行隨機排序，去掉樣本序列號，剩余數據用矩陣X表示，則第i樣本可表示為xi=[xi1,xi2,…xi5,xi9]，i=1,2,…,N，N為樣本總數。若訓練集和測試集的輸入輸出分別用矩陣Xtrain、Ttrain以及Xtest和Ttest表示，則矩陣X可劃分為4部分：

(7)

表2 部分數據樣本

2.2.2 故障診斷的ELM分類器模型

利用訓練集樣本的輸入輸出數據可建立極限學習機故障分類模型。ELM分類算法可概括為：先將原始訓練數據作為輸入,訓練得到ELM分類模型；再將原始測試數據輸入ELM分類模型,得到模型分類結果，具體步驟如下：

1) 確定故障樣本數據的訓練集和測試集輸入矩陣。

2) 樣本歸一化處理

一般認為DGA數據變化規律受諸多因素如負荷、溫度、壓力等的影響，而數據本身的質量取決于采集數據過程儀器或人為等因素的影響，故通常需對DGA數據進行歸一化處理，如下所示：

(8)

式中：xij(i=1,2,…,276;j=1,2,…,8)為原始的氣體體積分數數據。

3) 確立極限學習機的網絡結構及參數

確立極限學習機的網絡結構是指根據樣本的屬性和故障類型等因素確定ELM的輸入層、隱含層以及輸出層的節點個數。極限學習機的參數設置包括輸入層與隱含層連接權值矩陣wi，隱層神經元閾值矩陣b。

4) 確定訓練集和測試集期望輸出矩陣

在表2中，樣本的最后一列對應樣本的故障類型，可構成訓練集和測試集的輸出矩陣Ttrain和Ttest；

5) 計算隱含層神經元的輸出矩陣H。

選擇一個激活函數，輸入層到隱含層的激活函數g(·)采用sigmoid函數，

(9)

將歸一化的訓練集輸入矩陣中每一行，分別代入sigmoid激活函數中，可獲得隱含層神經元的輸出矩陣HN×K。

6) 計算輸出權值

7) 用訓練好的ELM模型對測試樣本集進行分類，測試分類準確率

在故障診斷時，將待測樣本代入ELM故障診斷模型，可根據待測樣本輸出矩陣中每列元素最大值的所在行，判斷樣本所屬的故障類型。

3 電力變壓器故障診斷仿真實驗

3.1 批量樣本故障診斷仿真

從按行隨機排序后的樣本數據中選擇前140個作為訓練集輸入構成矩陣，剩余的樣本作為測試集輸入構成Xtest。即

(10)

根據式(8)對輸入樣本數據進行歸一化處理，變換后數據取值在0～1之間，歸一化的訓練集和測試集輸入矩陣分別為Xtrain′和Xtest′。

由表2的樣本數據可以看出，每個樣本均包含溶于變壓器油中的5種特征氣體組分含量和C2H2/C2H4、CH4/H2、C2H4/C2H6三組氣體含量比值，即每個樣本有8個屬性；另外，表2中276個樣本一共包含7種故障類型， 與樣本屬性和故障類型相對應，ELM輸入層取8個神經元節點，輸出層取節點數為7，若設定隱含層神經元個數K為100，則ELM網絡結構為(8-100-7)。

設wi為(-1,1)間的隨機數，其維數為100×8， b為(0,1)間隨機數, 其維數為100×1。在表2中，樣本的最后一列對應樣本的故障類型，分別構成訓練集和測試集的輸出矩陣Ttrain和Ttest。

為訓練、測試和故障診斷方便，將變壓器的故障類型以0和1代碼表示，構成訓練集和測試集的期望輸出矩陣Ttrain′、Ttest′，該矩陣的每一列與極限學習機輸出層神經元節點相對應。若第j(j=1,2,…,276)個樣本的故障類型為i(i=1,2,…7)，則在期望輸出矩陣中第i行和第j列的元素為1，第j列的其他元素均為0，即在期望輸出矩陣中元素1所在的行表示故障類型，所在的列表示樣本序號，表2數據樣本的故障類型ELM輸出節點的對應關系如表3所示。從表3中選取與訓練集輸入矩陣相對應的140列數據，構成訓練集期望輸出矩陣，其維數Ttrain′，表3中剩余的136列則構成測試集期望輸出矩陣，其維數7×136。

從表4可以看出，訓練集有1個樣本被錯分， 139個樣本被正確分類，整體分類準確率為99.286%(139/140)，錯分樣本如圖2所示；測試集有2個樣本被錯分，錯分樣本如圖3所示，134個樣本被正確分類，整體分類準確率為98.529%(132/136)。

從訓練集和測試集的分類結果看，極限學習機的故障診斷錯分樣本少，分類準確率高，具有一定的可行性和有效性。

3.2 單個待測樣本的故障診斷仿真

例1 對某臺變壓器用氣相色譜分析油中的溶解氣體，測得各種氣體含量，單位10-6μL/L：

VH2=2 004,VCH4=9 739,VC2H6=2 750,VC2H4=5 112,VC2H2=0 。

(11)

表3 故障類型與對應神經元節點輸出

表4 訓練集和測試集的分類結果

圖2 訓練集分類結果

圖3 測試集分類結果

采用以下兩種方法進行故障診斷：

1) 利用三比值法診斷故障

首先，計算出三組氣體比值：

VC2H2/VC2H4=0,VCH4/VH2=4.859 78,VC2H4/VC2H6=1.859 27。

(12)

其次，根據三比值法的編碼規則得出比值編碼為021；最后查故障性質判斷表[15]可知故障診斷結果為：300～700 ℃中等溫度過熱故障。

2) 利用極限學習機診斷故障

將變壓器油中溶解氣體的組分含量以及對應的三比值編碼021代入極限學習機故障診斷模型，得到輸出矩陣

(13)

根據輸出矩陣中每一列元素最大值所在行確定該待測樣本所屬的故障類型，Y最大值在第1行，故診斷為第1類故障,即中低溫過熱。實際檢查結果，一次繞組引線與鐵心螺栓相碰，相碰處熔化并有游離碳。

基于極限學習機故障診斷法的診斷結果，既與三比值法的診斷結果一致，又與實際檢查結果相符，充分說明該方法的正確性。

例2 在表2的最后兩個樣本中，5種特征氣體組分信息的三比值編碼分別為121和011，而在我國DL/T722—2000《變壓器油中溶解氣體分析和判斷導則》的故障類型判斷方法表中不存在這兩組編碼對應的故障類型[16]，致使三比值法在故障診斷時失效，而利用極限學習機進行故障診斷則可彌補三比值法的不足。當樣本275和276為待測樣本時，則其對應的輸出分別為：

(14)

根據輸出矩陣中每一列元素的最大值所在行確定該待測樣本所屬的故障類型，Y275最大值在第5行，故第275個樣本被診斷為第5類故障，即放電兼過熱；Y276最大值在第6行，故第276樣本被診斷為第6類故障，即局部放電。診斷結果均與實際故障相吻合，因此該方法在一定程度上彌補了比值編碼缺失無法診斷故障的不足，較傳統的三比值法更準確、更有效。

4 結論

將具有單隱層前饋神經網絡結構的極限學習機與傳統的三比值法相結合，對電力變壓器進行故障診斷。由于訓練樣本中融入三比值數據信息，使得建立的ELM故障診斷模型既充分發揮了三比值法故障診斷正確率高的長處，又在一定程度上彌補了比值編碼缺失無法診斷故障的不足。實例診斷結果表明，該方法較傳統的三比值法更準確、更有效。

[1]宋斌,劉志雄,李恩文,等.DGA中三比值缺碼研究初探[J].電力自動化設備,2015,35(12):60-65. SONG Bin,LIU Zhixiong,LI Enwen,et al.Preliminary study of undefined three-ratio code in DGA[J].Electric Power Automation Equipment,2015,35(12):60-65.

[2]李思.三比值法在變壓器故障類型判斷中的應用[J].中國高新技術企業,2016(15):40-41. LI Si.Application of three-ratio method in fault diagnosis of transformers[J].China High-tech Enterprises,2016(15):40-41.

[3]李林發,文正其,鄧世聰,等.基于模糊三比值法和案例匹配的變壓器故障診斷方法研究[J].變壓器,2015,52(12):61-66. LI Linfa,WEN Zhengqi,DENG Shicong,et al.Research on fault diagnosis for power transformer based on fuzzy three-ratio method and case-based reasoning[J].Transformer,2015,52(12):61-66.

[4]公茂法,張言攀,柳巖妮,等.基于BP網絡算法優化模糊Petri網的電力變壓器故障診斷[J].電力系統保護與控制,2015(3):113-117. GONG Maofang,ZHANG Yanpan,LIU Yanning,et al.Fault diagnosis of power transformer based on back propagation algorithm evolving fuzzy Petri nets[J].Power System Protection and Control,2015(3):113-117.

[5]XU B,PAN Y P,WANG D W,et al.Discrete-time hypersonic flight control based on extreme learning machine[J].Neurocomputing,2014(128):232-241.

[6]石鑫,朱永利,寧曉光,等.基于深度自編碼網絡的電力變壓器故障診斷[J].電力自動化設備,2016,36(5):122-126. SHI Xin,ZHU Yongli,NING Xiaoguang,et al.Transformer fault diagnosis based on auto-encoder network[J].Electric Power Automation Equipment,2016,36(5):122-126.

[7]吳坤,康建設,池闊.基于改進多分類算法和相關向量機的電力變壓器故障診斷方法[J].高電壓技術,2016,42(9):3011-3017. WU Kun,KANG Jianshe,CHI Kuo.Fault diagnosis of power transformer based on the improved multiclass algorithm and vector machine[J].High Voltage Engineering,2016,42(9):3011-3017.

[8]MATIAS T,SOUZA F,JO R,et al.Learning of a single-hidden layer feedforward neural network using an optimized extreme learning machine[J].Neurocomputing,2014,129:428-436.

[9]HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:Theory and applications [J].Neurocomputing,2006,70(1/2/3):489-501.

[10]苑津莎,張利偉,王瑜,等.基于極限學習機的變壓器故障診斷方法研究[J].電測與儀表,2013(12):21-26. YUAN Jinsha,ZHANG Liwei,WANG Yu,et al.Study of transformers fault diagnosis based on extreme learning maching[J].Electrical Measurement & Instrumentation,2013 (12):21-26.

[11]秦波,劉永亮,王建國,等.基于極限學習機的滾動軸承故障診斷方法[J].組合機床與自動化加工技術,2016(5):103-106. QIN Bo,LIU Yongliang,WANG Jianguo,et al.Fault diagnosis of rolling bearings based on extreme learning machine[J].Modular Machine Tool & Automatic Manufacturing Technique,2016(5):103-106.

[12]MENG L,LI C,ZHANG X,et al.Compound feature selection and parameter optimization of ELM for fault diagnosis of rolling element bearings[J].ISA Transactions,2016(65):556-566.

[13]鄧勇,于晨松.因子分析和ELM在模擬電路故障診斷的應用[J].電子測量與儀器學報,2016,30(10):1512-1519. DENG Y,YU C.Application of factor analysis and ELM in analog circuit fault diagnosis[J].Journal of Electronic Measurement & Instrumentation,2016,30(10):1512-1519.

[14]ZHAO Z,ZHANG J,SUN Y,et al.Fault detection and diagnosis method for batch process based on ELM-based fault feature phase identification[J].Neural Computing and Applications,2016,27(1):167-173.

[15]李本鋅.智能算法在油浸式變壓器故障診斷中的應用研究[D].南昌：華東交通大學,2015.

[16]張明慧.基于 DGA 的變壓器故障診斷算法研究[D].淮南：安徽理工大學,2013.

[17]中國電力科學研究院.DL/T722-2000，變壓器中溶解氣體分析和判斷導則[S].

(責任編輯：高麗華)

Fault Diagnosis of Power Transformer Based on Extreme Learning Machine

DU Wenxia, ZHAO Xiuping, DU Hailian, Lü Feng

(College of Career Technology,Hebei Normal University, Shijiazhuang, Hebei 050024, China)

In order to overcome the deficiency of three-ratio method that fault diagnosis cannot be made due to missing ratio coding, the extreme learning machine (ELM) with good generalization performance was combined with the three ratio method to diagnose the fault of the power transformer. On the one hand, to take full advantage of the high diagnosis accuracy of the three-ratio method while being far away from the interval boundary point, an ELM fault diagnosis model was established which included the ratio of coded information by taking the component content of the characteristic gas in the sample and the corresponding ratio of codes as the input of ELM. On the other hand, in the fault diagnosis, the fault type of the sample was judged according to the maximum line of the test output matrix, which, to a certain extent, made up for the failure to diagnose fault because of missing ratio encoding. The diagnosis result of the application example shows that the proposed method, with simple, flexible, and convenient calculations, is feasible and effective.

extreme learning machine; power transformer; fault diagnosis; three-ratio

2017-03-11

國家自然科學基金項目(61673160,60974063,61175059);河北省自然科學基金項目(F2014205115);河北省教育廳課題(ZD2016053)；河北省科技廳項目(15212115)

杜文霞 (1973—)，女，河北衡水人，博士，副教授，主要從事工業過程性能智能監測與故障診斷技術研究. E-mail:dwx20040513@163.com 杜海蓮 (1978—)，女，河北保定人，副教授，主要從事故障診斷方面的研究，本文通信作者. E-mail:duhailian@126.com

TP206

A

1672-3767(2017)05-0029-08

10.16452/j.cnki.sdkjzk.2017.05.005