基于機(jī)器學(xué)習(xí)的電力變壓器故障診斷的研究進(jìn)展

湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 劉林凡

基于機(jī)器學(xué)習(xí)的電力變壓器故障診斷的研究進(jìn)展

湖南工業(yè)大學(xué)電氣與信息工程學(xué)院 劉林凡

電力變壓器具有電能轉(zhuǎn)換、傳輸和分配的作用,變壓器故障能否準(zhǔn)確診斷將直接影響到網(wǎng)供電可靠性和系統(tǒng)的安全運(yùn)行。綜述了支持向量機(jī)、極限學(xué)習(xí)機(jī)、深度學(xué)習(xí)等機(jī)器學(xué)方法在變壓器故障診斷中的應(yīng)用，并分析了目前階段變壓器故障診斷中應(yīng)用的的難點(diǎn)，最后展望了變壓器故障診斷的研究方向。

機(jī)器學(xué)習(xí)；電力變壓器；故障診斷；研究進(jìn)展

0 引言

電力變壓器是電網(wǎng)中能量轉(zhuǎn)換、傳輸?shù)暮诵模请娏ο到y(tǒng)中主要設(shè)備之一[1-3]。電力變壓器的正常運(yùn)行關(guān)系到電力系統(tǒng)穩(wěn)定。若發(fā)生故障則會(huì)造成電力系統(tǒng)發(fā)生停電故障，并給用戶(hù)帶來(lái)經(jīng)濟(jì)損失。隨著科技的高速發(fā)展，已經(jīng)可以實(shí)時(shí)獲取變壓器的實(shí)時(shí)狀態(tài)數(shù)據(jù)，利用這些數(shù)據(jù)對(duì)變壓器故障進(jìn)行診斷是目前研究的熱點(diǎn)。

電力變壓器油中溶解氣體分析(Dissolved Gas Analysis,DGA)是油浸式變壓器故障診斷的有效方法之一。學(xué)者在此基礎(chǔ)上研究了特征氣體法、三比值法和Rogers法等傳統(tǒng)方法，近年來(lái)支持向量機(jī)、極限學(xué)習(xí)機(jī)和深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法被應(yīng)用在電力變壓器的故障診斷中。

支持向量機(jī)于1995年正式發(fā)表。鄭蕊蕊等[4]支持向量機(jī)和人工免疫算法相結(jié)合的電力變壓器故障診斷算法,仿真證明，該方法對(duì)變壓器單一故障和多故障診斷具有優(yōu)越性能。薛浩然等[5]利用布谷鳥(niǎo)搜索算法優(yōu)化支持向量機(jī)的參數(shù)，獲得優(yōu)化的支持向量機(jī)分類(lèi)模型，將電力變壓器故障分為4類(lèi)。郭創(chuàng)新等[6]提出多分類(lèi)多核學(xué)習(xí)支持向量機(jī)的變壓器故障診斷方法,結(jié)果表明該方法實(shí)用性強(qiáng)。Huang等人在2004年提出了極限學(xué)習(xí)機(jī)。近年來(lái)不少學(xué)者將其運(yùn)用在電力變壓器故障診斷方面。袁海滿(mǎn)等[7]針對(duì)變壓器故障信息不完備的問(wèn)題，提出利用粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)，提高故障分類(lèi)的精度。遇炳杰等[8]針對(duì)電力變壓器故障數(shù)據(jù)不均衡問(wèn)題,提出了加權(quán)極限學(xué)習(xí)機(jī)的變壓器故障診斷方法。深度學(xué)習(xí)的概念起源于人工神經(jīng)網(wǎng)絡(luò)的研究，多個(gè)隱層的多層感知器是深度學(xué)習(xí)模型之一。石鑫等等[9]嘗試將深度學(xué)習(xí)方法于電力變壓器的故障診斷，提出了一種基于深度自編碼網(wǎng)絡(luò)的油浸式電力變壓器故障診斷新方法。

鑒于機(jī)器學(xué)習(xí)的理論意義和實(shí)際應(yīng)用價(jià)值，本文綜述了機(jī)器學(xué)習(xí)在電力變壓器故障診斷領(lǐng)域的應(yīng)用最新研究進(jìn)展，為進(jìn)一步深入研究故障診斷領(lǐng)域奠定了一定的基礎(chǔ)。使用機(jī)器學(xué)習(xí)方法進(jìn)行變壓器故障診斷實(shí)際上就是首先建立起變壓器變壓器狀態(tài)向量空間到變壓器故障類(lèi)型空間映射模型，而后使用該模型對(duì)未類(lèi)型得知樣本進(jìn)行故障類(lèi)型判別的過(guò)程。

1 支持向量機(jī)在電力變壓器故障診斷中的應(yīng)用

支持向量機(jī)(Support Vector Machine，SVM)是Vapnik等人于1995年提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法[10]。支持向量機(jī)在解決小樣本、非線(xiàn)性問(wèn)題上有很大的優(yōu)勢(shì)。采用油色譜數(shù)據(jù)(DGA)中的H2、CH4、C2H6、C2H4、C2H2等氣體含量占總烴的比值作為故障判斷的評(píng)估指標(biāo)，將變壓器的故障分為：正常、低能放電、高能放電、局部放電、中低溫過(guò)熱、高溫過(guò)熱6個(gè)類(lèi)型[11]。支持向量機(jī)是一種二分類(lèi)器，可以通過(guò)構(gòu)造多分類(lèi)支持向量機(jī)，將變壓器故障區(qū)分開(kāi)來(lái)。針對(duì)類(lèi)間樣本誤分代價(jià)不等的問(wèn)題，在構(gòu)建分類(lèi)超平面時(shí)，引入代價(jià)敏感機(jī)制，提高故障之間的誤分敏感度，設(shè)計(jì)具有優(yōu)化節(jié)點(diǎn)的代價(jià)敏感支持向量機(jī)。另一方面故障類(lèi)型的數(shù)據(jù)不均衡，這樣在訓(xùn)練分類(lèi)器時(shí)，將導(dǎo)致劃分超分類(lèi)平面發(fā)生偏移。為此，可結(jié)合基于人工智能的優(yōu)化算法，優(yōu)化設(shè)計(jì)誤判懲罰因子，增強(qiáng)空轉(zhuǎn)樣本在構(gòu)建分類(lèi)超平面時(shí)的作用，抑制超平面偏移。

2 極限學(xué)習(xí)機(jī)在電力變壓器故障診斷中的應(yīng)用

極限學(xué)習(xí)機(jī)是一種針對(duì)單隱含層前饋神經(jīng)網(wǎng)絡(luò)而提出的新興學(xué)習(xí)算法[12]。極限學(xué)習(xí)機(jī)已經(jīng)在語(yǔ)音識(shí)別、故障診斷、圖像分類(lèi)等方面取得了較好的應(yīng)用。極限學(xué)習(xí)機(jī)學(xué)習(xí)速度快，泛化性能好，目前已經(jīng)有許多研究將極限學(xué)習(xí)機(jī)應(yīng)用于電力變壓器的故障診斷[13]。根據(jù)變壓器故障和特征氣體的關(guān)系，選取合適的樣本結(jié)構(gòu)作為網(wǎng)絡(luò)的輸入特征向量，并驗(yàn)證其有效性。并研究了不同激活函數(shù)對(duì)基于極限學(xué)習(xí)機(jī)的電力變壓器故障診斷方法的影響以及隱含層節(jié)點(diǎn)數(shù)目對(duì)故障診斷診斷性能的影響。極限學(xué)習(xí)的電力變壓器故障診斷方法流程圖如圖1所示。

圖1 基于極限學(xué)習(xí)機(jī)的變壓器故障診斷流程圖

3 深度學(xué)習(xí)在電力變壓器故障診斷中的應(yīng)用

故障檢測(cè)的精度依賴(lài)于從獲取信息中對(duì)特征信息提取的精確程度，電力變壓器發(fā)生故障狀態(tài)的數(shù)據(jù)特征和正常狀態(tài)下的數(shù)據(jù)差異非常小，這種微小的差異使得這種反映故障信息的敏感特征往往淹沒(méi)在豐富的數(shù)據(jù)中[14]。深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)的研究,可理解為深層的神經(jīng)網(wǎng)絡(luò)。Hinton等提出了深度置信網(wǎng)絡(luò)[15]。深度置信網(wǎng)絡(luò)是深度學(xué)習(xí)算法的主要實(shí)現(xiàn)結(jié)構(gòu)之一，其主要思想是在每層深度下盡量保持輸入信號(hào)的信息，從而達(dá)到特征提取的目的，因此單層深度學(xué)習(xí)結(jié)構(gòu)又被稱(chēng)為編碼器[16]。深度學(xué)習(xí)通過(guò)建立與人腦類(lèi)似的分層模型結(jié)構(gòu)，對(duì)需要訓(xùn)練的數(shù)據(jù)進(jìn)行由底層到高層的特征提取，刻畫(huà)數(shù)據(jù)豐富的內(nèi)在信息，可改善分類(lèi)或預(yù)測(cè)精度。深度學(xué)習(xí)在電力變壓器故障診斷中的模型如圖2所示。

圖2 深度學(xué)習(xí)在電力變壓器故障診斷中的模型

4 機(jī)器學(xué)習(xí)在電力變壓器故障診斷中研究的難點(diǎn)

目前，電力變壓器故障診斷領(lǐng)域所面臨的主要問(wèn)題是：

（1）精準(zhǔn)地獲取變壓器故障診斷的相關(guān)數(shù)據(jù)，是研究的難點(diǎn)。采用油色譜數(shù)據(jù)中的相關(guān)氣體含量占總烴的比值作為故障判斷的評(píng)估指標(biāo)。研究如何精確分析當(dāng)前時(shí)刻相關(guān)氣體含量的精準(zhǔn)值具有重要意義。

（2）通過(guò)實(shí)時(shí)采集相關(guān)數(shù)據(jù)，然后利用機(jī)器學(xué)習(xí)算法，對(duì)這些數(shù)據(jù)進(jìn)行分類(lèi)，當(dāng)出現(xiàn)新的故障時(shí)，僅憑已有的經(jīng)驗(yàn)數(shù)據(jù)，這類(lèi)故障將會(huì)被歸一類(lèi)已有的故障，解決這類(lèi)問(wèn)題，目前是研究的難點(diǎn)之一。

5 機(jī)器學(xué)習(xí)在電力變壓器故障診斷中研究的展望

國(guó)內(nèi)外許多學(xué)者對(duì)電力變壓器故障診斷已經(jīng)進(jìn)行了許多研究，許多已經(jīng)在實(shí)際工程中得到應(yīng)用，但是還存在一些需要解決的問(wèn)題：

(a)機(jī)器學(xué)習(xí)在電力變壓器故障診斷中，取得良好的效果，但是這些研究停留在對(duì)故障進(jìn)行分類(lèi)，卻很少涉及研究故障的定位。部分故障可以通過(guò)結(jié)合其他方法可以確定故障點(diǎn)位置，大多數(shù)故障診斷方法對(duì)故障點(diǎn)的定位還是略有欠缺。精準(zhǔn)診斷出電力變壓器的故障，并對(duì)故障進(jìn)行定位是未來(lái)研究的方向。

(b)隨著計(jì)算機(jī)信息技術(shù)和人工智能的高速發(fā)展，對(duì)電力變壓器的運(yùn)行狀態(tài)全方監(jiān)測(cè)稱(chēng)為可能。利用獲取的電力變壓器運(yùn)行狀態(tài)數(shù)據(jù)，研究智能的機(jī)器學(xué)習(xí)方法，能夠識(shí)別電力變壓器新出現(xiàn)的故障，并準(zhǔn)確進(jìn)行診斷是研究的熱點(diǎn)。

6 總結(jié)

采用機(jī)器學(xué)習(xí)方法的電力變壓器故障診斷是該領(lǐng)域發(fā)展過(guò)程中新的思路，并且目前已取得大量實(shí)質(zhì)性成果。本文綜述了目前較受關(guān)注的電力變壓器故障診斷的機(jī)器學(xué)習(xí)方法，具體介紹這些方法在故障診斷中的具體應(yīng)該用和近年來(lái)的研究成果，并指出當(dāng)前電力變壓器故障診斷領(lǐng)域所面臨的問(wèn)題。最后探討了電網(wǎng)故障診斷領(lǐng)域未來(lái)的發(fā)展趨勢(shì)。這些機(jī)器學(xué)習(xí)有些還處于理論階段，而且都有各自的不足，因此結(jié)合實(shí)際工程應(yīng)用，并不斷完善，提升電力變壓器診斷的智能化水平。

[1]Cui Y,Ma H,Saha T,et al．Moisture-Dependent Thermal Modelling of Power Transformer[J]．IEEE Transactions on Power Delivery,2016,31(5):2140-2150．

[2]Seo J,Ma H,Saha T K．A Joint Vibration and Arcing Measurement System for Online Condition Monitoring of Onload Tap Changer of the Power Transformer[J]．IEEE Transactions on Power Delivery,2017,32(2):1031-1038．

[3]Liu J,Dinavahi V．Detailed magnetic equivalent circuit based realtime nonlinear power transformer model on FPGA for electromagnetic transient studies[J]．IEEE Transactions on Industrial Electroni cs,2016,63(2):1191-1202．

[4]鄭蕊蕊,趙繼印,趙婷婷,等．基于遺傳支持向量機(jī)和灰色人工免疫算法的電力變壓器故障診斷[J]．中國(guó)電機(jī)工程學(xué)報(bào),2011(7):56-63．

[5]薛浩然,張珂珩,李斌,等．基于布谷鳥(niǎo)算法和支持向量機(jī)的變壓器故障診斷[J]．電力系統(tǒng)保護(hù)與控制,2015(8):8-13．

[6]郭創(chuàng)新,朱承治,張琳,等．應(yīng)用多分類(lèi)多核學(xué)習(xí)支持向量機(jī)的變壓器故障診斷方法[J]．中國(guó)電機(jī)工程學(xué)報(bào),2010(13):128-134．

[7]袁海滿(mǎn),吳廣寧,高波．基于DGA的粒子群極限學(xué)習(xí)機(jī)電力變壓器故障診斷[J]．高壓電器,2016(11):176-180．

[8]遇炳杰,朱永利．加權(quán)極限學(xué)習(xí)機(jī)在變壓器故障診斷中的應(yīng)用[J]．計(jì)算機(jī)工程與設(shè)計(jì),2013,34(12):4340-4344．

[9]石鑫,朱永利,寧曉光,等．基于深度自編碼網(wǎng)絡(luò)的電力變壓器故障診斷[J]．電力自動(dòng)化設(shè)備,2016,36(5):122-126．

[10]王瑜,苑津莎,尚海昆,等．組合核支持向量機(jī)在放電模式識(shí)別中的優(yōu)化策略[J]．電工技術(shù)學(xué)報(bào),2015,30(2):229-236．

[11]張勇．基于油中溶解氣體分析的變壓器在線(xiàn)監(jiān)測(cè)與故障診斷[D]．華北電力大學(xué),2014．

[12]李冬輝,閆振林,姚樂(lè)樂(lè),等．基于改進(jìn)流形正則化極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)[J]．高電壓技術(shù),2016,42(7):2092-2099．

[13]袁海滿(mǎn),吳廣寧,高波．基于DGA的粒子群極限學(xué)習(xí)機(jī)電力變壓器故障診斷[J]．高壓電器,2016(11):176-180．

[14]劉耀先,孫毅,武昕,等．面向配電網(wǎng)故障檢測(cè)的無(wú)線(xiàn)傳感網(wǎng)絡(luò)可靠路由方法[J]．電網(wǎng)技術(shù),2015,39(12):3609-3614．

[15]LeCun Y,Bengio Y,Hinton G．Deep learning[J]．Nature,2015．521(7553): 436-444．

[16]Xu J,Luo X,Wang G,et al．A deep convolutional neural network for segmenting and classifying epithelial and stromal regions in histopathological images[J]．Neurocomputing,2016,191:214-223．

劉林凡（1989—），男，碩士研究生，研究方向?yàn)殡娏鲃?dòng)技術(shù)及其故障診斷。