基于機器學習的電力變壓器故障診斷的研究進展

湖南工業大學電氣與信息工程學院 劉林凡

基于機器學習的電力變壓器故障診斷的研究進展

湖南工業大學電氣與信息工程學院 劉林凡

電力變壓器具有電能轉換、傳輸和分配的作用,變壓器故障能否準確診斷將直接影響到網供電可靠性和系統的安全運行。綜述了支持向量機、極限學習機、深度學習等機器學方法在變壓器故障診斷中的應用，并分析了目前階段變壓器故障診斷中應用的的難點，最后展望了變壓器故障診斷的研究方向。

機器學習；電力變壓器；故障診斷；研究進展

0 引言

電力變壓器是電網中能量轉換、傳輸的核心，是電力系統中主要設備之一[1-3]。電力變壓器的正常運行關系到電力系統穩定。若發生故障則會造成電力系統發生停電故障，并給用戶帶來經濟損失。隨著科技的高速發展，已經可以實時獲取變壓器的實時狀態數據，利用這些數據對變壓器故障進行診斷是目前研究的熱點。

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。學者在此基礎上研究了特征氣體法、三比值法和Rogers法等傳統方法，近年來支持向量機、極限學習機和深度學習等機器學習方法被應用在電力變壓器的故障診斷中。

支持向量機于1995年正式發表。鄭蕊蕊等[4]支持向量機和人工免疫算法相結合的電力變壓器故障診斷算法,仿真證明，該方法對變壓器單一故障和多故障診斷具有優越性能。薛浩然等[5]利用布谷鳥搜索算法優化支持向量機的參數，獲得優化的支持向量機分類模型，將電力變壓器故障分為4類。郭創新等[6]提出多分類多核學習支持向量機的變壓器故障診斷方法,結果表明該方法實用性強。Huang等人在2004年提出了極限學習機。近年來不少學者將其運用在電力變壓器故障診斷方面。袁海滿等[7]針對變壓器故障信息不完備的問題，提出利用粒子群算法優化極限學習機，提高故障分類的精度。遇炳杰等[8]針對電力變壓器故障數據不均衡問題,提出了加權極限學習機的變壓器故障診斷方法。深度學習的概念起源于人工神經網絡的研究，多個隱層的多層感知器是深度學習模型之一。石鑫等等[9]嘗試將深度學習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絡的油浸式電力變壓器故障診斷新方法。

鑒于機器學習的理論意義和實際應用價值，本文綜述了機器學習在電力變壓器故障診斷領域的應用最新研究進展，為進一步深入研究故障診斷領域奠定了一定的基礎。使用機器學習方法進行變壓器故障診斷實際上就是首先建立起變壓器變壓器狀態向量空間到變壓器故障類型空間映射模型，而后使用該模型對未類型得知樣本進行故障類型判別的過程。

1 支持向量機在電力變壓器故障診斷中的應用

支持向量機(Support Vector Machine，SVM)是Vapnik等人于1995年提出的基于統計學習理論的機器學習方法[10]。支持向量機在解決小樣本、非線性問題上有很大的優勢。采用油色譜數據(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估指標，將變壓器的故障分為：正常、低能放電、高能放電、局部放電、中低溫過熱、高溫過熱6個類型[11]。支持向量機是一種二分類器，可以通過構造多分類支持向量機，將變壓器故障區分開來。針對類間樣本誤分代價不等的問題，在構建分類超平面時，引入代價敏感機制，提高故障之間的誤分敏感度，設計具有優化節點的代價敏感支持向量機。另一方面故障類型的數據不均衡，這樣在訓練分類器時，將導致劃分超分類平面發生偏移。為此，可結合基于人工智能的優化算法，優化設計誤判懲罰因子，增強空轉樣本在構建分類超平面時的作用，抑制超平面偏移。

2 極限學習機在電力變壓器故障診斷中的應用

極限學習機是一種針對單隱含層前饋神經網絡而提出的新興學習算法[12]。極限學習機已經在語音識別、故障診斷、圖像分類等方面取得了較好的應用。極限學習機學習速度快，泛化性能好，目前已經有許多研究將極限學習機應用于電力變壓器的故障診斷[13]。根據變壓器故障和特征氣體的關系，選取合適的樣本結構作為網絡的輸入特征向量，并驗證其有效性。并研究了不同激活函數對基于極限學習機的電力變壓器故障診斷方法的影響以及隱含層節點數目對故障診斷診斷性能的影響。極限學習的電力變壓器故障診斷方法流程圖如圖1所示。

圖1 基于極限學習機的變壓器故障診斷流程圖

3 深度學習在電力變壓器故障診斷中的應用

故障檢測的精度依賴于從獲取信息中對特征信息提取的精確程度，電力變壓器發生故障狀態的數據特征和正常狀態下的數據差異非常小，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在豐富的數據中[14]。深度學習源于神經網絡的研究,可理解為深層的神經網絡。Hinton等提出了深度置信網絡[15]。深度置信網絡是深度學習算法的主要實現結構之一，其主要思想是在每層深度下盡量保持輸入信號的信息，從而達到特征提取的目的，因此單層深度學習結構又被稱為編碼器[16]。深度學習通過建立與人腦類似的分層模型結構，對需要訓練的數據進行由底層到高層的特征提取，刻畫數據豐富的內在信息，可改善分類或預測精度。深度學習在電力變壓器故障診斷中的模型如圖2所示。

圖2 深度學習在電力變壓器故障診斷中的模型

4 機器學習在電力變壓器故障診斷中研究的難點

目前，電力變壓器故障診斷領域所面臨的主要問題是：

（1）精準地獲取變壓器故障診斷的相關數據，是研究的難點。采用油色譜數據中的相關氣體含量占總烴的比值作為故障判斷的評估指標。研究如何精確分析當前時刻相關氣體含量的精準值具有重要意義。

（2）通過實時采集相關數據，然后利用機器學習算法，對這些數據進行分類，當出現新的故障時，僅憑已有的經驗數據，這類故障將會被歸一類已有的故障，解決這類問題，目前是研究的難點之一。

5 機器學習在電力變壓器故障診斷中研究的展望

國內外許多學者對電力變壓器故障診斷已經進行了許多研究，許多已經在實際工程中得到應用，但是還存在一些需要解決的問題：

(a)機器學習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故障進行分類，卻很少涉及研究故障的定位。部分故障可以通過結合其他方法可以確定故障點位置，大多數故障診斷方法對故障點的定位還是略有欠缺。精準診斷出電力變壓器的故障，并對故障進行定位是未來研究的方向。

(b)隨著計算機信息技術和人工智能的高速發展，對電力變壓器的運行狀態全方監測稱為可能。利用獲取的電力變壓器運行狀態數據，研究智能的機器學習方法，能夠識別電力變壓器新出現的故障，并準確進行診斷是研究的熱點。

6 總結

采用機器學習方法的電力變壓器故障診斷是該領域發展過程中新的思路，并且目前已取得大量實質性成果。本文綜述了目前較受關注的電力變壓器故障診斷的機器學習方法，具體介紹這些方法在故障診斷中的具體應該用和近年來的研究成果，并指出當前電力變壓器故障診斷領域所面臨的問題。最后探討了電網故障診斷領域未來的發展趨勢。這些機器學習有些還處于理論階段，而且都有各自的不足，因此結合實際工程應用，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和灰色人工免疫算法的電力變壓器故障診斷[J]．中國電機工程學報,2011(7):56-63．

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

[6]郭創新,朱承治,張琳,等．應用多分類多核學習支持向量機的變壓器故障診斷方法[J]．中國電機工程學報,2010(13):128-134．

[7]袁海滿,吳廣寧,高波．基于DGA的粒子群極限學習機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．加權極限學習機在變壓器故障診斷中的應用[J]．計算機工程與設計,2013,34(12):4340-4344．

[9]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．

[10]王瑜,苑津莎,尚海昆,等．組合核支持向量機在放電模式識別中的優化策略[J]．電工技術學報,2015,30(2):229-236．

[11]張勇．基于油中溶解氣體分析的變壓器在線監測與故障診斷[D]．華北電力大學,2014．

[12]李冬輝,閆振林,姚樂樂,等．基于改進流形正則化極限學習機的短期電力負荷預測[J]．高電壓技術,2016,42(7):2092-2099．

[13]袁海滿,吳廣寧,高波．基于DGA的粒子群極限學習機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．面向配電網故障檢測的無線傳感網絡可靠路由方法[J]．電網技術,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，研究方向為電力傳動技術及其故障診斷。