基于分布式光纖傳感系統的有載變壓器故障檢測技術研究

董貫雷 姜曉東 孫鵬 楊光 耿俊琪 王家文 渠帥 黃勝 王晨 尚盈

摘要：提出基于分布式光纖傳感技術的人工神經網絡有載變壓器故障檢測預報模型，通過人工模擬變壓器的故障狀態及正常運行狀態，并通過k-means SMOTE數據擴充方法，可以有限擴充少量故障數據集，使故障數據量可以和正常數據量達到一致，將擴充后的故障數據與正常運行的數據一起送入長短期記憶卷積神經網絡（convolutional neural networks long short term memory， CNN-LSTM）識別模型，最終可以將故障的識別率提升到100%，這對采用分布式光纖傳感技術在有載變壓器故障識別系統上的發展具有重要意義。

關鍵詞：神經網絡;分布式聲傳感器;有載變壓器;故障檢測;SMOTE算法;模式識別；數據增強

中圖分類號：TN247?? 文獻標志碼：A?? 文章編號：1002-4026（2023）05-0052-08

On-load transformer fault detection based on distributed optical fiber sensing system

DONG Guanlei1，JIANG Xiaodong1，SUN Peng1，YANG Guang1，GENG Junqi1，WANG Jiawen2* ，

QU Shuai2， HUANG Sheng2， WANG Chen2， SHANG Ying2

（1. Zibo Power Supply Company，State Grid Shandong Electric Power Company，Zibo 255000， China；2.Laser Institute，Qilu University of Technology（Shandong Academy of sciences），Jinan 250014，China）

Abstract∶This paper proposes an artificial neural network-based fault detection and prediction model for on-load transformers using distributed fiber optic sensing technology. By artificially simulating the fault and normal operating states of transformers and using the k-means synthetic minority oversampling technique data expansion method， a small number of fault datasets can be limitedly expanded so that the amount of fault data can be consistent with that of normal data. Therefore， the expanded fault data and normal operation data can be input into the convolutional neural networks long short term memory identification model. Finally， the fault recognition rate can be increased to 100%， which has significant implications for the development of fault recognition systems for on-load transformers based on distributed fiber optic sensing technology.

Key words∶neural network; distributed acoustic sensor; on-load transformer; fault detection; smote; SMOTE algorithm; Pattern recognition; data enhancement

隨著我國電力工業的快速發展和持續轉型升級，電力系統的結構形態及運行日趨復雜，因電力設備故障而引發的系統事故也越來越多，造成了嚴重的經濟損失和負面影響[1]。因此，為有效預防并減少電力設備故障的發生，需根據實際需求開展對其運行狀態進行監測的技術研究工作，這對確保電力設備及電力系統的安全穩定運行具有重大意義。

電力變壓器是電力系統中不可或缺的核心設備[2]，具有不可替代的作用，其運行狀況對整個供配電系統的可靠運行影響極大。其中，有載分接開關（on-load tap-changer，OLTC）作為變壓器的重要部件[3]，發揮著穩定負荷中心電壓、增加電網靈活度、改善電能質量等重要功能。因此，OLTC 被廣泛安裝于重要的輸、配電調壓變壓器中，有助于實現電網的安全穩定運行和電力的可靠供應。OLTC 運行可靠性隨著運輸、裝配及投入使用之后受到大量的電氣沖擊和機械沖擊逐漸降低，輕則調壓失敗，重則造成電力變壓器的燒毀。此類故障的發生難免會造成電氣設備的損壞和人力物力的浪費，也會給電力系統帶來不良的經濟和社會影響。據統計，國內OLTC故障約占變壓器故障的20%，且呈現逐年上升的趨勢。國外發達國家由于OLTC的高使用率導致其異常工作而引發的變壓器故障高達40%，尤其是OLTC主要故障類型為機械故障，給變壓器造成了嚴重的安全威脅[4]。目前OLTC故障檢測器主要采用加速度傳感器等一系列點式傳感器，但此類傳感器由于本身帶有金屬裝置，會受到電磁干擾影響以及其本身不耐腐蝕，在測試時僅測試有限個數點的信息，同時，其安全性不佳。近年來，為了彌補傳統傳感器的不足，分布式光纖聲傳感器（distributed acoustic sensing， DAS）逐漸走進研究者的視野中，DAS系統是一種能夠對光纖沿線范圍內的物體進行遠程實時監測的傳感系統，具有抗電磁干擾、抗腐蝕、靈敏度高、實時性好等特點[5]，目前已在各個領域取得廣泛的應用，包括重要領域的安全監測、管道監測、海底電力電纜監測等。雖然DAS系統的發展迅速，但事件識別能力一直是制約其在現場應用的瓶頸，復雜的環境和額外的人為干擾會顯著降低其識別能力。而以機器學習和深度學習為基礎的數據驅動模式識別如今已經成為基于DAS系統識別領域的趨勢[6-7]。Sun等[8]提出了一種以形態特征提取和相關向量機（RVM）為基礎的分類方法，實現了對光纖沿線信號特征的識別。孫鋼[9]提出了一種基于小波能量譜和RVM的識別方法，簡化了SVM分類器，并構造了更加具有針對性的子分類器。Jia等[10]提出了一種基于近類別支持向量機（NC-SVM）的事件識別方法，利用k-最近鄰（KNN）算法將分類器擴展為多分類問題，神經網絡的分類方式根據樣本自動提取特征，無需人工尋找信號的特征。Zhang等[11]提出了基于訓練卷積神經網絡（CNN）的圖像去噪模型，極大地消除DAS傳感系統中不需要的噪聲，提高了DAS在故障判別中的準確性。Wu等[12]將Spiking神經網絡引入分布式聲傳感器系統，可以在不平衡數據集下提高DAS系統判斷的準確性。

以上的方法在獲取大量數據集的情況之下，在識別率等方面都可以取得很好的效果。但是，在實際的數據采集過程中，往往會出現某一類別的數據集數量極少的情況。比如，在OLTC的運行中，故障發生就必須及時斷電進行設備維修，只能獲取少量的故障樣本數據。同時，訓練數據的減少會導致深度學習網絡的過擬合，進而影響這類數據的分類精度。而小樣本學習（few-shot learning，FSL）是一種只需要少量訓練樣本的機器學習方法[13]。人工數據增強[14]是FSL中能夠有效緩解過擬合問題的方法之一。Ma等[15]提出了一種基于合成少數過采樣技術（SMOTE）的方法，可以有效改善在傳統方法由于類別樣本數量較少而導致的精度不高的問題。

SMOTE是一種常用的人工樣本合成方法，其通過在少數樣本之間進行線性插值來實現新樣本的生成，其將占比多的一方與離它最近的占比少的另一方配對，將這個配對刪去，更有利于樣本的分類。

Wu等[16]使用了一種新的過采樣技術Radius-SMOTE，強調基于安全半徑距離創建合成數據的初始選擇方法，可以有效提高系統判別的準確率。

本文提出一種基于瑞利散射的分布式聲傳感系統對OLTC故障進行實時監測，相較于點式傳感器，分布式聲傳感器具有極好的抗電磁干擾能力，同時由于變壓器園區里有諸多OLTC變壓器件，選擇分布式聲傳感器可以同時檢測各個變壓器的運行狀態，進一步實現智能電網監測要求。由于OLTC故障發生的低概率性，導致難以獲得足夠多的故障數據量，為提高數據多樣性，增強系統性能，本文在算法方面進一步提出了一種基于k-means SMOTE的數據增強方法，可以有效提高小樣本數據量，進而優化系統性能，并將增強后的數據送入CNN-LSTM的網絡架構。選用CNN-LSTM的原因在于DAS系統采集率高達20 kHz，導致DAS系統采集到的信息數據都是長序列數據，而CNN-LSTM可以很好地解決長序列問題。對于數據采集與增強的方法如下：首先，采集設備故障運行和設備正常運行的數據量。其中某些數據量是充足的，例如被測系統正常運行時，此為多數類別；而有些類型的數據量是不充足的，例如當被測系統發生故障時，此為少數類別。其次，將采集到的數據集通過k-mean SMOTE方法進行數據量擴展，使得少數類別數據量可以達到多數類數據量。最后，將所得數據集作為預訓練輸入CNN-LSTM網絡，用于數據訓練。

1 原理與方法

1.1 分布式聲傳感器

本文采用的DAS系統的實驗設置如圖1所示，選取線寬約3 kHz的窄線寬激光器作為光源，激光器發出的連續光經隔離器進入聲光調制器（AOM）調制成脈沖信號，脈沖信號的重復頻率為20 kHz，脈寬為50 ns的脈沖方波信號；之后，調制后的脈沖光進入摻鉺光纖放大器1進行脈沖放大，摻鉺放大器1內置有濾波器，可以濾除放大器的自發輻射噪聲，放大后的脈沖信號經環形器1進入傳感光纖。后向瑞利散射信號經傳感光纖返回進入另一個摻鉺光纖放大器2進行放大。放大后的后向瑞利散射信號經過另一個環形器2進入非平衡邁克爾遜干涉儀，其由3×3耦合器和兩個法拉第旋轉鏡組成，法拉第旋轉鏡用于反射經過3×3耦合器的后向瑞利散射光，反射回的瑞利散射光信號由3個探測器（PD）進行探測，最后由數據采集卡采集并在計算機（PC）中處理[17]。數據采集卡的采樣頻率為100 MHz，掃描頻率為20 kHz，聲光調制器頻移為200 MHz，脈沖帶寬為50 ns，傳感光纖為G652單模光纖，長度約為200 m，覆蓋在OLTC頂部和外壁上。

本實驗設置故障事件為小類別事件。故障事件的樣本數量只有24個，正常樣本有9 084個。在此，每個樣本采集的時間為1 s，由于發生故障事件必須及時進行維護，因此只取1 s的反應時間以保證設備的安全運行。PD將采集到的后向瑞利散射信號作為數據矩陣的一行，其中行是指某一時刻內的所有位置信息，列指某一位置所有的時間信息，可理解為橫行表示空間域，縱列表示時間域。經過解調相位信息，得到每個點在每個時刻的具體信息。再將保存的信息由labview讀取，作為原始數據集的輸入。

1.2 數據采集方法

對于實驗數據，為了驗證對小樣本事件的識別，將小樣本事件設置為一個短時沖擊信號。在實驗室模擬了OLTC設備故障信號的發生。實驗設備有封閉水箱一個，內部安放揚聲器，揚聲器連接信號發生器，同時將光纜放置在密閉水箱的管壁周圍和密閉水箱的頂部，將信號發生器頻率設置為600 Hz，幅值設置為8 V，采集時長為1 s的樣本，信號發生器發出信號后通過揚聲器將信號發出，共發出24次，設為24個樣本數，并將此樣本設為小樣本事件；隨后設置信號發生器頻率為20 Hz，幅值為6 V，將此事件設置為正常運行狀態，取9 024 s，每1 s為一個樣本，共9 024個樣本數；并通過布置在水箱周圍的分布式光纖傳感器進行信號采集，并進行數據存儲，隨后對數據進行處理與分析。

1.3 數據增強方法

當少數類別事件發生時，基于深度學習的類識別方法由于缺少對小類樣本數據分析的信息，因此對少數類別事件的識別能力較差。而數據增強可以改善這個問題，傳統的數據增強手段有SMOTE，基于k-means的SMOTE數據增強手段等[18]。在此采用基于k-means的SMOTE數據增強進行改進，一般的k-means聚類手段應用于少數類別事件內，只保留少數類樣本比例高的聚類，將比例低的聚類刪除，此方法對于SMOTE算法有很大的改進。在此將k-means聚類后的結果在進行SMOTE改進，按照k-means聚類后的比例進行數據擴充，使得SMOTE后的數據仍然與k-means聚類后的類別比相同，這極大地保留了少數類別事件的特征。基于k-means的SMOTE數據增強算法[19]過程如下。

步驟一 選擇1 s為樣本長度，分別將故障數據與正常數據切片，構成原始數據集。

步驟二 將原始數據集取出一部分數據，作為驗證集，其余作為訓練集和測試集。

步驟三 將訓練集數據單獨取出，對其中的小類別事件的數據進行k-means聚類分析，其是最常用的基于歐式距離的聚類算法，具體過程為：

（1） 導入數據，通過輪廓系數法獲取相對最好的k值。輪廓系數法的核心指標輪廓系數S為

（2） 初始化聚類中心，常使用隨機數；

（3） 計算每個點到K個聚類中心的距離，即歐氏距離，根據距離最小原則將數據分配到K個類中；

（4） 利用K個類中數據，計算并更新均值更新K個聚類中心；

（5） 重復步驟（3）～（4），直到收斂。

步驟四 將聚類后的數據進行SMOTE算法分別進行數據擴充，SMOTE算法流程圖見圖2，其中圖2（b）是對原始數據進行SMOTE數據增強，將原始數據的數據量進行擴充，用小類別數據集中的相鄰點相連接，紅線為兩個點相連線，中間為新生成的數據，然后得到新的數據集。

經過擴充之后，小樣本數據集從原始的24個樣本增到9 024個樣本，與正常樣本的數目相同，再將所得的數據作為訓練集輸入給CNN-LSTM網絡，進而提高DAS系統的判準率。

2 神經網絡結構

2.1 整體網絡結構

基于k-means Smote CNN-LSTM的DAS系統識別方法概述的網絡整體結構圖如圖3所示，主要包括4個步驟：（1）信號采集；（2）數據擴充；（3）模型調試；（4）在線測試。選取DAS系統采集的振動位置的時域信號作為原始數據。由于多數類別事件的數據量足夠多，可以直接作為CNN-LSTM系統的數據集，對于少數類別事件，則需要進行k-means SMOTE數據擴充，最后將擴充后的數據與多數類別事件一起作為數據集送入CNN-LSTM網絡。

將擴充后的數據集作為CNN-LSTM的原始數據集，由于故障樣本數較少，單憑準確率不能說明建立系統的優越性，尤其是在OLTC故障檢測中，若發生故障而系統并沒有監測出來，這對于OLTC的傷害是極大且不可逆的。所以本論文選取混淆矩陣作為系統性能的判別指標，混淆矩陣的判別結果如表1所示。

其中預測結果為真，可以理解為預測沒有發生故障，且實際結果也為真時，即實際結果沒有發生故障，我們將這類判別情況為TP。預測結果為真，即預測沒有發生故障，而實際結果為假，即實際發生了故障，那么我們將這類情況判別為FP。而預測為假，即預測為發生了故障，而實際結果為真，即沒有發生故障，將此類別判別為FN。預測為假，即預測為發生了故障，而實際結果為假，即發生故障，將此類別判別為TN。

此外，我們定義精確率= TP/（TP+FN），召回率=TP/（TP+FP）。式中精確率表示預測對的比率，而召回率表示對于發生故障的事件在預測中的準確率。由于OLTC故障發生后對于電力系統的危害過大，所以在本文中更加重視召回率指標。

2.2 CNN-LSTM網絡結構

卷積神經網絡是一類特殊的人工神經網絡，其最主要的特點是卷積運算操作。卷積神經網絡主要由卷積層和池化層組成。卷積層能夠保持圖像的空間連續性，能將圖像的局部特征提取出來。池化層可以采用最大池化或平均池化，池化層能降低中間隱含層的維度，減少接下來各層的運算量，并提供了旋轉不變性。長短時記憶網絡在輸入、輸出、忘記過去信息上分別加入了輸入門、輸出門、遺忘門來控制允許多少信息通過。而CNN-LSTM則是將CNN處理之后連接LSTM，將CNN的輸出作為長短時記憶網絡的輸入，再進行網絡模型的訓練。由于我們的數據集是時間序列的數據集，在CNN 進行卷積處理后再由LSTM處理可以更好地解決時序問題，提高模型的精準率，圖4為CNN-LSTM網絡架構。

在本文中，采集到的數據集一共有多數類別事件和少數類別事件。對采集到的少數類別事件進行數據擴充操作，而將采集到的多數類別事件的數據集直接作為原始數據集進行操作。需注意的是，將采集到的數據提前取出一部分作驗證集，用擴充后的數據作為模型訓練用的數據集，訓練后的模型再用從未見過的數據進行測試，以此驗證系統的性能。

3 實驗結果與分析

基礎數據集共有一個多數類別和一個少數類別事件作為CNN-LSTM的輸入數據。為了對比更加明顯，一共分設4種訓練類別。在此，混淆矩陣都是測試集的訓練結果，最終得出如圖5所示的4種混淆矩陣的結果，其中0代表為正常運行狀態，1代表故障運行狀態，圖5（a）代表為無k-means SMOTE的ANN網絡中真實狀態為正常運行的共有9 084個樣本，預測結果為正常運行的有9 080個樣本，故障狀態共有24個樣本，預測為正常運行的有12個樣本。圖5（b）為無k-means SMOTE的CNN-LSTM網絡，正常運行的共有9 084個樣本，預測結果為正常運行的有9 081個樣本，故障狀態共有24個樣本，預測為正常運行的有24個樣本。圖5（c）為經過k-means SMOTE的ANN網絡，正常運行的共有9 084個樣本，預測結果為正常運行的有9 084個樣本，故障狀態共有24個樣本，預測為正常運行的有22個樣本。圖5（d）為經過k-means SMOTE[JP]的CNN-LSTM網絡，正常運行的共有9 084個樣本，預測結果為正常運行的有9 084個樣本，故障狀態共有24個樣本，預測為正常運行的有24個樣本。

根據上圖所得的混淆矩陣圖像，可以得出4種不同網絡結構預測結果的精確率、召回率、準確率、F1值，見表2。

從表2可以得出，經過SMOTE的CNN-LSTM網絡結構所取得的結果是最好的，無論是識別率還是召回率都可以達到100%，意味著在面臨不均衡樣本的條件下，可以取得很好的識別效果。

4 總結

由于有載變壓器系統具有短時沖擊，發生故障的頻率低等特點，所以如何擴充故障樣本集并實現對故障運行狀態的檢測是難點問題。本文通過k-means SMOTE方法擴充了樣本集，同時由于實驗數據量過大而采用了CNN-LSTM深度學習的處理方法，可以有效實現對于故障事件的識別，同時本文首次將分布式光纖傳感系統應用到有載調壓開關監測方向，經過實驗室模擬試驗，通過DAS采集到OLTC的模擬故障數據與正常運行數據，再通過k-means SMOTE算法增強故障數據集，最終將所有數據集送入到自行搭建的CNN-LSTM網絡中，對于故障的識別率可以達到100%，這對于OLTC的故障識別具有極大的提高，表明了將DAS系統應用到OLTC是可行的，具有開創意義，為將來DAS應用于OLTC提供了指導意義。

參考文獻：

［1］林明霞. 一種實現φ-OTDR系統長距離監測的方法及系統：CN201410817348.X [P]. 2015-03-25.

[2]張知先， 陳偉根， 湯思蕊， 等. 基于互補集總經驗模態分解和局部異常因子的有載分接開關狀態特征提取及異常狀態診斷[J]. 電工技術學報， 2019， 34（21）： 4508-4518. DOI： 10.19595/j.cnki.1000-6753.tces.181320.

[3]聶鵬. 淺談電力變壓器故障分析及其診斷方法[J]. 科技創新與應用， 2014（12）：121.

[4]石秀立.基于振動信號特征的有載分接開關機械故障診斷策略研究[D].焦作：河南理工大學，2018.

[5]鐘龍申，高學軍，王振友. 一種新的基于K-means改進的SMOTE算法在不平衡數據分類中的應用[J]. 數學的實踐與認識， 2015， 45（19）：198-206.

[6]趙彤. 有載分接開關機械狀態的在線監測與故障診斷技術研究[D]. 濟南： 山東大學， 2008.

[7]SHI Y， WANG Y Y， WANG L Y， et al. Multi-event classification for Φ-OTDR distributed optical fiber sensing system using deep learning and support vector machine[J]. Optik， 2020， 221： 165373. DOI： 10.1016/j.ijleo.2020.165373.

[8]SUN Q， FENG H， YAN X Y， et al. Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]. Sensors （Basel， Switzerland）， 2015， 15（7）： 15179-15197. DOI： 10.3390/s150715179.

[9]孫鋼. 基于SVM的入侵檢測系統研究[D]. 北京： 北京郵電大學， 2007.

[10]JIA H Z， LIANG S， LOU S Q， et al. A k-nearest neighbor algorithm-based near category support vector machine method for event identification of φ-OTDR[J]. IEEE Sensors Journal， 2019， 19（10）： 3683-3689. DOI： 10.1109/JSEN.2019.2891750.

[11]ZHANG T， LI Z N， ZHU Q， et al. Improved procedures for training primal Wasserstein GANs[C]//2019 IEEE SmartWorld， Ubiquitous Intelligence & Computing， Advanced & Trusted Computing， Scalable Computing & Communications， Cloud & Big Data Computing， Internet of People and Smart City Innovation （SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI）. Leicester， UK. IEEE， 2020： 1601-1607. DOI： 10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00286.

[12]WU H J， CHEN J P， LIU X R， et al. One-Dimensional CNN-Based Intelligent Recognition of Vibrations in Pipeline Monitoring With DAS [J]. Journal of Lightwave Technology， 2019， 37（17）： 4359-4366. DOI：10.1109/JLT.2019.2923839

[13]SNELL J， SWERSKY K， ZEMEL R S. Prototypical networks for few-shot learning[EB/OL]. 2017： arXiv： 1703.05175. https：//arxiv.org/abs/1703.05175.

[14]吳飛. 人工智能： 從規則學習， 到數據驅動， 再到能力增強[J]. 杭州科技， 2017（2）： 51-53.

[15]MA G M， SHI C， QIN W Q， et al. A non-intrusive electrical discharge localization method for gas insulated line based on phase-sensitive OTDR and Michelson interferometer[J]. IEEE Transactions on Power Delivery， 2019， 34（4）： 1324-1331. DOI： 10.1109/TPWRD.2019.2892306.

[16]WU L W， HUANG S S， WU F， et al. Protein subnuclear localization based on radius-SMOTE and kernel linear discriminant analysis combined with random forest[J]. Electronics， 2020， 9（10）： 1566. DOI： 10.3390/electronics9101566.

[17]張俊楠， 婁淑琴， 梁生. 基于SVM算法的φ-OTDR分布式光纖擾動傳感系統模式識別研究[J]. 紅外與激光工程， 2017， 46（4）： 219-225. DOI： 10.3788/IRLA201746.0422003.

[18]劉明山， 于艷玲， 周原， 等. 基于k-means改進的SMOTE算法： CN110852388A[P]. 2020-02-28.

[19]沈艷， 余冬華， 王昊雷. 粒子群k-means聚類算法的改進[J]. 計算機工程與應用， 2014， 50（21）： 125-128. DOI： 10.3778/j.issn.1002-8331.1401-0357.