基于改進深度信念網絡的電力變壓器故障診斷研究

李輝 張志攀

摘要：針對傳統算法在變壓器故障診斷領域存在參數難以選取、準確率低、易誤判等缺點，提出一種基于改進深度信念網絡（IDBN）的電力變壓器故障診斷方法。在油中溶解氣體分析（DGA）基礎上，首先以IDBN無監督訓練方式重構原始數據特征，然后以有監督方式學習特征與故障類型之間的映射關系，最后將測試數據應用于模型并進行實驗。實驗結果表明，該方法不僅具有較高精度，而且在準確率方面優于傳統的人工神經網絡和支持向量機方法。因此，將改進深度信念網絡用于變壓器故障診斷具有較高的應用價值。

關鍵詞：改進深度信念網絡；變壓器故障；氣體分析；準確率

DOI：10.11907/rjdk.173159

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2018）007-0169-04

Abstract：Aimingattheshortcomingsoftraditionalalgorithmsincludingdifficultiestoselecttheparametersinthefieldoftransformerfaultdiagnosisaccuracyandlowfalsejudgment，weproposeanimprovedfaultdiagnosismethodofpowertransformerbasedonimproveddepthbeliefnetwork（IDBN）.Onthebasisofdissolvedgasanalysis（DGA）inoil，wereconstructtheoriginaldatacharacteristicsbyunsupervisedtrainingmethodofIDBN，andthenstudythemappingrelationshipbetweenfeaturesandfaulttypesinasupervisedmanner.Finally，thetestdataisappliedonthemodelandtheexperimentiscarriedout.Theresultsshowthattheproposedmethodnotonlyhashigherprecision，butalsooutperformsthetraditionalartificialneuralnetworkandsupportvectormachinesinaccuracy.Therefore，itisofpracticalvalueandpracticalsignificancetoimprovethedeepbeliefnetworkfortransformerfaultdiagnosis.

KeyWords：improveddeepbeliefnetwork；transformerfault；gasanalysis；accuracyrate

0引言

電力變壓器在電能轉換、分配、傳輸等方面起著決定性作用，一旦發生故障，其所在電網將發生大面積癱瘓。因此，對其故障的精準診斷顯得格外重要。通過對故障類型及故障位置的精準識別，可為工程師維修提供指導，從而保證電力系統的安全穩定運行。

現有的電力變壓器故障診斷方法主要分為兩大類[1]：一是基于實踐經驗的診斷方法；二是基于機器學習算法的診斷方法。第一類方法通過總結實踐經驗診斷故障，代表方法包括羅杰斯特法、三比值法等；第二類方法通過機器學習中的分類方法對與故障相關的數據進行分類，實現故障類型的自動識別，代表方法包括人工神經網絡（ArtificialNeuralNetwork，ANN）、支持向量機（SupportVectorMachine，SVM）、極限學習機（ExtremeLearningMachine，ELM）等。然而，現有方法依然存在一些缺點：第一類方法依賴于大量實踐經驗及系統性總結，第二類方法盡管不依賴于實踐經驗，但其中的每種分類方法都有一定局限性，如：ANN收斂不穩定，且容易震蕩[2]；SVM難以處理大量樣本，且在處理非線性分類問題時，核函數及參數難以選取[3]；ELM學習速度快、泛化性能強，但是不穩定[4]。上述3種分類算法均為淺層學習模型，在解決復雜非線性多分類問題時能力有限。

針對上述缺點，本文提出一種基于改進深度信念網絡（Improved-DeepBeliefNetwork，IDBN）的電力變壓器故障診斷方法，利用IDBN算法近似任意復雜非線性映射的能力，實現對數據分布的近似建模，從而達到對故障類型的準確識別。首先，以無監督方式，從數據中自動挖掘有效特征；其次，根據樣本標簽，采用有監督方式對網絡進行微調，以獲得最優的網絡參數；最后，根據調優模型對故障類型進行識別。通過工程實例，驗證了所提方法的有效性，并通過與經典分類算法的對比，證明了該方法的優越性。

1改進深度信念網絡原理

2006年，隨著Hinton[5-6]在深度信念網絡（DeepBeliefNetwork，DBN）研究領域取得巨大成功，深度學習開始成為人們關注的熱點，尤其是將深度學習應用于人工智能領域具有明顯優勢，如語音識別、圖像識別[7]、自然語言處理等。深度學習的廣泛應用取決于其獨特的網絡結構。

1.1限制玻爾茲曼機

限制玻爾茲曼機[8]（RestrictedBoltzmannMachine，RBM）是一種特殊的馬爾科夫隨機場（MarkovRandomField，MRF）。一個RBM是由一個隨機的隱含層（一般是伯努利分布）和一個隨機的可視層（一般是伯努利分布和高斯分布）構成的。RBM可用雙向圖表示，所有隱含層與可視層之間均存在連接，而隱含層層內和可視層層內之間不存在連接，即層內無連接，層間全連接。具體結構如圖1所示，其是一個兩層神經網絡，連接權重將可視層與隱含層連接，可視層接收輸入數據，根據式（1）計算隱藏層神經元的激活概率。

其中，h為隱含層神經元的值，v為可視層神經元的值，w為連接權重，b為偏置，f·為激活函數。本文選取relu函數作為激活函數。

1.2改進深度信念網絡結構及原理

深度信念網絡與傳統神經網絡在結構上并無太大差異，均是多層神經元在縱向的延伸，但由于傳統神經網絡隨著深度增加導致梯度消失，因而無法進行深度學習。Hinton提出的深度信念網絡，其本質是由多個RBM堆疊而成的神經網絡模型。本文提出的改進深度信念網絡（IDBN）算法是在深度信念網絡基礎上演變而來，其具體結構如圖2所示。IDBN主要架構由3個RBM堆疊而成，在傳統的深度信念網絡上增加了一層BN（BatchNormalization）[9]。其工作原理是首先將經過批量標準化處理（BN）的數據作為網絡輸入；其次將經過權重處理后的數據在進行函數激勵前，再進行批量標準化處理；然后將批量標準化處理的數據作為激勵函數的輸入，由此輸出新的特征，以避免由于新產生的特征數據分布太廣，導致施加于激勵函數的數據無法再現原始數據特征，從而使訓練出的模型性能降低；最后，在RBM的輸出端連接softmax函數，實現對故障的分類。

2改進深度信念網絡預訓練與優化過程

2.1預訓練過程

分別單獨訓練每一層RBM網絡，以確保特征向量映射到不同特征空間時，均盡可能地保留特征信息。在本文中，RBMh1可看作RBMh2的可見層，這里用v1……vn表示，第一個RBM的輸入層即整個模型的輸入層。通過將對比梯度算法作用于所有樣本，并訓練出h1；由于h2的可見層是h1隱含層，訓練起始于將數據導入v1可見層，通過前向傳播傳至h1層，然后作為h2隱含層訓練的初始數據。重復以上過程，便可預訓練出一個由多層RBM構成的多層感知機。

2.2優化過程

在IDBN最后一層設置BP網絡，接收RBM輸出的特征向量作為輸入向量。作為有監督訓練分類器，由于每層RBM層內的權值對該層特征向量達到最優，并不代表對整個IDBN的特征向量映射達到最優，所以反向傳播網絡還需將誤差信息自頂向下傳播至每層RBM，以微調整個IDBN網絡。RBM訓練過程可看作對一個深層BP網絡權值參數的初始化過程，使DBN克服傳統BP網絡因隨機初始化權值參數不當而陷入局部最優，并導致訓練時間過長等問題。

2.3改進深度信念訓練步驟

根據改進深度信念網絡的預訓練和優化過程，給出其具體訓練步驟：

步驟4：重復步驟2～3，直至迭代終止。

步驟5：將當前RBM神經元值進行批量標準化處理后作為下一個RBM的輸入，重復步驟2～5，直至所有RBM完成訓練。

步驟6：根據樣本標簽，采用梯度下降微調所有權重和偏置。

步驟7：利用訓練好的IDBN進行故障診斷。

3實驗分析

3.1數據描述與預處理

根據油中溶解氣體（DGA）分析法，本文選取C2H2/C2H4、CH4/H2、C2H4/C2H6的比值作為訓練樣本。為避免因數據差異過大導致某些重要數據特征丟失，首先對每種特征進行歸一化處理。假設樣本集X={x1，x2，…，xK}，其中xi∈R1×3為一個樣本，采用式（4）作歸一化處理。

其中，xNi為歸一化后的樣本，xmax∈R1×3為每個特征量最大值構成的向量，xmin∈R1×3為每個特征量最小值構成的向量。

3.2故障類型編碼

依據電力變壓器在運行過程中的狀態，將故障分為低能量放電故障、高能量放電故障、高溫過熱故障、中溫過熱故障、低溫過熱故障、局部放電故障6種類型，加上正常運行狀況，共有7種健康狀態，每種狀態下各200個樣本[10-12]，詳細編碼如表1所示。

3.3參數選取

由于IDBN的性能與參數選取直接相關，然而配置合適的參數并非易事。為獲得最優參數配置，本文采用網格化的搜索技術確定最優學習率alpha（α）及慣量參數m。其中，m從0.1～1每隔0.1取一個值，共取10個值，α=[1×10-2，5×10-3，1×10-3，5×10-4，1×10-4，5×10-5，1×10-5]，每種參數配置下的平均準確率如圖3所示。

由圖3可知，不同的參數配置對算法性能有較大的影響，根據實驗結果，得出當學習率為1E-5、慣量參數為0.3時，DBN性能達到最優，平均測試準確率為86.18%。因此，本文選取α=1×10-5m=0.3。

3.4方法對比分析

為證明本文提出方法的優越性，基于相同的訓練樣本和測試樣本，采用經典分類方法ANN和SVM進行實驗。ANN采取3-9-7的網絡結構，即隱藏層包含9個神經元，學習率為0.08，迭代次數為2000次。SVM選取徑向基核函數，懲罰系數為2048，核函數參數為0.03。由于是多分類問題，采取1對多的分類策略。10次實驗的平均結果如表2所示。

縱向對比3種方法可得，本文所提方法在相同訓練集上的診斷準確率優于傳統人工神經網絡（ANN）和支持向量機（SVM）方法。橫向對比不同規模比例的訓練集可得，隨著訓練樣本數增加，平均測試準確率也隨之升高。

3.5詳細分類結果

圖4給出7種故障的詳細分類結果，可以看出，第3種類型的故障識別率非常低，這是由于高能量放電和低能量放電故障類型相似，油中溶解氣體分析數據具有近似分布，因此導致87%的高能量放電故障被誤分為低能量放電故障。盡管誤分率非常高，但基于相似的故障類型，依然能夠為維修操作提供指導。在其它6種故障上，本文提出方法均能獲得高診斷準確率。

4結語

為獲得更高的診斷準確率，本文提出一種基于改進深度信念網絡（IDBN）的電力變壓器故障診斷方法。通過實驗分析，可得出以下結論：①基于相同數據集，本文提出方法的診斷準確率優于支持向量機和人工神經網絡兩個經典分類方法；②隨著訓練樣本集增加，所提方法的性能也隨之提高，因此在解決多分類的故障診斷問題時，需要采集足夠數量的樣本；③該方法是一種有效、可靠的電力變壓器故障診斷方法。

參考文獻：

[1]楊蕾.基于BP人工神經網絡的變壓器故障診斷[J].河南科技，2015，572（9）：136-138.

[2]王濤，王曉霞.基于改進PSO-BP算法的變壓器故障診斷[J].中國電力，2009，42（5）：13-16.

[3]尹娟，王媚，張金江，等.一種自主核優化的二值粒子群優化多核學習支持向量機變壓器故障診斷方法[J].電網技術，2012，36（7）：249-254.

[4]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.

[5]石鑫，朱永利.深度學習神經網絡在電力變壓器故障診斷中的應用[J].電力建設，2015，36（12）：116-122.

[6]ZHANGZP，ZHAOJS.Adeepbeliefnetworkbasedfaultdiagnosismodelforcomplexchemicalprocess[J].ComputersandChemicalEngineering，2017.

[7]李輝，石波.基于卷積神經網絡的人臉識別算法[J].軟件導刊，2017，16（3）：26-29.

[8][美]鄧力，[美]俞棟.深度學習：方法與應用[M].謝磊，譯.北京：機械工業出版社，2015.

[9]黃文堅，唐源.TensorFlow實戰[M].北京：電子工業出版社，2017.

[10]王福忠，邵淑敏，董鵬飛.變壓器油中氣體組分含量在線監測與故障診斷[J].河南理工大學學報：自然科學版，2015，34（3）：379-383.

[11]陳志勇，李忠杰.油中溶解氣體分析在變壓器故障診斷中的應用[J].變壓器，2011，48（2）：64-66.

[12]伊弘博.基于電力變壓器故障特征氣體的預測方法研究[D].青島：青島科技大學，2015.

（責任編輯：黃?。?/p>