基于全卷積神經網絡的變壓器故障診斷

季偉 胡偉

摘? 要：油中溶解氣體分析（DGA）是診斷變壓器故障的常用方法，能及時發現變壓器內部的潛伏性故障。為了減少卷積神經網絡的訓練參數，提出了一種基于全卷積神經網絡的變壓器故障診斷方法。將傳統卷積神經網絡中的全連接層用卷積層替代，實現了端對端的變壓器故障輸出。相較傳統卷積神經網絡提升了故障診斷準確率，有較強的實際意義。

關鍵字：變壓器;故障診斷;全卷積;神經網絡

中圖分類號：TM4 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）04-0120-02

Abstract： Dissolved gas analysis （DGA） in oil is a common method for diagnosing transformer faults， and it is possible to find the latent faults inside the transformer in time. In order to reduce the training parameters of convolutional neural network， a transformer fault diagnosis method based on full convolutional neural network is proposed. The fully connected layer in the traditional convolutional neural network is replaced with a convolutional layer and a pooling layer to achieve an end-to-end transformer fault output. Compared with the traditional convolutional neural network， it improves the accuracy of fault diagnosis and has strong practical significance.

Keywords： transformer; fault diagnosis; full convolution; neural network

引言

目前，我國已有較多的變壓器周轉時間超過一定年限，設備不可避免的出現老化從而引起故障隱患[1]。為了保證電力網的正常穩定運行必須及時準確地對變壓器故障進行診斷[2]。油中溶解氣體分析（dissolved gas analysis， DGA）是變壓器故障診斷常用方法。在此基礎上，本文提出基于全卷積神經網絡的變壓器故障診斷方法，用卷積層代替了全連接層，保留了卷積層的特性即局部連接和權值共享，可以很好的將網絡的權值參數進行簡化，提高了網絡的泛化能力。

1 全卷積神經網絡

卷積神經網絡的特征提取能力強，傳統卷積神經網絡通常由卷積層、池化層和全連接層組成。全卷積神經網絡用卷積層代替了傳統卷積神經網絡的全連接層，通過卷積層的局部連接和權值共享特性，進一步減少了網絡的訓練參數，可靠性也得到了提高。

1.1 卷積層

全卷積神經網絡的核心是卷積層，將前一層通過不同的卷積核對進行卷積運算可以得到下一層的卷積層。卷積核與前一層的局部感受也相連，具有局部特征提取和共享權值的特點[3]。因為全卷積的卷積層是局部連接，所以其所需要的權重參數比傳統全連接層的全連接需要的權重參數更少，基于此，全卷積神經網絡在提高了計算效率外還降低了模型的儲存要求。本文采用Relu函數作為激活函數，如式（1）所示。

（1）

上式中，zi經激活函數得到的輸出為yi。

1.2 池化層

池化層的作用是將卷積層提取到的特征進行降采樣，以此可以減少數據維度。數據經過池化層后可以將提取到的特征的節點數減少、壓縮特征并突出重要特征[4]。不僅使得網絡的復雜度降低，還減少了網絡的計算量。本文采用最大池化法將每個采樣區域的最大值作為池化層的輸出。

2 變壓器故障診斷方法

2.1 數據處理

網絡模型的輸入基于變壓器DGA數據，變壓器發生故障時主要會產生5種特征氣體，分別是CH4，C2H6，C2H4，C2H2，H2。變壓器的各種故障類型由發生故障時產生的5種特征氣體的含量來判定。變壓器的故障類型主要有低能量放電、高能量放電、局部放電、高溫過熱、正常和中低溫過熱6種類型，對6種故障類型進行編碼，如表1所示，并將6種不同的故障類型作為模型的輸出。每一個樣本數據是由5種特征氣體組成，輸入到網絡模型中的10×10二維矩陣是由每個樣本轉換而來的，獲取樣本數據具體實現步驟如下。

STEP1：任取一個樣本記X={x1，x2，…，x5}，對樣本的特征氣體值xi（i=1，2，3，4，5）的小數和整數部分分別進行二進制轉換;

STEP2：采用“除2取余、逆序排列”法將xi的整數部分轉換為10位二進制，采用“乘2取整，順序排列”法將xi的小數部分轉換為10位二進制;

STEP3：將轉換后整數部分和小數部分的二進制進行合并，即特征氣體值xi轉換為20位的二進制，樣本X轉換為5×20位的二進制;

STEP4：最后將5×20位的二進制轉換為10×10位的二進制作為模型的輸入。

2.2 全卷積神經網絡模型的搭建

本文搭建的全卷積神經網絡結構圖如圖1所示，網絡模型結構一共有6層，包括一個輸入層，三個卷積層（C1、C2、C3）和兩個池化層（P1、P2）。首先設置全卷積神經網絡模型的參數，卷積層C1、C2和C3的卷積核尺寸分別為3×3、2×2、1×1，卷積核的數量分別為32、64、100。池化層P1和P2均采用最大池化操作，卷積核尺寸均為2×2，卷積核的數量分別為32、64。

根據上述搭建好的全卷積神經網絡模型，將變壓器10×10位故障數據通過輸入層輸入到第一個卷積層，卷積層C1的輸出數據維度為8×8，池化層P1的輸出數據維度為4×4，以此類推，經過卷積層和池化層的交替傳輸，最終輸出一個單值數據，即預測的變壓器故障類型。

2.3 實例驗證

本文選取了300條變壓器特征氣體數據及其對應故障類型，數據均源自公開發表的相關文獻[5]。隨機預留20%的數據作為測試數據使用，其余數據作為訓練數據。基于TensorFlow深度學習框架實現了全卷積神經網絡模型的變壓器故障診斷，對于測試數據的故障診斷準確率達到95.62%。并將全卷積神經網絡（FCN）與傳統卷積神經網絡（CNN）進行對比分析。如表2所示，在相同數據集的情況下，FCN的變壓器故障診斷精度高于CNN的變壓器故障診斷精度。從而表明用卷積層代替全連接層，可以提升網絡的診斷分類準確率，進一步驗證了基于全卷積神經網絡的變壓器故障診斷模型的有效性。

表2 兩種算法的變壓器故障診斷精度

3 結束語

本文針對變壓器故障提出了基于全卷積神經網絡的診斷方法。在傳統卷積神經網絡的基礎上，傳統卷積神經網絡的全連接層用卷積層代替，利用卷積層的局部連接和權值共享的特性使得全卷積神經網絡的權值參數得到簡化，提高了網絡模型的泛化能力。與傳統卷積神經網絡模型相比，全卷積神經網絡的變壓器故障診斷精度高，實用性強。

參考文獻：

[1]中國電力企業聯合會.DL/T722-2014.變壓器油中溶解氣體分析和判斷導則[S].北京：中國電力出版社，2014.

[2]石鑫.基于深度學習的變壓器故障診斷技術研究[D].保定：華北電力大學，2016.

[3]朱興動，田少兵，黃葵，等.基于深度卷積神經網絡的艦載機目標檢測研究[J/OL].計算機應用：1-6[2019-12-24].http：//kns.cnki.net/kcms/detail/51.1307.TP.20191219.1526.002.html.

[4]高統林，朱堅民，黃之文.基于卷積神經網絡的滾動軸承故障診斷研究[J].農業裝備與車輛工程，2019（12）：1-9.

[5]尹金良.基于相關向量機的油浸式電力變壓器故障診斷方法研究[D].北京：華北電力大學，2013.