基于油液分析的變壓器健康狀態(tài)評(píng)估

王磊， 陳長(zhǎng)征

（沈陽(yáng)工業(yè)大學(xué) 機(jī)械工程學(xué)院，沈陽(yáng)110870）

0 引 言

電力變壓器是電力系統(tǒng)的重要組成部分，長(zhǎng)期以來，對(duì)變壓器運(yùn)行穩(wěn)定性的判斷是通過定期檢修來實(shí)現(xiàn)的，由此產(chǎn)生的維修過剩和維修不足給社會(huì)帶來了巨大的經(jīng)濟(jì)損失。因此，為了降低變壓器運(yùn)行風(fēng)險(xiǎn)，準(zhǔn)確判斷變壓器健康狀態(tài)，保證變壓器安全可靠地運(yùn)行，變壓器檢修模式由定期檢修向狀態(tài)檢修過渡已成必然趨勢(shì)。

變壓器健康狀態(tài)評(píng)估是狀態(tài)檢修的基礎(chǔ)，只有通過準(zhǔn)確預(yù)測(cè)變壓器健康狀態(tài)，做出合理的檢修方案，才能保證變壓器安全穩(wěn)定地運(yùn)行。目前，國(guó)內(nèi)外學(xué)者已經(jīng)提出了很多有成效的變壓器健康狀態(tài)評(píng)估方法，文獻(xiàn)[1]通過主觀賦予權(quán)重的方法，中和油中溶解氣體因子和油特性試驗(yàn)因子得到變壓器健康指數(shù)，利用健康指數(shù)判斷變壓器健康狀態(tài)，但由于主觀性較大，變壓器健康狀態(tài)預(yù)測(cè)準(zhǔn)確度較低；文獻(xiàn)[2]根據(jù)油中溶解氣體所測(cè)特征量，基于BP神經(jīng)網(wǎng)絡(luò)算法來判斷變壓器健康狀態(tài)，當(dāng)網(wǎng)絡(luò)隱藏層較多時(shí)，BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)局部最優(yōu)解的現(xiàn)象，導(dǎo)致變壓器健康狀態(tài)預(yù)測(cè)準(zhǔn)確率較低；文獻(xiàn)[3]研究了模糊評(píng)估算法在變壓器狀態(tài)評(píng)估中的應(yīng)用，但該方法對(duì)變壓器數(shù)據(jù)樣本要求較高，且不適合單個(gè)數(shù)據(jù)樣本預(yù)測(cè)；文獻(xiàn)[4]探討了支持向量機(jī)對(duì)變壓器健康狀態(tài)的評(píng)估，但該方法在大樣本多分類的情況下預(yù)測(cè)準(zhǔn)確率較低。

隨著大數(shù)據(jù)時(shí)代的到來，深度學(xué)習(xí)被證明對(duì)原數(shù)據(jù)有強(qiáng)大的表征能力。因此，本文以變壓器絕緣油中的CH4、C2H6、C2H4、CO2、C2H2、CO、H2濃度值和油中的糠醛含量、酸值、油擊穿電壓、介質(zhì)損耗、水含量作為反映變壓器健康狀態(tài)的特征參量，利用變壓器特征參量的歷史數(shù)據(jù)，通過主觀賦予權(quán)重法和模糊C均值算法得到訓(xùn)練樣本集和測(cè)試樣本集，根據(jù)歷史數(shù)據(jù)樣本構(gòu)建基于深度自編碼網(wǎng)絡(luò)的變壓器健康狀態(tài)評(píng)估模型。分析了不同網(wǎng)絡(luò)結(jié)構(gòu)的診斷效果。

1 特征參量分析

根據(jù)國(guó)內(nèi)變壓器多年來運(yùn)行試驗(yàn)及事故等數(shù)據(jù)表明，70%左右變壓器故障是由絕緣故障引起的。油中溶解氣體和油特性試驗(yàn)在不需停電的情況下，就可以得到變壓器絕緣油的數(shù)據(jù)，判斷變壓器的故障程度和老化程度。油中溶解氣體分析法是通過監(jiān)測(cè)變壓器運(yùn)行過程中產(chǎn)生的故障氣體的濃度來判斷變壓器故障的程度，變壓器故障氣體為CH4、C2H6、C2H4、CO2、C2H2、CO、H2。

油特性試驗(yàn)法是通過監(jiān)測(cè)變壓器絕緣油的狀態(tài)量來判斷變壓器絕緣老化狀態(tài)。變壓器的狀態(tài)量為酸值、糠醛含量、油擊穿電壓、介質(zhì)損耗、水含量。因此，變壓器通過油中溶解氣體分析檢測(cè)的故障氣體濃度及油特性實(shí)驗(yàn)分析檢測(cè)的狀態(tài)量能夠較好地反映變壓器的健康狀態(tài)。

2 深度自編碼網(wǎng)絡(luò)

2.1 自編碼網(wǎng)絡(luò)

如圖1所示，自編碼網(wǎng)絡(luò)分為編碼過程和解碼過程，輸入層到隱藏層為編碼過程，隱藏層到輸出層為解碼過程。從輸入層到隱藏層的編碼過程為：

圖1 自編碼神經(jīng)網(wǎng)絡(luò)模型示意圖

式中：W為m×n的權(quán)值矩陣；b為輸入層的偏置向量；f (·)為sigmoid函數(shù)。

從隱藏層到輸出層的解碼過程為

式中：W1為k×m的權(quán)值矩陣；b1為隱藏層的偏置向量。

自編碼網(wǎng)絡(luò)的目標(biāo)是利用誤差函數(shù)使輸入和輸出盡量相近：

式中：c為數(shù)據(jù)樣本個(gè)數(shù)。

通過反向傳播最小化誤差函數(shù)，得到自編碼網(wǎng)絡(luò)最優(yōu)的權(quán)值和偏置，為建立深度自編碼網(wǎng)絡(luò)模型做準(zhǔn)備，權(quán)值和偏置的優(yōu)化原理為式（5）和式（6）：

2.2 降噪自編碼網(wǎng)絡(luò)

降噪自編碼網(wǎng)絡(luò)是通過在輸入數(shù)據(jù)中加入噪聲數(shù)據(jù)來訓(xùn)練稀疏自編碼網(wǎng)絡(luò)，由于噪聲數(shù)據(jù)的作用使自編碼網(wǎng)絡(luò)學(xué)習(xí)的數(shù)據(jù)特征更具有魯棒性，其網(wǎng)絡(luò)原理如圖2所示。首先，使用隨機(jī)概率將原始數(shù)據(jù)x中某些值置為0得到含有噪聲數(shù)據(jù)的x1，根據(jù)自編碼網(wǎng)絡(luò)編碼解碼原理，利用含有噪聲數(shù)據(jù)的x1，得到編碼數(shù)據(jù)h和解碼數(shù)據(jù)y，最后通過解碼數(shù)據(jù)y和原始數(shù)據(jù)x構(gòu)造誤差函數(shù)，通過反向傳播最小化誤差函數(shù)，得到最優(yōu)的網(wǎng)絡(luò)權(quán)值和偏置。

圖2 降噪自編碼網(wǎng)絡(luò)原理示意圖

2.3 SoftMax分類器

SoftMax分類器是解決多分類問題的，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。第一層網(wǎng)絡(luò)是SoftMax分類器的輸入層，第二層網(wǎng)絡(luò)是SoftMax分類器的輸出層。其原理為：

圖3 SoftMax網(wǎng)絡(luò)結(jié)構(gòu)圖

式中：x為輸入數(shù)據(jù)向量；W為輸入層到輸出層神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣；b為輸入層神經(jīng)網(wǎng)絡(luò)偏置向量；Z為模型參數(shù)；n為分類數(shù)；x為訓(xùn)練數(shù)據(jù)樣本；yi為訓(xùn)練樣本數(shù)據(jù)x被識(shí)別為第i類的概率。

SoftMax分類器的目標(biāo)函數(shù)：

式中：m為訓(xùn)練數(shù)據(jù)樣本數(shù)；n為分類數(shù)；x(i)為第i個(gè)數(shù)據(jù)的樣本類別；l{·}為示性函數(shù)，當(dāng)括號(hào)中的條件為真時(shí)，示性函數(shù)值為l，當(dāng)括號(hào)中的條件為假時(shí)，示性函數(shù)為0。通過使目標(biāo)函數(shù)極小化得到網(wǎng)絡(luò)最優(yōu)的權(quán)值和偏置。根據(jù)最優(yōu)的權(quán)值和偏置向深度網(wǎng)絡(luò)模型中輸入新的數(shù)據(jù)，若輸出層第i個(gè)神經(jīng)元條件概率最大，則數(shù)據(jù)屬于第i類。

2.4 深度自編碼網(wǎng)絡(luò)模型

如圖4所示，深度自編碼網(wǎng)絡(luò)是由多個(gè)自編碼網(wǎng)絡(luò)堆疊和SoftMax分類器組成；是通過預(yù)訓(xùn)練得到自編碼網(wǎng)絡(luò)的初始權(quán)值和偏置，然后利用微調(diào)來確定網(wǎng)絡(luò)最優(yōu)的權(quán)值和偏置。預(yù)訓(xùn)練是通過無標(biāo)簽數(shù)據(jù)樣本對(duì)多個(gè)自編碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，首先將原始數(shù)據(jù)輸入第一個(gè)自編碼網(wǎng)絡(luò)，利用誤差函數(shù)確定網(wǎng)絡(luò)的最優(yōu)權(quán)值和偏置；然后將第一個(gè)自編碼網(wǎng)絡(luò)的隱藏層作為第二個(gè)自編碼網(wǎng)絡(luò)的輸入層，采取同樣的方式得到第二個(gè)自編碼網(wǎng)絡(luò)的最優(yōu)權(quán)值和偏置；反復(fù)進(jìn)行可以得到所有自編碼網(wǎng)絡(luò)的最優(yōu)權(quán)值和偏置，最終提取最后一個(gè)自編碼網(wǎng)絡(luò)的隱藏層作為深度特征。預(yù)訓(xùn)練完成后，深度自編碼網(wǎng)絡(luò)的權(quán)值和偏置被初步初始化。

圖4 深度自編碼網(wǎng)絡(luò)結(jié)構(gòu)示意圖

微調(diào)是通過有標(biāo)簽數(shù)據(jù)樣本對(duì)整個(gè)深度自編碼網(wǎng)絡(luò)進(jìn)行有監(jiān)督訓(xùn)練，應(yīng)用反向傳播算法，通過極小化SoftMax分類器的損失函數(shù)，得到整個(gè)網(wǎng)絡(luò)最優(yōu)的權(quán)值和偏置，強(qiáng)化自編碼網(wǎng)絡(luò)的特征提取能力。

3 算例分析

3.1 算例數(shù)據(jù)分析

本文搜集了800個(gè)不同健康狀態(tài)的變壓器數(shù)據(jù)樣本,每個(gè)數(shù)據(jù)樣本包括CH4、C2H6、C2H4、CO2、C2H2、CO、H2、酸值、油擊穿電壓、介質(zhì)損耗、水、糠醛等12個(gè)特征參量的值，取300個(gè)數(shù)據(jù)樣本作為深度自編碼網(wǎng)絡(luò)的無標(biāo)簽訓(xùn)練樣本，將剩余的500個(gè)數(shù)據(jù)樣本采用主觀賦予權(quán)重法和模糊C均值法制作有標(biāo)簽數(shù)據(jù)樣本。數(shù)據(jù)樣本訓(xùn)練集如表1所示。

表1 有標(biāo)簽數(shù)據(jù)樣本集

3.2 模型神經(jīng)網(wǎng)絡(luò)層數(shù)確定

在有標(biāo)簽數(shù)據(jù)樣本每個(gè)狀態(tài)類別中選取40個(gè)作為深度神經(jīng)網(wǎng)絡(luò)的微調(diào)數(shù)據(jù)集，以300個(gè)無標(biāo)簽樣本作為深度網(wǎng)絡(luò)的預(yù)訓(xùn)練集，網(wǎng)絡(luò)層數(shù)設(shè)定為1～8，根據(jù)不同的網(wǎng)絡(luò)層數(shù)得到不同的訓(xùn)練誤差，結(jié)果如圖5所示。由圖5可知，當(dāng)網(wǎng)絡(luò)層數(shù)超過5時(shí)，出現(xiàn)過擬合現(xiàn)象，因此網(wǎng)絡(luò)層數(shù)的最優(yōu)值為5。

圖5 自編碼網(wǎng)絡(luò)層數(shù)與訓(xùn)練誤差的關(guān)系

3.3 隱藏層節(jié)點(diǎn)個(gè)數(shù)的確定

深度自編碼網(wǎng)絡(luò)的輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)是確定的，中間隱藏層節(jié)點(diǎn)個(gè)數(shù)是不確定的，為了確定隱藏層節(jié)點(diǎn)個(gè)數(shù)，對(duì)不同網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，結(jié)果如圖6所示。由圖6可知，網(wǎng)絡(luò)性能最好的結(jié)構(gòu)是12-9-8-7-5。

圖6 隱藏層節(jié)點(diǎn)與訓(xùn)練誤差的關(guān)系

3.4 噪聲數(shù)據(jù)對(duì)網(wǎng)絡(luò)性能的影響

降噪編碼器由于噪聲數(shù)據(jù)的作用使自編碼網(wǎng)絡(luò)學(xué)習(xí)的數(shù)據(jù)特征更具魯棒性，因此，基于上述的網(wǎng)絡(luò)層數(shù)和網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)在網(wǎng)絡(luò)輸入層數(shù)據(jù)中加入噪聲數(shù)據(jù)，觀察加入噪聲數(shù)據(jù)后的網(wǎng)絡(luò)性能，結(jié)果如圖7所示。由圖7可知，當(dāng)噪聲數(shù)據(jù)為輸入層數(shù)據(jù)的一半時(shí)，網(wǎng)絡(luò)性能最好。

圖7 噪聲數(shù)據(jù)個(gè)數(shù)與訓(xùn)練誤差的關(guān)系

3.5 對(duì)模型效果進(jìn)行評(píng)估

綜合以上分析，采取5層神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)分別為12、9、8、7、5，每組輸入數(shù)據(jù)隨機(jī)加入6個(gè)噪聲數(shù)據(jù)，對(duì)深度自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在500個(gè)有標(biāo)簽數(shù)據(jù)樣本中隨機(jī)選取200個(gè)數(shù)據(jù)樣本作為網(wǎng)絡(luò)性能評(píng)估的數(shù)據(jù)樣本集，評(píng)估結(jié)果如圖8所示，結(jié)果表明網(wǎng)絡(luò)性能良好。

圖8 變壓器健康狀態(tài)預(yù)測(cè)效果示意圖

3.6 基于相同數(shù)據(jù)集與其它方法對(duì)比

在500個(gè)有標(biāo)簽數(shù)據(jù)樣本中，隨機(jī)選取200個(gè)數(shù)據(jù)樣本作為測(cè)試樣本，采用本文所建立的網(wǎng)絡(luò)算法、BP神經(jīng)網(wǎng)絡(luò) 算 法、SVM 三 種方法進(jìn)行測(cè)試對(duì)比。結(jié)果如表2所示。

表2 不同方法預(yù)測(cè)變壓器健康狀態(tài)的準(zhǔn)確率

4 結(jié)論

本文基于CH4、C2H6、C2H4、CO2、C2H2、CO、H2、油擊穿電壓、酸值、介質(zhì)損耗、水、糠醛等12種特征參量，根據(jù)建立好的數(shù)據(jù)訓(xùn)練樣本集建立了最優(yōu)的變壓器健康狀態(tài)評(píng)估模型。通過相同的變壓器數(shù)據(jù)樣本，分別應(yīng)用本文所述方法、BP神經(jīng)網(wǎng)絡(luò)算法、SVM等3種方法對(duì)變壓器健康狀態(tài)進(jìn)行預(yù)測(cè)，結(jié)果表明，本文所述方法預(yù)測(cè)精度遠(yuǎn)高于其他兩種方法，具有更好的預(yù)測(cè)功能。