基于深度學習算法的電力變壓器故障識別研究

孫葉， 唐琳， 蘇冰， 李玉華

(國網德州供電公司，山東 德州 253000)

0 引言

隨著人們生活水平的不斷提高，家里電器設備日益增多，每天的用電量也不斷增加，同時對電力系統的安全穩定性提出了更高的要求[1]。電力變壓器是電力系統的關鍵設備，其工作狀態直接決定了電力系統的性能。在電力變壓器的實際工作過程中，由于多種因素的影響和干擾，不可避免產生故障，變壓器一旦發生故障，可以導致電網大面積癱瘓，因此電力變壓器故障識別研究具有重要的實際價值[2-4]。

最初電力變壓器故障識別采用油中溶解氣體分析法，通過對變壓器油中溶解氣體確定電力變壓器故障類型，該方法簡單、實用，但是在實際應用中，還存在許多局限性，如經常會出現不能識別或者漏識別現象，電力變壓器故障識別結果不太可靠[5-6]。隨著人工智能技術的不斷發展，人們將其應用于電力變壓器故障識別和診斷中，出現了基于支持向量機、人工神經網絡、相關向量機等電力變壓器故障識別方法[7-9]，但是在實際應用中，這些方法均存在一定的缺陷，如人工神經網絡要求電力變壓器故障識別訓練樣本數量大，不然就會出現“過擬合”的電力變壓器故障識別結果，而且電力變壓器故障識別訓練過程收斂速度慢。支持向量機的電力變壓器故障識別結果良好，但是其訓練過程十分耗時，直接影響電力變壓器故障識別的實時性[10]。相關向量機的收斂速度雖然要快于人工神經網絡，但是電力變壓器故障識別正確率有待提升[11]。

極限學習機是一種深度學習算法，執行效率高，在電力變壓器故障識別中得到了廣泛的應用，輸入權值和隱含層偏置直接影響極限學習機的性能，而當前采用人工方式隨機確定輸入權值和隱含層偏置，使得電力變壓器故障識別準確率不高，為了更準確地對電力變壓器故障進行識別，構建了深度學習算法的電力變壓器故障識別方法，該方法結合了粒子群算法和極限學習機的優點，實驗結果表明，本文方法可以有效提升電力變壓器故障識別效果，相對于當前其他電力變壓器故障識別方法，優勢十分明顯。

1 深度學習算法的電力變壓器故障識別方法

1.1 深度學習算法

電力變壓器故障識別學習樣本數據為{xi,ti}，i=1,2,…,N，xi表示電力變壓器故障特征，ti表示電力變壓器故障類型，隱含層神經元數為m，激活函數為g(x)，極限學習機的輸出可以描述為式(1)。

(1)

式中，ωi表示輸入權值;βi表示輸出權值;bi表示隱含層偏置;oj表示電力變壓器故障識別的期望輸出。

通過極限學習機訓練，使得輸出誤差最小化，輸出誤差的計算式為式(2)。

(2)

式中，tj表示極限學習機輸出的輸出值。

βi、ωi與bi符合的收斂條件為式(3)。

(3)

采用矩陣形式對式(3)進行簡化，可以得到式(4)。

Hβ=T

(4)

式中，H表示隱含層的輸出矩陣，具體為式(5)。

H(ω1,…,ωN,b1,…,bN,x1,…,xN)=

(5)

對于任意的激活函數g()，隨機確定輸入權值ω和隱含層偏置b，通過極限學習機的學習和訓練，使極限學習機滿足式(6)。

(6)

式中，ε表示預先設置極限學習機的訓練誤差。

當激活函數無限可微時，輸出權值β可以通過式(7)進行確定。

(7)

最后輸出權值的解為式(8)。

β*=H+t

(8)

式中，H+為H偽逆矩陣。

確定了β、ω和b后，那么就完成了極限學習機的訓練，可以建立電力變壓器故障識別的分類器。

1.2 粒子群算法優化輸入權值和隱含層偏置

相對其他深度學習算法，極限學習機的學習速度更快、泛化能力更強，但是傳統極限學習機的ω和b采用隨機方式確定，使得極限學習機很難達到最優，這樣直接采用極限學習機對電力變壓器故障識別進行建模，會影響電力變壓器故障識別正確率，因此本文選擇粒子群算法對極限學習機的輸入權值和隱含層偏置進行優化，具體步驟如下。

Step1：根據電力變壓器故障識別的樣本確定極限學習機的輸入層、隱含層、輸出層的節點數量，從而確定極限學習機的基本結構。

Step2：確定粒子群的迭代次數，種群規模以及其他參數。

Step3：初始化粒子群，每一個粒子的位置與極限學習機的輸入權值和隱含層偏置相對應。

Step4：計算電力變壓器故障的目標輸出和極限學習機的實際輸出之間的誤差，并將其作為粒子的個體適應度值。

Step5：依據個體的適應度值對粒子的歷史最優位置和群體最優位置進行更新。

Step6：更新粒子的速度和位置，迭代次數增加。

Step7：不斷重復上述步驟，直接滿足終止條件為止。

Step8：根據粒子群的最優位置得到極限學習機的最優輸入權值和隱含層偏置。

1.3 深度學習算法的電力變壓器故障識別步驟

為了提高電力變壓器故障識別正確率，提出了基于深度學習算法的電力變壓器故障識別方法，具體步驟如下。

1)電力變壓器故障主要分為過熱型和放電型，一旦電力變壓器出現故障，那么變壓器油中溶解氣體就會有所差異，因此采用變壓器油中各種溶解氣體成份含量作為電力變壓器故障識別特征。

2)采集相關數據，并對它們對應的電力變壓器故障類型進行標記。

3)由于變壓器油中各種溶解氣體成份含量差異較大，為減小差值對極限學習機帶來的不利影響，對它們進行初始數據歸一化處理。

4)將電力變壓器故障的樣本數據劃分為訓練數據和測試數據。

5)粒子群算法對極限學習機的輸入權值和隱含層偏置進行優化。

6)根據最優的輸入權值和隱含層偏置對電力變壓器故障訓練樣本進行訓練，建立電力變壓器故障識別的分類器。

7)將測試樣本輸入到電力變壓器故障識別的分類器中，獲得電力變壓器故障識別結果。

2 仿真實驗

2.1 仿真環境設置

為了驗證深度學習算法的電力變壓器故障識別方法的信號有效性，在相同的仿真環境下選擇文獻[11]的電力變壓器故障識別方法和文獻[12]的電力變壓器故障識別方法進行對比實驗，其中文獻[11]采用極限學習機建立電力變壓器故障識別的分類器，但是沒有采用粒子群算法確定輸入權值和隱含層偏置；文獻[12]選擇支持向量機建立電力變壓器故障識別的分類器，采用粗糙集理論提取電力變壓器故障識別特征，仿真環境設置如表1所示。

表1 電力變壓器故障識別的仿真環境設置

2.2 實驗樣本數據

為了測試電力變壓器故障識別方法的通用性，選擇5種類型的電力變壓器故障作為測試實驗對象，樣本數據分別如表2所示。每一種電力變壓器故障選擇10個樣本作為測試樣本，其他樣本作為電力變壓器故障識別的訓練樣本。

表2 電力變壓器故障類的樣本數量分布

2.3 電力變壓器故障識別效果分析

統計3種方法的不同類型電力變壓器故障識別正確率，結果如圖1所示。從圖1實驗結果可以看出，深度學習算法的電力變壓器故障識別正確率要高于文獻[11]方法和文獻[12]方法。統計電力變壓器故障的誤識率和拒識率，結果分別如圖2、圖3所示。對電力變壓器故障的誤識率和拒識率進行分析可以發現，深度學習算法提升了電力變壓器故障識別成功率，降低了電力變壓器故障識別錯誤率，體現了深度學習算法的電力變壓器故障識別優越性。

圖1 不同方法的電力變壓器故障識別正確率

圖2 不同方法的電力變壓器故障誤識率

圖3 不同方法的電力變壓器故障拒識率

2.4 電力變壓器故障識別時間對比

識別時間也是當前電力變壓器故障識別結果的重要指標，因為其直接影響電力變壓器故障識別效率，為此統計3種不同方法的電力變壓器故障識別時間，結果如圖4所示。從圖4可以看出，深度學習算法的電力變壓器故障識別時間平均值為6.58 ms，文獻[11]方法的電力變壓器故障識別時間平均值為9.94 ms，文獻[12]方法的電力變壓器故障識別時間平均值為18.22 ms，由此可見深度學習算法的電力變壓器故障識別時間顯著減少，加快了電力變壓器故障識別速度，可以滿足電力變壓器故障識別的實時性要求，與現代電力變壓器發展方向相符合，應用前景更加廣泛。

圖4 不同方法的電力變壓器故障識別時間

3 總結

為了提高電力變壓器故障識別正確率，提出了深度學習算法的電力變壓器故障識別方法，并通過仿真對比實驗可以得到如下結論。

(1)通過粒子群算法確定極限學習機的輸入權值和隱含層偏置，客觀設置了極限學習機的參數，加快了電力變壓器故障識別的速度。

(2)引入深度學習算法擬合特征和電力變壓器故障信號之間的變化關系，建立效果更好的電力變壓器故障識別分類器，電力變壓器故障識別效果遠遠優于當前其他電力變壓器故障信號識別方法，為電力變壓器故障識別研究提供了一種新的工具。