基于PMS的設備故障數據分析模型構建及仿真

楊廷勝　盧志鵬　苗厚利

摘要：針對現有設備故障檢測模型難以及時精確檢測或預測電力變壓器故障的問題，研究提出一種基于PMS的變壓器設備故障數據分析模型，并設計了一種基于LSTM網絡的變壓器故障預測方法。利用PMS采集的變壓器油中H、CH、CH、CH、CH、CO、CO此7種故障氣體濃度作為LSTM網絡訓練數據，構建7種不同故障氣體預測模型;通過實驗確定了不同故障氣體最佳預測模型的時間步與網絡結構;通過仿真對提出的模型進行驗證。結果表明：基于PMS的變壓器故障數據分析模型，通過LSTM網絡對故障數據進行分析，可有效預測40 d內變壓器故障氣體濃度，進而實現對變壓器故障的預測。該模型性能優于基于多變量的灰色預測模型GM（1，7），預測均方根誤差約為10%。

關鍵詞：PMS系統;變壓器;LSTM網絡;故障數據分析

中圖分類號：TP391 文獻標識碼：A 文章編號：1001-5922（2022）07-0165-06

Construction and simulation of equipment fault data

analysis model based on PMS

YANG Tingsheng LU Zhipeng MIAO Houli

（1.CNOOCIRAQ Ltd.， Beijing 100028， China; 2.Shenzhen Wrellreach Automation

Co.， Ltd.， Shenzhen 518057， Guangdong China）

Abstract：Aiming at the problem that the existing equipment fault detection models are difficult to detect or predict power transformer faults timely and accurately， a PMS based transformer equipment fault data analysis model is proposed， and a transformer fault prediction method based on LSTM network is designed. Seven fault gas concentrations of H， CH， CH， CH， CH， CO and CO in transformer oil collected by PMS are used as LSTM network training data to build seven different fault gas prediction models. The time step and network structure of the best prediction model for different fault gases are determined by experiments. Finally， the proposed model is verified by simulation. The results show that the analysis model of transformer fault data based on PMS and LSTM network can effectively predict the concentration of transformer fault gas within 40 days， therefore realize the prediction of transformer fault. The performance of the model is better than that of grey prediction model GM （1，7）， and the root mean square error is about 10%.

Key words：PMS system; transformer; LSTM network; fault data analysis

變壓器是電力系統的重要組成部分，其穩定運行是確保電力系統安全的基礎;為此，有必要確保電力變壓器始終處于正常運行狀態。然而，由于環境原因或某種原因，電力變壓器可能發生故障，導致電力系統供電受到一定影響。因此，為避免因變壓器故障帶來的電力問題，保障電力系統正常運行，需對變壓器是否故障進行診斷與預測。長期以來，變壓器的故障診斷通常為人工巡檢的方式，通過人工定期巡檢發現變壓器故障或潛在故障，并進行維修，保證變壓器的穩定。但這種方式不僅需要耗費大量的人力、財力、物力，同時存在無法精準預測變壓器潛在故障發生的時間問題。近年來，隨著深度學習發展以及自動化技術的廣泛應用，變壓器故障檢修逐漸趨于智能化。如利用變壓器設備發生故障時，變壓器油中溶解的氣體種類、濃度及比例會發生相應的變化，提出一種基于變壓器油色譜分析的檢測方法，有效實現了對變壓器故障的預測[1-3]。但通過研究發現，上述方法的故障數據集為靜態數據，導致模型預測值與實際值存在一定的差異。本研究利用具有龐大實時采集數據功能與管理能力的PMS系統，通過實時采集的變壓器故障氣體動態數據，構建了基于LSTM的變壓器設備故障數據分析模型，并通過仿真實驗驗證了該模型的預測效果。

1LSTM算法簡介

LSTM網絡是一種為解決循環神經網絡長期依賴問題的時間循環神經網絡，主要用于處理時間序列數據，以預測輸出變量的未來發展趨勢。其基本單元結構如圖1所示[4]。

2基于LSTM的變壓器故障數據分析模型構建

基于LSTM的變壓器故障數據分析模型實現流程首先是根據PMS采集的變壓器油中溶解的故障氣體濃度歷史數據，采用LSTM網絡模型對故障氣體濃度進行預測;然后根據預測的故障氣體濃度判斷變壓器故障發展趨勢。最后根據該趨勢判斷變壓器發生故障的類別和時間，即實現了對變壓器故障數據的分析預測。

3仿真實驗

3.1實驗平臺

本實驗在MATLAB軟件中進行仿真，在Windows10上進行操作。系統處理器選用Intel core i3，內存為2 G。

3.2數據來源及預處理

本實驗數據來自PMS采集的連續70 d內220 kV變壓器油中溶解的H、CH、CH、CH、CH、CO、CO此7種故障氣體濃度數據，共300組。隨機選擇其中80%（240組）數據樣本作為模型訓練樣本，剩余20%（60組）數據樣本作為測試樣本，并建立7個LSTM模型分別對7種故障氣體濃度進行預測。

考慮到LSTM模型中，輸入的故障氣體濃度數量級差異較大，容易導致較大的誤差。因此，研究對PMS采集到的故障氣體濃度數據樣本進行了歸一化處理。具體處理方法：

3.3評價指標

3.4參數設置

3.4.1時間步個數

時間步個數是影響LSTM模型預測效果的關鍵因素，因此有必要對預測模型的時間步進行確定[9]?？紤]到本研究7種故障氣體濃度預測模型構建方法類似，因此實驗以H濃度預測模型為例，確定其時間步個數。

設置LSTM網絡模型迭代次數為100，學習率為0.15，學習率調整因子φ=1.1、β=0.9，動量項為0.7，輸入層噪聲個數為3，每個時間步網絡結構為7-15-1，在不同時間步個數下，測試樣本的均方根誤差如圖3所示。

由圖3可知，隨著時間步的增加，測試樣本的均方根誤差迅速下降后趨于平穩。當時間步達到31 d時，測試樣本的均方根誤差逐漸增大。分析其原因是，當時間步小于31 d時，隨著樣本數據信息的增多，LSTM網絡模型的預測性能逐漸增強，故均方根誤差逐漸下降到最低后保持穩定;當時間步大于31 d時，樣本數據信息的增多導致LSTM模型出現過擬合現象，故導致均方根誤差出現上升趨勢。由此可以確定，H的LSTM預測模型最佳時間步個數為31。

3.4.2網絡結構

LSTM網絡結構決定了其性能的優劣。通常情況下，其網絡的隱藏層數越多，模型性能越好，但過多的隱藏層數容易導致模型過擬合，進而降低模型性能[10]。因此，為提高模型的預測性能，研究通過實驗對LSTM網絡結構進行了確定。以H預測模型網絡結構確定為例，設置迭代次數為100，學習率為0.13，學習率調整因子φ=1.15、β=0.95，動量項為0.5，輸入層噪聲個數為3時間步個數為31，構建1～6個不同隱藏層數目的LSTM模型，得到如圖4所示訓練誤差。

由圖4可知，當隱藏層數目小于3時，隨著隱藏層數目的增加，訓練誤差逐漸下降;當隱藏層數目大于3時，隨著隱藏層數目的增加，訓練誤差逐漸增大。由此說明，H預測模型的最佳隱藏層數目為3，LSTM網絡層數為5層。

設置LSTM網絡層數為5層，時間步為31，迭代次數為100，學習率為0.15，學習率調整因子φ=1.2、β=0.9，，動量項為0.，輸入層噪聲個數為3，采用不同網絡結構對測試樣本進行預測，得到不同網絡結構預測效果如圖5所示。

3.5結果與分析

3.5.1故障氣體濃度預測模型評估

為驗證本研究基于LSTM模型對變壓器故障預測的有效性，研究根據上述確定的最佳參數和結構，構建預測模型，并對PMS采集的故障氣體濃度進行預測，得到變壓器不同故障氣體預測值與真實值比較結果，具體如圖6所示。

由圖6可知，當預測時間在40 d以內時，預測值與實際值變化趨勢基本一致，擬合效果良好，說明本研究模型對變壓器故障預測效果良好;當預測時間超過40 d后，預測值與實際值的誤差較大，說明本模型對40 d后的故障氣體預測精度較低。

3.5.2模型對比

為進一步驗證提出的預測模型對變壓器油中溶解氣體預測有效性和優越性，研究對比了提出方法與多變量灰色預測模型的預測效果?？紤]到本實驗是以H、CH等7種濃度數據序列建立的灰色預測模型，因此，構建的灰色預測模型為GM（1，7）。2種預測模型對PMS采集的故障氣體濃度的預測結果如圖7所示。

由圖7可知，本研究提出的基于LSTM網絡的預測模型均方根誤差明顯低于GM（1，7）預測模型，約為10%。說明本研究預測模型可準確預測變壓器油中溶解的故障氣體濃度，進而實現對變壓器故障的預測，具有一定的優越性和有效性。

4結語

本研究基于LSTM的變壓器設備故障數據分析模型，通過以PMS采集的變壓器故障氣體數據建立LSTM預測模型，可良好預測40 d內變壓器故障氣體濃度，且預測值與實際值接近，擬合效果良好;相較于多變量的灰色預測模型GM（1，7），本研究提出的LSTM模型預測均方誤差更小，約為10%，具更好的預測性能。但因條件限制，本研究仍存在一些不足，主要表現在構建的變壓器故障LSTM預測模型計算量大、訓練耗時長兩方面。下一步，研究將從上述兩方面深入研究改進LSTM網絡，以減少模型的計算量，縮短模型訓練時長，進一步提高模型性能。

【參考文獻】

[1]陳錦鋒，張軍財，盧思佳，等.一種基于SAE-RF算法的配電變壓器故障診斷方法[J].電工電氣，2021（2）：17-23.

[2]明菊蘭，余璐靜，錢洲亥，等.絕緣油中溶解氣體在線監測裝置校驗定值系統的研制[J].理化檢驗（化學分冊），2021，57（2）：172-178.

[3]王佳琳，張磊，唐彬，等.一起500 kV自耦變壓器油色譜數據異常缺陷診斷及處理[J].廣西電力，2021，44（1）：77-81.

[4]趙楠，李潔.基于LSTM-SVM的隧道圍巖位移預測[J].公路，2021（6）：404-407.

[5]張松，李江濤，別東洋，等.一種基于單通道sEMG分解與LSTM神經網絡相結合的手勢識別方法[J].儀器儀表學報，2021，42（4）：228-235.

[6]張爭萬，吳迪，張春炯.基于多通道稀疏LSTM的蜂窩流量預測研究[J].計算機科學，2021，48（6）：296-300.

[7]林藝華.基于深度學習的高速公路交通流數據監控方法研究[J].粘接，2021，46（5）：182-186.

[8]王英潔，曹鐵男.基于改進Elman神經網絡的變壓器故障診斷方法[J].沈陽工業大學學報，2021，43（3）：254-258.

[9]謝樂，仇煒，李振偉，等.基于變分模態分解和門控循環單元神經網絡的變壓器油中溶解氣體預測模型[J].高電壓技術，2022，48（2）：653-660.

[10]李豐，姒天軍，何建明，等.一起220 kV變壓器套管滲油故障原因分析及處理[J].電瓷避雷器，2021（2）：90-94.