不平衡條件下基于WGAN-DT的變壓器故障診斷研究

摘? 要：變壓器作為電壓轉換設備，一旦發生故障，直接影響設備性能。然而在設備運行過程中，變壓器系統大多處于正常狀態，故障發生頻率較低，所監測到的正常狀態數據遠遠多于故障狀態數據，存在樣本不平衡問題。在變壓器系統故障診斷技術和不平衡樣本處理技術的基礎上，研究了基于Wasserstein生成對抗網絡與決策樹相結合的WGAN-DT故障診斷技術。結果表明，樣本平衡時，采用WGAN-DT模型在測試集上的故障診斷準確度高達96.00%。

關鍵詞：變壓器；故障診斷；不平衡數據；生成對抗網絡；決策樹

中圖分類號：TP39；TM432 文獻標識碼：A 文章編號：2096-4706（2023）12-0043-05

Research on Transformer Fault Diagnosis Based on WGAN-DT under Unbalanced Conditions

WANG Jin1，2

（1.School of Electronics and Information， Xi'an Polytechnic University， Xi'an? 710048， China;

2.State Grid Xi'an Gao Ling District Power Supply Company， Xi'an? 710299， China）

Abstract： As a voltage conversion device， a transformer can directly affect the performance of the device if it malfunctions. However， during the operation of the equipment， the transformer system is mostly in a normal state， with a low frequency of faults. The monitored normal state data is far more than the fault state data， resulting in sample imbalance issues. On the basis of transformer system fault diagnosis technology and imbalanced sample processing technology， WGAN-DT fault diagnosis technology based on Wasserstein generative adversarial network and decision tree is studied. The results indicate that the fault diagnosis accuracy of using the WGAN-DT model on the test set is as high as 96.00% when the sample is balanced.

Keywords： transformer; fault diagnosis; unbalanced data; generative adversarial network; decision tree

0? 引? 言

變壓器作為大型設備電源系統的關鍵組成部分，對機載用電設備的穩定性發揮著重要作用。隨著設備智能化、自動化的飛速發展，變壓器系統也呈現出大功率、不間斷的特點，表征變壓器系統的運行參數也呈現出海量、高維等特征。然而在設備運行過程中，變壓器系統大多處于正常狀態，故障發生頻率較低，所監測到的正常狀態數據遠遠多于故障狀態數據[1]，存在樣本不平衡的問題。

針對以上問題，通過Wasserstein生成對抗網絡（Wasserstein Generative Adversarial Network， WGAN）擬合數據的特點，構造用于訓練決策樹（Decision Tree， DT）故障診斷模型的增強樣本集，通過改善樣本集的不平衡情況來提升故障診斷效果。實驗結果表明，隨著生成樣本的增多，故障診斷準確度不斷提升，最高可達到96.00%。與經典的故障診斷模型和采樣方法相比，所提的WGAN-DT方法在不平衡樣本故障診斷問題上具有顯著優勢。

1? WGAN-DT基本理論

針對變壓器系統故障診斷領域存在的樣本不平衡問題，以及傳統重采樣方法存在的生成數據質量差、類間重疊度高、多樣性不足等問題[2]，提出一種基于WGAN-DT的故障診斷方法，對樣本不平衡條件下變壓器的故障類型進行準確分類。

1.1? WGAN

生成對抗網絡（Generative Adversarial Network， GAN）基于零和博弈的思想，生成器和判別器在雙方的對抗中不斷更新達到納什均衡。生成器和判別器的損失函數設置如式（1）和式（2）所示[3]：

其中：V（D， G）表示目標函數；D表示判別器；G表示生成器；x表示真實樣本的數據；z表示輸入的隨機噪聲，Pdata（x）表示x的數據分布，Pz表示z的數據分布。

GAN雖然能夠生成與真實樣本近似的生成樣本，但在實際應用中仍存在訓練過程不穩定、梯度消失等問題，且生成器生成的樣本缺乏多樣性，存在模式崩潰等問題。因此Arjovsky等人[4]將Wasserstein距離引入到判別器和生成器的損失函數中，用于度量兩個分布之間的距離，解決了GAN中KL散度和JS散度突變帶來的損失函數不連續、訓練不穩定以及模式崩潰等問題。

1.2? ?WGAN-DT

在各類DT模型中，C4.5算法[5]適于處理變壓器系統的連續型參數值，并根據各類參數的信息增益率選取各個節點的分類規則，因此選用C4.5算法構建用于變壓器系統故障診斷的DT模型，能夠有效提高變壓器系統的故障診斷準確度。

在采用故障診斷模型對變壓器系統的各類典型故障模式進行學習分類之前，使用WGAN生成各種少數類故障狀態樣本，增加故障狀態樣本的數量和多樣性，構造平衡數據集作為DT故障診斷模型的輸入，避免由于樣本不平衡而導致模型過擬合，提升變壓器系統的故障診斷準確度。不平衡樣本條件下基于WGAN-DT方法的變壓器故障診斷流程如圖1所示。

2? 不平衡樣本條件下基于WGAN-DT的故障診斷技術

將正常樣本作為多數類樣本，其余8類故障狀態作為少數類樣本，分別是變壓器電樞繞組單相開路故障、電樞繞組相間短路故障、電樞繞組單相對電機外殼短路故障、交流勵磁機電樞繞組單相開路故障、交流勵磁機電樞繞組相間短路故障、旋轉整流器單個二極管開路故障、交流勵磁機勵磁繞組開路故障、交流勵磁機勵磁繞組對電機外殼短路故障，以此構造不平衡數據集，作為后續基于WGAN-DT方法實現樣本不平衡條件下故障診斷的數據基礎。研究將不平衡比例設為100：1，開展不平衡樣本條件下的故障診斷技術研究。

按照一定的信噪比SNR向初始仿真數據加入噪聲，增加樣本的多樣性，進而保證WAGN方法生成的數據具有多樣性。

其中，PS表示信號能量，PN表示噪聲能量。

2.1? 基于WGAN的樣本生成模型構建

根據多層感知機實現非線性函數擬合的特點，構建WGAN的生成器和判別器，實現生成樣本真假判定值的非線性映射。WGAN算法的偽代碼如下：

WGAN算法：更新k次判別器后更新1次生成器（設置k = 3），生成器迭代次數為t。

1）隨機初始化生成器和判別器的參數θ0、w0。

2）輸入：少數類故障狀態樣本data，隨機噪聲數據z。

3）對0→t次迭代。

4）對0→k次迭代。

5）從故障狀態樣本data中選取m個樣本{x1， x2，…， xm}。

6）從噪聲數據z中選取m個樣本{z1， z2，…， zm}。

7）基于判別器損失值更新參數：

8）w - α×RMSProp（w， gw）→w。

9）結束。

10）從噪聲數據z中選取m個樣本{z1， z2，…， zm}。

11）基于隨機梯度下降法更新生成器參數：

12）θ - α×RMSProp（w， gw）→θ。

13）結束。

14）輸出：完成訓練的WGAN模型。

在基于WGAN的樣本生成模型中，生成器由兩層全連接層構成，判別器由三層全連接層構成。WAGN模型采用RMSprop作為優化器，學習率為0.001，批量樣本數量大小設置為40，迭代次數設置為10 000次，樣本歸一化范圍為0到1，生成器輸入的隨機噪聲范圍為0到1。

2.2? 基于WGAN的故障狀態樣本生成

針對變壓器系統存在的樣本不平衡問題，采用WGAN模型生成的少數類故障狀態樣本，對原始不平衡樣本集中的少數類樣本進行擴充，共訓練96個WGAN模型。圖2以交流勵磁機A相電樞繞組電流這一參數為例，將其中4種典型故障狀態下真實樣本的參數波形和基于WGAN模型得到的生成樣本參數波形進行展示。

通過對比變壓器系統8種典型故障狀態，交流勵磁機A相電樞繞組電流的真實樣本和生成樣本波形的變化趨勢、周期、幅值等與真實樣本具有較高的相似度，WGAN很好地學到了不同故障模式間原始參數的特征，生成效果良好，為后續擴充樣本集，實現故障診斷提供良好的數據基礎。

3? 結果分析

3.1? 基于增強樣本集的故障診斷實驗

基于訓練好的WGAN模型生成變壓器系統8種典型故障狀態（故障代號為F1-F8）的各類監測參數，用于擴充原始不平衡樣本集中的少數類故障狀態樣本。通過在原始不平衡樣本集的每類故障狀態樣本中分別加入數量為10、90、190、990的生成樣本，構造不平衡比例分別為50：1、10：1、5：1和1：1的增強樣本集。

為驗證基于WGAN模型生成的變壓器系統故障狀態樣本對于改善樣本集不平衡情況以及提升故障診斷的有效性，采用上述完成8種少數類故障狀態樣本擴充的增強樣本集，訓練DT故障診斷模型，并采用測試集對完成訓練的DT模型進行測試，訓練集和測試集的故障診斷準確度變化如圖3所示，原始不平衡樣本與增強樣本集故障診斷結果的混淆矩陣對比如圖4至圖8所示。

由圖3至圖8可知，隨著WGAN生成的少數類故障樣本的不斷補充，原始樣本的數量和多樣性都得到了提高，此外，樣本的不平衡比例隨之減小，樣本不平衡對模型診斷性能和泛化能力的影響不斷降低，因此，DT故障診斷模型在測試集上的故障診斷準確度得到不同程度的提升。在最原始的樣本不平衡比例100：1條件下，故障診斷模型在測試集上的準確度僅為62.22%，隨著生成樣本的不斷增加，基于增強樣本集訓練的DT故障診斷模型在測試集上的診斷準確度不斷提升，最終基于平衡的增強樣本集訓練的DT模型，在測試集上的準確度可以達到96.00%，充分說明生成樣本在很大程度上增強了各類故障狀態樣本的多樣性，提升了故障診斷模型的性能。

3.2? 故障診斷方法對比實驗

為驗證WGAN-DT故障診斷方法的有效性，將故障診斷領域常用的支持向量機模型、K近鄰模型和DT模型與之進行對比。此外，為顯示WGAN模型在變壓器系統少數類故障狀態樣本生成方面的優勢，將經典的重采樣方法與DT模型相結合，構建不平衡樣本條件下的變壓器系統故障診斷方法。選取的重采樣方法包括隨機過采樣、SMOTE、隨機欠采樣、Tomek Link以及SMOTE和Tomek相結合的混合采樣方法等，用于對樣本集進行平衡化處理。方法對比的故障診斷結果如表1所示。

通過與其他模型、重采樣方法和DT模型相結合的故障診斷方法進行對比可知，WGAN-DT方法在變壓器系統的不平衡樣本集上的故障診斷準確率最高，達到了96.00%，比RUS-DT的方法高出7.33%，表現出明顯的優勢。經典故障診斷模型直接基于原始不平衡樣本集進行訓練，存在過擬合、泛化能力差等問題，使得診斷的正確率不高，而WGAN-DT訓練增強樣本集，避免了樣本數據不平衡導致的模型過擬合，對少數類樣本診斷正確度低的問題。

4? ?結? 論

在不平衡樣本條件下，本文提出基于WGAN-DT的故障診斷技術，構造不同不平衡比例的增強樣本集，并對比基于不同不平衡比例的增強樣本集進行訓練后，DT模型故障診斷準確度的變化情況。結果表明，采用WGAN模型能夠生成接近真實故障樣本概率分布的生成樣本，實現少數類故障狀態樣本數量和多樣性的增加，有效提升了故障診斷模型對少數類故障狀態樣本的識別率，從數據層面解決了經典故障診斷模型在不平衡樣本條件下診斷準確度較低的問題，顯著提升了故障診斷模型的準確度。

參考文獻：

[1] 鄧永成，蕭偉云，李偉，等.變壓器的運行狀態檢測方法、裝置、計算機設備和存儲介質：CN 111524118 A [P].2020-08-11.

[2] 蘇磊，徐鵬，黃華，等.一種考慮不平衡數據樣本的變壓器故障診斷方法及系統：CN 110133146 A [P].2019-08-16.

[3] GOODFELLOW I J，POUGET-ABADIE J，MIRZA M，et al. Generative Adversarial Nets [C]//Proceedings of the 27th International Conference on Neural Information Processing Systems.Montreal：MIT Press，2014：2672-2680.

[4] ARJOVSKY M，CHINTALA S L. Wasserstein generative adversarial networks [C]//Proceedings of the 34th International Conference on Machine Learning. Sydney：JMLR.org，2017，70：214-223.

[5] QUINLAN J R. C4.5 Programs for Machine Learn-ing [M].San Mateo：Morgan Kaufmann Publishers Inc，1992.

作者簡介：王錦（1996—），女，漢族，陜西西安人，助理工

程師，碩士研究生，研究方向：電力設備故障診斷、模式識別與深度學習。