基于知識圖譜的變壓器匝間短路故障辨識研究

查易藝,王 翀,張明明

(國網江蘇省電力有限公司信息通信分公司,江蘇 南京 210000)

0 引言

變壓器具有電力運輸、電壓轉換與電能分配的作用,是保證電力系統正常運行的重要組成部分之一。匝間短路故障往往發生在變壓器故障初期。其故障程度輕且不易被準確識別。一旦沒有及時處理,故障會迅速擴大,從而造成嚴重的安全運行問題。現階段的變壓器匝間故障自動辨識方法存在辨識不及時、辨識效果不佳的問題。數據挖掘技術的發展可解決傳統方法中故障辨識不及時的問題。為了獲取更好的變壓器匝間故障自動辨識效果[1-2],相關學者提出了一些方法。

馬鑫等[3]首先通過回溯算法提高殘差收縮網絡的完整性;其次通過權重交叉熵函數提高殘差收縮網絡的精度;最后基于數據特征增強方法結合優化后的殘差收縮網絡模型完成變壓器短路故障的自動辨識。該方法存在故障辨識錯誤率較高的問題。張嗣鉑[4]提出電力變壓器故障自動化檢修技術,并利用核主成分分析方法實現了對變壓器故障的自動辨識。但該方法存在故障辨別不及時的問題。曹偉嘉等[5]首先通過改進遺傳算法-極端梯度提升,提取變壓器診斷故障特征向量;其次采用遺傳算法實現對電力系統分級故障的建模;最后通過改進遺傳算法優化變壓器故障診斷模型并完成短路故障自動辨識。但該方法存在變壓器短路故障辨識精度低的問題。

為了解決上述方法中存在的問題,本文提出基于知識圖譜的變壓器匝間短路故障辨識方法。該方法首先根據柔性策略,對變壓器數據進行采集,并根據實際運行情況和數據采集目標需求調整采集量和時間間隔;然后利用采集到的數據構建知識圖譜,提取知識圖譜中故障樣本特征,輸入到你只看一次(you only look once,YOLO)v4檢測模型中,以完成變壓器匝間短路故障的自動辨識。試驗結果表明,該方法的準確率、召回率和F值均較高,具有較好的自動辨別效果。

1 變壓器故障關聯數據采集

通過傳感器配合柔性策略采集變壓器數據,可以提高數據采集的準確性[6-7]。為解決傳統采集策略造成大量冗余數據且故障數據難以區分的問題,本文使用柔性策略采集變壓器實時數據。柔性策略即根據實際運行情況及數據采集目標需求,調整數據采集量及時間間隔等,以實現最終的數據采集。

(1)

式中:go為區間內第o個采樣點的采樣數據;l為采集區間。

第二重判斷指標采用移動平均法判斷。變壓器設備有瞬時干擾、不可回復性兩種特殊狀態。根據設備狀態量Δg1的計算,排除瞬時干擾。

(2)

式中:go-1為區間內第(o-1)個采樣點的采樣數據。此時采集間隔時間不變,將區間內的一個數據作為目標準則,以判斷之后的數據是否存在數據波動。

設備狀態不可回復性可通過設備另一狀態量Δg2的計算完成。

(3)

式中:go-2為區間內第(o-2)個采樣點的采樣數據。此時,變壓器數據采集間隔不需發生改變。根據變壓器數據變化量完成數據波動程度的判定,減少了數據采集時間。同時,兩種特殊設備狀態減少了對數據采集間隔的干擾,提高了數據采集精度。

(4)

式中:m為原始數據變化的上限值。

本文依據最大變化量、最小變化量設計應激調整方案。具體步驟如下。

(1)當ζmin≤Δgo≤ζmax時,變壓器數據采集間隔不變。

(2)判斷設備是否處于如下三種特殊狀態。

①當ζmin≤Δg1≤ζmax時,變壓器數據采集間隔不變。

②當Δg1>ζmax且Δg2>ζmax時,降低變壓器采集間隔。

③當Δgo≤ζmax時,實行步驟(3)。

(3)判斷變壓器是否處于如下兩種特殊狀態。

①當ζmin≤Δg1≤ζmax或ζmin≤Δg2≤ζmax時,變壓器數據采集間隔不變。

②當Δg1<ζmax且Δg2<ζmax時,增大變壓器采集間隔。

基于以上步驟,本文完成變壓器數據的采集。

2 故障關聯知識圖譜的構建

故障關聯知識圖譜的構建過程如下。

①通過采集到的變壓器數據,構建面向變壓器故障辨識的知識圖譜[8-9]。本文選擇自上而下的知識圖譜構建方法。該方法分為本體構建、實體抽取、關系抽取和圖譜構建四個步驟[10-11]。

面向變壓器匝間短路故障自動辨別的知識圖譜本體可根據專家先驗知識獲取,并將本體作為實體抽取和關系抽取的規范準則,完成變壓器知識圖譜的實體抽取。實體抽取的對象為非結構數據。實體抽取選取原始語料,并將其劃分為訓練集和測試集兩個部分,以分析原始語料中字符的實體信息;以原始語料作為訓練集的輸入,使用訓練集標注標簽結果。

語料抽取標簽和人工標注標簽的準確率一致,均為A。

(5)

式中:YA為實際正確并且預測正確的數據量,個,GA為實際正確但預測錯誤的數據量,個。

語料抽取標簽和人工標注標簽的召回率一致,均為R。

(6)

式中:GM為實際錯誤但被預測為正確的數據量,個。

知識圖譜構建步驟如圖1所示。

圖1 知識圖譜構建步驟

②根據訓練集訓練效果評估完成實體抽取。針對變壓器匝間短路故障的自動識別,本文采用了一種基于注意力機制的雙向長短期記憶網絡算法,以實現對故障的自動辨識。注意力機制模型包含注意力概率分布和注意力分布最終特征計算兩個部分。對于最終狀態,本文設輸入序列元素個數為M,則n時刻的輸出數據注意力概率sm為:

(7)

式中:jn為雙向隱藏層狀態值;I為權重矩陣;T為類別標簽數量,個;G為特征向量。

注意力分布的最終特征Gatt為:

(8)

經softmax函數獲取輸入注意力機制的數據特征向量分類標簽的概率分布u為:

(9)

式中:G′att(o)為第o個注意力分布的最終特征分量;G′att(k)為第k個注意力分布的最終特征分量;B為模型輸出層權重矩陣。

交叉熵損失函數R(U,u)的表達式為:

R(U,u)=U×lg(u)

(10)

式中:U為真實類別分布。

③根據R(U,u)構建非結構化知識的實體關系,以抽取構建知識圖譜。Neo4j是一種高度可擴展、基于圖的數據庫管理系統,以節點和邊的形式存儲數據,并允許使用索引快速查詢。存儲原生圖數據的Neo4j可通過遍歷圖數據以避免節點查詢算法。Neo4j具有高性能及敏捷性。在Neo4j中,每個節點都可以包含任意數量的屬性。這些屬性可以通過鍵值對的方式進行存儲。節點之間的關系通過邊來表示。每條邊都可以包含任意數量的屬性,并且可以指定方向和權重。通過這種方式,Neo4j能夠清晰、直觀地表示出數據的結構和關系。Neo4j提供了清晰、直觀的數據存儲和查詢方式,可以快速、高效地進行實體關系抽取和知識圖譜構建。

3 變壓器短路故障自動辨識方法設計

本文將上述構建的面向變壓器故障辨識的知識圖譜與YOLOv4檢測模型相結合,完成變壓器短路故障自動辨識[12]。本文提取知識圖譜故障樣本的特征,將其輸入到YOLOv4檢測模型中,以實現變壓器故障識別。YOLOv4檢測模型是一種運行速度快的回歸功能實現模型,是通過對YOLO模型的跨階段局部網絡改造和金字塔池化優化而來的,具有更好的特征提取能力和特征融合能力。

本文設置信度誤差為Zconf,則閾值函數Z為:

Z=(Zloe+Zels+Zconf)×R(U,u)

(11)

式中:Zloe為回歸框預測閾值;Zels為分類閾值。

本文假設兩框中心點的知識圖譜關聯注意力距離為σ2(Sctr,Nctr)、兩框最小封閉區域的知識圖譜類間距注意力距離為q,則Zloe為:

(12)

式中:OPI(S,N)為預測框S和真實框N的交并比;ehy、e分別為真實框和預測框的寬度,m;jhy、j分別為真實框和預測框的高度,m。

(13)

4 試驗與分析

為了驗證基于知識圖譜的變壓器匝間短路故障自動辨識方法的有效性,本文完成以下測試。本文在計算機系統上使用Simulink軟件搭建變壓器匝間短路模型。

本文采用基于知識圖譜的變壓器匝間短路故障辨識方法(所提方法)、基于數據特征增強和殘差收縮網絡的變壓器匝間短路故障辨識方法(文獻[3]方法)和基于核主成分分析的電力變壓器故障自動化檢修技術(文獻[4]方法)完成試驗。

變壓器匝間短路模型如圖2所示。

圖2 變壓器匝間短路模型

4.1 故障響應特征曲線

本文設置匝1、匝2、匝3短路故障,采用所提方法、文獻[3]方法和文獻[4]方法完成變壓器匝間短路故障檢測,并記錄變壓器匝間短路響應特征曲線。

匝1、匝2和匝3短路故障響應特征曲線分別如圖3、圖4和圖5所示。

圖3 匝1短路故障響應特征曲線

圖4 匝2短路故障響應特征曲線

圖5 匝3短路故障響應特征曲線

由圖3～圖5可知,文獻[3]方法和文獻[4]方法在匝1、匝2和匝3的短路故障時,響應特征曲線較匝間短路和無匝間短路故障曲線偏離較大。所提方法在匝1、匝2和匝3的短路故障時,響應特征曲線與匝間短路故障曲線較為接近。該結果表明,所提方法可以較好地檢測到變壓器匝間短路故障。其原因是所提方法通過采集到的變壓器數據構建面向變壓器故障辨識的知識圖譜,并選擇自上而下的知識圖譜構建方法。該方法分為本體構建、實體抽取、關系抽取和圖譜構建四個步驟,有利于較好地檢查變壓器匝間短路故障。

4.2 準確率、召回率、F值

本文引入準確率、召回率、F值三個指標評估所提方法、文獻[3]方法和文獻[4]方法的故障自動辨別性能。

F值是一種衡量變壓器匝間短路故障自動辨識精度的指標,在計算過程中綜合了辨識方法的準確率和召回率兩個指標,具有綜合性和平衡性的特點。

F值為:

(14)

通過F值的計算,可以判斷故障自動辨別性能是否具有全面性。采用三種方法完成變壓器匝間短路故障檢測,得到三種方法的檢測準確率、召回率、F值的結果如表1所示。

表1 三種方法的檢測準確率、召回率、F值的結果

分析表1可知,所提方法的變壓器匝間短路故障檢測準確率、召回率和F值均高于文獻[3]方法、文獻[4]方法,表明所提方法的變壓器短路故障自動辨識效果更佳。其原因是所提方法對非結構數據實行實體抽取。所提方法選取原始語料,并將其劃分為訓練集和測試集兩個部分,以分析語料中字符的實體信息。以原始語料作為訓練集的輸入、標簽使用訓練集標注結果,在一定程度上有利于提高變壓器短路故障自動辨識效果。

通過上述試驗可知,所提方法通過知識圖譜的構建,提高了變壓器故障檢測準確率;通過YOLOv4檢測模型與知識圖譜結合的檢測方法,提高了變壓器匝間短路故障自動辨識性能。

5 結論

變壓器匝間短路故障影響著電力系統的運行情況,對變壓器實行故障自動辨識檢測是發展趨勢。因此,本文提出基于知識圖譜的變壓器匝間短路故障辨識方法。本文首先采集變壓器數據;其次構建面向變壓器匝間短路故障自動辨識的知識圖譜;最后將知識圖譜與檢測模型結合,以完成變壓器匝間短路故障的自動辨識。通過研究可知,所提方法的準確率、召回率和F值均較高。該方法解決了傳統方法中存在的問題,具有重要的現實意義。