基于CNN?SVM的變壓器故障診斷方法

摘" 要： 針對變壓器故障診斷存在的精度低、魯棒性不強等問題，提出一種基于卷積神經網絡（CNN）和支持向量機（SVM）的故障診斷方法。首先，基于油中溶解氣體分析（DGA）法，以5種特征量作為輸入，利用CNN提取數據的特征信息；然后導入SVM中進行分類，實現變壓器的故障診斷。基于336組油氣數據對所提模型的性能進行驗證，并將其與其他方法進行對比。實驗結果表明：所構建的CNN?SVM診斷模型與CNN?BiLSTM網絡、LSTM網絡和CNN相比，綜合故障診斷精度分別提高了8.9%、12.5%和19.6%，并且CNN?SVM模型有著更快的運行速度，運行時間約為3.11 s；當修改輸入數據或減少輸入的氣體特征量時，CNN?SVM模型的診斷精度相比于其他方法下降最少，說明CNN?SVM模型具有更好的魯棒性和特征提取能力。

關鍵詞： 變壓器； 故障診斷； 卷積神經網絡； 支持向量機； 特征提取； 診斷精度

中圖分類號： TN911.22?34； TM411" " " " " " " "文獻標識碼： A" " nbsp; " " " " " " " "文章編號： 1004?373X（2025）06?0073?05

Method of transformer fault diagnosis based on CNN?SVM

LI Zhou， WANG Fanrong

（School of Electrical and Electronic Engineering， Hubei University of Technology， Wuhan 430074， China）

Abstract： In allusion to the problems of low accuracy and low robustness of transformer fault diagnosis， a method of fault diagnosis based on convolutional neural networks （CNN） and support vector machine （SVM） is proposed. Based on the dissolved gas analysis （DGA） method in oil， five feature quantities are used as inputs， and the CNN is used to extract the feature information of the data， which is then imported into SVM for classification， so as to realize the fault diagnosis of the transformer. Based on 336 sets of oil and gas data， the performance of the proposed model is verified and compared with other methods. The experimental results show that in comparison with CNN?BiLSTM network， LSTM network and CNN， the comprehensive fault diagnosis accuracy of the constructed CNN?SVM diagnostic model can be improved by 8.9%， 12.5% and 19.6% respectively， and the CNN?SVM model has a much faster running speed， with a running time of about 3.11 s. When modifying the input data or reducing the amount of input gas features， the diagnostic accuracy of the CNN?SVM model decreases the least compared to other methods， which indicates that the CNN?SVM model has better robustness and feature extraction capability.

Keywords： transformer; fault diagnosis; convolutional neural network; support vector machine; feature extraction; diagnostic accuracy

0" 引" 言

變壓器是電力系統中最重要的設備之一，直接影響著電力系統運行的可靠性與安全性，當變壓器發生故障時，很有可能造成惡劣的影響，甚至發生安全事故[1]。因此，進行變壓器的故障診斷研究尤為重要。

變壓器中含有大量的絕緣油與絕緣材料，由于受到電和熱的影響，絕緣材料會逐漸老化分解，從而產生大量的氣體，這些氣體會溶于絕緣油中，當油中氣體的含量逐漸增多時，變壓器內部就會產生故障。目前，變壓器的故障診斷方法最常用的是DGA技術[2]，該方法主要是根據特征氣體的比值及含量，得出變壓器的故障類型。但是傳統DGA技術存在故障信息編碼缺失、數據繁多等缺陷，這些缺陷會影響故障類型判斷的準確性[3]，因此提出新的故障診斷方法很有必要。

隨著大數據和科技的快速發展，越來越多的學者采用深度學習的方法對變壓器故障進行診斷[4]。文獻[5]提出一種基于卷積神經網絡（Convolutional Neural Network， CNN）的變壓器故障診斷方法，經實驗對比CNN有著最高的診斷精度，但是CNN也存在魯棒性不強、特征提取能力不足的問題。文獻[6]提出一種基于煙花算法（FWA）優化支持向量機（Support Vector Machine， SVM）的變壓器故障診斷模型，通過利用FWA算法優化SVM的超參數，結果顯示所提模型有著良好的診斷效果，但其診斷精度不高。文獻[7]提出一種基于禿鷹搜索算法（BES）優化SVM的變壓器故障診斷模型，利用BES算法對SVM的核函數參數進行優化，其診斷精度得到了提高，但運行時間較長。

為了解決以上問題，本文提出一種基于CNN?SVM的變壓器故障診斷模型。該模型融合了CNN的特征學習和SVM的分類能力，具有更好的診斷精度、魯棒性、運行速度和特征提取能力。

1" 算法原理

1.1" 卷積神經網絡

CNN是一種深度學習模型或類似于人工神經網絡的多層感知器，其基本結構主要包括輸入層、卷積層、池化層、全連接層和輸出層。CNN結構圖如圖1所示。

卷積層是CNN的重要組成部分，主要通過卷積操作提取數據的特征，從而幫助網絡進行學習和訓練。該過程可由式（1）表示。

式中：W為權值；f為非線性激活函數；l為網絡的位置層；j為卷積的位置；B為偏置。

CNN的另一個重要組成部分是池化層，池化層的作用是壓縮卷積層的特征輸出。池化操作分為最大池化和均值池化兩種，本文使用的池化方法是最大池化，其數學表達式如式（2）所示。

式中：[al]為卷積層的輸出結果；[pl]為池化層的輸出結果。

池化層能夠減少參數的數量，防止模型出現過擬合現象，同時能夠保留重要的特征信息，有助于提高模型的魯棒性和泛化能力。當數據經過多個卷積層和池化層后，特征信息就會被輸入到全連接層，從而進行分類。在CNN中softmax是常用的分類器，softmax層可以將神經網絡的輸出結果進行換算，將其以概率的形式表現出來，有利于CNN進行權值更新；但是softmax分類器的計算復雜度較高，容易受到數值不穩定性的影響，而且存在非線性問題及表現不佳的情況。

1.2" 支持向量機

SVM是一種經典的解決樣本分類機器學習算法[2]。SVM學習的基本思想是：求解能夠正確劃分訓練數據集，并且幾何間隔最大的分離超平面。SVM模型的求解最大分割超平面問題可由式（3）表示。

式中：ω為超平面法向量；c為懲罰因子；ξi為松弛變量；b為偏置量；xi、yi為樣本類型。

此時樣本是一個含有不等式約束的凸二次規劃問題，引入拉格朗日函數將原樣本轉換成一個對偶問題，從而得出最優分類函數，此過程可由式（4）、式（5）表示。

式中：α為拉格朗日乘子；K（x，xi）為核函數；C為懲罰因子。

核函數的選擇對SVM的分類性能有著很大的影響，常見的核函數有高斯核函數（RBF）、拉普拉斯核和Sigmoid核[8]三種。其中，高斯核函數具有良好的泛化能力，其表達式由式（6）表示。

式中g為自由參數，選擇合適的自由參數能夠提高SVM的分類能力。

2" 數據處理及模型搭建

2.1" 數據處理

當變壓器發生故障時，其內部的絕緣材料會在高溫和強電的作用下產生大量的氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）和乙炔（C2H2）等氣體[9]。根據故障的性質，變壓器的故障可分為電性故障和熱性故障兩種。其中：電性故障分為低能放電、高能放電和局部放電[10?11]；熱性故障分為低溫過熱、中溫過熱和高溫過熱[12?13]。變壓器在正常運行時的數據也同樣重要，因此將正常情況也作為一種故障類型進行研究。本文數據集來源于文獻[14?15]，為了便于將數據導入Matlab中進行仿真實驗，將所有的故障類型轉換為數字形式。故障類型分布如表1所示。

對數據進行預處理操作能夠降低數據維度并提高數據分析的準確性。將實驗數據分為280組訓練數據和56組測試數據，首先對使用的數據進行歸一化處理，歸一化的作用就是將預處理的數據限定在一定的范圍之內，從而消除奇異樣本數據導致的不良影響。本文所使用的歸一化方法為min?max法，其中歸一化方程如式（7）所示。

式中：[X']為歸一化后的數據；X為初始數據，Xmax=1，Xmin=0。

2.2" 模型搭建

SVM在處理小樣本及非線性等問題方面表現良好，且泛化能力較強，因此本文利用SVM代替softmax分類器進行分類處理。CNN?SVM模型圖如圖2所示。CNN?SVM模型診斷流程如下。

1） 首先將數據輸入至CNN中進行特征學習，然后對數據進行批標準化，該過程可以使得神經網絡的訓練更加穩定，提高了模型的泛化能力。其次，將數據輸入至ReLU激活層進行激活處理，此過程可增加模型的非線性擬合能力。最后將特征輸出的數據傳送到池化層，池化層能夠簡化網絡的復雜度，同時增強模型的魯棒性。

2） 建立兩層卷積層與池化層，在保證模型特征提取能力的同時減少網絡復雜度。最后將數據輸送到全連接層，由全連接層對數據進行處理，從而由SVM進行更好的分類。

3） SVM的分類性能取決于參數的選擇，根據多次調試與實驗，CNN?SVM模型的參數設置如表2所示。

3" 算例分析

以5種特征氣體（H2、CH4、C2H6、C2H4、C2H2）作為輸入進行分析，CNN?SVM模型的診斷結果圖如圖3所示。

從圖3中可以得出，CNN?SVM的故障診斷精度達到了94.6%，只有3個點沒有診斷準確，說明所提模型診斷效果良好。

為了進一步驗證所提模型的可行性，提出3種常見的神經網絡模型來進行對比分析，選取的模型有CNN、卷積雙向長短期記憶（CNN?BiLSTM）網絡以及LSTM網絡，主要從診斷精度、運行時間、魯棒性及特征提取能力四個方面進行分析。各模型的參數設置如下：CNN設置為兩層卷積層和池化層，學習率為0.01，激活函數為ReLU，采用最大池化方式；CNN?BiLSTM網絡的學習率為0.01，激活函數為ReLU，BiLSTM層的神經元個數為120個，并在BiLSTM層后加上一個隨機丟失層；LSTM網絡設置為5層隱藏層，學習率為0.01。

3.1" 診斷精度及運行時間

為體現所提模型的診斷效果，將對比模型以相同的數據集條件進行實驗，各模型的綜合診斷精度及運行時間如表3所示。由表3可以得出，CNN?SVM模型有著更高的診斷精度，相比于CNN?BiLSTM、LSTM、CNN分別提高了8.9%、12.5%、19.6%，并且CNN?SVM在運行速度上也有著明顯的優勢。

3.2" 魯棒性及特征提取能力

softmax作為CNN的分類器，存在特征提取能力不足、魯棒性不強的缺點。而SVM分類器能夠充分利用CNN的特征提取能力，并且增強模型的魯棒性。本文的研究是在基于5種特征氣體作為輸入的情況下進行的，為進一步體現所提模型對特征的提取能力，先僅將4種特征氣體作為輸入進行實驗。各種特征氣體減少后對不同模型診斷精度的影響如表4～表8所示。

由表4～表8可知：當輸入特征正常的情況下，CNN?SVM的診斷精度最高；當特征減少的時候，CNN?SVM的診斷精度相比于其他方法下降最少，說明所提模型相比于其他方法具有更強的特征提取能力，證明了CNN?SVM的適應性極強。魯棒性是指系統在受到擾動或者不確定的情況下，仍然可以維持某些性能的特性，其可以作為判斷模型性能的一個重要指標。在實際情況中，記錄數據時可能會出現誤錄或漏錄的情況，這時數據集就會受到擾動，這些情況都會對模型最后的診斷結果造成影響。為對CNN?SVM的魯棒性進行驗證，將10%和20%的數據設置為出錯樣點，并以數據置0的方法來模擬出錯過程。表9和表10為各模型在數據集出錯時的診斷精度。

由表9和表10可以得出，當修改輸入數據時，CNN?SVM的診斷精度相比于其他方法下降最少，分別為3.5%和7.1%，說明所提模型在受到擾動后仍能回到穩定狀態，具有良好的魯棒性。

4" 結" 語

為精準進行變壓器的故障診斷研究，提出一種基于CNN?SVM的變壓器故障診斷模型，以SVM代替CNN網絡的softmax層進行研究分析，基于336組油中氣體數據作為診斷依據，并利用其他方法進行對比。結果顯示：相比于其他方法，CNN?SVM擁有更高的診斷精度和更快的運行速度；并且當修改輸入和減少氣體特征時，CNN?SVM的診斷精度相比于其他方法下降更少，說明CNN?SVM有著更強的魯棒性和特征提取能力。但是本文的診斷精度還有待提高，因此下一步研究是在CNN?SVM的基礎上加入算法進行改進，建立更加高效的故障診斷模型。

注：本文通訊作者為李州。

參考文獻

[1] 徐龍舞，張英，張倩，等.基于正交實驗法改進的蝠鲼算法優化BP在變壓器故障診斷上的研究[J].南方電網技術，2022，16（7）：46?54.

[2] DING C， DING Q， WANG Z， et al. Fault diagnosis of oil immersed transformer based on the support vector machine optimized by improved fruit fly algorithm [J]. Journal of physics： conference series， 2023（1）： 102?110.

[3] 吳瞻宇，董明，王健一，等.基于模糊關聯規則挖掘的電力變壓器故障診斷方法[J].高壓電器，2019，55（8）：157?163.

[4] 唐文虎，牛哲文，趙柏寧，等.數據驅動的人工智能技術在電力設備狀態分析中的研究與應用[J].高電壓技術，2020，46（9）：2985?2999.

[5] 夏洪剛，郭紅兵，肖金超.基于CNN的電力變壓器故障診斷方法[J].電子設計工程，2020，28（13）：189?193.

[6] 張邵杰.基于煙花算法優化SVM的變壓器故障診斷[J].機電信息，2021（22）：30?31.

[7] 周曉華，馮雨辰，胡旭初，等.基于禿鷹搜索算法優化SVM的變壓器故障診斷[J].南方電網技術，2023，17（6）：99?106.

[8] 段中興，周孟，宋婕菲，等.基于ISFLA?SVM的變壓器故障診斷[J].高壓電器，2023，59（1）：126?133.

[9] 湯茂祥，王聰，朱超平，等.少標簽下油浸式變壓器雙層故障診斷模型[J].電子測量技術，2023，46（16）：112?118.

[10] ZHANG D， LI C， SHAHIDEHPOUR M， et al. A bi?level machine learning method for fault diagnosis of oil?immersed transformers with feature explainability [J]. International journal of electrical power amp; energy systems， 2022， 134： 107356.

[11] 龔澤威一，饒桐，王鋼，等.基于改進粒子群優化XGBoost的變壓器故障診斷方法[J].高壓電器，2023，59（8）：61?69.

[12] 王輝東，姚海燕，郭強，等.基于多尺度卷積神經網絡的變壓器故障診斷方法[J].電力科學與技術學報，2023，38（4）：104?112.

[13] 李剛，孟坤，賀帥，等.考慮特征耦合的Bi?LSTM變壓器故障診斷方法[J].中國電力，2023，56（3）：100?108.

[14] 尹金良.基于相關向量機的油浸式電力變壓器故障診斷方法研究[D].保定：華北電力大學，2013.

[15] 李云淏，咸日常，張海強，等.基于改進灰狼算法與最小二乘支持向量機耦合的電力變壓器故障診斷方法[J].電網技術，2023，47（4）：1470?1478.

作者簡介：李" 州（2001—），男，湖北黃岡人，在讀碩士研究生，研究方向為故障診斷。

汪繁榮（1979—），男，湖北天門人，博士，副教授，研究方向為電網控制與智能制造。

收稿日期：2024?03?04" " " " " "修回日期：2024?04?24

基金項目：國家自然科學基金項目（61903129）