機(jī)器學(xué)習(xí)在變壓器故障診斷中的應(yīng)用

馬洪斌,楊 飛,楊蕾娜,張 冉

(國網(wǎng)山東省電力公司棗莊供電公司,山東 棗莊 277000)

變壓器作為電力系統(tǒng)的重要組成部分,其運(yùn)行狀態(tài)決定了整個(gè)系統(tǒng)的安全穩(wěn)定。一旦變壓器發(fā)生故障,將帶來巨大的經(jīng)濟(jì)損失。因此,變壓器故障的有效診斷對保證變壓器的安全可靠運(yùn)行具有非常重要的意義。隨著機(jī)器學(xué)習(xí)的興起,越來越多的研究人員將機(jī)器學(xué)習(xí)應(yīng)用到變壓器故障診斷中,取得較好的效果。文獻(xiàn)[1]提出了基于加權(quán)K近鄰算法的變壓器故障診斷,根據(jù)待分類樣本在特征空間中K個(gè)最近鄰樣本中的多數(shù)樣本的類別進(jìn)行分類,因此具有直觀、無需先驗(yàn)統(tǒng)計(jì)知識、無師學(xué)習(xí)等特點(diǎn)。文獻(xiàn)[2]提出了基于油中溶解氣體的支持向量機(jī)變壓器故障診斷,有效解決了傳統(tǒng)學(xué)習(xí)方法的“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等問題。文獻(xiàn)[3]提出了基于知識粗糙度的多變量決策樹在變壓器故障診斷系統(tǒng)中的應(yīng)用,有效地簡化了決策樹,減少診斷信息的冗余性,診斷效率高,結(jié)果易于理解。

1 機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)通過對外部環(huán)境的信息和知識進(jìn)行加工改造,使其成為有效的信息內(nèi)容,學(xué)習(xí)是機(jī)器學(xué)習(xí)的核心,包括對信息的采集、接受監(jiān)督和指導(dǎo),同時(shí)還包括對學(xué)習(xí)的推理以及修改學(xué)習(xí)系統(tǒng)的知識庫。

機(jī)器學(xué)習(xí)具有目的性、結(jié)構(gòu)性、有效性和開放性。機(jī)器學(xué)習(xí)可以了解學(xué)習(xí)的內(nèi)容,學(xué)習(xí)的行為具有一定的目的性。結(jié)構(gòu)性中,可以系統(tǒng)地將知識的結(jié)構(gòu)和組織形式進(jìn)行修改和完善。針對有效性,機(jī)器學(xué)習(xí)系統(tǒng)學(xué)習(xí)的知識能夠適應(yīng)實(shí)踐的需要,不斷改善機(jī)器學(xué)習(xí)系統(tǒng)。開放性表現(xiàn)在機(jī)器學(xué)習(xí)能夠與外部環(huán)境進(jìn)行信息的交互和自身的進(jìn)化。

1.1 支持向量機(jī)

支持向量機(jī)(Support Vector Machine,SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展出的一種模式識別方法,是一種全局最優(yōu)求解算法而不是求得局部極小值,該方法“以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則”,根據(jù)實(shí)際需求對子集中的判別函數(shù)以及函數(shù)子集進(jìn)行恰當(dāng)選擇。既可以保障學(xué)習(xí)的效果不會存在異常的狀況,又可以保障樣本的誤差,且其獨(dú)立測試集的測試誤差仍然較小,具有很好的泛化能力。SVM具有堅(jiān)定的理論基礎(chǔ),在人臉識別、文本自動分類等眾多領(lǐng)域獲得廣泛的應(yīng)用[4]。

1.2 vote集成學(xué)習(xí)

集成學(xué)習(xí)方法主要是由個(gè)體的學(xué)習(xí)器進(jìn)行組合生成,通過對樣本數(shù)據(jù)集的學(xué)習(xí)可以獲得多個(gè)分類器,這些分類器具有多樣性和準(zhǔn)確性。根據(jù)個(gè)體的學(xué)習(xí)器之間是否是同一類型的學(xué)習(xí)算法,又可以將分類器分為“同質(zhì)”和“異質(zhì)”。對于個(gè)體的學(xué)習(xí)器的合并,是按照某種策略將個(gè)體學(xué)習(xí)器對新樣本分類的預(yù)測結(jié)果綜合考慮,從而得到一個(gè)最終的預(yù)測結(jié)果,見圖1。集成策略主要有“平均值法”和“多數(shù)投票法”等[5]。

圖1 集成學(xué)習(xí)

2 變壓器故障特性

2.1 變壓器油及固體絕緣產(chǎn)生氣體機(jī)理

對于大型電力變壓器,目前幾乎都是用油來絕緣和散熱,電力變壓器油與油中的固體有機(jī)絕緣材料在運(yùn)行電壓下因電、熱、氧化和局部電弧等多種因素作用會逐漸老化、裂解,產(chǎn)生少量的甲烷、乙烯、乙烷、乙炔等低分子烴類,以及一氧化碳、二氧化碳和氫氣等氣體,并多數(shù)溶解在油中。油中溶解氣體的組分和含量在一定程度上反映出電力變壓器絕緣老化或故障的程度,可以作為反映電力設(shè)備異常的特征量。通過對運(yùn)行中的電力變壓器定期分析溶解于油中的氣體組分、含量和產(chǎn)氣速率,能夠及早發(fā)現(xiàn)電力變壓器內(nèi)部存在的潛伏性故障[6]。

2.2 變壓器典型故障分析

變壓器內(nèi)部故障主要為過熱式和異常放電式,其中過熱式主要包括低溫過熱(＜300℃),中溫過熱(300～700℃)和高溫過熱(＞700℃),異常放電式主要包括低能量放電和高能量放電。

根據(jù)試驗(yàn)和變壓器故障處理案例分析,油浸式變壓器發(fā)生故障時(shí)產(chǎn)生的氣體成分見表1。

表1 油浸式變壓器不同故障類型時(shí)產(chǎn)生的氣體組分

通過分析,將變壓器的故障類型分為中低溫過熱、高溫過熱、低能量放電和高能量放電。本文將變壓器的4種故障類型與正常情況,共5種狀態(tài)類型作為識別結(jié)果進(jìn)行模式識別。

3 基于機(jī)器學(xué)習(xí)的變壓器故障診斷

將機(jī)器學(xué)習(xí)與變壓器故障診斷相結(jié)合,提出了故障診斷流程,見圖2。

圖2 基于機(jī)器學(xué)習(xí)的變壓器故障診斷流程

對采集得到的變壓器油中氣體數(shù)據(jù)115組,分成訓(xùn)練數(shù)據(jù)(75組)和測試數(shù)據(jù)(40組),通過對訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)得到故障診斷模型,以測試數(shù)據(jù)對得到的模型進(jìn)行驗(yàn)證,判斷模型的準(zhǔn)確率。同時(shí)采用vote集成學(xué)習(xí)進(jìn)一步對各個(gè)分類器進(jìn)行組合,提升故障識別的準(zhǔn)確率。

將甲烷、乙烯、乙烷、乙炔、氫氣作為特征向量進(jìn)行變壓器故障模式識別,考慮到分類問題主要是針對數(shù)值型結(jié)構(gòu),氣體組分為數(shù)值型不需轉(zhuǎn)換,因此將變壓器的狀態(tài)正常、中低溫過熱、高溫過熱、低能量放電和高能量放電由字符型轉(zhuǎn)換為數(shù)值型,分別標(biāo)注為0、1、2、3、4,訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)見表2－3。

表2 訓(xùn)練數(shù)據(jù)

表3 測試數(shù)據(jù)

分別采用支持向量機(jī)、邏輯回歸、最近鄰分類、貝葉斯分類、決策樹和隨機(jī)森林對訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí),得到故障診斷模型。利用測試數(shù)據(jù)對各個(gè)故障診斷模型進(jìn)行模型驗(yàn)證,得到各個(gè)模型的識別結(jié)果見圖3－8,藍(lán)色圓圈表示的是實(shí)際的故障類型,紅色圓圈表示的是預(yù)測的故障類型。

圖3 決策樹分類結(jié)果

圖4 支持向量機(jī)分類結(jié)果

圖5 最近鄰分類結(jié)果

圖6 隨機(jī)森林分類結(jié)果

圖7 邏輯回歸分類結(jié)果

圖8 貝葉斯分類結(jié)果

由40組測試數(shù)據(jù)對以上6個(gè)分類器的識別驗(yàn)證結(jié)果,可以得到各分類器的識別準(zhǔn)確率,同時(shí)得到各分類器對每一種故障的識別準(zhǔn)確率如表4－5所示。

表4 不同分類器的模式識別結(jié)果

表5 不同分類器對不同故障的識別結(jié)果 %

將決策樹、支持向量機(jī)和隨機(jī)森林作為基分類器采用vote集成學(xué)習(xí)形成新的集合分類器,采用多數(shù)投票法的方式輸出故障識別結(jié)果見圖9和表6－7。

圖9 vote集成學(xué)習(xí)識別結(jié)果

表6 vote集成學(xué)習(xí)故障識別結(jié)果

表7 vote集成學(xué)習(xí)對各故障類型識別結(jié)果 %

vote集成學(xué)習(xí)相對于單一的分類器,將同質(zhì)分類器和異質(zhì)分類器進(jìn)行合并,其故障識別準(zhǔn)確率得到提升,故障識別準(zhǔn)確率為92.5%。

4 應(yīng)用效果

通過實(shí)際現(xiàn)場中油色譜在線監(jiān)測裝置采集的5種特征氣體進(jìn)行變壓器故障診斷,診斷結(jié)果見表8。

表8 220 kV主變壓器故障診斷結(jié)果

第1組變壓器的預(yù)測結(jié)果為中低溫過熱,通過實(shí)際的現(xiàn)場紅外測溫檢測,發(fā)現(xiàn)主變壓器本體下方連接處存在過熱現(xiàn)場。第2組變壓器的預(yù)測結(jié)果為低能量放電,通過對現(xiàn)場的變壓器進(jìn)行巡視檢查,發(fā)現(xiàn)裸引線對套管導(dǎo)電管之間有放電的痕跡。

5 結(jié)論

基于機(jī)器學(xué)習(xí)搭建變壓器故障診斷模型對變壓器的故障類型進(jìn)行識別,故障準(zhǔn)確率由原來氣體分析IEC三比值法的80%提高至90%,通過vote集成學(xué)習(xí)進(jìn)一步組合單一分類器形成新的故障分類器,故障識別的準(zhǔn)確率進(jìn)一步提高為92.5%。采用機(jī)器學(xué)習(xí)方法對變壓器進(jìn)行故障診斷相比于傳統(tǒng)的油中氣體分析可以實(shí)現(xiàn)實(shí)時(shí)、隨地的故障診斷,不需要進(jìn)行現(xiàn)場油樣采集和油化試驗(yàn),大大提高了工作效率,減少了勞動時(shí)間。在實(shí)際變壓器故障診斷中,具有實(shí)用性和可靠性,同時(shí)具有廣泛的推廣應(yīng)用價(jià)值和實(shí)際意義。但目前只是通過簡單的機(jī)器學(xué)習(xí)對故障進(jìn)行診斷,存在一定的局限性,下一步將繼續(xù)優(yōu)化模型,增加訓(xùn)練數(shù)據(jù)量,增強(qiáng)模型的學(xué)習(xí)能力和適應(yīng)能力,進(jìn)一步提高故障識別的準(zhǔn)確率。