基于優(yōu)化模糊推理系統(tǒng)的電力變壓器故障檢測(cè)方法

游 溢，趙普志，劉 冬，晏致濤，劉欣鵬

(1.國(guó)網(wǎng)新疆電力有限公司電力科學(xué)研究院，新疆 烏魯木齊 830011；2.國(guó)網(wǎng)新疆電力有限公司，新疆 烏魯木齊 830011；3.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400044)

三相電力變壓器是現(xiàn)代電力網(wǎng)絡(luò)中成本最高、最重要的組件之一，與電力系統(tǒng)的安全性和服務(wù)質(zhì)量密切相關(guān)。當(dāng)變壓器運(yùn)行不正?；虺霈F(xiàn)故障時(shí)，會(huì)導(dǎo)致電力系統(tǒng)供電中斷等問題，造成電力企業(yè)的巨大損失，給電力消費(fèi)者帶來(lái)不便。由于電力變壓器的替換成本極高且較為耗時(shí)，因此需要對(duì)變壓器進(jìn)行正確維護(hù)，并對(duì)其運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)[1-2]。

發(fā)生在三相電力變壓器中的故障通常分為兩大類，即內(nèi)部短路缺陷和內(nèi)部早期缺陷。浪涌電流測(cè)量和溶解氣體分析法(DGAM)[3-4]常被用于三相電力變壓器早期故障檢測(cè)和分類。目前的DGAM包括Doenernberg比率法(DRM)、氣相色譜分析法(GCM)[5]、IEC 60599方法[6]等。這些方法利用變壓器油生成的不同氣體的比率進(jìn)行故障檢測(cè)，將不同氣體密度與特定量進(jìn)行比較，以評(píng)估和測(cè)試油浸式三相電力變壓器的工作狀態(tài)。這些傳統(tǒng)方法較為便利，但在檢測(cè)準(zhǔn)確度方面存在局限和缺陷，且容易受到噪聲影響[7]。此外，評(píng)估結(jié)果在很大程度上依賴于專家和技術(shù)人員的經(jīng)驗(yàn)。

隨著人工智能技術(shù)的快速發(fā)展，越來(lái)越多的研究人員使用人工智能方法識(shí)別故障。文獻(xiàn)[8]中提出一種基于帝國(guó)殖民競(jìng)爭(zhēng)算法優(yōu)化支持向量機(jī)(SVM)的變壓器故障診斷模型，對(duì)SVM進(jìn)行了非線性和多分類變換，建立了帝國(guó)殖民競(jìng)爭(zhēng)算法優(yōu)化支持向量機(jī)的非線性多分類模型。文獻(xiàn)[9]中結(jié)合多層感知機(jī)神經(jīng)網(wǎng)絡(luò)(MLPNN)和人工免疫系統(tǒng)算法進(jìn)行電力變壓器中故障的識(shí)別和分類。文獻(xiàn)[10]中引入灰太狼優(yōu)化算法，并將差分進(jìn)化機(jī)制引入到該算法中，提出一種基于改進(jìn)的灰太狼優(yōu)化算法(MGWO)和SVM的變壓器故障診斷方法，能提供短周期和一般周期中故障率相關(guān)的實(shí)際信息，有助于提高變壓器的運(yùn)行可靠性。文獻(xiàn)[11]中提出一種基于Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)的變壓器鐵芯松動(dòng)聲紋識(shí)別方法，采用基于Mel時(shí)頻譜的噪聲樣本處理方法，搭建鐵芯夾件松動(dòng)故障模型，構(gòu)建Mel時(shí)頻譜-卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了鐵芯松動(dòng)故障的準(zhǔn)確識(shí)別，但利用這種神經(jīng)網(wǎng)絡(luò)只能針對(duì)特定環(huán)境下的故障識(shí)別。文獻(xiàn)[12]中提出一種基于深度判別受限玻爾茲曼機(jī)遺傳算法優(yōu)化的變壓器故障診斷模型，將遺傳算法進(jìn)行全局優(yōu)化，確定最優(yōu)初始參數(shù)值，并在局部解空間對(duì)模型進(jìn)行進(jìn)一步訓(xùn)練。文獻(xiàn)[13]中提出一種基于不精確概率的變壓器故障診斷方法，診斷過程采用了不精確Dirichlet模型和樸素憑證分類器。

在上述故障識(shí)別的研究基礎(chǔ)上有2個(gè)重要問題需要解決，即DGAM信息中最具指導(dǎo)性的屬性以及分類器的類型。本文中提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)(1D-CNN)[14]和優(yōu)化自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的電力變壓器故障檢測(cè)方法(簡(jiǎn)稱本文方法)，采用1D-CNN選擇最具指導(dǎo)性的屬性，并將輸入數(shù)據(jù)維度最小化，同時(shí)使用ANFIS作為主分類器。為了改善ANFIS的性能，采用改進(jìn)帝王蝶優(yōu)化算法(IMBO)進(jìn)行電力變壓器故障分類，通過實(shí)驗(yàn)驗(yàn)證本文方法的優(yōu)越性能。

1 基于1D-CNN的最優(yōu)屬性選擇

在DGAM得到的屬性中，弱指導(dǎo)性屬性作為人工噪聲會(huì)導(dǎo)致性能劣化，降低故障分類準(zhǔn)確度，為此，必須從數(shù)據(jù)庫(kù)中移除無(wú)信息屬性，僅使用有效屬性作為系統(tǒng)的輸入。本文中采用1D-CNN在多個(gè)屬性中選擇最優(yōu)屬性，目的是提高識(shí)別準(zhǔn)確度，縮短運(yùn)行時(shí)間。眾所周知，二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)已廣泛用于圖像識(shí)別任務(wù)，取得了很好的效果。1D-CNN廣泛用于序列模型，其卷積層使用一維互相關(guān)操作，并且一維全局最大池化層可以減少分類器或預(yù)測(cè)模型的特征維數(shù)。1D-CNN的結(jié)構(gòu)如圖1所示。

圖1 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1D-CNN的卷積作用是從DGAM得到的屬性中提取最優(yōu)的屬性特征，將不同大小的卷積核應(yīng)用到屬性特征中，以捕捉最優(yōu)屬性特征。生成的屬性特征為

hd,t=tanh(Wdxt∶t+d-1+bd)，

(1)

式中：hd,t為卷積神經(jīng)網(wǎng)絡(luò)生成的屬性特征，d為步長(zhǎng)，t為時(shí)間窗口的起始點(diǎn)；xt∶t+d-1為t到t+d的窗口的輸入特征向量；Wd為可學(xué)習(xí)權(quán)重矩陣；bd為偏差。在每個(gè)卷積中，對(duì)卷積核大小為d的屬性圖進(jìn)行最大超限時(shí)間(max-overtime)池化，最終得到最優(yōu)屬性特征。

采集的變壓器故障數(shù)據(jù)集中包含4類故障數(shù)據(jù)，分別為局部放電故障(PDF)、能量放電故障(EDF)、過熱故障(OHF)和無(wú)故障(NF)。利用關(guān)聯(lián)規(guī)則(AR)找到PDF、EDF、OHF、NF類的大項(xiàng)集，即

輸入：1、2、4和12(NF類的大項(xiàng)集)；

輸入：5、8和12(PDF類的大項(xiàng)集)；

輸入：2、5和8(EDF類的大項(xiàng)集)；

輸入：1、3、4和11(OHF類的大項(xiàng)集)。

由該大項(xiàng)集可知，輸入?yún)?shù)1、2、4和12可以定義NF類故障，輸入?yún)?shù)5、8和12可以定義PDF類故障，輸入?yún)?shù)2、5和8可以定義EDF類故障，輸入?yún)?shù)1、3、4和11可以定義OHF類故障。對(duì)于變壓器故障檢測(cè)和分類，這些特征是最重要、最具信息量的特征，因此，本文中僅使用其中8個(gè)特征作為ANFIS的輸入。這8個(gè)特征分別是氫氣(H2)、甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)、C2H4或C2H6、CH4或CH2-C2H2-C2H4、C2H4或CH4-C2H2-C2H4，分別記為Atr,1、Atr,2、Atr,3、Atr,4、Atr,5、Atr,8、Atr,11、Atr,12。

使用1D-CNN的優(yōu)勢(shì)是能夠降低分類器或自適應(yīng)神經(jīng)模糊推理預(yù)測(cè)模型的輸入特征維數(shù)，且具有非常高的識(shí)別準(zhǔn)確度。

2 基于ANFIS和IMBO的分類

首先從數(shù)據(jù)庫(kù)中移除無(wú)信息屬性，采用有效屬性作為輸入，通過1D-CNN選擇最優(yōu)屬性集，將ANFIS 的輸入數(shù)據(jù)容量從14個(gè) (未處理數(shù)據(jù)狀態(tài)) 減少至較少數(shù)量(使用選擇的屬性)。從14個(gè)原始屬性中選出M個(gè)屬性，Atr，s表示被選擇的屬性，s為輸入數(shù)據(jù)的序號(hào)，且s=1,2,…,M，M≤14，如圖2所示。

DGAM—浪涌電流測(cè)量和溶解氣體分析法；1D-CNN—一維卷積神經(jīng)網(wǎng)絡(luò)；ANFIS—自適應(yīng)神經(jīng)模糊推理系統(tǒng)；PDF—局部放電故障；EDF—能量放電故障；OHF—過熱故障；NF—無(wú)故障；Atr,s—被選擇的屬性，s—輸入數(shù)據(jù)的序號(hào)。圖2 電力變壓器故障檢測(cè)算法的屬性選擇

在ANFIS中，初始未知參數(shù)的數(shù)值決定分類任務(wù)的準(zhǔn)確度。本文中的ANFIS結(jié)構(gòu)共分為5層，如圖3所示，各層的功能如下：第1層利用隸屬函數(shù)和節(jié)點(diǎn)模糊集制定一個(gè)新的隸屬度；第2層利用某些乘數(shù)乘以輸入信號(hào)的數(shù)量；第3層中的每個(gè)節(jié)點(diǎn)均為靜態(tài)的，表示為標(biāo)準(zhǔn)節(jié)點(diǎn)(NORM)，某個(gè)節(jié)點(diǎn)數(shù)值為該節(jié)點(diǎn)觸發(fā)強(qiáng)度與所有規(guī)則強(qiáng)度之和(SUM)的比值；第4層給出上一層輸出的歸一化處理結(jié)果；第5層給出ANFIS的最終預(yù)測(cè)結(jié)果?？偟膩?lái)說，第1—3層是規(guī)則前件，第4—5層是規(guī)則后件。

PROD—點(diǎn)積；NORM—標(biāo)準(zhǔn)節(jié)點(diǎn)；SUM—求和；x—系統(tǒng)輸入；y—系統(tǒng)輸出；U1、U2、U3、U4—模糊集的元素。圖3 自適應(yīng)神經(jīng)模糊推理系統(tǒng)結(jié)構(gòu)示意圖

傳統(tǒng)的ANFIS使用基于梯度的算法作為學(xué)習(xí)算法，但存在一些固有缺陷，例如收斂較慢，很容易陷入局部極小值等。此外，基于梯度的算法中隨機(jī)初始解在很大程度上決定了算法的成功與否，并且在初始解較弱或不合適的情況下會(huì)導(dǎo)向局部極小值，造成ANFIS的訓(xùn)練失敗[15]，因此，本文中使用IMBO改善ANFIS的性能。

帝王蝶優(yōu)化算法(MBO)[16]是一種基于種群的啟發(fā)式算法，根據(jù)北美地區(qū)的蝴蝶遷徙行為而開發(fā)的。帝王蝶每年遷徙2次，第1次遷徙從加拿大至墨西哥，第2次遷徙從墨西哥至加拿大。啟發(fā)式算法通過模擬帝王蝶的遷徙行為來(lái)獲得優(yōu)化問題的求解。與其他優(yōu)化算法類似，MBO先從搜索空間中的隨機(jī)種群出發(fā)，并利用一些策略來(lái)逼近全局解。MBO的詳細(xì)說明可參閱文獻(xiàn)[16-17]。

MBO的缺點(diǎn)是隨機(jī)選擇個(gè)體來(lái)產(chǎn)生新的個(gè)體，容易造成信息丟失或者陷入局部最優(yōu)。為了提高求解質(zhì)量，實(shí)現(xiàn)種群的合作和競(jìng)爭(zhēng)，本文中選取5個(gè)差分變異策略，即

(2)

式中：V1、V2，…，V5分別采用5個(gè)差分變異策略產(chǎn)生的新變異個(gè)體；Xr1、Xr2、Xr3、Xr4分別為來(lái)自于父代的4個(gè)不同個(gè)體；Xbest為當(dāng)前最優(yōu)個(gè)體；λ、F為縮放因子，取值范圍均為[0,2]。差分變異策略的作用是在一定程度上增加種群的記憶性和共享信息[18]，提高算法最優(yōu)解的準(zhǔn)確性。

對(duì)于本文中的求解問題，隸屬函數(shù)的類型取決于問題特性，應(yīng)由設(shè)計(jì)者進(jìn)行選擇。先前的參數(shù)有(a1,1,b1,1,c1,1),(a1,2,b1,2,c1,2),… ,(aN,M,bN,M,cN,M)，其中，(aN,M,bN,M,cN,M)表示第N個(gè)輸入變量的第M個(gè)隸屬函數(shù)的參數(shù)。輸入變量個(gè)數(shù)N取決于要分析的問題，描述每個(gè)數(shù)據(jù)的隸屬函數(shù)的數(shù)量M由設(shè)計(jì)者決定。結(jié)論參數(shù)有(p1,q1,r1),(p2,q2,r2),…,(pK,qK,rK)，其中p、q、r為規(guī)則后件參數(shù)，K為模糊規(guī)則個(gè)數(shù)。結(jié)論參數(shù)的數(shù)量取決于模糊規(guī)則個(gè)數(shù)。

3 仿真結(jié)果與分析

仿真實(shí)驗(yàn)在配置了英特爾酷睿i7處理器，主頻為2.8 GHz，容量為16 GB隨機(jī)存取存儲(chǔ)器(RAM)的計(jì)算機(jī)上進(jìn)行。使用MATLAB 2011b編程環(huán)境進(jìn)行仿真，將50%的數(shù)據(jù)用于訓(xùn)練，50%的數(shù)據(jù)用于測(cè)試。所有結(jié)果均取50次獨(dú)立運(yùn)行的均值。若標(biāo)準(zhǔn)偏差(SD)較小，則表明分類器具有較高的穩(wěn)健性和可靠性。

3.1 數(shù)據(jù)集

對(duì)利用DGAM得到的信息進(jìn)行解讀，是電力變壓器內(nèi)部故障的識(shí)別和分類的常用手段之一。由于變壓器內(nèi)部故障和狀態(tài)不同，因此變壓器油中生成和分解出的氣體不同，主要有C2H6、C2H2、C2H4、CH4、H2[19]。信息解讀就是利用不同生成氣體的比例進(jìn)行變壓器內(nèi)部缺陷的檢測(cè)和分類。文獻(xiàn)[19]中提出的檢測(cè)方法中使用的14個(gè)輸入屬性(數(shù)據(jù)集1)如表1所示。

表1 電力變壓器故障診斷時(shí)使用的屬性

為了提高仿真實(shí)驗(yàn)的準(zhǔn)確性和實(shí)踐性，采用一個(gè)真實(shí)的變壓器故障數(shù)據(jù)集[20]對(duì)本文方法進(jìn)行性能評(píng)估。變壓器故障數(shù)據(jù)集(數(shù)據(jù)集2)分類如表2所示。

表2 電力變壓器故障分類及樣本個(gè)數(shù)

3.2 性能分析

選擇表1中的8個(gè)屬性作為ANFIS的最優(yōu)輸入。通過IMBO選擇ANFIS的前因參數(shù)和結(jié)論參數(shù)，分類結(jié)果如表3所示，并與采用梯度算法得到相關(guān)參數(shù)的ANFIS(梯度ANFIS)進(jìn)行對(duì)比。此外，為了分析1D-CNN的有效性，采用不同的特征屬性作為ANFIS的輸入。從表中可以看出，在數(shù)據(jù)集1中，采用本文方法以及輸入第1—5個(gè)屬性、第6—14個(gè)屬性及全部14個(gè)屬性得出的分類準(zhǔn)確率分別為95.02%、95.91%和97.59%，而使用本文方法以及輸入所選擇的8個(gè)特征屬性得到的分類準(zhǔn)確率為98.91%，實(shí)驗(yàn)結(jié)果證明了屬性選擇和學(xué)習(xí)算法的有效性。從表中還可以看出，本文方法的標(biāo)準(zhǔn)偏差值為±0.01，表明本文方法性能優(yōu)秀，穩(wěn)健性高。

表3 不同算法在數(shù)據(jù)集1上的分類性能

將本文方法與文獻(xiàn)[8]中提出基于帝國(guó)殖民競(jìng)爭(zhēng)算法(ICA)優(yōu)化支持向量機(jī)的變壓器故障診斷模型(ICA-SVM)、文獻(xiàn)[9]中提出的多層感知機(jī)神經(jīng)網(wǎng)絡(luò)(MLPNN)和人工免疫系統(tǒng)算法以及文獻(xiàn)[10]中提出的基于MGWO和SVM的變壓器故障診斷方法(MGWO-SVM)應(yīng)用于同一數(shù)據(jù)集中，對(duì)故障檢測(cè)性能進(jìn)行對(duì)比，檢測(cè)結(jié)果如表4所示。由于不同算法輸入的屬性不同，因此表中僅給出了每個(gè)算法得出的最優(yōu)結(jié)果。從表中可以看出，本文方法在數(shù)據(jù)集2上取得了最優(yōu)故障準(zhǔn)確率，標(biāo)準(zhǔn)偏差更小，識(shí)別運(yùn)行時(shí)間更短，檢測(cè)方法的穩(wěn)健性更高。

表4 不同算法在數(shù)據(jù)集2上的變壓器故障檢測(cè)性能

圖4所示為IMBO和基于梯度學(xué)習(xí)算法在訓(xùn)練階段的迭代次數(shù)與均方差的關(guān)系。從圖中可以看出，IMBO的性能顯著優(yōu)于基于梯度的學(xué)習(xí)算法的，IMBO比梯度學(xué)習(xí)算法的均方差更小，并且需要更少迭代次數(shù)即可達(dá)到穩(wěn)定的均方差。

圖5所示為對(duì)于第1個(gè)輸入變量，通過IMBO和基于梯度的學(xué)習(xí)算法建立的隸屬度函數(shù)。從圖中可以看出，通過不同算法建立的隸屬度函數(shù)會(huì)導(dǎo)向不同的參數(shù)，而隸屬度函數(shù)之間的細(xì)微差異則會(huì)導(dǎo)致不同的識(shí)別準(zhǔn)確度。

IMBO—改進(jìn)帝王蝶優(yōu)化算法。圖4 不同算法在訓(xùn)練階段的迭代次數(shù)與均方差的關(guān)系

梯度ANFIS—采用梯度算法得到相關(guān)參數(shù)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)；本文方法—基于一維卷積神經(jīng)網(wǎng)絡(luò)和優(yōu)化ANFIS的電力變壓器故障檢測(cè)方法；本文方法中優(yōu)化ANFIS—采用改進(jìn)帝王蝶優(yōu)化算法得到相關(guān)參數(shù)的優(yōu)化ANFIS。圖5 采用不同算法建立的隸屬度函數(shù)

IMBO的搜索收斂結(jié)果如圖6所示。從圖中可以看出，IMBO具有非?？斓氖諗克俣龋珹NFIS參數(shù)從第1次迭代到預(yù)定義的最大迭代次數(shù)之間逐步變化，在第57次迭代后無(wú)明顯變化。事實(shí)上，在第57次迭代后，擴(kuò)散值達(dá)到穩(wěn)定狀態(tài)，算法已經(jīng)到達(dá)了最優(yōu)。

圖6 改進(jìn)帝王蝶優(yōu)化算法的搜索收斂結(jié)果

4 結(jié)語(yǔ)

本文中提出了基于優(yōu)化模糊推理系統(tǒng)的電力變壓器故障準(zhǔn)確診斷的可靠方案。采用1D-CNN選擇從DGAM得到的最有效的屬性，其中1D-CNN可以選擇最有價(jià)值、最具指導(dǎo)性的屬性，以最大限度減少輸入變量的數(shù)量，降低計(jì)算負(fù)擔(dān)。此外，為了得到ANFIS的最優(yōu)參數(shù)，本文中采用了性能優(yōu)良的改進(jìn)型啟發(fā)式算法IMBO。檢測(cè)實(shí)驗(yàn)結(jié)果表明，與其他變壓器故障檢測(cè)方法相比，本文中提出的方法準(zhǔn)確度更高，運(yùn)行時(shí)間更短，穩(wěn)健性更高，因此，1D-CNN與基于IMBO的ANFIS優(yōu)化分類器相結(jié)合，可以改進(jìn)ANFIS的準(zhǔn)確度和穩(wěn)健性。未來(lái)將進(jìn)一步研究非DGAM信息的變壓器故障檢測(cè)分類問題，使檢測(cè)算法具有更好的普適性。