基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷

黃磊 王輝

（上海電力大學）

0 引言

隨著我國經(jīng)濟快速的發(fā)展，電力系統(tǒng)網(wǎng)架結(jié)構(gòu)的規(guī)模在飛速地擴大，越來越多的人對電網(wǎng)電力的需求不斷增加，同時對電能質(zhì)量的要求也不斷地提高，而如何保障電網(wǎng)設(shè)備穩(wěn)定及安全可靠的運行是電力員工們目前最重要的事情。但是，由于目前的電力需求越來越旺盛，尤其是在迎峰度夏期間，電力系統(tǒng)經(jīng)常處于滿負荷，甚至過負荷狀態(tài)。電力設(shè)備日常運行中，受自身以及外界的影響，偶爾會出現(xiàn)一定的故障，一旦發(fā)生故障，就會給電網(wǎng)運行帶來不可挽回的損失[1]。為了保證變壓器的健康穩(wěn)定運行，變壓器在線監(jiān)測技術(shù)日益得以運用，能夠及時發(fā)現(xiàn)設(shè)備的異常情況，對變壓器實時監(jiān)測數(shù)據(jù)，形成一系列各式各樣的數(shù)據(jù)庫，這對于評價變壓器運行狀態(tài)提供了強有力的支撐。

變壓器油色譜[2]在線監(jiān)測技術(shù)可以有效地測定變壓器油中溶解氣體濃度，并且是變壓器在線監(jiān)測技術(shù)中非常重要的一項，通過選擇變壓器油中溶解氣體分析（DGA）數(shù)據(jù)中特征氣體含量，搭建卷積神經(jīng)網(wǎng)絡(luò)[3]變壓器油中溶解氣體濃度故障診斷模型，對變壓器進行故障診斷。從而掌握變壓器的運行狀態(tài)，以及變壓器運行風險的評估。

1 卷積神經(jīng)網(wǎng)絡(luò)基本原理

卷積神經(jīng)網(wǎng)絡(luò)是深度學習中的一種，是一種包含有卷積計算，并且含有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。一個完整的卷積神經(jīng)網(wǎng)絡(luò)包含有輸入層、卷積層、池化層、全連接層、輸出層[4]。它的核心部分為卷積層、池化層、輸出層。卷積神經(jīng)網(wǎng)絡(luò)具有強大的特征提取能力，而且局部感受區(qū)和權(quán)值共享可在很大程度上減少訓練參數(shù)，使模型適應(yīng)性更強、收斂更快。

1.1 卷積層

卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最主要的部分，該層利用卷積核對輸入層的數(shù)據(jù)進行收集、運算，然后提取特有信息。一個卷積核只能收集一種特征，卷積層擁有兩個最重要的特點，分別是稀疏連接[5]以及權(quán)值共享，通過這兩個特點，使得卷積神經(jīng)網(wǎng)絡(luò)與一般的神經(jīng)網(wǎng)絡(luò)算法顯示出本質(zhì)上的不同。數(shù)據(jù)在不斷地學習，收集特征的時候，每一個卷積核會吸取一個特征。卷積神經(jīng)網(wǎng)絡(luò)中的稀疏連接以及全連接的不同的地方，是因為卷積層當中的神經(jīng)元，只需要和上一層中的部分神經(jīng)元互相聯(lián)系，它使得模型參數(shù)會更加簡單，這樣可以使得訓練工作量能夠大大地降低，并且卷積層可以同時輸出不同的特征，在特征提取的過程中，還可以不需要考慮局部特征所處的不同位置，并且大大地降低卷積層網(wǎng)絡(luò)參數(shù)的數(shù)量，同時降低過擬合的概率[6]。

1.2 池化層

池化層是卷積神經(jīng)網(wǎng)絡(luò)中最經(jīng)常使用組件之一，池化層是通過模仿人的視覺系統(tǒng)，然后把數(shù)據(jù)進行降維處理，接著使用更高一層次的特征來進行表達，同時它可以降低網(wǎng)絡(luò)參數(shù)的數(shù)量。

池化的作用：①減少信息冗余度；② 提高模型的尺度不變性以及旋轉(zhuǎn)不變性的特點；③降低過擬合概率的發(fā)生[7]。

1.3 輸出層

輸出層中本文使用邏輯函數(shù)或歸一化指數(shù)（Softmax Function）[8]輸出分類。假如訓練集{(x(1)，y(1))，(x(2)，y(2))，…，(x(m)，y(m))}，其中x(i)∈Rn+1，y(i)∈{1，2，3，4，5， 6，…，k}，當輸入樣本為x的時候，可以通過激勵函數(shù)gθ(x)計算出樣本屬于任何類別之時的概率p(y=j|x)。激勵函數(shù)如下所示[9]：

其中，

式中，θ1，θ2，θk∈Rn+1屬于模型參數(shù)，項是把任何分類的概率分布通過標準歸一化處理后，最后得到概率和為1。

本文中θ可以使用一個k×(n+1)的矩陣進行表達。

于是，將會對softmax回歸代價函數(shù)進行分析。代價函數(shù)為D(θ)，在式（3）中I{·}為指示性函數(shù)，計算法則為I{表達式為真時}=1，I{表達式為假時}=0。

j類概率表達公式如下：

衰減項增加后，代價函數(shù)則優(yōu)化成為凸函數(shù)，為了讓代價函數(shù)獲得最優(yōu)解，則需要對代價函數(shù)進行求偏導數(shù)，于是得到式（6），再通過式（7）進行參數(shù)更新：

2 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷模型搭建

2.1 收集油色譜數(shù)據(jù)

通過《變壓器油中溶解氣體分析和判斷導則》可以得到，一臺變壓器有問題之時會產(chǎn)生二氧化碳（CO2）、一氧化碳（CO）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、氫氣（H2）等氣體，通過三比值法中故障特征氣體演變規(guī)律，CH4→C2H6→C2H4→C2H2的順序推移，選擇當中的五種氣體（H2、CH4、C2H6、C2H4、C2H2）作為變壓器油中溶解氣體濃度故障診斷模型搭建的輸入向量。

2.2 變壓器油中溶解氣體濃度狀態(tài)類型編碼

變壓器油中溶解氣體濃度狀態(tài)類型編碼如表1所示。

表1 變壓器油中溶解氣體濃度狀態(tài)類型編碼

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷模型結(jié)構(gòu)圖

構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷模型結(jié)構(gòu)圖，如圖1所示。

圖1 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷模型結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)一般是m×n的二維格式，但是本文用于診斷變壓器故障的數(shù)據(jù)是1×n的一維格式，所以采用一維卷積神經(jīng)網(wǎng)絡(luò)搭建診斷模型。由圖1可知輸入層的大小為1×5，因此卷積層C1有10個大小為3×1的卷積核，可提取到10個大小為1×5的特征圖；卷積層 C2有20個大小為3×1的卷積核，可提取到20個大小為2×1的特征圖；卷積層 C3有40個大小為3×1的卷積核，可提取到40個大小為1×1的特征圖。全連接層1神經(jīng)元個數(shù)為120，全連接層2神經(jīng)元個數(shù)為84。池化層 P1為2×1，可得到10個大小為2×1的特征圖；池化層 P2為2×1，可得到20個大小為1×1的特征圖。展開層可得到大小為1×40的特征圖。最后，在輸出層使用 Softmax 函數(shù)實現(xiàn)對變壓器故障的分類。

2.4 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障診斷步驟

1）對變壓器油中溶解氣體濃度數(shù)據(jù)進行編碼，并將這些數(shù)據(jù)分成為訓練部分與測試的部分。

2）將變壓器油中溶解氣體濃度數(shù)據(jù)中的五種氣體（H2、CH4、C2H6、C2H4、C2H2）的含量輸成大小為 1×5的向量，作為CNN卷積神經(jīng)網(wǎng)絡(luò)的輸入層。

3）構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解氣體濃度故障模型，并針對卷積核數(shù)量及卷積核大小、迭代次數(shù)參數(shù)來進行測試。

4）卷積層和池化層在通過對輸入數(shù)據(jù)向量按照提取特征數(shù)據(jù)、降低維度以及重新構(gòu)造新的特征情況的流程后，然后再將重新構(gòu)造的特征情況壓縮成一維數(shù)組的數(shù)據(jù)，于是再輸入全連接網(wǎng)絡(luò)，再輸出判定結(jié)果。最終把剛剛得到判定結(jié)果和實際的結(jié)果值比較并得到殘差，最后通過反向傳播算出全連接層與卷積層之間的偏置與權(quán)重情況。

5）使用測試的數(shù)據(jù)來評判本次搭建模型的性能，如果本次搭建的模型與實際情況比較吻合，于是就將該模型進行保存， 如果該模型與實際情況得到的結(jié)果較差，那就繼續(xù)按照第3步與第 4步的內(nèi)容繼續(xù)訓練到滿足要求為止。

3 實證分析

本次實證分析基于操作系統(tǒng)Windows7旗艦版（64位），anaconda3、python3.7、pytorch1.7.0的語言環(huán)境上完成。

3.1 油中溶解氣體濃度數(shù)據(jù)的選擇

本文實證分析收集了某220kV變電站某臺變壓器油中溶解氣體濃度數(shù)據(jù)來進行實驗。將數(shù)據(jù)按照比例8:2來劃分為訓練樣本數(shù)與測試樣本數(shù)。它的分布情況如表2所示。

表2 訓練樣本數(shù)與測試樣本數(shù)的分布情況

3.2 考慮卷積核的大小對本次測試模型的影響

本次實驗采用的是控制變量法，卷積神經(jīng)網(wǎng)絡(luò)的卷積核的數(shù)量、全單元數(shù)目以及學習率等設(shè)置為一致。本次實驗設(shè)置卷積核數(shù)量為10，卷積核大小的設(shè)置為1×1、3×1、4×1，從準確率以及快速收斂率來比較卷積核大小對模型的影響，見圖2~圖4。

圖2 卷積核大小1×1的模型準確率與迭代次數(shù)圖

圖3 卷積核大小3×1的模型準確率與迭代次數(shù)圖

圖4 卷積核大小4×1的模型準確率與迭代次數(shù)圖

圖2~圖4中的train_acc指的是訓練樣本的準確率、text_acc指的是測試樣本準確率，橫軸epoch指的是迭代次數(shù)，縱軸acc指的是準確率。從圖中可以得出結(jié)論，當卷積核大小為3×1，隨著迭代次數(shù)的增加，準確率越能接近1，同時越容易收斂，不容易波動。因此為了提高準確率，減少波動，卷積核大小設(shè)置為3×1較為合適。

3.3 考慮卷積核的數(shù)目對本次測試模型的影響

本次實驗設(shè)置卷積核大小為3×1，卷積核數(shù)目的設(shè)置為10、15、20，從準確率以及快速收斂率來比較卷積核數(shù)目對模型的影響，見圖5~圖7。

圖5 卷積核數(shù)目為10的模型準確率與迭代次數(shù)圖

圖6 卷積核數(shù)目為15的模型準確率與迭代次數(shù)圖

圖7 卷積核數(shù)目為20的模型準確率與迭代次數(shù)圖

從圖5~圖7中可以得出結(jié)論，當卷積核數(shù)目為10，隨著迭代次數(shù)的增加，準確率越能接近1，同時越容易收斂，不容易波動。因此為了提高準確率，減少波動，卷積核數(shù)目設(shè)置為10較為合適。

3.4 實驗結(jié)論

當卷積核大小為3×1、卷積核數(shù)目為10，隨著迭代次數(shù)的增加，準確率越能接近1，同時越容易收斂，不容易波動。

4 結(jié)束語

在變壓器油中溶解氣體濃度故障診斷領(lǐng)域中，有傳統(tǒng)的專家系統(tǒng)診斷方法和人工智能診斷方法，人工智能法有神經(jīng)網(wǎng)絡(luò)模型法、基于模糊理論的診斷法、基于灰色理論的診斷法。這些方法都有著十分好的診斷結(jié)果，但同時也存在著收斂遲緩、易陷入局部最優(yōu)的特點。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層與池化層的交替疊加運算，擁有強大的特征識別能力，而且局部感受區(qū)和權(quán)值共享可在很大程度上減少訓練參數(shù)，使模型適應(yīng)性更強、收斂更快。因此開展基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器油中溶解濃度故障診斷研究可以對變壓器進行快速準確的狀態(tài)評估，并及時做出故障預(yù)警，這對于增強新時代堅強電網(wǎng)安全穩(wěn)定運行，保障人民群眾對更高的電能質(zhì)量需求具有十分重要的意義。

實驗結(jié)果表明，卷積神經(jīng)網(wǎng)絡(luò)診斷模型中卷積核的數(shù)量不是說很多就很好，卷積核的大小也不是說很小就很好，而卷積神經(jīng)網(wǎng)絡(luò)在進行對壓器油中溶解氣體濃度故障診斷時，卷積核的大小、數(shù)量需要由數(shù)據(jù)的真實情況來選出，從而才能達到最好的結(jié)果。