基于油中溶解气体分析的DB...AELM变压器故障诊断方法_王艳.pdf

第51 卷 第4 期 电力系统保护与控制 Vol.51 No.4 2023年2月16日 Power System Protection and Control Feb.16,2023 DOI:10.19783/ki.pspc.220662 基于油中溶解气体分析的 DBN-SSAELM 变压器 故障诊断方法 王 艳，李 伟，赵洪山，张嘉琳，申宗旺 (华北电力大学电气与电子工程学院，河北 保定 071003)摘要：为了保证油浸式变压器故障诊断精度的同时，提高诊断方法的收敛速度以及泛化能力，提出一种基于DBN-SSAELM 的变压器故障诊断方法。首先，利用深度置信网络(deep belief networks,DBN)对油中溶解气体浓度比值数据进行特征提取。其次，利用具有较强学习能力的极限学习机(extreme learning machine,ELM)替换传统 DBN分类模型中的 Softmax 分类器，深入分析特征值与故障类型之间的关联性，提高模型的收敛速度。然后，利用麻雀搜索算法(sparrow search algorithm,SSA)优化 ELM 模型的输入权值和隐藏层节点偏置，以提高模型诊断结果的准确率和稳定性。最后，选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的 DBN-SSAELM 变压器故障诊断方法，故障诊断准确率高、泛化能力强、稳定性好，平均准确率达到 96.50%，适用于变压器故障诊断。关键词：变压器；故障诊断；深度置信网络；极限学习机；麻雀搜索算法 Transformer DGA fault diagnosis method based on DBN-SSAELM WANG Yan,LI Wei,ZHAO Hongshan,ZHANG Jialin,SHEN Zongwang(School of Electrical and Electronic Engineering,North China Electric Power University,Baoding 071003,China)Abstract:To ensure the fault diagnosis accuracy of an oil immersed transformer and improve convergence speed and generalizability,this paper proposes a transformer fault diagnosis method based on deep belief network and extreme learning machine optimized by a sparrow search algorithm(DBN-SSAELM).First,deep belief networks(DBN)are used to extract the features of dissolved gas data in oil.Second,an extreme learning machine(ELM)with strong learning ability is used to replace the Softmax classifier in the traditional DBN classification model to deeply analyze the correlation between features and fault types and improve convergence speed.Then,a sparrow search algorithm(SSA)is used to optimize the input weights and bias of the hidden layer node of the ELM to improve the accuracy rate and stability of the mode.Finally,the rate of accuracy,recall,precision and convergence speed of fault diagnosis are selected to evaluate the performance of the model before and after optimization.The results of transformer fault diagnosis show that the proposed DBN-SSAELM transformer model has higher fault diagnosis accuracy,stronger generalizability and better stability,and the average accuracy is 96.50%.This is suitable for transformer fault diagnosis.This work is supported by the National Natural Science Foundation of China(No.51807063).Key words:transformer;fault diagnosis;deep belief network;extreme learning machine;sparrow search algorithm 0 引言 变压器作为电力系统互联和功率交换的枢纽设 基金资助：国家自然科学基金项目资助(51807063)；中央高校基本科研业务费专项资金资助(2021MS065)备，其安全稳定运行是保障正常社会生产、生活的必要基础1-3。由于变压器内部绝缘材料在电场、温度等因素的长期作用下会发生绝缘老化、裂解等现象，严重时导致变压器故障4，造成巨大的经济损失。因此，建立有效的变压器故障诊断模型，有助于及时发现设备内部的异常信息，准确地掌握变压王 艳，等 基于油中溶解气体分析的 DBN-SSAELM 变压器故障诊断方法 -33-器当前的运行状态以及未来的发展趋势，为检修人员制定经济高效的检修策略提供依据，对于变压器的长期稳定运行具有重要意义5-6。目前，对于油浸式变压器而言，油中溶解气体分析(dissolved gas analysis,DGA)7-8是其状态评估与故障诊断的一种有效手段。传统的 DGA 技术主要包括：特征气体组分法和特征气体含量比值法。特征气体组分法主要建立在经验积累的基础上，仅根据变压器油中溶解气体组分的不同区分故障类型，只能定性描述，不能量化分析9。特征气体含量比值法是根据变压器故障时绝缘油、绝缘材料裂解产生的气体含量相对浓度与温度的相互依赖关系，建立气体含量比值与故障类型的映射关系。其中改良三比值法是目前离线色谱数据分析中的主要故障判别方法。该类方法在丰富特征量个数的同时弥补了气体数据数量级间的差异，当气体比值远离边界值时能做出较精确的判断。但实际运行的电力变压器在温度、电场、湿度、氧化以及外部环境等多种因素的长期作用下，油中溶解气体浓度呈非线性变化的趋势，增加了其与故障类型之间映射的不确定性，导致设备故障与编码之间的关系无法做到绝对清晰的划分。同时气体比值编码的临界区域存在一定的模糊性，导致该方法对故障严重程度的诊断精度低10。随着先进人工智能技术的广泛应用，电气设备的故障诊断方法逐渐向智能化方向发展。基于神经网络11-12、支持向量机13-15等机器学习的变压器故障诊断方法被依次提出。该类方法本质上均是根据已知故障样本，建立变压器状态信息到故障类型的映射关系，实现对未知样本的故障识别，无需人工干预。人工神经网络需要通过误差反向传播以调整网络权值和阈值，收敛速度慢、耗时长；支持向量机本质上是一种二分类器，对于小样本数据具有较高的准确率，不适用于变压器大数据多分类故障诊断，同时算法中规则化参数和核函数参数的选取缺乏有效依据。而极限学习机(extreme learning machine,ELM)16-18的应用克服了传统智能学习方法训练速度慢、参数选择困难等问题。当 ELM 的输入权值和隐藏层偏置确定后，便能获得唯一解，具有学习速度快、泛化能力强等优点。但由于 ELM 模型的输入权值和隐藏层偏置随机产生，增加了模型诊断结果的不稳定性。故文献16利用遗传算法对 ELM的权值和偏置进行优化，但单一的遗传算法容易陷入早熟收敛；文献17利用改进的粒子群算法对ELM 参数进行优化，一定程度上提高了 ELM 的稳定性，但改进算法过程较为繁琐。同时，随着先进传感检测技术的广泛应用，变压器状态监测数据迅速扩张，呈现出体量大、类型多等大数据特征。对其进行深度学习，充分挖掘提取数据特征，能够进一步提高设备故障诊断的效率及准确率，同时深度学习算法可以弥补传统浅层机器学习在特征提取、学习能力等方面的不足。目前，应用于变压器故障诊断中的深度学习算法主要包括深度置信网络(deep belief networks,DBN)19-20和卷积神经网络(convolutional neural network,CNN)21-22等。但传统单一的 DBN 分类模型在特征提取的基础上，直接利用 Softmax 分类器进行故障诊断，只考虑最大特征值，弱化了其他特征值的影响。而CNN 是当前图像识别处理领域的核心算法之一，被广泛应用于图像的特征提取和分类识别。由于 CNN网络结构复杂，待调参数较多，将其应用在基于DGA 数据的变压器故障诊断时会增加诊断工作量。针对上述问题，本文提出一种基于 DBN-SSAELM 的变压器故障诊断方法。首先利用 DBN网络对变压器油中溶解气体浓度比值参量进行特征提取。然后利用 ELM 模型替换 DBN 分类模型中的Softmax 分类器进行故障诊断。最后利用麻雀搜索算法(sparrow search algorithm,SSA)对 ELM 模型中的输入权值与隐藏层节点的偏置进行优化，避免ELM 模型输出的随机性。通过实验对比不同模型的诊断结果，验证本文所提 DBN-SSAELM 变压器故障诊断模型的诊断准确率和泛化能力。该模型可为检修人员及时掌握变压器运行状态以及未来发展趋势提供参考依据。1 基于 DBN 的变压器 DGA 数据特征提取 1.1 深度置信网络(DBN)DBN 模型是一种由多个受限玻尔兹曼机(restricted boltzmann machine,RBM)逐层叠加所构成的神经网络结构23。其中单个 RBM 模型由可见层和隐藏层构成，其神经元之间的连接关系如图 1所示。图 1 RBM 结构 Fig.1 Structure of RBM-34-电力系统保护与控制 图 1 中，12,vnv vv=v和12,hnh hh=h分别表示可见层和隐藏层单元的状态向量；ijW 是第i个可见层神经元和第j个隐藏神经元之间的连接权值；12,vna aa=a和12,hnb bb=b分别表示可见层和隐藏层的偏置向量。则 RBM 的模型参数,1,1ijijvhW a binjn=。对于一个给定的 v、h 组合，RBM 能量函数表示为 1111(,)vhvhnnnniijjjijiijijEa vb hh w v=-v h (1)RBM模型中各神经元的联合概率分布为(,)(,)e(,)eEEP-=v hv hvhv h (2)由于RBM层内各神经元节点之间相互独立，当可见层状态确定后，计算可得隐藏层神经元的激活概率(1)jP h=v，反之亦可确定可见层神经元的激活概率(1)iP v=h。1(1)vnjjijiiP hG bw v=+|v (3)1(1)hniiijjjP vG aw h=+|h (4)式中，()G.为激活函数，本文取Sigmoid函数。1.2 变压器DGA特征参量提取 油浸式电力变压器中绝缘油主要由烃类组成，当设备发生故障时，如发热