基于Bi-LSTM的油色譜變壓器故障診斷方法

盧啟碩，關(guān)卓林，趙晉級

（國網(wǎng)淮南市潘集區(qū)供電公司，安徽 淮南 232091）

0 引言

變壓器對電力系統(tǒng)的穩(wěn)定運行起著至關(guān)重要的作用［1］。在實際運行中，變壓器故障會引發(fā)一定范圍的停電事件，從而造成嚴重的經(jīng)濟損失和社會影響［2］。對變壓器的故障進行檢測與預(yù)測，不僅可以確保電力系統(tǒng)的穩(wěn)定運行，還可以延長變壓器的使用壽命，保證電力供應(yīng)的可靠性。因此，變壓器的故障診斷能夠提高電力系統(tǒng)運行的安全性和穩(wěn)定性，對電力系統(tǒng)運維具有重要意義。

目前，我國電力行業(yè)變壓器運行狀態(tài)評估的傳統(tǒng)方法主要包括溶解氣體分析（dissolved gas analysis，DGA）［3］、溫度監(jiān)測、噪聲監(jiān)測、電力參數(shù)監(jiān)測和周期性物理檢查等。通過分析不同類型故障所產(chǎn)生氣體的組成成分和濃度，可以監(jiān)控并預(yù)測變壓器的運行狀態(tài)。在觀察變壓器運行狀況的過程中，DGA 是目前被廣泛接受并且應(yīng)用效果良好的一種方法［4］。變壓器DGA 故障診斷方法主要包括三比值法和人工智能法。然而，無論是三比值法還是基于三比值法改進的方法，都不能通用于所有類型的變壓器故障診斷，無法解決氣體濃度隨時間變化等問題［5］，影響故障診斷結(jié)果的準確性。隨著機器學(xué)習和人工智能技術(shù)的發(fā)展，以機器學(xué)習為主的數(shù)據(jù)驅(qū)動方法展現(xiàn)出了良好的應(yīng)用效果。文獻［6］提出通過考慮變壓器的運行狀況、氣候環(huán)境以及其本身的健康狀態(tài)等多個因素，構(gòu)建基于比例風險模型和半馬爾可夫過程的變壓器時變停機率模型。同時，引入蒙特卡洛方法對影響因素進行抽樣，以降低解析法的計算復(fù)雜度。文獻［7］針對BP（back propagation，BP）神經(jīng)網(wǎng)絡(luò)算法收斂困難、局部最優(yōu)等問題，提出基于布谷鳥優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)變壓器故障診斷模型。文獻［8］提出利用雙向長短期記憶網(wǎng)絡(luò)（bi-directional long short-term memory，Bi-LSTM）對基于某一時刻的所有特性參數(shù)進行時間維度的相關(guān)性分析，以考慮整體參數(shù)的變化，但仍然無法深入挖掘各特性參數(shù)間的關(guān)聯(lián)性，模型預(yù)測需要基于大量的歷史數(shù)據(jù)，這使得模型應(yīng)用效率降低。文獻［9］采用改進的三比值作為概率神經(jīng)網(wǎng)絡(luò)的特征輸入，并使用灰狼搜索算法優(yōu)化神經(jīng)網(wǎng)絡(luò)中的平滑因子參數(shù)，最終的測試結(jié)果顯示，這種網(wǎng)絡(luò)模型預(yù)測的準確率可以達到90%。

本文基于不同條件下絕緣物質(zhì)分解產(chǎn)生氣體的速率及氣體成分比例的差異，運用改進的熵權(quán)法來分配各氣體狀態(tài)量的權(quán)重，并將其作為特征值，構(gòu)建了一個基于改進的長短期記憶神經(jīng)網(wǎng)絡(luò)的故障診斷模型。實驗分析表明，本文所建立的變壓器運行狀態(tài)評估模型能夠有效識別變壓器故障類型。

1 變壓器的健康狀態(tài)評估

1.1 油中氣體反映變壓器運行狀態(tài)的原理

由于熱效應(yīng)、電效應(yīng)、機械效應(yīng)等多種因素的綜合影響，變壓器在運行過程中的絕緣油和絕緣紙會產(chǎn)生一定程度的分解和老化，生成不同種類和含量的氣體，例如氫氣（H2）、甲烷（CH4）、乙炔（C2H2）、乙烷（C2H6）等。這些溶解在油中的氣體種類和含量可以作為反映變壓器內(nèi)部狀態(tài)和健康程度的重要指標。根據(jù)這些氣體的含量，將變壓器的狀態(tài)分為“正常狀態(tài)”“注意狀態(tài)”“異常狀態(tài)”及“嚴重狀態(tài)”［10］。具體劃分情況如表1所示。

表1 變壓器不同狀態(tài)下的氣體含量

1.2 多特征故障氣體數(shù)據(jù)的提取

本文在原有氣體含量特征數(shù)據(jù)的基礎(chǔ)上，增加了C2H6/C2H4、C2H6/C2H2、C2H6/CH4、C2H6/H2等10 個氣體含量比值特征數(shù)據(jù)，通過對特征數(shù)據(jù)的補充，有效提升故障診斷的準確率。氣體特征數(shù)據(jù)及編號如表2 所示。用編號S1 到S5 表示5 種特征氣體含量數(shù)據(jù)，用編號S6 到S15 表示10 種特征氣體含量比值數(shù)據(jù)。

表2 氣體特征數(shù)據(jù)及編號

1.3 故障類型分類

系統(tǒng)的輸入變量為15 維特征數(shù)據(jù)，選取油過熱、油中絕緣紙過熱、油中有電弧、油和絕緣紙中有電弧、油中局部放電、油和絕緣紙中局部放電、油中火花放電和進水受潮或油中有氣泡這8 種變壓器故障類別作為輸出變量，故障類型與產(chǎn)生氣體的對應(yīng)關(guān)系如表3所示。

表3 故障類型與產(chǎn)生氣體的對應(yīng)關(guān)系

2 電力變壓器故障診斷

2.1 數(shù)據(jù)預(yù)處理

DGA 數(shù)據(jù)分布不均勻。當絕緣材料由于各種原因開始分解時，各種氣體的產(chǎn)生速度能夠在一定程度上反映變壓器運行狀態(tài)的惡化情況。因此，對這些故障數(shù)據(jù)進行預(yù)處理，能夠取得更好的故障診斷效果。

令Ci、vi（i=1，…，5）分別表示各種氣體的含量和氣體產(chǎn)生的速率，且i的取值從小到大分別對應(yīng)氫氣（H2）、甲烷（CH4）、乙炔（C2H2）、乙烯（C2H4）、乙烷（C2H6），定義關(guān)聯(lián)矩陣R為：

式中：rij=vi/vj，表示通過比較氣體i和氣體j的產(chǎn)生速率，來描述在絕緣分解過程中不同氣體之間的關(guān)聯(lián)性。

定義氣體產(chǎn)生速率的關(guān)聯(lián)系數(shù)為：

式中：i=1,2，…,5；j=1,2,…，5。

1）歸一化

2）信息熵計算

式中：KY_i和Ks_i分別為Yi和si的信息熵。

3）計算熵權(quán)重

式中：wY_i和ws_i分別為根據(jù)氣體含量和關(guān)聯(lián)系數(shù)得到的熵權(quán)值。

2.2 變壓器故障診斷模型構(gòu)建

變壓器內(nèi)部各種特征氣體之間的關(guān)聯(lián)性、交互性并不一致，部分特征氣體具有疊加效果。同時，變壓器故障診斷在深度學(xué)習中可以被視為分類問題。因此，本文使用具有門控機制的長短期記憶網(wǎng)絡(luò)作為變壓器故障診斷模型的基礎(chǔ)。

LSTM 網(wǎng)絡(luò)單元內(nèi)部結(jié)構(gòu)如圖1 所示。圖1 中，Ct-1表示舊的單元狀態(tài)；Ct表示傳遞給下一步的新單元狀態(tài)；Ht-1表示前一個隱藏狀態(tài)；Ht表示新的隱藏狀態(tài)；t∈[1,γ],γ為特征變量的個數(shù)，從上述分析可知γ=15；σ為sigmoid 激活函數(shù)，可提高網(wǎng)絡(luò)非線性擬合能力；tanh 為雙曲正切函數(shù)，用來增加網(wǎng)絡(luò)模型收斂速度；Xt為特征輸入矩陣，本文所提算法的輸入為15維變量特征數(shù)據(jù)。

圖1 LSTM網(wǎng)絡(luò)單元內(nèi)部結(jié)構(gòu)

2.3 模型改進

當使用DGA 進行變壓器故障診斷時，對油中溶解氣體檢測值與規(guī)定的閾值進行比較，而這些閾值是根據(jù)國外變壓器數(shù)據(jù)修正得到的，不一定符合我國的實際情況，存在一定的局限性。

在LSTM 網(wǎng)絡(luò)的基礎(chǔ)上，本文設(shè)計了基于Bi-LSTM 的變壓器故障診斷模型，如圖2所示。圖2中，F(xiàn)m為油中溶解氣體序列，為Bi-LSTM 結(jié)構(gòu)中的隱藏層序列。雙向長短期記憶網(wǎng)絡(luò)增加了反向信息傳播單元，使得特征氣體序列的分析處理更加靈活。網(wǎng)絡(luò)中每個特征在當前時間點的輸入狀態(tài)，不僅取決于此前的輸入特征子序列，也取決于此后的輸入特征子序列。通過多個門控單元和雙向計算機制，Bi-LSTM 網(wǎng)絡(luò)模型能夠自動挖掘特征氣體間的相互影響模式。

圖2 Bi-LSTM 故障診斷模型結(jié)構(gòu)

2.4 變壓器故障診斷流程

變壓器故障診斷流程共分為5個步驟。步驟1是將樣本數(shù)據(jù)分為訓(xùn)練集和測試集，并對故障類型進行編號處理；步驟2是提取出訓(xùn)練樣本中變壓器不同故障時產(chǎn)生的5種氣體含量特征數(shù)據(jù)和10種氣體含量比值特征數(shù)據(jù)，共15維特征數(shù)據(jù)；步驟3是將特征數(shù)據(jù)進行歸一化處理，計算其信息熵，作為模型輸入特征變量和權(quán)重；步驟4是進行Bi-LSTM故障模型構(gòu)建及參數(shù)初始化，同時計算正向、反向傳播作用，得出損失函數(shù)值；步驟5是通過不斷訓(xùn)練選擇出故障診斷準確率最高的模型參數(shù)并保存參數(shù)，以確定故障診斷模型。最后，輸入測試集數(shù)據(jù)，檢測和評估所建立的故障診斷模型的分類性能，變壓器故障診斷流程如圖3所示。

圖3 變壓器故障診斷流程

3 仿真實驗分析

仿真實驗使用Matlab軟件完成，根據(jù)仿真實驗的結(jié)果，檢測所提出的變壓器故障診斷方法的邏輯性和有效性。

3.1 特征氣體數(shù)據(jù)

利用氣相色譜分析儀檢測分析采集到的油中溶解氣體樣本，得到640個油中溶解氣體樣本。其中，選擇380個樣本作為訓(xùn)練集，剩余的260個樣本作為測試集［11］。訓(xùn)練集和測試集中各種類型故障的樣本數(shù)如表4所示。

表4 訓(xùn)練集與測試集中各種類型故障的樣本數(shù)

3.2 故障診斷效果對比

在變壓器故障診斷對比實驗中使用傳統(tǒng)的量子粒子群優(yōu)化支持向量機算法（QPSO-SVM）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNet）、LSTM 和本文所提出的Bi-LSTM 算法，對測試集數(shù)據(jù)進行實驗對比分析。實驗評估標準為模型準確率P，其表達式如式（6）所示，不同算法的故障診斷結(jié)果對比如表5所示。

式中：PTi為正確分類樣本數(shù)量；PFi為錯誤分類樣本數(shù)量。

表5 不同算法的故障診斷結(jié)果對比

采用QPSO-SVM 算法時平均故障診斷準確率為86.4%，采用BPNet 算法時平均故障診斷準確率提升至89.2%。使用LSTM 算法時，平均故障診斷準確率進一步提高至90.5%。采用本文所提出的Bi-LSTM算法時，平均故障診斷準確率達到了93.4%，故障診斷準確效果超過了前面的3 種算法。這表明本文所提出的算法在故障診斷時的判斷結(jié)果與實際故障類型高度一致，從而證明了其在變壓器故障診斷上的有效性。

4 結(jié)語

分析了變壓器內(nèi)部故障的類型以及變壓器內(nèi)部故障產(chǎn)生的氣體種類，提出了基于改進的長短期記憶神經(jīng)網(wǎng)絡(luò)及油色譜分析的變壓器故障診斷方法。添加10 個新的氣體比值變量，使得變壓器故障采集信息更全面?？紤]變壓器絕緣物質(zhì)分解時產(chǎn)生的各種氣體之間存在的關(guān)聯(lián)性，對熵權(quán)法進行優(yōu)化，從而有效地提升了狀態(tài)評估的準確性。將交互的特征氣體比值轉(zhuǎn)變成特征序列整合到深度神經(jīng)網(wǎng)絡(luò)中，有助于更深入地解析特征數(shù)據(jù)和變壓器狀態(tài)間的復(fù)雜聯(lián)系。本文提出的Bi-LSTM 模型能夠準確描述變壓器故障及對應(yīng)狀態(tài)的映射關(guān)系。未來將進一步挖掘特征氣體與變壓器故障之間的關(guān)聯(lián)性，優(yōu)化網(wǎng)絡(luò)模型，提高計算的準確率和效率。