基于油液分析的变压器健康状态评估

王磊， 陈长征

（沈阳工业大学 机械工程学院，沈阳110870）

0 引 言

电力变压器是电力系统的重要组成部分，长期以来，对变压器运行稳定性的判断是通过定期检修来实现的，由此产生的维修过剩和维修不足给社会带来了巨大的经济损失。因此，为了降低变压器运行风险，准确判断变压器健康状态，保证变压器安全可靠地运行，变压器检修模式由定期检修向状态检修过渡已成必然趋势。

变压器健康状态评估是状态检修的基础，只有通过准确预测变压器健康状态，做出合理的检修方案，才能保证变压器安全稳定地运行。目前，国内外学者已经提出了很多有成效的变压器健康状态评估方法，文献[1]通过主观赋予权重的方法，中和油中溶解气体因子和油特性试验因子得到变压器健康指数，利用健康指数判断变压器健康状态，但由于主观性较大，变压器健康状态预测准确度较低；文献[2]根据油中溶解气体所测特征量，基于BP神经网络算法来判断变压器健康状态，当网络隐藏层较多时，BP神经网络出现局部最优解的现象，导致变压器健康状态预测准确率较低；文献[3]研究了模糊评估算法在变压器状态评估中的应用，但该方法对变压器数据样本要求较高，且不适合单个数据样本预测；文献[4]探讨了支持向量机对变压器健康状态的评估，但该方法在大样本多分类的情况下预测准确率较低。

随着大数据时代的到来，深度学习被证明对原数据有强大的表征能力。因此，本文以变压器绝缘油中的CH4、C2H6、C2H4、CO2、C2H2、CO、H2浓度值和油中的糠醛含量、酸值、油击穿电压、介质损耗、水含量作为反映变压器健康状态的特征参量，利用变压器特征参量的历史数据，通过主观赋予权重法和模糊C均值算法得到训练样本集和测试样本集，根据历史数据样本构建基于深度自编码网络的变压器健康状态评估模型。分析了不同网络结构的诊断效果。

1 特征参量分析

根据国内变压器多年来运行试验及事故等数据表明，70%左右变压器故障是由绝缘故障引起的。油中溶解气体和油特性试验在不需停电的情况下，就可以得到变压器绝缘油的数据，判断变压器的故障程度和老化程度。油中溶解气体分析法是通过监测变压器运行过程中产生的故障气体的浓度来判断变压器故障的程度，变压器故障气体为CH4、C2H6、C2H4、CO2、C2H2、CO、H2。

油特性试验法是通过监测变压器绝缘油的状态量来判断变压器绝缘老化状态。变压器的状态量为酸值、糠醛含量、油击穿电压、介质损耗、水含量。因此，变压器通过油中溶解气体分析检测的故障气体浓度及油特性实验分析检测的状态量能够较好地反映变压器的健康状态。

2 深度自编码网络

2.1 自编码网络

如图1所示，自编码网络分为编码过程和解码过程，输入层到隐藏层为编码过程，隐藏层到输出层为解码过程。从输入层到隐藏层的编码过程为：

图1 自编码神经网络模型示意图

式中：W为m×n的权值矩阵；b为输入层的偏置向量；f (·)为sigmoid函数。

从隐藏层到输出层的解码过程为

式中：W1为k×m的权值矩阵；b1为隐藏层的偏置向量。

自编码网络的目标是利用误差函数使输入和输出尽量相近：

式中：c为数据样本个数。

通过反向传播最小化误差函数，得到自编码网络最优的权值和偏置，为建立深度自编码网络模型做准备，权值和偏置的优化原理为式（5）和式（6）：

2.2 降噪自编码网络

降噪自编码网络是通过在输入数据中加入噪声数据来训练稀疏自编码网络，由于噪声数据的作用使自编码网络学习的数据特征更具有鲁棒性，其网络原理如图2所示。首先，使用随机概率将原始数据x中某些值置为0得到含有噪声数据的x1，根据自编码网络编码解码原理，利用含有噪声数据的x1，得到编码数据h和解码数据y，最后通过解码数据y和原始数据x构造误差函数，通过反向传播最小化误差函数，得到最优的网络权值和偏置。

图2 降噪自编码网络原理示意图

2.3 SoftMax分类器

SoftMax分类器是解决多分类问题的，其网络结构如图3所示。第一层网络是SoftMax分类器的输入层，第二层网络是SoftMax分类器的输出层。其原理为：

图3 SoftMax网络结构图

式中：x为输入数据向量；W为输入层到输出层神经网络的权值矩阵；b为输入层神经网络偏置向量；Z为模型参数；n为分类数；x为训练数据样本；yi为训练样本数据x被识别为第i类的概率。

SoftMax分类器的目标函数：

式中：m为训练数据样本数；n为分类数；x(i)为第i个数据的样本类别；l{·}为示性函数，当括号中的条件为真时，示性函数值为l，当括号中的条件为假时，示性函数为0。通过使目标函数极小化得到网络最优的权值和偏置。根据最优的权值和偏置向深度网络模型中输入新的数据，若输出层第i个神经元条件概率最大，则数据属于第i类。

2.4 深度自编码网络模型

如图4所示，深度自编码网络是由多个自编码网络堆叠和SoftMax分类器组成；是通过预训练得到自编码网络的初始权值和偏置，然后利用微调来确定网络最优的权值和偏置。预训练是通过无标签数据样本对多个自编码网络进行无监督训练，首先将原始数据输入第一个自编码网络，利用误差函数确定网络的最优权值和偏置；然后将第一个自编码网络的隐藏层作为第二个自编码网络的输入层，采取同样的方式得到第二个自编码网络的最优权值和偏置；反复进行可以得到所有自编码网络的最优权值和偏置，最终提取最后一个自编码网络的隐藏层作为深度特征。预训练完成后，深度自编码网络的权值和偏置被初步初始化。

图4 深度自编码网络结构示意图

微调是通过有标签数据样本对整个深度自编码网络进行有监督训练，应用反向传播算法，通过极小化SoftMax分类器的损失函数，得到整个网络最优的权值和偏置，强化自编码网络的特征提取能力。

3 算例分析

3.1 算例数据分析

本文搜集了800个不同健康状态的变压器数据样本,每个数据样本包括CH4、C2H6、C2H4、CO2、C2H2、CO、H2、酸值、油击穿电压、介质损耗、水、糠醛等12个特征参量的值，取300个数据样本作为深度自编码网络的无标签训练样本，将剩余的500个数据样本采用主观赋予权重法和模糊C均值法制作有标签数据样本。数据样本训练集如表1所示。

表1 有标签数据样本集

3.2 模型神经网络层数确定

在有标签数据样本每个状态类别中选取40个作为深度神经网络的微调数据集，以300个无标签样本作为深度网络的预训练集，网络层数设定为1～8，根据不同的网络层数得到不同的训练误差，结果如图5所示。由图5可知，当网络层数超过5时，出现过拟合现象，因此网络层数的最优值为5。

图5 自编码网络层数与训练误差的关系

3.3 隐藏层节点个数的确定

深度自编码网络的输入层和输出层节点个数是确定的，中间隐藏层节点个数是不确定的，为了确定隐藏层节点个数，对不同网络结构进行分析，结果如图6所示。由图6可知，网络性能最好的结构是12-9-8-7-5。

图6 隐藏层节点与训练误差的关系

3.4 噪声数据对网络性能的影响

降噪编码器由于噪声数据的作用使自编码网络学习的数据特征更具鲁棒性，因此，基于上述的网络层数和网络节点数在网络输入层数据中加入噪声数据，观察加入噪声数据后的网络性能，结果如图7所示。由图7可知，当噪声数据为输入层数据的一半时，网络性能最好。

图7 噪声数据个数与训练误差的关系

3.5 对模型效果进行评估

综合以上分析，采取5层神经网络，其网络节点个数分别为12、9、8、7、5，每组输入数据随机加入6个噪声数据，对深度自编码网络进行训练。在500个有标签数据样本中随机选取200个数据样本作为网络性能评估的数据样本集，评估结果如图8所示，结果表明网络性能良好。

图8 变压器健康状态预测效果示意图

3.6 基于相同数据集与其它方法对比

在500个有标签数据样本中，随机选取200个数据样本作为测试样本，采用本文所建立的网络算法、BP神经网络 算 法、SVM 三 种方法进行测试对比。结果如表2所示。

表2 不同方法预测变压器健康状态的准确率

4 结论

本文基于CH4、C2H6、C2H4、CO2、C2H2、CO、H2、油击穿电压、酸值、介质损耗、水、糠醛等12种特征参量，根据建立好的数据训练样本集建立了最优的变压器健康状态评估模型。通过相同的变压器数据样本，分别应用本文所述方法、BP神经网络算法、SVM等3种方法对变压器健康状态进行预测，结果表明，本文所述方法预测精度远高于其他两种方法，具有更好的预测功能。