基于多尺度极限融合网络的电力变压器故障诊断方法研究

龙思成，黄志鸿

（1.湖南星电集团有限责任公司，长沙 410035；2.国网湖南省电力有限公司电力科学研究院，长沙 410007）

0 引言

变压器连接不同电压等级的电力网络，保障电力系统安全稳定运行［1］。然而，变压器在长期运行中不可避免地受到环境因素的影响［2］，内部绝缘油质量退化并释放溶解性气体，如H2，CH4和C2H2等［3-4］，导致发生故障。

为分析电力变压器中的气体体积分数并诊断故障类型，研究人员先后提出几种溶解气体分析方法，例如关键气体法［5］，Roger Ratio法［6］和Duval三角法［7］。这些方法通过计算各种溶解性气体成分来诊断变压器的故障类型，但可能无法为每种气体的比值组合提供合理解释。因此，传统的溶解气体分析方法在变压器诊断故障上具有一定的局限性。

目前，一些机器学习方法已成功应用在电力变压器故障诊断中。这些方法根据故障类型和特征气体之间的统计关系进行故障分析。其中，以神经网络和支持向量机（Support Vector Machine，SVM）为典型代表。文献［8］提出一种基于多项式的神经网络用于分析特征气体。文献［9］提出一种基于混沌蜂群算法和小波网络用于变压器故障诊断。文献［10］将SVM 用于处理特征气体数据以诊断变压器故障。文献［11］提出一种混合神经网络算法，通过神经网络拓扑结构提升故障诊断性能。

上述诊断方法均取得不错的诊断精度，但同时也存在一些缺点，如训练速度慢及难以确定最佳参数值。与其他神经网络相比，极限学习机（Extreme Learning Machine，ELM）在网络快速学习方面具有巨大优势，且泛化能力强［12］，在机器学习和计算机视觉领域中已广泛应用。一些改进的ELM 方法［13-14］已成功应用于变压器故障诊断中。但这些方法依赖固定的隐藏层节点数，可能无法有效地利用溶解气体的统计特征进行故障诊断。

近年来，信息融合［15］技术在机器学习领域受到广泛关注，该技术通过集成来自多个传感器的测量数据生成高质量的数据分析与处理结果。基于信息融合理论的优势，提出一种基于多尺度极限融合网络（Multiscale Extreme Fusion Network，MEFN）用于电力变压器故障诊断。其基本思路是将信息融合算法与ELM 技术相结合。首先，采用基于不同参数尺度的ELM 处理同一组特征气体数据，生成若干初始诊断结果。再采用一种决策级融合策略（多数表决）融合不同的初始诊断结果。通过联合利用不同ELM模型的统计信息，生成最优故障诊断结果。

1 相关研究

1.1 ELM

ELM 是一种典型的前馈型神经网络［12］，其结构如图1 所示。由图1 可见，输入层有n个神经元，并对应n个输入变量。隐藏层有L个神经元并对应m个输出变量。输入层和输出层之间的连接权重为

式中：wij为输入层第i个神经元和隐藏层第j个神经元的连接权重。

隐藏层和输出之间的权重Bjk层为

式中：Bjk代表是隐含层第j个神经元与输出层第k个神经元的连接权重。将b设置为隐藏层中神经元的阈值。

假设输入矩阵X和输出矩阵Y都有N个训练样本

则G（w，x，b）表示为隐藏层中的激活函数。网络输出T表示为

式中：j=［1，2，…，N］；wi=［wi1，wi2，…，win］；xi=［x1j，x2j，…，xnj］。

1.2 三比值法

当电力变压器内部发生故障时，会产生多种类型的特征气体。一般用于判断变压器内部故障类型的主要特征气体有H2，CO，CO2，CH4，C2H4，C2H6，C2H2。试验使用的变压器油中溶解气体在线检测装置为湖电试研XD-DGA-1。

三比值法［16］现已广泛应用于多个国家，通过不同的编码大小来表示不同的比例范围，具体见表1。电力变压器具体故障类型包括：局部放电（PD）、低压放电（D1）、高压放电（D2）、低温过载（T1）、中温过载（T2）、高温过载（T3）。具体故障类型的编码组合见表2。

表1 三比值法的编码规则Table 1 Coding rules of three ratio method

表2 不同故障类型的编码Table 2 Coding of different types of faults

2 基于MEFN的诊断方法

MEFN 方法原理如图2 所示。首先，使用具有不同隐藏层节点大小的ELM 模型产生若干初始诊断结果。不同的诊断结果可以挖掘各种溶解气体间的统计信息，为电力变压器故障诊断提供互补信息。然后，提出一种有效的方法融合不同诊断结果，产生最终诊断结果。

图2 MEFN方法原理Fig.2 Principle of the MEFN method

2.1 基于ELM的变压器故障初始诊断

根据1.2 节介绍的三比值法，使用6 种溶解性气体的3 个比值特征进行分析。因此，输入层的数量设置为3。根据选择的特征向量和故障类型，对故障样本进行预处理，并将处理后的样本分为训练样本集和测试样本集。

例如，测得某变压器中各种特征气体的体积分数分别为：φ（H2）=279.0 μL/L，φ（CH4）=41.0 μL/L，φ（C2H6）=42.0 μL/L，φ（C2H4）=9.7 μL/L，φ（C2H2）=434.0 μL/L。该变压器的故障类型为低压放电（D1），见表2。在ELM 模型中，此样本对应的输入向量为［44.742 2，0.146 9，0.230 9］。首先，设定固定大小隐藏层神经元数量L，随机设置输入层和隐藏层之间的连接权重w及隐藏层的偏差b层神经元。然后，选择激活隐藏层中的函数G（w，x，b），计算隐藏层输出矩阵和连接权重B。最后，使用不同L值的ELM来测试和输出分类结果CQ。

2.2 基于多尺度融合的故障诊断

由于实际气体数据的复杂性，依赖单一尺度的模型难以充分挖掘气体间的统计特征。因此，基于多尺度隐藏层节点数的诊断结果比基于单尺度下的诊断结果更具有优势。每种尺度的诊断结果能从不同角度挖掘气体中独特的统计特征，基于多尺度的诊断结果能有效挖掘特征气体中的互补信息。

因此，为了有效挖掘不同尺度下的互补信息，采用决策表决策略，即多数投票（Major Voting，MV）［15］，联合利用不同尺度的初始诊断结果（C1，C2，C3，…，CQ）。计算每个输入特征的次数，并将其分别定义为count1，count2，count3，…，countQ。它们的大小为3n，其中n是测试样本的数量。最终的诊断结果可以通过以下方式生成

countf= maxm(count1，count2，count3，…，countQ)。（8）

当对每个初始检测结果进行“多数投票”时，相应诊断结果的置信度将增加1。选择置信度最高的诊断标签作为输出标签。为证明多尺度融合策略的有效性，在表3中提供了部分诊断结果。

表3 部分诊断结果Table 3 Partial diagnostic results

MEFN 方法具有出色的诊断性能，原因是基于单尺度的ELM 模型可能无法有效地诊断部分故障样本，而其他尺度的模型可能会提供正确的诊断结果。MEFN 方法使用“多数投票”来联合多个诊断结果，并生成具有最高置信度的诊断结果。因此，所提出的方法在电力变压器故障诊断上具有高可靠性和高精度的诊断性能。

3 试验与分析

3.1 试验介绍

在试验中，所用的数据集共有487 个样本。随机选择其中的387 个样本作为训练样本，其余100个样本作为测试样本。试验使用Matlab R2016b 软件作为测试平台。

3.2 对比试验

在所提出的MEFN 模型中，sigmoid 函数设置为隐藏层的激活函数。对于不同的ELM 模型，隐藏层节点数目设置为50，100，150，200，250。变压器故障分为6 种类型，加上正常运行状态，网络共有7 种输出。因此，输出层的神经元数量设置为7。

为证明MEFN 方法的有效性，将2 种经典的诊断方法反向传播（BP）神经网络［11］和SVM［10］用于对比试验。对于BP 神经网络，其隐藏层节点数为50，网络结构为3×50×7。对于SVM 方法，参数c和σ通过五重交叉验证进行调整［17-20］，设置为（c，σ）=（12，18）。

不同分类方法的诊断精度见表4。Ntotal代表每种故障类型的数量，Nright代表正确的诊断数量。由表4 可见，与BP 神经网络和SVM 诊断方法相比，MEFN 方法具有显著优势，低温过载（T1）的诊断准确性从73.68%提高到89.47%，低能量放电（D1）故障类型诊断准确性从84.62%提高到100.00%。将表4 中的整体正确数目除以整体数目可得出3 种方法的总体准确度见表5，提出的MEFN 方法总体诊断准确率为94%，优于其他2 种对比方法的83%，87%。

表4 3种分类方法的诊断精度Table 4 Comparison of the accuracy of three diagnostic methods

表5 3种分类方法的整体诊断精度Table 5 Overall accuracy of the three diagnostic methods

为证明多尺度信息融合策略的有效性，将提出的MEFN 方法与基于单尺度的ELM 进行比较，诊断准确性如图3所示。

图3 单一尺度与多尺度模型诊断性能对比Fig.3 Comparison of the diagnostic performance of a single-scale model and a multi-scale model

对于每个比例ELM 模型，隐藏层节点数目设置为［50，100，150，200，250］中。使用ELMq（q∈Q）表示单尺度ELM 模型，可见当节点数从50 增加到150时，诊断精度持续上升并达到稳定状态。在对比试验中，提出的MEFN 方法可以获得出色的诊断准确性。理由如下，当基于单尺度的ELM 模型错误地诊断了测试样本，则其他尺度的ELM 模型可能有效诊断出故障类型。多尺度信息融合策略可以使MEFN模型对变压器故障的诊断的鲁棒性更高。

4 结束语

提出一种基于MEFN的电力变压器故障诊断方法。首先，通过不同尺度下的ELM 模型来产生初始诊断结果。不同的诊断结果能充分挖掘各种溶解气体间统计信息，为变压器故障诊断提供补充信息。然后，提出一种有效的信息融合方法以融合不同的诊断结果以产生更好的诊断结果。试验表明，所提出的方法在诊断精度方面优于BP 神经网络及SVM方法。

致谢：感谢国网湖南省电力有限公司湘潭供电分公司在数据采集与分析方面给予的支持。