基于卷积神经网络的变压器油中溶解气体浓度故障诊断
2023-02-13黄磊王辉
黄磊 王辉
(上海电力大学)
0 引言
随着我国经济快速的发展,电力系统网架结构的规模在飞速地扩大,越来越多的人对电网电力的需求不断增加,同时对电能质量的要求也不断地提高,而如何保障电网设备稳定及安全可靠的运行是电力员工们目前最重要的事情。但是,由于目前的电力需求越来越旺盛,尤其是在迎峰度夏期间,电力系统经常处于满负荷,甚至过负荷状态。电力设备日常运行中,受自身以及外界的影响,偶尔会出现一定的故障,一旦发生故障,就会给电网运行带来不可挽回的损失[1]。为了保证变压器的健康稳定运行,变压器在线监测技术日益得以运用,能够及时发现设备的异常情况,对变压器实时监测数据,形成一系列各式各样的数据库,这对于评价变压器运行状态提供了强有力的支撑。
变压器油色谱[2]在线监测技术可以有效地测定变压器油中溶解气体浓度,并且是变压器在线监测技术中非常重要的一项,通过选择变压器油中溶解气体分析(DGA)数据中特征气体含量,搭建卷积神经网络[3]变压器油中溶解气体浓度故障诊断模型,对变压器进行故障诊断。从而掌握变压器的运行状态,以及变压器运行风险的评估。
1 卷积神经网络基本原理
卷积神经网络是深度学习中的一种,是一种包含有卷积计算,并且含有深度结构的前馈神经网络。一个完整的卷积神经网络包含有输入层、卷积层、池化层、全连接层、输出层[4]。它的核心部分为卷积层、池化层、输出层。卷积神经网络具有强大的特征提取能力,而且局部感受区和权值共享可在很大程度上减少训练参数,使模型适应性更强、收敛更快。
1.1 卷积层
卷积层是卷积神经网络中最主要的部分,该层利用卷积核对输入层的数据进行收集、运算,然后提取特有信息。一个卷积核只能收集一种特征,卷积层拥有两个最重要的特点,分别是稀疏连接[5]以及权值共享,通过这两个特点,使得卷积神经网络与一般的神经网络算法显示出本质上的不同。数据在不断地学习,收集特征的时候,每一个卷积核会吸取一个特征。卷积神经网络中的稀疏连接以及全连接的不同的地方,是因为卷积层当中的神经元,只需要和上一层中的部分神经元互相联系,它使得模型参数会更加简单,这样可以使得训练工作量能够大大地降低,并且卷积层可以同时输出不同的特征,在特征提取的过程中,还可以不需要考虑局部特征所处的不同位置,并且大大地降低卷积层网络参数的数量,同时降低过拟合的概率[6]。
1.2 池化层
池化层是卷积神经网络中最经常使用组件之一,池化层是通过模仿人的视觉系统,然后把数据进行降维处理,接着使用更高一层次的特征来进行表达,同时它可以降低网络参数的数量。
池化的作用:①减少信息冗余度;② 提高模型的尺度不变性以及旋转不变性的特点;③降低过拟合概率的发生[7]。
1.3 输出层
输出层中本文使用逻辑函数或归一化指数(Softmax Function)[8]输出分类。假如训练集{(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},当输入样本为x的时候,可以通过激励函数gθ(x)计算出样本属于任何类别之时的概率p(y=j|x)。激励函数如下所示[9]:
其中,
式中,θ1,θ2,θk∈Rn+1属于模型参数,项是把任何分类的概率分布通过标准归一化处理后,最后得到概率和为1。
本文中θ可以使用一个k×(n+1)的矩阵进行表达。
于是,将会对softmax回归代价函数进行分析。代价函数为D(θ),在式(3)中I{·}为指示性函数,计算法则为I{表达式为真时}=1,I{表达式为假时}=0。
j类概率表达公式如下:
衰减项增加后,代价函数则优化成为凸函数,为了让代价函数获得最优解,则需要对代价函数进行求偏导数,于是得到式(6),再通过式(7)进行参数更新:
2 基于卷积神经网络的变压器油中溶解气体浓度故障诊断模型搭建
2.1 收集油色谱数据
通过《变压器油中溶解气体分析和判断导则》可以得到,一台变压器有问题之时会产生二氧化碳(CO2)、一氧化碳(CO)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、氢气(H2)等气体,通过三比值法中故障特征气体演变规律,CH4→C2H6→C2H4→C2H2的顺序推移,选择当中的五种气体(H2、CH4、C2H6、C2H4、C2H2)作为变压器油中溶解气体浓度故障诊断模型搭建的输入向量。
2.2 变压器油中溶解气体浓度状态类型编码
变压器油中溶解气体浓度状态类型编码如表1所示。
表1 变压器油中溶解气体浓度状态类型编码
2.3 基于卷积神经网络的变压器油中溶解气体浓度故障诊断模型结构图
构建卷积神经网络的变压器油中溶解气体浓度故障诊断模型结构图,如图1所示。
图1 基于卷积神经网络的变压器油中溶解气体浓度故障诊断模型结构图
卷积神经网络处理的数据一般是m×n的二维格式,但是本文用于诊断变压器故障的数据是1×n的一维格式,所以采用一维卷积神经网络搭建诊断模型。由图1可知输入层的大小为1×5,因此卷积层C1有10个大小为3×1的卷积核,可提取到10个大小为1×5的特征图;卷积层 C2有20个大小为3×1的卷积核,可提取到20个大小为2×1的特征图;卷积层 C3有40个大小为3×1的卷积核,可提取到40个大小为1×1的特征图。全连接层1神经元个数为120,全连接层2神经元个数为84。池化层 P1为2×1,可得到10个大小为2×1的特征图;池化层 P2为2×1,可得到20个大小为1×1的特征图。展开层可得到大小为1×40的特征图。最后,在输出层使用 Softmax 函数实现对变压器故障的分类。
2.4 基于卷积神经网络的变压器油中溶解气体浓度故障诊断步骤
1)对变压器油中溶解气体浓度数据进行编码,并将这些数据分成为训练部分与测试的部分。
2)将变压器油中溶解气体浓度数据中的五种气体(H2、CH4、C2H6、C2H4、C2H2)的含量输成大小为 1×5的向量,作为CNN卷积神经网络的输入层。
3)构建基于卷积神经网络的变压器油中溶解气体浓度故障模型,并针对卷积核数量及卷积核大小、迭代次数参数来进行测试。
4)卷积层和池化层在通过对输入数据向量按照提取特征数据、降低维度以及重新构造新的特征情况的流程后,然后再将重新构造的特征情况压缩成一维数组的数据,于是再输入全连接网络,再输出判定结果。最终把刚刚得到判定结果和实际的结果值比较并得到残差,最后通过反向传播算出全连接层与卷积层之间的偏置与权重情况。
5)使用测试的数据来评判本次搭建模型的性能,如果本次搭建的模型与实际情况比较吻合,于是就将该模型进行保存, 如果该模型与实际情况得到的结果较差,那就继续按照第3步与第 4步的内容继续训练到满足要求为止。
3 实证分析
本次实证分析基于操作系统Windows7旗舰版(64位),anaconda3、python3.7、pytorch1.7.0的语言环境上完成。
3.1 油中溶解气体浓度数据的选择
本文实证分析收集了某220kV变电站某台变压器油中溶解气体浓度数据来进行实验。将数据按照比例8:2来划分为训练样本数与测试样本数。它的分布情况如表2所示。
表2 训练样本数与测试样本数的分布情况
3.2 考虑卷积核的大小对本次测试模型的影响
本次实验采用的是控制变量法,卷积神经网络的卷积核的数量、全单元数目以及学习率等设置为一致。本次实验设置卷积核数量为10,卷积核大小的设置为1×1、3×1、4×1,从准确率以及快速收敛率来比较卷积核大小对模型的影响,见图2~图4。
图2 卷积核大小1×1的模型准确率与迭代次数图
图3 卷积核大小3×1的模型准确率与迭代次数图
图4 卷积核大小4×1的模型准确率与迭代次数图
图2~图4中的train_acc指的是训练样本的准确率、text_acc指的是测试样本准确率,横轴epoch指的是迭代次数,纵轴acc指的是准确率。从图中可以得出结论,当卷积核大小为3×1,随着迭代次数的增加,准确率越能接近1,同时越容易收敛,不容易波动。因此为了提高准确率,减少波动,卷积核大小设置为3×1较为合适。
3.3 考虑卷积核的数目对本次测试模型的影响
本次实验设置卷积核大小为3×1,卷积核数目的设置为10、15、20,从准确率以及快速收敛率来比较卷积核数目对模型的影响,见图5~图7。
图5 卷积核数目为10的模型准确率与迭代次数图
图6 卷积核数目为15的模型准确率与迭代次数图
图7 卷积核数目为20的模型准确率与迭代次数图
从图5~图7中可以得出结论,当卷积核数目为10,随着迭代次数的增加,准确率越能接近1,同时越容易收敛,不容易波动。因此为了提高准确率,减少波动,卷积核数目设置为10较为合适。
3.4 实验结论
当卷积核大小为3×1、卷积核数目为10,随着迭代次数的增加,准确率越能接近1,同时越容易收敛,不容易波动。
4 结束语
在变压器油中溶解气体浓度故障诊断领域中,有传统的专家系统诊断方法和人工智能诊断方法,人工智能法有神经网络模型法、基于模糊理论的诊断法、基于灰色理论的诊断法。这些方法都有着十分好的诊断结果,但同时也存在着收敛迟缓、易陷入局部最优的特点。卷积神经网络通过卷积层与池化层的交替叠加运算,拥有强大的特征识别能力,而且局部感受区和权值共享可在很大程度上减少训练参数,使模型适应性更强、收敛更快。因此开展基于卷积神经网络的变压器油中溶解浓度故障诊断研究可以对变压器进行快速准确的状态评估,并及时做出故障预警,这对于增强新时代坚强电网安全稳定运行,保障人民群众对更高的电能质量需求具有十分重要的意义。
实验结果表明,卷积神经网络诊断模型中卷积核的数量不是说很多就很好,卷积核的大小也不是说很小就很好,而卷积神经网络在进行对压器油中溶解气体浓度故障诊断时,卷积核的大小、数量需要由数据的真实情况来选出,从而才能达到最好的结果。