电力变压器多源信息融合故障诊断技术研究

汪 舒，阳士宇，汪 俊，范叶平，李志浩

（安徽继远软件有限公司，安徽 合肥 230088）

0 引 言

电力变压器作为电力系统中的重要设备，在输变电过程中承担着电压变换和功率传输的重要功能。然而，由于运行环境的复杂性和长期工作的高负荷，电力变压器存在多种潜在故障隐患，如绕组短路、接地故障、绝缘老化等，给电力系统的安全、稳定运行带来严峻挑战。因此，开展多源信息融合故障诊断技术的研究对实现变压器状态实时监测与提前预警具有重要意义。

1 深度信念网络和受限玻尔兹曼机

1.1 深度信念网络模型介绍

深度信念网络（Deep Belief Network，DBN）通过训练神经元之间的权重，使整个神经网络按照最大概率来生成训练数据[1]。它可以使用非监督学习的方式学习数据的内在规律和表示层次，也可以使用监督学习的方式来优化网络参数，并完成分类等任务。DBN 模型由多层神经元组成，每一层神经元都通过权重连接在一起。深度信念网络模型组成见图1。

图1 深度信念网络模型组成

1.2 受限玻尔兹曼机

受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）是一个2 层神经网络，第1 层被称为可见层，第2 层被称为隐藏层。因为网络只有2 层，所以又被称为浅层神经网络。RBM 可以用于降维、特征提取及协同过滤等，其训练可以分成正向传播、反向传播及比较3 部分。RBM 最初由保罗·斯模棱斯基（Paul Smolensky）于1986年提出，直到杰弗里·辛顿（Geoffrey Hinton）及其合作者在2000 年代中叶发明快速学习算法后，受限玻尔兹曼机才变得知名。

1.3 训练过程

将可见层设置为输入数据，即需要训练的原始数据集，使用无监督学习的方式逐层训练DBN 中的每一层RBM。在训练过程中，采用对比散度（Contrastive Divergence，CD）算法进行权重和偏置的更新。具体做法是，通过吉布斯采样（Gibbs Sampling）得到重建样本，使用重建样本与原样本间的差值来改变权重和偏置。在训练好第一层RBM 之后，把其输出数据当作下一层RBM 的输入数据，然后继续练习下一层RBM。反复进行这个步骤，直至每个层次都练习成功。当预训练完成后，把最后一个RBM 的输出连接到下一个Softmax 分类器或其他更具体的分类器模型。然后通过有监督学习的方法，微调整个DBN。微调阶段的主要目标是最小化分类偏差，从而提高分析的精确度。

2 继电保护故障诊断中的多源信息融合与DS证据理论

2.1 建立多源信息融合模型

预处理变压器中的多种实验数据，包括归一化、标准化等操作，以消除不同数据之间的量纲和数值差异，提高数据的可比性[2]。将预处理后的多种实验数据进行整合，形成一个综合数据集，包含油色谱分析、油化实验分析、检修历史数据、运行环境数据及外观检测数据等多种信息。从综合数据集中提取与变压器故障相关的特征参数，利用DBN 进行特征层的信息融合。通过逐层预训练和微调的方式，DBN 可以学习到数据的内在规律和表示层次，将多种特征参数融合为一个更加紧凑且有效的特征表示。

2.2 数据预处理

将不同来源和不同格式的数据转换为统一的格式，如将图片数据转换为可处理的数值数据，或将不同数据结构的数据进行整合。线性变换原始变压器数据，例如离差标准化，使其结果值映射到[0,1]，消除不同数据之间的量纲和数值差异，方便后续的数据分析和挖掘。

从清洗和转换后的数据中提取与变压器故障相关的特征参数，根据特征的重要性和相关性进行特征选择，去除冗余和不相关的特征，降低数据的维度，提高后续分析的效率和准确性[3]。利用关联规则挖掘算法或图论等方法，分析变压器数据之间的关联性，找出不同部件之间的故障传播路径和影响关系。构建变压器故障关联模型，描述不同部件之间故障的关联程度和传播机制，为后续故障预测和诊断提供依据。

2.3 DS 证据理论及其在故障诊断中的应用

DS 证据理论及其在故障诊断中的应用数据见表1。故障诊断结果是根据多个证据（即证据1、证据2）综合分析得出的针对设备状态的诊断结果。通常用一个概率值（范围在0～1）来表示诊断结果的可靠程度，越接近1 表示越有把握认为设备处于某种特定的故障状态。

表1 DS 证据理论及其在故障诊断中的应用数据

根据DS 证据理论的应用和融合结果，能够准确诊断变压器的故障类型。这些结果可以为变压器的维护和修复提供重要的参考依据，帮助工程师及时采取相应的措施来修复故障，确保变压器的正常运行。

3 算例分析

3.1 数据来源与处理

归一化处理油中溶解气体体积分数、局部放电量及套管介质损耗因数，将数据映射到相同的数值范围内，以消除不同数据之间的量纲和数值差异。将数据映射到相同的数据区域里，以减少各个数据间的量纲和数据差别。将归一化后的数据构建为一个n×8的矩阵，其中n代表数据样本的总数量[4]。每个数据样本中至少含有8 个特性函数，可以用来判断电力变压器所属的故障类别。利用DBN 对大量样本加以练习，并通过训练培养其泛化能力，从而更好地研究复杂的本构非线性映射问题。

3.2 DBN-DS 融合算法实现

根据DBN 的输出，将各个网络的输出转化为各个故障的概率分配函数。通过计算分配值，确定基本概率分配。归一化后数据1 至数据8 均无单位，表示经过归一化处理后的数据值，通常在0 ～1。DBNDS 融合算法的数据见表2。

表2 DBN-DS 融合算法的数据

3.3 与传统BP 神经网络算法的对比分析

DBN-DS 融合算法与传统BP 神经网络算法故障诊断对比分析见表3。

表3 DBN-DS 融合算法与传统BP 神经网络算法故障诊断对比分析

由表3 可知，DBN-DS 融合算法能够更准确地判断故障类型。例如，对于数据样本1 和4，DBNDS 融合算法能够正确识别高温过热的故障类型，传统BP 神经网络算法则判断为中低温过热，显示了DBN-DS 融合算法在处理复杂非线性映射关系时的优势。从整体上看，DBN-DS 融合算法在电力变压器多源信息融合故障诊断方面具有一定的优势。通过对多源信息的融合处理，DBN-DS 融合算法能够更全面地考虑各种因素，降低不确定性，提高故障诊断的准确性[5]。

4 结 论

文章提出的基于多源信息融合的电力变压器故障诊断方法具有重要的理论意义和实践价值，经过实验验证该方法效果显著。与传统方法相比，本方法在故障诊断准确率上有了显著提升，且对多种类型的故障均有较好的诊断效果。这表明通过多源信息融合技术，能够更全面、准确地掌握电力变压器的运行状态，及时发现并处理潜在的故障隐患，从而保障电力系统的安全、稳定运行。