龙玉江，姜超颖，钟 掖，田月炜

（1.贵州电网有限责任公司信息中心，贵州 贵阳 550003；2.西安电子科技大学，陕西 西安 710126；3.贵阳供电局，贵州 贵阳 550001）

0 引言

输变电变压器作为重要的电器设备，是实现电能输送、稳定和安全的关键设备，其正常运作对于保证人们生活质量具有重要意义。随着人们生活水平的提高，对电的需求也在不断提高，使得输变电变压器常处于负荷状态，成为整个供电系统中最不稳定的一个部分。因此，对输变电变压器进行故障分析与预测有着极为重要的作用。

在发生故障时，电力变压器内部会产生一定量的溶解气体，现有的对于正常天气状态下的变压器故障预测模型多是对油溶解气体进行分析，进而实现对变压器故障的诊断[1]。近年来，以深度学习为基础，基于油气分析的变压器故障诊断已有较多研究成果，如采用BP 神经网络[2⁃3]、CNN[4⁃5]、PNN[6⁃7]、DBN[8⁃9]等实现了高精度故障预测。其中，赵文清等人在传统的BP 神经网络基础上，提出一种基于残差BP 神经网络的变压器故障诊断方法，将传统网络中的恒等映射学习转化为残差学习，使得在小样本数据下仍然能够获得较好的诊断性能[10]。夏洪刚等人提出一种基于卷积神经网络（CNN）的电力变压器故障诊断方法，对变压器油中溶解气体进行了二进制编码，并对其进行降维与重构，相比于传统机器学习方法在效率与精度方面都有着显著优势[11]。董理科等人以知识图谱技术为基础，结合梯度提升决策树，提出一种结合变压器故障各影响因素以及历史运行数据的知识图谱少样本训练及故障预测方法[12]。

为了提高变压器故障诊断模型的预测精确度，对于分类器的设计和选择也至关重要，其中朴素贝叶斯（NB）[13]、支持向量机（SVM）[14⁃15]是较为常见的两种分类器。朴素贝叶斯通过计算条件概率来预测给定特征向量属于每个类别的概率，并选择具有最高概率的类别作为预测结果；支持向量机是一种基于最大边际的分类算法。

对于上述讨论，以下文献在DGA 的基础上对分类器进行了不同的研究：张朝龙等人提出了一种可用于海量数据监测的智能故障诊断方法，设计无源射频识别传感器标签并采用加权贝叶斯分类模型进行故障诊断，具有较高的故障诊断准确率[16]；李朕玥在SVM 的电力变压器故障诊断方法与分析中，提出一种立足于支持向量机的变压器工作方式判断方法，将非线性问题转化为高维空间问题，从而对非线性问题予以较为准确的分类识别[17]。

在深度学习领域，对数据的多维度特征提取已经成为一个提高识别准确率的重要方法，通过神经网络将从各个维度提取的特征合并成一个比输入特征更具有判别能力的特征。余登武等人提出一种基于深度学习分位数回归的电力负荷区间预测方法，该方法将输入数据划分成负荷特征部分和时间天气特征部分，分别传入卷积神经网络和反向传播神经网络进行训练，再拼接输出后传入全连接层构成深度学习模型[18]。该方法可以获得高精度。

对于正常天气状态下的变压器故障预测已有多种预测与分析模型；而在极端气象条件下，已有的故障预测模型会出现一定的偏差，其故障预测准确性会受到极端气象的影响，在这种情况下已有故障预测模型不再适用。针对上述问题，本文提出了一种极端气象条件下基于深度学习网络特征的变压器故障预测模型。该模型引入了极端气象条件下的气象参数，并分别对油中溶解气体含量与气象条件进行时因分析，从而提取特征；其次，将融合后的联合特征导入提出的新型神经网络，得到故障预测结果，提高了故障预测的准确率。

1 卷积神经网络

1.1 卷积神经网络组成

卷积神经网络（Convolutional Neural Network,CNN）是人工智能研究领域的重要部分，近年来，其在许多领域都发挥了巨大作用，如语音识别、图像识别等。CNN 由不同数量的神经元按照不同的方式搭建，从而构成不同结构的网络模型。图1 所示为一个简单的前馈卷积神经网络模型。

图1 前馈卷积神经网络模型

图1 中，最左侧为前馈卷积神经网络的输入层，最右侧为输出层，其余为中间层。在中间层，每层神经元将上层神经元的输出作为当前层的输入。前馈卷积神经网络单向逐层向后传递信息，具体表达式如下：

式中：j∈{2,3,…,J}，J代表神经网络的总层数；W(j)代表第j-1 层到第j层的权重矩阵；y(j-1)是第j-1 层输出；b(j)代表第j-1 层到第j层偏置；网络最后输出yJ；fj(·)代表第j层神经元的激活函数。

为了从输入样本中学习复杂的特征，激活函数均采用非线性函数。选择合适的激活函数可以帮助神经网络更好地学习数据的特征，从而提高模型的准确性和泛化能力。激活函数需要连续并且可导，这样可以采用数值优化的方法学习网络参数；同时激活函数及其导数需要尽可能简单，这样能够降低复杂度，提升计算效率。

卷积神经网络一般由三个部分组成，分别为卷积层、池化层、全连接层。其中，卷积层是CNN 的核心部分，它由若干卷积单元组成，每个卷积单元的参数都可经过反向传播算法进行优化。卷积层可以包含多个卷积核，每个卷积核提取一种特定的特征。卷积层的输出作为下一层的输入，同时卷积层的参数也需要进行训练，以使得它能够提取出对于任务有用的特征。卷积运算用于提取输入的不同特征，随着卷积层数量的增加，提取的信息也更加复杂。

1980-1995年，由于巴西政府在农业方面的信贷总额逐渐降低，民间私人银行农业信贷的比率上升，使得农业贷款利率提高，给许多农民造成较大的偿债负担。1995年后巴西政府针对这一不良现象，采取了相应的处理措施，主要有两点：第一，在法律上允许不具有偿债能力的农户适当延长偿债期限；第二，以其他方式进行债务偿还，如农业生产者可以用农产品偿还购买农业机具的债务，这种方式不仅可以让农户的生产压力降低，还能够刺激国内农业机具的销售量，对促进农业的整体发展有着较大的帮助。

由于卷积计算后的数据仍然庞大，因此采用池化层对数据进行降采样，从而降低训练复杂度。常见的池化方式有最大池化（Max Pooling）和平均池化（Average Pooling），它们分别选择一个区域内的最大值或平均值作为输出，平均池化能够减小邻域大小受限而造成的误差，最大池化能够减小卷积层参数造成的误差。全连接层起到“分类器”的作用，将网络学习到的特征映射到样本标记空间。在全连接层中，常采用Dropout 的方法来随机使部分神经元失活，既避免过拟合，又提高模型的泛化能力，其随机性也可以使每次训练的网络不同，使得将每次训练的子网络组合起来能够获得更好的预测效果。

1.2 一维卷积与二维卷积

卷积层用于提取输入特征，其中一维卷积和二维卷积是常用的两种卷积方式，它们的卷积核都是二维的，但滑动方向有所不同。一维卷积操作通常应用于时间序列数据的处理，如音频信号、文本等，它的作用是将输入数据与卷积核进行卷积运算，得到一系列的特征图。这些特征图能够捕捉到输入数据中的不同模式，从而可以用来进行分类、回归等任务。其卷积核在输入数据上单方向窗口滑动，常用于提取信号序列的时序特征以及其他高维特征。二维卷积常用于图像处理领域，其卷积核在输入数据的水平与竖直两个方向上滑动，能够获取特征的位置信息，也可用于多目标分类。在卷积核滑动过程中，数据的边缘会被裁剪掉，采用边缘填零的方式可以使得输入数据的边缘特性得以保存。

卷积可看作对某个局部的加权求和，卷积核作为权重矩阵，连接输入数据与权重参数。卷积核对于当前层的所有神经元都是相同的，通过在不同数据层上滑动来提取不同特征，同时卷积核的滑动也可避免全连接前馈神经网络中，由于权重矩阵参数过多而导致训练效率低的问题。

2 输变电变压器故障诊断模型

2.1 变压器故障诊断过程

本文主要采用油溶解气体分析（Dissolved Gas Analysis,DGA）方法，同时结合极端气象条件下的气象参数，对变压器故障进行分析。变压器的绝缘材料会因为电气和热老化而产生气体，这些气体会被油吸收并溶解在油中。监测变压器油中的气体含量可以帮助诊断变压器的绝缘状况。在输变电变压器发生故障时，这些特征气体主要包括氢气、甲烷、乙烷、乙烯、乙炔五种，不同故障类型会导致变压器内气体含量也不同。

除了变压器内部气体环境，在极端气象环境中，一些天气参数如外界温度、湿度、气压等也会对变压器运行状态有一定影响。因此，本文在传统DGA 分析的基础上，结合了气象参数对变压器进行故障分析，以提高模型故障预测的泛化能力。

故障诊断基本流程如图2 所示，具体诊断步骤为：

图2 故障诊断基本流程

1）采集各种极端气象条件下输变电变压器故障数据，预置故障类型；

2）数据参数预处理；

3）创建深度学习网络；

4）更新网络权重；

5）输入验证集数据，输出故障类型。

2.2 故障类型预置与数据预处理

输变电变压器故障的类型较多，本文以DGA 方法为基础，主要研究较为常见的7 种变压器状态，分别为：低温过热（低于150 ℃）、中低温过热（低于300 ℃且高于150 ℃）、中温过热（低于700 ℃且高于300 ℃）、高温过热（高于700 ℃）、低能放电、高能放电以及正常状态。为了便于特征提取，对以上变压器状态类型进行独热编码（One⁃Hot），此种编码类型将一个分类变量转换为多个二元变量，能够处理非连续的数值特征，也可配合特征选择来节省空间，防止模型对分类变量的值进行不必要的排序。变压器状态编码如表1 所示。

表1 变压器状态编码

在数据集方面，共选取512 组故障数据。由于变压器类型和等级不同，其气体含量也会存在较大的差异。采集多组正常运作的变压器数据，根据正常情况下的各种参数划定正常标准，将气体以及各种气象参数根据正常值的范围进行转化，并将绝对值转化为相对值，消除不同参数之间的差异，同时减小误差。对油气含量与气象参数进行数据预处理，处理公式如下：

式中：xi表示预处理后的油气含量与气象参数；表示正常状态时参数值；分别表示数据样本中的参数最大值与最小值。对采集的数据（每组数据包含变压器内5 种气体含量与3 种外界气象参数共8 个参数）添加故障类型标签，从而形成带故障标签的原始信号数据集。将5 种气体含量作为数据集Ⅰ，其大小为5×512；将外界气象参数数据作为数据集Ⅱ，其大小为3×512。从原始数据集中随机抽出75%的数据作为训练集，其余25%的数据作为验证集。

2.3 输变电变压器故障诊断模型

将训练数据集Ⅰ通过序列输入层导入深度学习网络Ⅰ，提取变压器内5 种气体含量随着时间变化的高维特征；将数据集Ⅱ通过序列输入层导入深度学习网络Ⅱ，提取外界气象参数随着时间变化的高维特征。将数据集Ⅰ与数据集Ⅱ提取的特征融合并导入深度学习网络Ⅲ。数据导入与训练过程如图3 所示。

图3 数据导入与训练过程

深度学习网络Ⅰ（Ⅱ）和深度学习网络Ⅲ结构分别如图4 与图5 所示。

图4 深度学习网络Ⅰ（Ⅱ）结构

图5 深度学习网络Ⅲ结构

深度学习网络Ⅰ（Ⅱ）由8 层网络组成：第1 层为卷积层Ⅰ，防止原输入信息掉到卷积核边界之外；第2 层为一个池化层对数据进行降采样，简化网络复杂度，降低计算量；第3 层为一个卷积层Ⅱ；第4 层为一个池化层；第5层为一个卷积层Ⅲ，第6层为一个池化层；第7 层为一个卷积层Ⅳ；第8 层为一个池化层。其中，深度学习网络Ⅰ（Ⅱ）卷积核大小不同，其余参数相同。深度学习网络Ⅰ（Ⅱ）参数如表2 所示。

表2 深度学习网络Ⅰ（Ⅱ）参数

深度学习网络Ⅲ由4 层网络组成，因为在融合之前支路上均已经包含了多层卷积。对于融合后的特征，不设计过深的卷积神经网络对其进行训练，其结构参数如表3 所示。第1 层为卷积层Ⅰ；第2 层为一个池化层；第3 层为一个全连接层，并使用ReLU 激活函数，解决了梯度消失问题，同时防止梯度弥散。ReLU 激活函数会使一部分的神经元输出变为0，减少了参数的数量，同时也解决了过拟合的问题。相比于Sigmoid 等激活函数，ReLU 激活函数计算量小。第4 层为一个Softmax层，通过Softmax 多分类器计算每个故障类型的概率值，传输到分类层达到分类目的。

表3 深度学习网络Ⅲ参数

在训练过程中使用误差反向传播算法更新网络权重，优化神经网络。该算法利用链式法则对网络中的误差进行反向传播，并根据误差调整每个神经元的权重。具体步骤为：初始化神经网络训练参数，设置最大训练迭代数为1 000，设置初始学习率为0.01，将预处理后的数据导入网络进行训练，并使用误差反向传播算法更新网络权重，以此得到最优的网络结构，同时不断更新迭代次数与学习率等。

3 实验结果与分析

本文采用的变压器数据集共512 条，在DGA 方法的基础上加入极端气象参数，每条数据包含5 种油气含量与3 种极端气象参数共8 个特征，选取其中75%作为训练集，25%作为测试集。

为了对本文提出的极端气象条件下基于深度学习网络特征的变压器故障预测方法进行性能评估，将其与概率神经网络（PNN）方法以及基于传统算法的BP 神经网络进行对比。图6 为本文提出的基于特征融合的神经网络的测试集预测效果图，图7 为三种方法对测试集的预测效果。

图6 基于特征融合的神经网络预测效果图

图7 三种方法预测准确率

由图6、图7 可知，本文提出的基于特征融合的深度学习网络对于极端气象条件下的故障预测准确率远高于传统BP 神经网络方法与概率神经网络（PNN）方法。本文方法准确率达到了90.625%，表明该方法对于极端气象条件下的故障预测具有一定的优势。表4 为变压器7 种故障类型以及相应的测试集样本数与正确率。

表4 基于特征融合的神经网络故障诊断结果

由表4 可知，本文提出的神经网络结构对于低温过热、中低温过热、中温过热、高温过热故障类型的预测准确率均达到了90%以上，尤其对于中低温过热与高温过热这两种故障类型的预测表现出了良好的预测性能；但对于故障类型7（高能放电）与故障类型6（低能放电），三种方法预测准确率均有所下降。通过对数据集分析，高能放电故障样本数量相对于其他6 种故障类型较少，在训练过程中可能会存在过拟合现象。为了得到较高的预测准确率，在之后的实验中可选取更多的训练样本。

4 结论

本文提出一种极端气象条件下基于深度学习网络的变压器故障预测方法。实验结果表明，相比于其他传统故障预测方法，本文方法的准确率有了明显提高，同时也弥补了传统变压器故障预测方法中泛化能力弱、时效性低、精度低的缺点。