杨廷胜　卢志鹏　苗厚利

摘要：针对现有设备故障检测模型难以及时精确检测或预测电力变压器故障的问题，研究提出一种基于PMS的变压器设备故障数据分析模型，并设计了一种基于LSTM网络的变压器故障预测方法。利用PMS采集的变压器油中H、CH、CH、CH、CH、CO、CO此7种故障气体浓度作为LSTM网络训练数据，构建7种不同故障气体预测模型;通过实验确定了不同故障气体最佳预测模型的时间步与网络结构;通过仿真对提出的模型进行验证。结果表明：基于PMS的变压器故障数据分析模型，通过LSTM网络对故障数据进行分析，可有效预测40 d内变压器故障气体浓度，进而实现对变压器故障的预测。该模型性能优于基于多变量的灰色预测模型GM（1，7），预测均方根误差约为10%。

关键词：PMS系统;变压器;LSTM网络;故障数据分析

中图分类号：TP391 文献标识码：A 文章编号：1001-5922（2022）07-0165-06

Construction and simulation of equipment fault data

analysis model based on PMS

YANG Tingsheng LU Zhipeng MIAO Houli

（1.CNOOCIRAQ Ltd.， Beijing 100028， China; 2.Shenzhen Wrellreach Automation

Co.， Ltd.， Shenzhen 518057， Guangdong China）

Abstract：Aiming at the problem that the existing equipment fault detection models are difficult to detect or predict power transformer faults timely and accurately， a PMS based transformer equipment fault data analysis model is proposed， and a transformer fault prediction method based on LSTM network is designed. Seven fault gas concentrations of H， CH， CH， CH， CH， CO and CO in transformer oil collected by PMS are used as LSTM network training data to build seven different fault gas prediction models. The time step and network structure of the best prediction model for different fault gases are determined by experiments. Finally， the proposed model is verified by simulation. The results show that the analysis model of transformer fault data based on PMS and LSTM network can effectively predict the concentration of transformer fault gas within 40 days， therefore realize the prediction of transformer fault. The performance of the model is better than that of grey prediction model GM （1，7）， and the root mean square error is about 10%.

Key words：PMS system; transformer; LSTM network; fault data analysis

變压器是电力系统的重要组成部分，其稳定运行是确保电力系统安全的基础;为此，有必要确保电力变压器始终处于正常运行状态。然而，由于环境原因或某种原因，电力变压器可能发生故障，导致电力系统供电受到一定影响。因此，为避免因变压器故障带来的电力问题，保障电力系统正常运行，需对变压器是否故障进行诊断与预测。长期以来，变压器的故障诊断通常为人工巡检的方式，通过人工定期巡检发现变压器故障或潜在故障，并进行维修，保证变压器的稳定。但这种方式不仅需要耗费大量的人力、财力、物力，同时存在无法精准预测变压器潜在故障发生的时间问题。近年来，随着深度学习发展以及自动化技术的广泛应用，变压器故障检修逐渐趋于智能化。如利用变压器设备发生故障时，变压器油中溶解的气体种类、浓度及比例会发生相应的变化，提出一种基于变压器油色谱分析的检测方法，有效实现了对变压器故障的预测[1-3]。但通过研究发现，上述方法的故障数据集为静态数据，导致模型预测值与实际值存在一定的差异。本研究利用具有庞大实时采集数据功能与管理能力的PMS系统，通过实时采集的变压器故障气体动态数据，构建了基于LSTM的变压器设备故障数据分析模型，并通过仿真实验验证了该模型的预测效果。

1LSTM算法简介

LSTM网络是一种为解决循环神经网络长期依赖问题的时间循环神经网络，主要用于处理时间序列数据，以预测输出变量的未来发展趋势。其基本单元结构如图1所示[4]。

2基于LSTM的变压器故障数据分析模型构建

基于LSTM的变压器故障数据分析模型实现流程首先是根据PMS采集的变压器油中溶解的故障气体浓度历史数据，采用LSTM网络模型对故障气体浓度进行预测;然后根据预测的故障气体浓度判断变压器故障发展趋势。最后根据该趋势判断变压器发生故障的类别和时间，即实现了对变压器故障数据的分析预测。

3仿真实验

3.1实验平台

本实验在MATLAB软件中进行仿真，在Windows10上进行操作。系统处理器选用Intel core i3，内存为2 G。

3.2数据来源及预处理

本实验数据来自PMS采集的连续70 d内220 kV变压器油中溶解的H、CH、CH、CH、CH、CO、CO此7种故障气体浓度数据，共300组。随机选择其中80%（240组）数据样本作为模型训练样本，剩余20%（60组）数据样本作为测试样本，并建立7个LSTM模型分别对7种故障气体浓度进行预测。

考虑到LSTM模型中，输入的故障气体浓度数量级差异较大，容易导致较大的误差。因此，研究对PMS采集到的故障气体浓度数据样本进行了归一化处理。具体处理方法：

3.3评价指标

3.4参数设置

3.4.1时间步个数

时间步个数是影响LSTM模型预测效果的关键因素，因此有必要对预测模型的时间步进行确定[9]。考虑到本研究7种故障气体浓度预测模型构建方法类似，因此实验以H浓度预测模型为例，确定其时间步个数。

设置LSTM网络模型迭代次数为100，学习率为0.15，学习率调整因子φ=1.1、β=0.9，动量项为0.7，输入层噪声个数为3，每个时间步网络结构为7-15-1，在不同时间步个数下，测试样本的均方根误差如图3所示。

由图3可知，随着时间步的增加，测试样本的均方根误差迅速下降后趋于平稳。当时间步达到31 d时，测试样本的均方根误差逐渐增大。分析其原因是，当时间步小于31 d时，随着样本数据信息的增多，LSTM网络模型的预测性能逐渐增强，故均方根误差逐渐下降到最低后保持稳定;当时间步大于31 d时，样本数据信息的增多导致LSTM模型出现过拟合现象，故导致均方根误差出现上升趋势。由此可以确定，H的LSTM预测模型最佳时间步个数为31。

3.4.2网络结构

LSTM网络结构决定了其性能的优劣。通常情况下，其网络的隐藏层数越多，模型性能越好，但过多的隐藏层数容易导致模型过拟合，进而降低模型性能[10]。因此，为提高模型的预测性能，研究通过实验对LSTM网络结构进行了确定。以H预测模型网络结构确定为例，设置迭代次数为100，学习率为0.13，学习率调整因子φ=1.15、β=0.95，动量项为0.5，输入层噪声个数为3时间步个数为31，构建1～6个不同隐藏层数目的LSTM模型，得到如图4所示训练误差。

由图4可知，当隐藏层数目小于3时，随着隐藏层数目的增加，训练误差逐渐下降;当隐藏层数目大于3时，随着隐藏层数目的增加，训练误差逐渐增大。由此说明，H预测模型的最佳隐藏层数目为3，LSTM网络层数为5层。

设置LSTM网络层数为5层，时间步为31，迭代次数为100，学习率为0.15，学习率调整因子φ=1.2、β=0.9，，动量项为0.，输入层噪声个数为3，采用不同网络结构对测试样本进行预测，得到不同网络结构预测效果如图5所示。

3.5结果与分析

3.5.1故障气体浓度预测模型评估

为验证本研究基于LSTM模型对变压器故障预测的有效性，研究根据上述确定的最佳参数和结构，构建预测模型，并对PMS采集的故障气体浓度进行预测，得到变压器不同故障气体预测值与真实值比较结果，具体如图6所示。

由图6可知，当预测时间在40 d以内时，预测值与实际值变化趋势基本一致，拟合效果良好，说明本研究模型对变压器故障预测效果良好;当预测时间超过40 d后，预测值与实际值的误差较大，说明本模型对40 d后的故障气体预测精度较低。

3.5.2模型对比

为进一步验证提出的预测模型对变压器油中溶解气体预测有效性和优越性，研究对比了提出方法与多变量灰色预测模型的预测效果。考虑到本实验是以H、CH等7种浓度数据序列建立的灰色预测模型，因此，构建的灰色预测模型为GM（1，7）。2种预测模型对PMS采集的故障气体浓度的预测结果如图7所示。

由图7可知，本研究提出的基于LSTM网络的预测模型均方根误差明显低于GM（1，7）预测模型，约为10%。说明本研究预测模型可准确预测变压器油中溶解的故障气体浓度，进而实现对变压器故障的预测，具有一定的优越性和有效性。

4结语

本研究基于LSTM的变压器设备故障数据分析模型，通过以PMS采集的变压器故障气体数据建立LSTM预测模型，可良好预测40 d内变压器故障气体浓度，且预测值与实际值接近，拟合效果良好;相较于多变量的灰色预测模型GM（1，7），本研究提出的LSTM模型预测均方误差更小，约为10%，具更好的预测性能。但因条件限制，本研究仍存在一些不足，主要表现在构建的变压器故障LSTM预测模型计算量大、训练耗时长两方面。下一步，研究将从上述两方面深入研究改进LSTM网络，以减少模型的计算量，缩短模型训练时长，进一步提高模型性能。

【参考文献】

[1]陈锦锋，张军财，卢思佳，等.一种基于SAE-RF算法的配电变压器故障诊断方法[J].电工电气，2021（2）：17-23.

[2]明菊兰，余璐静，钱洲亥，等.绝缘油中溶解气体在线监测装置校验定值系统的研制[J].理化检验（化学分册），2021，57（2）：172-178.

[3]王佳琳，张磊，唐彬，等.一起500 kV自耦变压器油色谱数据异常缺陷诊断及处理[J].广西电力，2021，44（1）：77-81.

[4]赵楠，李洁.基于LSTM-SVM的隧道围岩位移预测[J].公路，2021（6）：404-407.

[5]张松，李江涛，别东洋，等.一種基于单通道sEMG分解与LSTM神经网络相结合的手势识别方法[J].仪器仪表学报，2021，42（4）：228-235.

[6]张争万，吴迪，张春炯.基于多通道稀疏LSTM的蜂窝流量预测研究[J].计算机科学，2021，48（6）：296-300.

[7]林艺华.基于深度学习的高速公路交通流数据监控方法研究[J].粘接，2021，46（5）：182-186.

[8]王英洁，曹铁男.基于改进Elman神经网络的变压器故障诊断方法[J].沈阳工业大学学报，2021，43（3）：254-258.

[9]谢乐，仇炜，李振伟，等.基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型[J].高电压技术，2022，48（2）：653-660.

[10]李丰，姒天军，何建明，等.一起220 kV变压器套管渗油故障原因分析及处理[J].电瓷避雷器，2021（2）：90-94.