基于Bi-LSTM的油色譜變壓器故障診斷方法

盧啟碩，關卓林，趙晉級

（國網淮南市潘集區供電公司，安徽 淮南 232091）

0 引言

變壓器對電力系統的穩定運行起著至關重要的作用［1］。在實際運行中，變壓器故障會引發一定范圍的停電事件，從而造成嚴重的經濟損失和社會影響［2］。對變壓器的故障進行檢測與預測，不僅可以確保電力系統的穩定運行，還可以延長變壓器的使用壽命，保證電力供應的可靠性。因此，變壓器的故障診斷能夠提高電力系統運行的安全性和穩定性，對電力系統運維具有重要意義。

目前，我國電力行業變壓器運行狀態評估的傳統方法主要包括溶解氣體分析（dissolved gas analysis，DGA）［3］、溫度監測、噪聲監測、電力參數監測和周期性物理檢查等。通過分析不同類型故障所產生氣體的組成成分和濃度，可以監控并預測變壓器的運行狀態。在觀察變壓器運行狀況的過程中，DGA 是目前被廣泛接受并且應用效果良好的一種方法［4］。變壓器DGA 故障診斷方法主要包括三比值法和人工智能法。然而，無論是三比值法還是基于三比值法改進的方法，都不能通用于所有類型的變壓器故障診斷，無法解決氣體濃度隨時間變化等問題［5］，影響故障診斷結果的準確性。隨著機器學習和人工智能技術的發展，以機器學習為主的數據驅動方法展現出了良好的應用效果。文獻［6］提出通過考慮變壓器的運行狀況、氣候環境以及其本身的健康狀態等多個因素，構建基于比例風險模型和半馬爾可夫過程的變壓器時變停機率模型。同時，引入蒙特卡洛方法對影響因素進行抽樣，以降低解析法的計算復雜度。文獻［7］針對BP（back propagation，BP）神經網絡算法收斂困難、局部最優等問題，提出基于布谷鳥優化的BP 神經網絡變壓器故障診斷模型。文獻［8］提出利用雙向長短期記憶網絡（bi-directional long short-term memory，Bi-LSTM）對基于某一時刻的所有特性參數進行時間維度的相關性分析，以考慮整體參數的變化，但仍然無法深入挖掘各特性參數間的關聯性，模型預測需要基于大量的歷史數據，這使得模型應用效率降低。文獻［9］采用改進的三比值作為概率神經網絡的特征輸入，并使用灰狼搜索算法優化神經網絡中的平滑因子參數，最終的測試結果顯示，這種網絡模型預測的準確率可以達到90%。

本文基于不同條件下絕緣物質分解產生氣體的速率及氣體成分比例的差異，運用改進的熵權法來分配各氣體狀態量的權重，并將其作為特征值，構建了一個基于改進的長短期記憶神經網絡的故障診斷模型。實驗分析表明，本文所建立的變壓器運行狀態評估模型能夠有效識別變壓器故障類型。

1 變壓器的健康狀態評估

1.1 油中氣體反映變壓器運行狀態的原理

由于熱效應、電效應、機械效應等多種因素的綜合影響，變壓器在運行過程中的絕緣油和絕緣紙會產生一定程度的分解和老化，生成不同種類和含量的氣體，例如氫氣（H2）、甲烷（CH4）、乙炔（C2H2）、乙烷（C2H6）等。這些溶解在油中的氣體種類和含量可以作為反映變壓器內部狀態和健康程度的重要指標。根據這些氣體的含量，將變壓器的狀態分為“正常狀態”“注意狀態”“異常狀態”及“嚴重狀態”［10］。具體劃分情況如表1所示。

表1 變壓器不同狀態下的氣體含量

1.2 多特征故障氣體數據的提取

本文在原有氣體含量特征數據的基礎上，增加了C2H6/C2H4、C2H6/C2H2、C2H6/CH4、C2H6/H2等10 個氣體含量比值特征數據，通過對特征數據的補充，有效提升故障診斷的準確率。氣體特征數據及編號如表2 所示。用編號S1 到S5 表示5 種特征氣體含量數據，用編號S6 到S15 表示10 種特征氣體含量比值數據。

表2 氣體特征數據及編號

1.3 故障類型分類

系統的輸入變量為15 維特征數據，選取油過熱、油中絕緣紙過熱、油中有電弧、油和絕緣紙中有電弧、油中局部放電、油和絕緣紙中局部放電、油中火花放電和進水受潮或油中有氣泡這8 種變壓器故障類別作為輸出變量，故障類型與產生氣體的對應關系如表3所示。

表3 故障類型與產生氣體的對應關系

2 電力變壓器故障診斷

2.1 數據預處理

DGA 數據分布不均勻。當絕緣材料由于各種原因開始分解時，各種氣體的產生速度能夠在一定程度上反映變壓器運行狀態的惡化情況。因此，對這些故障數據進行預處理，能夠取得更好的故障診斷效果。

令Ci、vi（i=1，…，5）分別表示各種氣體的含量和氣體產生的速率，且i的取值從小到大分別對應氫氣（H2）、甲烷（CH4）、乙炔（C2H2）、乙烯（C2H4）、乙烷（C2H6），定義關聯矩陣R為：

式中：rij=vi/vj，表示通過比較氣體i和氣體j的產生速率，來描述在絕緣分解過程中不同氣體之間的關聯性。

定義氣體產生速率的關聯系數為：

式中：i=1,2，…,5；j=1,2,…，5。

1）歸一化

2）信息熵計算

式中：KY_i和Ks_i分別為Yi和si的信息熵。

3）計算熵權重

式中：wY_i和ws_i分別為根據氣體含量和關聯系數得到的熵權值。

2.2 變壓器故障診斷模型構建

變壓器內部各種特征氣體之間的關聯性、交互性并不一致，部分特征氣體具有疊加效果。同時，變壓器故障診斷在深度學習中可以被視為分類問題。因此，本文使用具有門控機制的長短期記憶網絡作為變壓器故障診斷模型的基礎。

LSTM 網絡單元內部結構如圖1 所示。圖1 中，Ct-1表示舊的單元狀態；Ct表示傳遞給下一步的新單元狀態；Ht-1表示前一個隱藏狀態；Ht表示新的隱藏狀態；t∈[1,γ],γ為特征變量的個數，從上述分析可知γ=15；σ為sigmoid 激活函數，可提高網絡非線性擬合能力；tanh 為雙曲正切函數，用來增加網絡模型收斂速度；Xt為特征輸入矩陣，本文所提算法的輸入為15維變量特征數據。

圖1 LSTM網絡單元內部結構

2.3 模型改進

當使用DGA 進行變壓器故障診斷時，對油中溶解氣體檢測值與規定的閾值進行比較，而這些閾值是根據國外變壓器數據修正得到的，不一定符合我國的實際情況，存在一定的局限性。

在LSTM 網絡的基礎上，本文設計了基于Bi-LSTM 的變壓器故障診斷模型，如圖2所示。圖2中，Fm為油中溶解氣體序列，為Bi-LSTM 結構中的隱藏層序列。雙向長短期記憶網絡增加了反向信息傳播單元，使得特征氣體序列的分析處理更加靈活。網絡中每個特征在當前時間點的輸入狀態，不僅取決于此前的輸入特征子序列，也取決于此后的輸入特征子序列。通過多個門控單元和雙向計算機制，Bi-LSTM 網絡模型能夠自動挖掘特征氣體間的相互影響模式。

圖2 Bi-LSTM 故障診斷模型結構

2.4 變壓器故障診斷流程

變壓器故障診斷流程共分為5個步驟。步驟1是將樣本數據分為訓練集和測試集，并對故障類型進行編號處理；步驟2是提取出訓練樣本中變壓器不同故障時產生的5種氣體含量特征數據和10種氣體含量比值特征數據，共15維特征數據；步驟3是將特征數據進行歸一化處理，計算其信息熵，作為模型輸入特征變量和權重；步驟4是進行Bi-LSTM故障模型構建及參數初始化，同時計算正向、反向傳播作用，得出損失函數值；步驟5是通過不斷訓練選擇出故障診斷準確率最高的模型參數并保存參數，以確定故障診斷模型。最后，輸入測試集數據，檢測和評估所建立的故障診斷模型的分類性能，變壓器故障診斷流程如圖3所示。

圖3 變壓器故障診斷流程

3 仿真實驗分析

仿真實驗使用Matlab軟件完成，根據仿真實驗的結果，檢測所提出的變壓器故障診斷方法的邏輯性和有效性。

3.1 特征氣體數據

利用氣相色譜分析儀檢測分析采集到的油中溶解氣體樣本，得到640個油中溶解氣體樣本。其中，選擇380個樣本作為訓練集，剩余的260個樣本作為測試集［11］。訓練集和測試集中各種類型故障的樣本數如表4所示。

表4 訓練集與測試集中各種類型故障的樣本數

3.2 故障診斷效果對比

在變壓器故障診斷對比實驗中使用傳統的量子粒子群優化支持向量機算法（QPSO-SVM）、反向傳播神經網絡（BPNet）、LSTM 和本文所提出的Bi-LSTM 算法，對測試集數據進行實驗對比分析。實驗評估標準為模型準確率P，其表達式如式（6）所示，不同算法的故障診斷結果對比如表5所示。

式中：PTi為正確分類樣本數量；PFi為錯誤分類樣本數量。

表5 不同算法的故障診斷結果對比

采用QPSO-SVM 算法時平均故障診斷準確率為86.4%，采用BPNet 算法時平均故障診斷準確率提升至89.2%。使用LSTM 算法時，平均故障診斷準確率進一步提高至90.5%。采用本文所提出的Bi-LSTM算法時，平均故障診斷準確率達到了93.4%，故障診斷準確效果超過了前面的3 種算法。這表明本文所提出的算法在故障診斷時的判斷結果與實際故障類型高度一致，從而證明了其在變壓器故障診斷上的有效性。

4 結語

分析了變壓器內部故障的類型以及變壓器內部故障產生的氣體種類，提出了基于改進的長短期記憶神經網絡及油色譜分析的變壓器故障診斷方法。添加10 個新的氣體比值變量，使得變壓器故障采集信息更全面?？紤]變壓器絕緣物質分解時產生的各種氣體之間存在的關聯性，對熵權法進行優化，從而有效地提升了狀態評估的準確性。將交互的特征氣體比值轉變成特征序列整合到深度神經網絡中，有助于更深入地解析特征數據和變壓器狀態間的復雜聯系。本文提出的Bi-LSTM 模型能夠準確描述變壓器故障及對應狀態的映射關系。未來將進一步挖掘特征氣體與變壓器故障之間的關聯性，優化網絡模型，提高計算的準確率和效率。