貝葉斯優化輔助分類GAN 的變壓器故障診斷方法

李海岳

（中建三局安裝工程有限公司，湖北武漢 430000）

電力變壓器承擔著電壓等級轉換的重任，其運行的安全及可靠性是日常檢測的重中之重[1]。變壓器鐵芯、繞組和絕緣油等組成部分的健康狀況會隨著運行時間的增長而持續惡化[2]。經研究發現，絕緣擊穿是變壓器故障的主要原因[3]，在變壓器絕緣完全失效并擊穿之前的階段，通?？梢詸z測到局部放電（Partial Discharge，PD）活動。局部放電檢測是變壓器運行狀態檢測的重要技術[4]，通過分析局部放電現象，可以評估變壓器狀態并獲得其早期故障信息[5]。

局部放電的檢測方法主要有超聲波法[6]、特高頻法[7]、高頻電流法[8]、振蕩波法[9]和暫態地電壓法[10]。超聲波局部放電檢測方法因其設備體積小、布設難度低、可以實現在線檢測等優點，在變壓器局部放電檢測領域得到了廣泛的應用[11-12]。

基于超聲波局部放電檢測的變壓器故障特征相關研究中，如何去除噪聲信號并提取有效的特征信息是其中的技術難點[13]。結合現有研究，小波變換在去噪領域有著優異的性能[14-16]。獲取到了有效的超聲波信號后，如何基于一維時域的超聲波數據，實現智能化的故障類型識別，是當前研究的重點。相關學者基于機器學習算法提出了多種識別方法[17-19]，然而，變壓器因其結構復雜，故障偶發性強，導致運行中的故障變壓器樣本數據獲取困難，數據量較小，且不同故障的樣本量差異較大，不利于診斷模型的泛化應用。

針對上述問題，提出了一種改進生成對抗網絡（Generative Adversarial Network，GAN）的變壓器故障診斷方法，通過貝葉斯優化（Bayesian Optimization，BO）策略提升模式識別性能，并以輔助條件（Auxiliary Conditional，AC）優化網絡結構，提升整體模型的泛化能力，解決因樣本量和數據量差異導致診斷方法普適性差的問題。

1 診斷方法

1.1 超聲波PD信號去噪

局部放電是固體或液體電絕緣材料的一小部分在高壓應力下發生的局部電介質擊穿。變壓器絕緣中的局部放電會產生機械振動（壓力波），進而激發頻率范圍在20 kHz～1 MHz 的超聲波。用于變壓器PD 檢測的超聲波傳感器主要為壓電傳感器，其壓電元件主要由陶瓷材料制成，例如鈦酸鉛鋯（PZT）。當超聲波到達壓電陶瓷元件時，該元件在力的作用下發生變形并在其電極兩端產生電壓，通過聲檢測系統的其他元件，如示波器、采集卡等數據采集系統獲取超聲波信號。

變壓器局部放電激發的超聲波在傳播過程中，會在變壓器的繞組、鐵芯和壁上出現多次反射和衍射，導致超聲波的振幅較小，且易混入干擾信號?；诮浀湫〔ㄗ儞Q的小波閾值去噪法可以應用于連續超聲波信號的降噪，可在進行信號分析之前提取到有用的超聲波信號、降低噪聲的影響。具體降噪過程如下。

1）將連續的超聲波信號f(t)按照式（1）進行小波變換：

式中，a＞0 是尺度因子；τ是位移因子；ψ()是小波基函數。

2）再按照式（2）進行冪數級離散化：

式中，N是總采樣點數。

3）設定閾值λ，并采用軟閾值函數進行信號去噪：

式中，sgn(x)函數的作用是返回自變量的正負，其表達式為：

經過小波閾值去噪法處理之后的變壓器PD 超聲波信號即為故障診斷的數據基礎。

1.2 生成對抗網絡

GAN[20]由兩個相互對抗訓練的神經網絡組成，分別為生成器G和鑒別器D。G和D同時訓練，超參數根據優化損失和改變隨機性進行調整。隨著鑒別器D產生的誤差和損失，生成器G中的隨機性被更新，從而生成近似真實的數據。在數學上，相對于鑒別器D更新的對數似然性或校正隨機性，目標函數如公式（5）：

式中，E[]為期望值，x為真實樣本，Pr為x的概率分布，z為噪聲樣本，Pz為z的概率分布，D()是鑒別器D的輸出，G()是生成器G的輸出。

GAN 的基本結構如圖1 所示。在訓練過程中，隨著損失函數值的降低，生成器G學習真實樣本的數據特征，縮小真實樣本和生成樣本的差異，而鑒別器D擴大真實樣本和生成樣本的差異。訓練完成后，生成器G可以生成與真實樣本的數據特征相似的虛擬數據。然而，無監督的訓練過程不含數據標簽，基于損失降低的生成數據需要二次人為標定，不利于變壓器故障的自動化識別，需要對其進行針對性改進。

圖1 GAN架構

1.3 AC改進GAN

為解決上述問題，在GAN 的生成器G和鑒別器D中各添加一個輔助條件層（AC 層），將輔助信息（類標簽數據）饋送到網絡中，AC-GAN 架構如圖2所示。

圖2 AC-GAN架構

添加了輔助信息的AC-GAN，其生成器G和鑒別器D的輸入及輸出如式（6）所示：

式中，c為樣本標簽，XGEN為生成器的輸出，X包括真實樣本和生成樣本，S為真實數據源，C為帶標簽的數據源（含真實樣本與生成樣本）。AC-GAN 的目標函數的改進公式分別如式（7）和式（8）所示：

式中，LS為真實數據源的對數似然函數，LC為標簽類別數據源的對數似然函數。AC-GAN 的訓練過程即為最大化LC-LS的同時最大化LC+LS的過程。

1.4 BO策略

AC-GAN 架構中含有大量的超參數，包括神經元個數、隱藏層數量、卷積核大小等，選擇合適的超參數是模型發揮較高性能的關鍵?；贐ayesian定理的BO 策略通過概率模型和采集函數評估學習目標函數的形態，實現參數尋優。選用高斯過程表示AC-GAN 架構的未知目標函數，其邊際似然分布為：

其中，λ表示超參數，y為觀測值集合，f為樣本對應的未知函數評估值。最大化p(y|X,λ)時的λ為評估值的最優超參數。再通過最大化采集函數來選取下一個評估點，基于置信邊界策略的采集函數為：

其中，D為當前觀測數據的集合，μ(x)和σ(x)分別為目標函數聯合后驗評估的均值和協方差，β為調節參數。通過不斷迭代，即可得到最優的AC-GAN 架構超參數值。

1.5 故障診斷流程

BO-AC 改進GAN 的變壓器故障診斷流程如圖3所示。故障診斷詳細步驟如下：

圖3 故障診斷流程

步驟1：采集典型變壓器故障PD 信號并去噪；

步驟2：劃分原始數據集；

步驟3：訓練BO-AC-GAN 故障診斷模型；

步驟4：采集被測變壓器數據輸入診斷模型；

步驟5：獲取診斷結果并迭代優化模型。

2 典型故障及數據

2.1 局部放電高壓實驗平臺

局部放電高壓實驗平臺如圖4 所示。由交流高壓電源控制臺、無級調壓器、升壓變壓器、保護電阻、分壓器等部分組成。無級調壓器調節輸入側的電壓大小，升壓變壓器為無局放變壓器，將電壓等級升高。高壓電阻連接升壓變壓器高壓輸出側和分壓器輸入側限制電流幅值，避免試樣擊穿時過大的電流損傷升壓變壓器的絕緣。以超聲波傳感器獲取試驗樣品變壓器的局部放電數據。

圖4 局部放電高壓實驗平臺

2.2 典型故障及數據

根據現場檢修經驗及相關統計數據，電力變壓器的典型故障原因為鐵芯松動變形、繞組移位、絕緣油雜質污染[8]。采用諧振頻率為150 kHz 的超聲傳感器，以1 ms 為1 個采樣區間，基于超聲波PD 測試法獲取的變壓器典型故障PD 數據樣本如圖5 所示，鐵芯松動變形、繞組移位和絕緣油雜質污染的放電脈沖樣本數各有300個，總計900 個樣本數據組成帶標簽的真實數據集用于BO-AC 改進GAN 的訓練。

圖5 變壓器典型故障PD數據樣本

3 診斷結果與對比分析

3.1 樣本量差異下的訓練與識別結果

在實際工況條件下，鐵芯松動變形、繞組移位、絕緣油雜質污染的故障率不相同，為了驗證基于BO-AC-GAN 模型的故障診斷方法的泛化能力，將上述故障類型的訓練數據樣本數量按表1 設置四種不均衡比例方案，驗證集樣本數量均為60，分別輸入BO-AC-GAN 訓練尋優，并使用混淆矩陣驗證故障診斷模型的有效性。

表1 不均衡比例方案

四種方案的混淆矩陣如圖6 所示，行標簽為真實類型，列標簽為診斷類型。雖然在不同方案的不均衡條件下BO-AC-GAN 模型對于每種故障類型的準確率不同，但總體準確率皆在95%以上，驗證了方法的有效性和可行性。

圖6 BO-AC-GAN訓練結果

3.2 對比驗證

為了對比證明基于BO-AC-GAN 模型的變壓器故障類型診斷方法的優越性，對比經典深度學習算法的棧式自編碼器(Staked Auto-Encoder,SAE）、卷積神經網絡(Convolutional Neural Network,CNN)以及經典GAN，在上述四種不均衡比例樣本方案的訓練條件下診斷準確率如表2 所示。

表2 診斷準確率對比表

由表2 可得，經典深度學習算法的準確率更依賴于訓練樣本的數量，GAN 相對依賴樣本的均衡性來提升準確率。在相同的不均衡樣本情況下，基于BO-AC-GAN 模型的變壓器故障類型診斷方法的準確率更高，隨著樣本量及均衡性的增加，該方法的準確率提升也更大，充分論證了基于BO-AC-GAN 模型的變壓器故障類型診斷方法的優越性和有效性。

4 結論

經過驗證，該文提出的BO-AC 改進GAN 的變壓器故障診斷方法優勢如下：

1）文中以AC 結構優化了GAN 網絡架構，并運用BO 策略優化模型超參數，提升了模式識別性能及整體模型的泛化能力，在不均衡樣本情況下的準確率均在95%以上；

2）對比了兩種經典深度學習算法及經典GAN結構，BO-AC-GAN 在同等不均衡條件下識別準確率更高，論證了所提方法的優越性和有效性；

3）文中方法解決了因樣本量和數據量差異導致的變壓器診斷方法普適性差的問題，可為變壓器的運維檢修及故障診斷提供參考。