季偉 胡偉

摘? 要：油中溶解氣體分析（DGA）是診斷變壓器故障的常用方法，能及時發(fā)現(xiàn)變壓器內(nèi)部的潛伏性故障。為了減少卷積神經(jīng)網(wǎng)絡(luò)的訓練參數(shù)，提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法。將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的全連接層用卷積層替代，實現(xiàn)了端對端的變壓器故障輸出。相較傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)提升了故障診斷準確率，有較強的實際意義。

關(guān)鍵字：變壓器;故障診斷;全卷積;神經(jīng)網(wǎng)絡(luò)

中圖分類號：TM4 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）04-0120-02

Abstract： Dissolved gas analysis （DGA） in oil is a common method for diagnosing transformer faults， and it is possible to find the latent faults inside the transformer in time. In order to reduce the training parameters of convolutional neural network， a transformer fault diagnosis method based on full convolutional neural network is proposed. The fully connected layer in the traditional convolutional neural network is replaced with a convolutional layer and a pooling layer to achieve an end-to-end transformer fault output. Compared with the traditional convolutional neural network， it improves the accuracy of fault diagnosis and has strong practical significance.

Keywords： transformer; fault diagnosis; full convolution; neural network

引言

目前，我國已有較多的變壓器周轉(zhuǎn)時間超過一定年限，設(shè)備不可避免的出現(xiàn)老化從而引起故障隱患[1]。為了保證電力網(wǎng)的正常穩(wěn)定運行必須及時準確地對變壓器故障進行診斷[2]。油中溶解氣體分析（dissolved gas analysis， DGA）是變壓器故障診斷常用方法。在此基礎(chǔ)上，本文提出基于全卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，用卷積層代替了全連接層，保留了卷積層的特性即局部連接和權(quán)值共享，可以很好的將網(wǎng)絡(luò)的權(quán)值參數(shù)進行簡化，提高了網(wǎng)絡(luò)的泛化能力。

1 全卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力強，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層和全連接層組成。全卷積神經(jīng)網(wǎng)絡(luò)用卷積層代替了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的全連接層，通過卷積層的局部連接和權(quán)值共享特性，進一步減少了網(wǎng)絡(luò)的訓練參數(shù)，可靠性也得到了提高。

1.1 卷積層

全卷積神經(jīng)網(wǎng)絡(luò)的核心是卷積層，將前一層通過不同的卷積核對進行卷積運算可以得到下一層的卷積層。卷積核與前一層的局部感受也相連，具有局部特征提取和共享權(quán)值的特點[3]。因為全卷積的卷積層是局部連接，所以其所需要的權(quán)重參數(shù)比傳統(tǒng)全連接層的全連接需要的權(quán)重參數(shù)更少，基于此，全卷積神經(jīng)網(wǎng)絡(luò)在提高了計算效率外還降低了模型的儲存要求。本文采用Relu函數(shù)作為激活函數(shù)，如式（1）所示。

（1）

上式中，zi經(jīng)激活函數(shù)得到的輸出為yi。

1.2 池化層

池化層的作用是將卷積層提取到的特征進行降采樣，以此可以減少數(shù)據(jù)維度。數(shù)據(jù)經(jīng)過池化層后可以將提取到的特征的節(jié)點數(shù)減少、壓縮特征并突出重要特征[4]。不僅使得網(wǎng)絡(luò)的復雜度降低，還減少了網(wǎng)絡(luò)的計算量。本文采用最大池化法將每個采樣區(qū)域的最大值作為池化層的輸出。

2 變壓器故障診斷方法

2.1 數(shù)據(jù)處理

網(wǎng)絡(luò)模型的輸入基于變壓器DGA數(shù)據(jù)，變壓器發(fā)生故障時主要會產(chǎn)生5種特征氣體，分別是CH4，C2H6，C2H4，C2H2，H2。變壓器的各種故障類型由發(fā)生故障時產(chǎn)生的5種特征氣體的含量來判定。變壓器的故障類型主要有低能量放電、高能量放電、局部放電、高溫過熱、正常和中低溫過熱6種類型，對6種故障類型進行編碼，如表1所示，并將6種不同的故障類型作為模型的輸出。每一個樣本數(shù)據(jù)是由5種特征氣體組成，輸入到網(wǎng)絡(luò)模型中的10×10二維矩陣是由每個樣本轉(zhuǎn)換而來的，獲取樣本數(shù)據(jù)具體實現(xiàn)步驟如下。

STEP1：任取一個樣本記X={x1，x2，…，x5}，對樣本的特征氣體值xi（i=1，2，3，4，5）的小數(shù)和整數(shù)部分分別進行二進制轉(zhuǎn)換;

STEP2：采用“除2取余、逆序排列”法將xi的整數(shù)部分轉(zhuǎn)換為10位二進制，采用“乘2取整，順序排列”法將xi的小數(shù)部分轉(zhuǎn)換為10位二進制;

STEP3：將轉(zhuǎn)換后整數(shù)部分和小數(shù)部分的二進制進行合并，即特征氣體值xi轉(zhuǎn)換為20位的二進制，樣本X轉(zhuǎn)換為5×20位的二進制;

STEP4：最后將5×20位的二進制轉(zhuǎn)換為10×10位的二進制作為模型的輸入。

2.2 全卷積神經(jīng)網(wǎng)絡(luò)模型的搭建

本文搭建的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示，網(wǎng)絡(luò)模型結(jié)構(gòu)一共有6層，包括一個輸入層，三個卷積層（C1、C2、C3）和兩個池化層（P1、P2）。首先設(shè)置全卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，卷積層C1、C2和C3的卷積核尺寸分別為3×3、2×2、1×1，卷積核的數(shù)量分別為32、64、100。池化層P1和P2均采用最大池化操作，卷積核尺寸均為2×2，卷積核的數(shù)量分別為32、64。

根據(jù)上述搭建好的全卷積神經(jīng)網(wǎng)絡(luò)模型，將變壓器10×10位故障數(shù)據(jù)通過輸入層輸入到第一個卷積層，卷積層C1的輸出數(shù)據(jù)維度為8×8，池化層P1的輸出數(shù)據(jù)維度為4×4，以此類推，經(jīng)過卷積層和池化層的交替?zhèn)鬏?，最終輸出一個單值數(shù)據(jù)，即預測的變壓器故障類型。

2.3 實例驗證

本文選取了300條變壓器特征氣體數(shù)據(jù)及其對應(yīng)故障類型，數(shù)據(jù)均源自公開發(fā)表的相關(guān)文獻[5]。隨機預留20%的數(shù)據(jù)作為測試數(shù)據(jù)使用，其余數(shù)據(jù)作為訓練數(shù)據(jù)?；赥ensorFlow深度學習框架實現(xiàn)了全卷積神經(jīng)網(wǎng)絡(luò)模型的變壓器故障診斷，對于測試數(shù)據(jù)的故障診斷準確率達到95.62%。并將全卷積神經(jīng)網(wǎng)絡(luò)（FCN）與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進行對比分析。如表2所示，在相同數(shù)據(jù)集的情況下，F(xiàn)CN的變壓器故障診斷精度高于CNN的變壓器故障診斷精度。從而表明用卷積層代替全連接層，可以提升網(wǎng)絡(luò)的診斷分類準確率，進一步驗證了基于全卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型的有效性。

表2 兩種算法的變壓器故障診斷精度

3 結(jié)束語

本文針對變壓器故障提出了基于全卷積神經(jīng)網(wǎng)絡(luò)的診斷方法。在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的全連接層用卷積層代替，利用卷積層的局部連接和權(quán)值共享的特性使得全卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)得到簡化，提高了網(wǎng)絡(luò)模型的泛化能力。與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型相比，全卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷精度高，實用性強。

參考文獻：

[1]中國電力企業(yè)聯(lián)合會.DL/T722-2014.變壓器油中溶解氣體分析和判斷導則[S].北京：中國電力出版社，2014.

[2]石鑫.基于深度學習的變壓器故障診斷技術(shù)研究[D].保定：華北電力大學，2016.

[3]朱興動，田少兵，黃葵，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的艦載機目標檢測研究[J/OL].計算機應(yīng)用：1-6[2019-12-24].http：//kns.cnki.net/kcms/detail/51.1307.TP.20191219.1526.002.html.

[4]高統(tǒng)林，朱堅民，黃之文.基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷研究[J].農(nóng)業(yè)裝備與車輛工程，2019（12）：1-9.

[5]尹金良.基于相關(guān)向量機的油浸式電力變壓器故障診斷方法研究[D].北京：華北電力大學，2013.