王杰峰, 李 洵, 舒 彧, 姚從榮

(1.貴州電網(wǎng)有限責任公司 信息中心, 貴州 貴陽 550003; 2.上海電力大學 能源與機械工程學院, 上海 200090)

電力變壓器(以下簡稱“變壓器”)作為電力系統(tǒng)中的主要設備之一,具有電壓等級變換、電能轉移和分配等功能。其安全穩(wěn)定的運行對于整個電網(wǎng)的狀況都極為重要。若變壓器發(fā)生故障,就會造成設備損壞、報廢,甚至導致大面積區(qū)域停電等重大生活生產(chǎn)事故。因此,必須盡早發(fā)現(xiàn)變壓器中的各種潛在威脅,針對不同的故障特征設計相應的維護方案,才能避免發(fā)生大型事故。

近年來，人工智能的飛速發(fā)展為變壓器的故障診斷和排查工作提供了新的方法。在巡檢過程中會產(chǎn)生大量信息和數(shù)據(jù),人力無法完全記錄和及時處理，而且人的肉眼對細小信號的觀測能力也有限;同時,擔任監(jiān)視的工作人員和巡檢人員也可能由于人類自身的能力局限而無法處于長期有效且固定的狀況中[1-2]。但是,計算機能夠快速有效地處理數(shù)據(jù),并且能夠相對穩(wěn)定地長期工作。這使得對電力設備進行實時監(jiān)控成為可能。從大量數(shù)據(jù)中依照需求提取有效信息,可以節(jié)省大量精力和時間,而且提高了故障判斷的效率和預報能力,從而縮短處理時間[3-4]。

本文詳細闡述了多種變壓器的故障診斷技術,包括傳統(tǒng)方法,如油中溶解氣體分析技術,以及目前流行的深度學習技術,如基于紅外巡檢圖像的深度視覺故障診斷等。另外,比較了不同診斷技術的效果,并針對其中存在的問題進行了討論。

1 變壓器故障診斷技術研究近況

變壓器可能發(fā)生的故障有電故障、熱故障和機械故障。其中,電故障和熱故障占比更大,而機械故障最終體現(xiàn)為電故障或熱故障。

長時間運行的變壓器在電和熱作用下,其中的絕緣材料將慢慢老化和溶解,從而形成可溶解的氫氣、氧氣和烴族氣體[5-6]。因此,通過檢測變壓器油中所溶解氣體的狀況,就可以推斷出其內(nèi)部電弧釋放和絕緣氧化等常見故障。油中溶解氣體分析(Dissolved Gases Analysis,DGA)法[7-8]是目前油浸式電力變壓器最常用的故障診斷方法。該方法通過紅外圖像檢測、絕緣油試驗、電氣絕緣試驗、局部放電檢測等手段,對油耐壓、介損、油中含水量、交流耐壓、泄漏電流、溫度、油中含氣量及局部放電量等反應變壓器運行狀況的狀態(tài)量進行測量評估,是診斷和檢測變壓器潛在故障的常用方法[9]。根據(jù)有關數(shù)據(jù)[10],國內(nèi)電網(wǎng)有超過50%的變壓器故障檢測是利用油中溶解氣體分析法。

目前,變壓器故障診斷技術研究仍有很多難點,如:如何精確獲得變壓器故障診斷的相關數(shù)據(jù);如何利用機器學習算法將實時采集的相關數(shù)據(jù)進行歸類,并根據(jù)這些經(jīng)驗數(shù)據(jù),標記新發(fā)現(xiàn)的故障;還有數(shù)據(jù)質量、數(shù)據(jù)壁壘、異常樣本匱乏等問題[11-12]。

數(shù)據(jù)質量是支配變壓器狀態(tài)檢修最終成效的重要因素。由于目前與設備狀況相關的數(shù)據(jù)保存樣式多種多樣,品質參差不齊,數(shù)據(jù)重疊、變異和遺漏等現(xiàn)象時有發(fā)生,對評估環(huán)節(jié)的效率和結論的準確性影響較大。因此,應做好原始數(shù)據(jù)品質評估和大數(shù)據(jù)分析治理之間的相互關聯(lián)研究,提高原始數(shù)據(jù)的品質,保證評價工作的順利開展。變壓器狀態(tài)檢測所需要的數(shù)據(jù)多來自于不同的行業(yè)部門和信息平臺,很難進行跨平臺的數(shù)據(jù)交換和信息共享,存在數(shù)據(jù)壁壘,導致完整數(shù)據(jù)樣本的收集工作較為困難。因此，有必要探求不同類型、地點及功能的數(shù)據(jù)庫之間的交互機制,滿足數(shù)據(jù)部門間、系統(tǒng)間的有效存取,為變壓器狀態(tài)檢修提供豐富、全面的數(shù)據(jù)。

2 變壓器故障的智能化診斷技術

近年來,隨著傳感器技術、IT技術、AI技術的迅速發(fā)展,以及這些技術在電力系統(tǒng)應用范圍的迅速擴增,各類傳感器開始大范圍應用,電力信息化水平飛速提高。龐大的數(shù)據(jù)量為人工智能、大數(shù)據(jù)等技術的發(fā)展和使用提供了數(shù)據(jù)基礎[13]。深度學習、神經(jīng)網(wǎng)絡等新型人工智能理論的創(chuàng)新,以及圖形處理器、張量處理器等高計算力技術的進步,使得人工智能在變壓器的運行維護及檢修方面有了進一步的技術支撐。

2.1 基于機器學習的變壓器故障診斷

機器學習( Machine Learning,ML)涉及概率統(tǒng)計、計算復雜性理論等多個領域,其研究內(nèi)容是利用計算機模仿或完成人類的學習活動。計算機學習到新的知識或能力后,將得到的知識框架進行完善,從而不斷提升自我的機能。廣義上來說,機器學習是一種可以使機器自我學習的技術手段。從實踐的角度來說,機器學習可以通過學習大量數(shù)據(jù)來構建模型,并利用模型來預測更多數(shù)據(jù)。

最近,變壓器狀態(tài)監(jiān)測技術迅速發(fā)展,如油中溶解氣體分析法、紅外熱像監(jiān)測技術[14]、局部放電監(jiān)測技術[15]、油中糠醛監(jiān)測技術[16]等,為變壓器的狀態(tài)診斷提供了重要的數(shù)據(jù)協(xié)助。對于變壓器的狀態(tài)評判問題,國家電網(wǎng)和南方電網(wǎng)公司頒發(fā)了相關準則,明確給出了狀態(tài)評判方案[17]。對于變壓器狀態(tài)預測及故障診斷問題,國內(nèi)外學者提出了很多方法,構建了多種模型,取得了一些研究成果。

常見的油浸式變壓器故障診斷方法DGA法包括傳統(tǒng)診斷方法和智能診斷方法兩大類。傳統(tǒng)診斷方法有氣體比值圖示法、氣體含量比值法等,其優(yōu)點在于操作簡單,在現(xiàn)實中已經(jīng)普及應用,但存在故障診斷準確度較低的缺點。研究人員以此為基礎,提出了特征氣體法、Rogers法和三比值法等,仍屬于傳統(tǒng)診斷方法。智能診斷方法融合了人工智能技術,如支持向量機[18-19]、貝葉斯網(wǎng)絡[20-21]、專家系統(tǒng)[22-23]、模糊理論[24-25]、BP神經(jīng)網(wǎng)絡[26]等。鄭蕊蕊等人[27]提出了支持向量機與人工免疫算法相結合的變壓器故障診斷算法。仿真實驗表明,該方法對于診斷變壓器的單個或多個故障成效都較為顯著。郭創(chuàng)新等人[28]研究了多分類及多核心訓練支持向量機的變壓器故障診斷模型,并驗證了該方法有較強的實踐性。近幾年,有很多研究人員將極限學習機與變壓器的故障診斷結合起來。袁海滿等人[29]針對變壓器故障案例信息不完善的問題,運用粒子群算法完善極限學習機,提升了故障歸類的精確度。遇炳杰等人[30]為了解決變壓器故障統(tǒng)計信息不平衡的問題,提出了加權極限學習機的判別方式。以上智能診斷技術提升了變壓器故障診斷的精確性,但也存在一些技術問題,如專家系統(tǒng)難以取得足夠的專家知識和經(jīng)驗;支持向量機可以解決小樣本、局部極小值及過擬合等問題,但其實質上是二分類計算,在處理多類型問題時存在不完全分類或分類結果重復的情況;BP神經(jīng)網(wǎng)絡的訓練約束速度很慢,容易陷入局部最優(yōu)[31];極限學習機(Extreme Learning Machine,ELM)的訓練速度較快,但模型診斷的穩(wěn)定性較差。已有的變壓器故障智能診斷方案大多對樣本的完整性有較高的要求,無標簽樣本的使用率低,學習能力比較有限,確診的準確率難以提高,不適用于大數(shù)據(jù)量樣本的訓練。

2.2 基于深度學習的變壓器故障診斷

石鑫等人[32]提出了一種基于深度自編碼網(wǎng)絡(Deep Auto-Encoder Networks,DAENs)的變壓器故障診斷新方案,利用 DAENs融合變壓器 DGA的數(shù)據(jù)特征和故障類型,創(chuàng)建了變壓器的故障診斷模型。該方案擁有很強的數(shù)據(jù)樣本特征的轉換效能,通過概率得到故障診斷的結果。另外,文獻[32]還提出了基于深度置信網(wǎng)絡(Deep Belief Networks,DBNs)的油浸式變壓器故障診斷的新型方案,建立了深度信念網(wǎng)絡分類器(Deep Belief Network Classifier,DBNC)模型,并將其用于變壓器的故障歸類。該方案能夠在眾多數(shù)據(jù)樣本中快速提取特征,使用變壓器油色譜在線監(jiān)測設備取得無標簽樣本后安排訓練,有效判別出故障類型。

HINTON G E 等人[33]提出了一種基于深度置信網(wǎng)絡的深度學習算法,其理念是在每一層深度網(wǎng)絡中盡可能保留輸入的信息,以實現(xiàn)特征提取。因此,單層的深度學習構造還被稱作編碼器[34]。姜有泉等人[35]研究了結合DGA法與深度學習的變壓器故障診斷方案,并基于深度置信網(wǎng)絡提取特征,創(chuàng)建了擁有數(shù)個隱含層的深度學習模型,使用無監(jiān)視的特征訓練方式,在樣本較少時仍然能夠對變壓器故障進行準確判別。文獻[35]還提出,為了滿足故障診斷的及時性和高精密度的需求,可以用深度學習來判斷故障類型,利用快速歧化算法改進參數(shù)、加速訓練。實驗結果顯示,相較于傳統(tǒng)的學習模型如BP神經(jīng)網(wǎng)絡和支持向量機等,基于深度學習的變壓器故障診斷方案的精確度更高、收斂速度更快。另外,實驗證明,一層的深度置信網(wǎng)絡比多層的識別精確性更高。這說明深度學習模型并不會隨著層數(shù)的增加而更優(yōu)。

賈京龍等人[36]提出可以利用卷積神經(jīng)網(wǎng)絡來進行變壓器的故障診斷。首先,將油中溶解氣體里面的氫氣、乙烯、乙炔、甲烷和乙烷含量作為輸入量,并將數(shù)據(jù)作統(tǒng)一處理。然后研究卷積核的數(shù)目、面積和采樣寬度等對分類準確性的影響,為構造卷積神經(jīng)網(wǎng)絡時的參數(shù)選擇提供依據(jù)。最后,對比卷積神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡在對變壓器故障歸類時的學習時長、準確度及預測結果,驗證了卷積神經(jīng)網(wǎng)絡在準確度和運轉時間方面的性能更好。

3 變壓器故障智能化診斷技術的比較與分析

深度學習能夠對特征進行自主提取,發(fā)掘繁雜數(shù)據(jù)構造中的樣本特征,其多隱含層架構可以利用函數(shù)來表明繁雜的特征信息,適用于電力設備的高精度模式識別和判斷。

以深度置信網(wǎng)絡為例,設定輸入、輸出及隱含層的節(jié)點,指定相同的變壓器學習樣本,利用深度置信網(wǎng)絡、支持向量機和BP神經(jīng)網(wǎng)絡分別進行訓練,用最佳的訓練成果來表現(xiàn)模型的判別精確度。深度置信網(wǎng)絡不同模型層數(shù)時的訓練和測試結果如表1所示。

表1 深度置信網(wǎng)絡模型故障診斷訓練和測試結果

由表1可以看出,單層的深度置信網(wǎng)絡模型的測試誤差只有0.099 6%,明顯小于3層和5層的模型。這是因為真實的樣本數(shù)據(jù)中每個信息都只有8維,各隱含層可以學習到的特征數(shù)十分有限,而玻爾茲曼機只需1層就可以勝任特征訓練的工作。這里的深度置信網(wǎng)絡都是基于快速歧化算法,如果玻爾茲曼機是3層、5層甚至更多層,那么誤差就可能順著特征傳遞到下一層,過多的誤差堆積在很大程度上會影響分類的最終效果,無法達到故障診斷的需求。

深度置信網(wǎng)絡、支持向量機與BP神經(jīng)網(wǎng)絡3種學習算法的故障診斷結果對比如表2所示[37]。

表2 3種學習算法故障診斷結果對比

由表2可以看出，由于樣本里的數(shù)據(jù)有遺失,所以BP神經(jīng)網(wǎng)絡的誤差要比深度置信網(wǎng)絡更大,深度置信網(wǎng)絡對于多分類識別的精確度明顯優(yōu)于其他兩種算法[38]。

分別利用BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡對變壓器故障進行分類,記錄訓練集和測試集的準確率和時間,結果如表3所示[39]。

表3 BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡準確率對比

由表3可以看出,卷積神經(jīng)網(wǎng)絡不論是在準確率還是訓練時間方面都更好,這是因為卷積神經(jīng)網(wǎng)絡能夠在輸入數(shù)據(jù)中提取更加優(yōu)良的特征。雖然其訓練時間比BP神經(jīng)網(wǎng)絡要緩慢很多,但其多組測試的識別速率比BP神經(jīng)網(wǎng)絡快很多。因此,卷積神經(jīng)網(wǎng)絡在變壓器故障識別方面比BP神經(jīng)網(wǎng)絡有著更高的精確度,且識別速度更快。

4 結 語

本文對于變壓器故障智能化診斷技術的發(fā)展歷程及具體內(nèi)容進行了詳細的論述,對深度學習的有關概念、方法及應用進行了細致的介紹,著重剖析了深度學習在變壓器故障診斷領域的實用性,并分析了現(xiàn)有的故障診斷方法的優(yōu)點。根據(jù)深度學習技術,詳細介紹了國內(nèi)外學者所研究的深度神經(jīng)網(wǎng)絡、深度置信網(wǎng)絡、深度自編碼網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等技術,并列舉了相應的研究結果。通過比較和分析部分變壓器故障智能化診斷技術的實驗數(shù)據(jù),直觀表現(xiàn)了各種方法的誤差診斷效果。研究結果表明,基于深度學習的變壓器故障診斷方法的精確度更高、收斂速率更快。因此,利用基于深度學習的變壓器故障診斷技術是電力系統(tǒng)發(fā)展歷程中的新方向,且已經(jīng)獲得了實質性進展,但其實際應用還需更進一步的探索。