姜曉東 王磊磊 孫鵬 楊光 耿俊琪 王家文 黃勝 渠帥 王晨 尚盈

摘要：實際應用中電力變壓器故障數(shù)據(jù)獲取困難，導致在處理變壓器故障數(shù)據(jù)時會由于存在不平衡數(shù)據(jù)對深入分析結果產(chǎn)生很大的影響。為了解決上述問題，結合對抗神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡對不平衡數(shù)據(jù)進行處理與判斷，利用基于超弱光纖布拉格光柵的分布式聲波傳感技術對實驗室搭建的變壓器的模擬現(xiàn)場進行數(shù)據(jù)采集與分析，并在采集到的變壓器故障模擬數(shù)據(jù)的檢測上取得很好的效果。這種方法對基于對抗生成網(wǎng)絡的有載變壓器小樣本故障識別系統(tǒng)具有重要的借鑒意義。

關鍵詞：人工神經(jīng)網(wǎng)絡；點式傳感器；有載變壓器；故障檢測；模式識別；對抗生成網(wǎng)絡；數(shù)據(jù)增強

中圖分類號：TN247?? 文獻標志碼：A?? 文章編號：1002-4026（2023）06-0068-06

Fault detection of an on-load tap changer based

on generative adversarial network

JIANG Xiaodong1，WANG Leilei1，? SUN Peng1，YANG Guang1 ， GENG Junqi1 ，WANG Jiawen2 ，

HUANG Sheng2， QU Shuai2*， WANG Chen2， SHANG Ying2

（1.State Grid Shandong Electric Power Company Zibo Power Supply Company，Zibo 255000， China;

2. Laser Research Institute， Qilu University of Technology（Shandong Academy of sciences），Jinan 250014，China）

Abstract∶The probability of power transformer failure is extremely low， which leads to a great impact on further in-depth analysis results due to unbalanced data when processing transformer fault data. To solve these problems， this study processes and judges the unbalanced data using an confrontation neural network combined with an artificial neural network， uses the distributed acoustic wave sensing technology based on ultraweak fiber Bragg gratings to collect and analyze the data of the simulation site of the transformer built in a laboratory， and achieves good results on the collected transformer fault simulation data. This method has an important referential significance for developing the small sample fault identification system of the on-load transformer using confrontation generation network.

Key words∶artificial neural network; point sensor; on-load transformer; fault detection; pattern recognition; generative adversarial networks ; data enhancement

傳統(tǒng)調壓開關在調壓時必須使負載斷電，而有載調壓開關（on-load tap-changer，OLTC）的出現(xiàn)很好地解決了這一弊端，其可以在有載的條件下改變電壓，為電力行業(yè)綠色發(fā)展提供了重要的技術支持［1］。但由于有載調壓開關有載運行的特點，對其故障檢測就要求在斷電的情況下進行設備排查，給人民生產(chǎn)生活帶來不便［2］。同時由于變壓器發(fā)生故障的概率極低，因此在面臨少量故障樣本的條件下，如何根據(jù)現(xiàn)有數(shù)據(jù)快速、準確得出變壓器的運行狀態(tài)成為當今制約有載變壓器發(fā)展的一大難題［3-5］。

對于小概率發(fā)生事件，如關鍵設備故障事件，其發(fā)生故障的后果嚴重，且發(fā)生的概率較低，缺乏數(shù)據(jù)信息將會導致神經(jīng)網(wǎng)絡欠擬合，針對此類事件，可以通過人工數(shù)據(jù)增強、改善網(wǎng)絡結構等方案進行解決。Georgios等［6］提出了一種簡單有效的基于k均值聚類和SMOTE（synthetic minority oversampling technique，合成少數(shù)過采樣技術）的超采樣方法，避免了噪聲的產(chǎn)生，有效地克服了類間和類內的不平衡，但缺乏可視化環(huán)節(jié)，所得的樣本無法人工辨別其生成樣本的真實性。Wu等［7］提出了一種以一維卷積神經(jīng)網(wǎng)絡為時域信號特征提取器，支持向量機為分類器的識別方法，使得自動提取特征的結果優(yōu)于人工選擇特征，同時在入侵識別率上高于二維卷積神經(jīng)網(wǎng)絡，但對于類別不平衡的樣本集應用效果較差。Shi等［8］將時空數(shù)據(jù)矩陣塑造成偽RGB（red，green，blue）圖片作為CNN（convolutional neural network）網(wǎng)絡的輸入，提出了輕量級CNN網(wǎng)絡，在不均衡樣本數(shù)據(jù)集上有良好的表現(xiàn)，但將其應用到故障判別時效果未達到預期結果。Shi等［9］使用不同訓練數(shù)據(jù)樣本規(guī)模的訓練集對網(wǎng)絡進行訓練，結果表明，當訓練數(shù)據(jù)樣本規(guī)模下降時，網(wǎng)絡的分類準確率會下降。由此，可以通過擴充樣本集的方法來提高故障識別率。Jiang等［10］將mel頻率倒譜系數(shù)與CNN結合，對5類事件的準確率達到97%，但對于不平衡的樣本集表現(xiàn)效果較差。所有這些機器學習分類器都是數(shù)據(jù)驅動的，需要大量的訓練數(shù)據(jù)樣本，同時對于頻域判別效果優(yōu)于時域判別效果，基于此，本文提出采用對抗生成網(wǎng)絡擴充樣本集，并通過人工神經(jīng)網(wǎng)絡進行模式識別。

山 東 科 學2023年

第6期

姜曉東，等：基于生成對抗網(wǎng)絡的有載調壓開關故障檢測研究

為了提高對于小概率事件識別的準確性，本文應用生成對抗網(wǎng)絡（generative adversarial networks，GAN）的故障識別方案。首先，通過光纖傳感器采集到傳感信號，隨后將采集的傳感信號轉換為二維圖像，所得的二維圖像利用GAN將小概率事件的樣本集進行擴充，將小概率發(fā)生事件的樣本數(shù)擴充到和正常樣本數(shù)的事件。再將擴充后的樣本與正常樣本同時送入神經(jīng)網(wǎng)絡模型，進行故障判別［9］。最后，通過對有載分接開關現(xiàn)場故障模擬實驗，驗證了該方法對基于光纖傳感系統(tǒng)的有載分接開關故障判別準確率有顯著的提高。

1 實驗原理與實驗設備

1.1 光纖傳感系統(tǒng)

本文采用基于超弱光纖布拉格光柵的分布式聲波傳感技術，如圖1所示，利用分布光纖傳感系統(tǒng)進行數(shù)據(jù)采集［11］。

1.2 有載分接開關的運行狀態(tài)類型

關于有載分接開關，其運行狀態(tài)有正常運行狀態(tài)和危險狀態(tài)。其中，正常狀態(tài)是指變壓器在運行過程中，各項指標都在正常范圍內，變壓器可以正常運行。危險狀態(tài)則是指變壓器的運行過程中，主要的性能指標超出了正常范圍，變壓器繼續(xù)運行可能會導致變壓器燒毀等情況的發(fā)生，因此，合理檢出變壓器的危險狀態(tài)是當前任務的重中之重。在此，我們通過光纖傳感器檢測變壓器在運行過程產(chǎn)生的振動或聲波信號來判別變壓器的運行狀態(tài)。

1.3 數(shù)據(jù)采集過程

將光纖傳感器鋪設到OLTC設備上面之后，分別采集OLTC正常運行時的運行狀態(tài)、異常狀態(tài)以及發(fā)生故障后運行狀態(tài)的信息。但由于OLTC的異常狀態(tài)和發(fā)生故障的概率比較低，我們收集到的此類信息較少，故本論文采用生成對抗網(wǎng)絡來擴充小概率的數(shù)據(jù)。由于有載變壓器的故障信號為短時沖擊信號，因此我們采用短時沖擊信號來模擬故障信號。選擇實驗室的水缸作為實驗設備，將水缸放滿水，將點式傳感器的傳感設備光纖用鐵管固定在水下，正常狀態(tài)為無外界影響的狀態(tài)，故障狀態(tài)則敲擊管壁，分別采集故障信號2次，每次時間長達0.5 s，而正常運行狀態(tài)為500次，每次時間為0.5 s。

2 數(shù)據(jù)增強與故障識別

2.1 信號轉換為圖像

本文應用光纖傳感器采集實驗數(shù)據(jù)，每個樣本數(shù)據(jù)矩陣由1 s內按順序收集的行數(shù)據(jù)組成。傳統(tǒng)的方法都是通過人工進行特征提取，由于數(shù)據(jù)量過大，采用人工特征提取方式所用時間過長，并且所得結果不可靠，因此，我們需要對原始數(shù)據(jù)進行預處理再進行故障識別。將采集到的每個位置信息進行二維短時傅里葉變換，得到關于頻域信號的RGB圖像。同時，由于OLTC發(fā)生故障的概率較低，導致其故障樣本數(shù)量少，而神經(jīng)網(wǎng)絡要求大量的數(shù)據(jù)集，進行數(shù)據(jù)增強是必需的步驟。傳統(tǒng)的數(shù)據(jù)增強方法包括對圖像進行翻轉、旋轉、顏色變換、裁剪等，但該類方法只能簡單地增多樣本的數(shù)量，卻不能增強數(shù)據(jù)的多樣性［12］。因此，本文引入了生成對抗網(wǎng)絡進行圖像的生成，將時域RGB輸入信息經(jīng)GAN擴充后的圖像送入神經(jīng)網(wǎng)絡，進行網(wǎng)絡的訓練。通過現(xiàn)場采集的實驗數(shù)據(jù)進行測試，故障的平均識別率可以達到90%以上。

2.2 基于生成對抗網(wǎng)絡的數(shù)據(jù)增強

生成對抗網(wǎng)絡主要有兩個網(wǎng)絡模型的搭建，分別為生成器模型和判別器模型。其中隨機噪聲經(jīng)過生成器模型后，產(chǎn)生和真實樣本集類似的虛假樣本，而判別器模型則是將生成器模型產(chǎn)生的虛假樣本與真實樣本進行比對，通過虛假樣本與真實樣本之間的差距進而不斷地調整生成器的參數(shù)進行優(yōu)化，從而使生成的數(shù)據(jù)更加貼近真實 ［13］。生成器模型經(jīng)過反卷積運行后，生成一個256×256的生成樣本；隨后送入判別器中，對生成樣本和真實樣本進行判別，得出生成圖片的真或假；得出結果若為真，則生成，判別結果若為假，則調整生成器模型的參數(shù)，再不斷進行生成樣本，最終得出與原始樣本類似的圖片結果。生成器和判別器網(wǎng)絡模型架構如圖2所示。

2.3 故障判斷神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡模型，是一種模擬人的神經(jīng)系統(tǒng)構造的網(wǎng)絡，由一系列的神經(jīng)元構成，其中每個神經(jīng)元都是獨立的個體，由輸入、輸出、激活函數(shù)和權重構成，多個神經(jīng)元相連接構成人工神經(jīng)網(wǎng)絡，上一個神經(jīng)元的輸出是下一個神經(jīng)元的輸入，每個神經(jīng)元的輸出都要經(jīng)過激活函數(shù)，使得每一個神經(jīng)元的輸出都是非線性關系，從而保證輸出的準確性，可以更好地擬合訓練數(shù)據(jù)的關系［14］。

本文人工神經(jīng)網(wǎng)絡中優(yōu)化器采用Adam算法，是一種學習率自適應算法，激活函數(shù)選用Relu，最大迭代次數(shù)選取為500次，在故障樣本數(shù)只有2次的情況下，故障識別最終可達到90%以上的準確率。

3 實驗驗證

3.1 數(shù)據(jù)采集

針對數(shù)據(jù)集，本文使用實驗室模擬有載變壓器的運行狀態(tài)，通過水箱模擬有載變壓器，正常數(shù)據(jù)為無外界環(huán)境影響下采集500次，每次0.5 s，故障數(shù)據(jù)則是對水箱壁進行敲擊，共2次，每次0.5 s。

3.2 數(shù)據(jù)處理

對于采集到的數(shù)據(jù)，首先進行短時傅里葉變換，將一維信息轉換為二維圖像信息。將實驗采集的正常狀態(tài)的500次數(shù)據(jù)進行短時傅里葉變換，將500組正常數(shù)據(jù)切片為2 718張圖像，將2組故障數(shù)據(jù)切片為6張圖像。

為了保證采集到的數(shù)據(jù)真實可靠，我們分別采集了系統(tǒng)正常運行后的第5、10、15、20 min的信息，從而保證采集到的數(shù)據(jù)是在系統(tǒng)平穩(wěn)運行之后的數(shù)據(jù)，隨后對采集到的數(shù)據(jù)進行短時傅里葉變換，結果如圖3所示?？梢钥闯鱿到y(tǒng)開機后的5～20 min采集到的信息相差很小，且能量均在低頻區(qū)域，與系統(tǒng)正常運行時的短時傅里葉變換圖的能量也應均在低頻區(qū)域這一情況相一致，從而確保了數(shù)據(jù)的真實可靠性。

在故障運行時，我們分別采集了系統(tǒng)正常運行后的第5、10、15、20 min的信息，與正常運行時采集數(shù)據(jù)的相同位置進行數(shù)據(jù)采集，隨后進行短時傅里葉變換，得到如圖4所示的故障狀態(tài)圖。采集的信息在經(jīng)過短時傅里葉變換后能量不僅存在低頻區(qū)域，在中高頻區(qū)域也存在，與在故障運行狀態(tài)時施加短時沖擊信號這一條件相符合?？梢悦黠@看出，正常運行狀態(tài)與故障運行狀態(tài)的短時傅里葉變換圖像形成鮮明對比。

在二維圖像信息圖中，圖像中間代表中頻信息，圖像上下兩部分分別代表高頻信息和低頻信息，可以看出，在正常運行狀態(tài)下，幾乎沒有高頻和低頻信息的影響，而在故障狀態(tài)下，高頻信息與低頻信息的影響很大，因此可以通過是否有高頻或低頻信息來判斷設備的運行狀態(tài)。

3.3 數(shù)據(jù)增強

由于故障數(shù)據(jù)為小樣本事件，因此本文對小樣本數(shù)據(jù)即故障樣本數(shù)據(jù)進行了基于對抗神經(jīng)網(wǎng)絡圖像生成，如圖5為對抗生成網(wǎng)絡的運行結果?？梢钥闯觯?jīng)過對抗生成網(wǎng)絡生成的圖片保留了原始故障數(shù)據(jù)的信息。在進行圖像生成后，正常數(shù)據(jù)圖有2 718張圖像，故障數(shù)據(jù)經(jīng)過對抗生成網(wǎng)絡后可以達到2 733張圖像。隨后把擴充后的數(shù)據(jù)集送入到神經(jīng)網(wǎng)絡中，得到故障判別準確率。

3.4 模式識別

本文采取混淆矩陣作為實驗的判斷依據(jù)，并將沒有經(jīng)過對抗生成網(wǎng)絡的數(shù)據(jù)集和經(jīng)過對抗生成網(wǎng)絡的擴充的數(shù)據(jù)集進行對比，如圖6為混淆矩陣的對比實驗圖。

本文將發(fā)生故障事件設為1，正常運行事件設為0，可以看出經(jīng)過擴充后的數(shù)據(jù)集在人工神經(jīng)網(wǎng)絡的表現(xiàn)更好，將故障識別率從50%提升到了90%以上。從圖6（b）可以得出實際為正常狀態(tài)，神經(jīng)網(wǎng)絡判斷也為正常狀態(tài)的共有2 687個。實際為正常狀態(tài)，而判斷為故障狀態(tài)的共有31個。實際為故障狀態(tài)，而判斷為正常運行狀態(tài)的有0個。實際為故障狀態(tài)，判斷為故障狀態(tài)的有2 733個，可以使得故障識別準確率達到90%以上，可以很好地實現(xiàn)故障檢測功能。

4 結論

由于有載變壓器系統(tǒng)具有發(fā)生故障的頻率低，一旦故障，對于生產(chǎn)生活產(chǎn)生極大損失等特點，所以如何擴充故障樣本集一直是深度學習面臨不均衡樣本集的難點問題。本文通過對抗生成網(wǎng)絡方法擴充了樣本集，在二維圖像上進行了數(shù)據(jù)量擴充，對于實驗數(shù)據(jù)量過大的問題采用了人工神經(jīng)網(wǎng)絡的處理方法，對于故障狀態(tài)的識別可以達到90%以上，驗證了對抗生成網(wǎng)絡在有載變壓器故障檢測應用的可行性。為對抗生成網(wǎng)絡在有載變壓器上應用提供了理論基礎，為將來電網(wǎng)實現(xiàn)智能化提供了技術支持，在變壓器的發(fā)展上具有很大的潛在應用空間。

參考文獻：

［1］林明霞. 一種實現(xiàn)φ-OTDR系統(tǒng)長距離監(jiān)測的方法及系統(tǒng)： CN104457808A［P］. 2015-03-25.

［2］張知先， 陳偉根， 湯思蕊， 等. 基于互補集總經(jīng)驗模態(tài)分解和局部異常因子的有載分接開關狀態(tài)特征提取及異常狀態(tài)診斷［J］. 電工技術學報， 2019， 34（21）： 4508-4518. DOI： 10.19595/j.cnki.1000-6753.tces.181320.

［3］聶鵬. 淺談電力變壓器故障分析及其診斷方法［J］. 科技創(chuàng)新與應用， 2014（12）： 121.

［4］趙彤. 有載分接開關機械狀態(tài)的在線監(jiān)測與故障診斷技術研究［D］. 濟南： 山東大學， 2008.

［5］鐘龍申， 高學軍， 王振友. 一種新的基于K-means改進SMOTE算法在不平衡數(shù)據(jù)集分類中的應用［J］. 數(shù)學的實踐與認識， 2015， 45（19）： 198-206.

［6］DOUZAS G， BACAO F， LAST F. Improving imbalanced learning through a heuristic oversampling method based on K-means and SMOTE［J］. Information Sciences， 2018， 465： 1-20. DOI： 10.1016/j.ins.2018.06.056.

［7］WU H J， CHEN J P， LIU X R， et al. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS［J］. Journal of Lightwave Technology， 2019， 37（17）： 4359-4366. DOI： 10.1109/JLT.2019.2923839.

［8］SHI Y， WANG YY， WANG L Y， et al. Multi-event classification for Φ-OTDR distributed optical fiber sensing system using deep learning and support vector machine［J］. Optik， 2020， 221： 165373. DOI： 10.1016/j.ijleo.2020.165373.

［9］SHI Y， LI Y H， ZHANG Y C， et al. An easy access method for event recognition of Φ-OTDR sensing system based on transfer learning［J］. Journal of Lightwave Technology， 2021， 39（13）： 4548-4555. DOI： 10.1109/JLT.2021.3070583.

［10］JIANG F， LI H L， ZHANG Z H， et al. An event recognition method for fiber distributed acoustic sensing systems based on the combination of MFCC and CNN［C］∥2017 International Conference on Optical Instruments and Technology： Advanced Optical Sensors and Applications. Beijing， China： SPIE， 2018， 10618： 15-21. DOI：10.1117/12.2286220.

［11］董貫雷， 姜曉東， 孫鵬， 等. 基于分布式光纖傳感系統(tǒng)的有載變壓器故障檢測技術研究［J］. 山東科學， 2023， 36（5）： 52-59. DOI：10.3976/j.issn.1002-4026.2023.05.007.

［12］陳先昌. 基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究［D］. 杭州： 浙江工商大學， 2014.

［13］劉剛坤， 李寶福. 基于光纖布拉格光柵的多點壓力測量［J］. 計量與測試技術， 2022， 49（8）： 57-60. DOI： 10.15988/j.cnki.1004-6941.2022.8.016.

［14］張躍， 劉偉， 胡波，等. 一種基于GAN網(wǎng)絡的樣本數(shù)據(jù)增強方法及系統(tǒng)： CN113962360A［P］. 2022-01-21.