基于深度学习的低压配电变压器运行状态评估研究

袁 源，庞 荣,2，代东林，李 响，韩坤林, 许培振

(1.招商局重庆公路工程检测中心有限公司，重庆 400067； 2.西南交通大学 信息科学与技术学院，成都 610031)

随着高速公路的飞速发展，安全运营变得尤为重要，高速公路机电设施供电安全是所有公路交通工程设施中的关键环节。其中变压器是低压配电网中能量转换、传输的核心，也是配电网安全防御系统中的关键枢纽设备[1]。目前，我国高速公路上已有较多低压配电变压器运行年限超过20年，这些运行中的变压器面临着日益严重的设备故障和绝缘老化等问题，发生事故的概率不断增大。配电变压器一旦发生事故可能会造成运营设备损坏，引起大面积停电从而使运营出现安全状况，造成严重的社会影响。因此，对已有低压配电变压器的运行状态评估和深入的故障诊断研究已迫在眉睫。

目前国内外有关变压器状态评估方面的研究已取得了一定成果。Tang W H等[2]指出电力变压器状态评估是一个多属性决策问题，应用证据理论对电力变压器诊断数据进行信息融合。Rivas E等[3]用小波变换信号处理的方法评估分接开关的状态，但因分接开关型号不同，对不同型号的分接开关状态评估需考虑不同的诊断参数。廖瑞金、谢龙君等[4-5]设计了基于粗糙集、层次分析法、证据理论的多信息融合评估模型。马德印、阮羚等[6-7]提出了采用双向联想神经网络和人工神经网等方法对电力变压器运行状态进行评估，且分析了评估电力变压器健康状态所涉及的状态信息，但难以克服传统神经网络训练时间长，且易陷入局部最优值的问题。李春林等[8]对深度学习在故障诊断中的应用进行了综述。庞荣[9-10]采用深度学习算法用于高速列车振动数据的状态评估分析以及预埋钢板基础数据的振动数据分析。张俊鹏、孟祥峰、昝涛、万齐杨、李林杰等[11-15]将深度学习理论应用于滚动轴承的故障诊断分析。

由于振动信号与运行状态之间是高度非线性关系，上述研究方法均未能充分反映监测数据所包含关键部件变化时动力学的信息特征。而深度学习可从复杂数据中自动学习有效表征关键信息的特征，并且通过无监督逐层预训练和有监督微调等机制能够有效克服传统神经网络的缺点[16-18]。为此，本文基于深度学习的思想，提出一种新的低压配电变压器运行状态评估与故障诊断识别方法，以期获得更好的识别效果。

1 深度学习理论

Hinton等[17]提出的前馈神经网络深度学习理论，即通过堆叠若干个神经元层，且每一层的输出作为下一层的输入，通过逐层特征学习，将样本在现有空间的特征表示变换到一个新特征空间，进而对原输入信息进行更好的特征表示[2]，其核心思想主要有2点：一是采用大量无标签数据通过无监督学习初始化模型参数，称为PT(Pre-training)；二是采用较少的标签数据，通过传统神经网络算法(如BP算法)训练学习模型，称为FT(Fine-tuning)。其中预训练模型PT主要通过逐层训练受限波尔兹曼机模型得到一个深度学习模型，采用传统的BP算法对微调模型进行参数微调[2]。

1.1 RBM模型建立

受限波尔兹曼机RBM(Restricted Boltzmann Machine)，是一种包含隐藏层(Hidden)和可见层(Visible)的双层网络模型，其特点为层间无连接，层与层之间全连接，如图1所示。可见层用于表示输入的数据，隐藏层可看作为特征抽取器[11]。

图1 受限波尔兹曼机结构

对于一个特定的RBM，采用v、h表示可见层和隐藏含层节点，vi、hj分别表示第i个可见单元和第j个隐藏单元的状态。对于一组给定状态(v,h)和模型参数：θ={wij,ai,bj,i=1,…,n;j=1,…,m}。当所有节点参数服从伯努利分布时，称为伯努利RBM，该模型适用于输入为二进制向量，其定义参数分布函数为：

(1)

当可见层节点参数服从高斯分布、隐藏层节点服从伯努利分布时，称为高斯-伯努利RBM(CRBM)，该模型适用于输入为实值特征向量，其定义能量分布函数为：

(2)

由上述能量函数得到RBM模型(v,h)的联合分布：

(3)

(4)

通过最大似然准则进行无标签学习得到RBM模型参数。对于含有T个样本的训练数据集，其训练的目标函数为：

(5)

(6)

根据公式(1)，L(θ)对参数θ进行偏导数求解：

(7)

由于〈·〉model运算复杂度较高，采用对比散度法(Contrastive divergence)可以得到近视值，则新规则变为：

(8)

式中：〈·〉1表示采样步骤初始化数据的期望。〈·〉data比较容易求得，对于指定的一个随机选择的可见层训练向量v(二进制状态)，每个隐藏层单元hj概率为1。

(9)

其中σ(x)=(1+x)-1。对于隐藏层单元，其对称的表达式为：

(10)

由以上公式可得，对于连续的振动信号，应采用CRBM参数模型，采用能量计算公式(2)和(9)，则计算公式(10)更改为公式(11)，其他公式保持不变。

(11)

式中：N(u,V)表示高斯函数分布，均值为u，方差为V。

使用公式(11)求解各层权重，并进行更新。

(12)

式中：ε表示学习率；m表示动量参数。

1.2 RBM训练算法

输入：x0为一训练样本；n、m分别为可视单元和隐含单元个数；ε为学习率；T为最大迭代次数。

输出：W为权值矩阵；a、b分别为可视层和隐含层叠的偏置。训练过程如下：

初始化：W,a,b初始化为较小的随机值令可视层的初始状态为v1=x0

Fort=1,2,…,T

Forj=1,2,…,m

End For

Fori=1,2,…,n

End For

Forj=1,2,…,m

End For

a←a-ε(v1-v2)

b←b-ε(P(h1=1|v1)-P(h2=1|v2))

End For

2 基于深度学习的电力变压器振动信号识别算法

2.1 算法流程

针对电力变压器机械振动信号，先对振动信号进行预处理，后采用无标签的预训练得到一个多层的RBM参数模型，再进一步通过传统的BP算法对网络参数进行监督微调学习。

基于深度学习的电力变压器振动信号(DBN)算法流程如图2所示。

2.2 深度学习算法

输入：振动信号样本。

输出：变压器运行状态监测的分类。

1) 对输入信号x0进行FFT变换得x。

2) 初始化训练网络，并设置权重W和偏置b。

3) 训练编码器第i(初始值i=1)层：

图2 深度学习算法流程

(2) 使用式(1)对信号进行编码；

(3) 使用式(2)重建输入(解码)；

(4) 使用式(3)最小化互熵。

4) 将i层输出值作为第i+1层输入，并重复步骤3)，直至所有层全部训练完毕。

5) 使用BP神经网络对上述网络进行微调，所获参数作为BP网络的输入分类识别变压器运行状态。

3 仿真结果及分析

3.1 试验数据来源

试验采用有限元分析软件ANSYS10对变压器进行仿真建模，如图3所示；变压器绕组支撑节点如图4所示。

图3 电力变压器FE模型

图4 绕组支撑节点

通过绕组支撑节点是否松动作为变压器运行状态的判定标准，而绕组支撑节点松弛数量和位置决定变压器运行状态。变压器运行状态定义(A-I)如表1 所示。

表1 变压器运行状态定义

每种运行状态下运行4 min并记录传感器数据，采样频率为200 Hz。试验数据截取2 s，即400个采样点为一个样本，每种工况样本数为100个，将样本随机二等分为训练样本和测试样本。

3.2 电力变压器振动信号分析及结果

本文采用深度学习模型为DBN，输入层的结点数为振动信号特征维数，输出层结点个数为状态的分类数。其余初始化参数选取通过200次以上测试选取最优参数，深度学习参数初始化如表2、表3所示。试验环境，主频为2.8 Hz的4核CPU电脑及Matlab2013b。

表2 DBN 模型结构参数

表3 DBN模型参数

对仿真出的电力变压器运行状态振动数据预处理后，采用深度学习对特征进行自动学习并分类识别。同时，试验将深度学习(DBN算法)与传统的BP神经网络进行对比分析，试验20次所得平均识别率如表4所示。

表4 状态识别率及算法性能对比

从表4中可看出，对正常状态即case A 识别率可达100%，其余每种状态平均识别率可达97.64%，平均耗时4.91 s，表明该方法对电力变压器振动信号识别有效。

从表4中还可看出，由于传统的BP神经网络可能陷入局部极值，其总体平均识别率为84.88%、算法运行平均耗时21.41 s，较深度学习方法DBN识别率低、耗时长，深度学习正是克服了传统神经网络易陷入局部极值的缺点，大大提升了训练速度，同时也获得了较好结果。

4 结论

1) 提出将深度学习算法应用于电力变压器运行状态评估，采用深度学习逐层学习振动信号中有效表征状态信息的特征，并采用BP神经网络进行参数微调，最后实现运行状态识别，且对电力变压器绕组支撑节点9种典型状态进行识别。

2) 试验结果表明深度学习能够充分表征电力变压器的运行状态，对非正常运行状态识别正确率能达到100%，其他状态平均识别率可达97.64%，为电力变压器的运行状态评估提供了一种新的思路，对低压配电变压器实际运行评估及检修提供重要的技术支持。