基于生成对抗网络的有载调压开关故障检测研究

姜晓东 王磊磊 孙鹏 杨光 耿俊琪 王家文 黄胜 渠帅 王晨 尚盈

摘要：实际应用中电力变压器故障数据获取困难，导致在处理变压器故障数据时会由于存在不平衡数据对深入分析结果产生很大的影响。为了解决上述问题，结合对抗神经网络和人工神经网络对不平衡数据进行处理与判断，利用基于超弱光纤布拉格光栅的分布式声波传感技术对实验室搭建的变压器的模拟现场进行数据采集与分析，并在采集到的变压器故障模拟数据的检测上取得很好的效果。这种方法对基于对抗生成网络的有载变压器小样本故障识别系统具有重要的借鉴意义。

关键词：人工神经网络；点式传感器；有载变压器；故障检测；模式识别；对抗生成网络；数据增强

中图分类号：TN247   文献标志码：A   文章编号：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

傳统调压开关在调压时必须使负载断电，而有载调压开关（on-load tap-changer，OLTC）的出现很好地解决了这一弊端，其可以在有载的条件下改变电压，为电力行业绿色发展提供了重要的技术支持［1］。但由于有载调压开关有载运行的特点，对其故障检测就要求在断电的情况下进行设备排查，给人民生产生活带来不便［2］。同时由于变压器发生故障的概率极低，因此在面临少量故障样本的条件下，如何根据现有数据快速、准确得出变压器的运行状态成为当今制约有载变压器发展的一大难题［3-5］。

对于小概率发生事件，如关键设备故障事件，其发生故障的后果严重，且发生的概率较低，缺乏数据信息将会导致神经网络欠拟合，针对此类事件，可以通过人工数据增强、改善网络结构等方案进行解决。Georgios等［6］提出了一种简单有效的基于k均值聚类和SMOTE（synthetic minority oversampling technique，合成少数过采样技术）的超采样方法，避免了噪声的产生，有效地克服了类间和类内的不平衡，但缺乏可视化环节，所得的样本无法人工辨别其生成样本的真实性。Wu等［7］提出了一种以一维卷积神经网络为时域信号特征提取器，支持向量机为分类器的识别方法，使得自动提取特征的结果优于人工选择特征，同时在入侵识别率上高于二维卷积神经网络，但对于类别不平衡的样本集应用效果较差。Shi等［8］将时空数据矩阵塑造成伪RGB（red，green，blue）图片作为CNN（convolutional neural network）网络的输入，提出了轻量级CNN网络，在不均衡样本数据集上有良好的表现，但将其应用到故障判别时效果未达到预期结果。Shi等［9］使用不同训练数据样本规模的训练集对网络进行训练，结果表明，当训练数据样本规模下降时，网络的分类准确率会下降。由此，可以通过扩充样本集的方法来提高故障识别率。Jiang等［10］将mel频率倒谱系数与CNN结合，对5类事件的准确率达到97%，但对于不平衡的样本集表现效果较差。所有这些机器学习分类器都是数据驱动的，需要大量的训练数据样本，同时对于频域判别效果优于时域判别效果，基于此，本文提出采用对抗生成网络扩充样本集，并通过人工神经网络进行模式识别。

山 东 科 学2023年

第6期

姜晓东，等：基于生成对抗网络的有载调压开关故障检测研究

为了提高对于小概率事件识别的准确性，本文应用生成对抗网络（generative adversarial networks，GAN）的故障识别方案。首先，通过光纤传感器采集到传感信号，随后将采集的传感信号转换为二维图像，所得的二维图像利用GAN将小概率事件的样本集进行扩充，将小概率发生事件的样本数扩充到和正常样本数的事件。再将扩充后的样本与正常样本同时送入神经网络模型，进行故障判别［9］。最后，通过对有载分接开关现场故障模拟实验，验证了该方法对基于光纤传感系统的有载分接开关故障判别准确率有显著的提高。

1 实验原理与实验设备

1.1 光纤传感系统

本文采用基于超弱光纤布拉格光栅的分布式声波传感技术，如图1所示，利用分布光纤传感系统进行数据采集［11］。

1.2 有载分接开关的运行状态类型

关于有载分接开关，其运行状态有正常运行状态和危险状态。其中，正常状态是指变压器在运行过程中，各项指标都在正常范围内，变压器可以正常运行。危险状态则是指变压器的运行过程中，主要的性能指标超出了正常范围，变压器继续运行可能会导致变压器烧毁等情况的发生，因此，合理检出变压器的危险状态是当前任务的重中之重。在此，我们通过光纤传感器检测变压器在运行过程产生的振动或声波信号来判别变压器的运行状态。

1.3 数据采集过程

将光纤传感器铺设到OLTC设备上面之后，分别采集OLTC正常运行时的运行状态、异常状态以及发生故障后运行状态的信息。但由于OLTC的异常状态和发生故障的概率比较低，我们收集到的此类信息较少，故本论文采用生成对抗网络来扩充小概率的数据。由于有载变压器的故障信号为短时冲击信号，因此我们采用短时冲击信号来模拟故障信号。选择实验室的水缸作为实验设备，将水缸放满水，将点式传感器的传感设备光纤用铁管固定在水下，正常状态为无外界影响的状态，故障状态则敲击管壁，分别采集故障信号2次，每次时间长达0.5 s，而正常运行状态为500次，每次时间为0.5 s。

2 数据增强与故障识别

2.1 信号转换为图像

本文应用光纤传感器采集实验数据，每个样本数据矩阵由1 s内按顺序收集的行数据组成。传统的方法都是通过人工进行特征提取，由于数据量过大，采用人工特征提取方式所用时间过长，并且所得结果不可靠，因此，我们需要对原始数据进行预处理再进行故障识别。将采集到的每个位置信息进行二维短时傅里叶变换，得到关于频域信号的RGB图像。同时，由于OLTC发生故障的概率较低，导致其故障样本数量少，而神经网络要求大量的数据集，进行数据增强是必需的步骤。传统的数据增强方法包括对图像进行翻转、旋转、颜色变换、裁剪等，但该类方法只能簡单地增多样本的数量，却不能增强数据的多样性［12］。因此，本文引入了生成对抗网络进行图像的生成，将时域RGB输入信息经GAN扩充后的图像送入神经网络，进行网络的训练。通过现场采集的实验数据进行测试，故障的平均识别率可以达到90%以上。

2.2 基于生成对抗网络的数据增强

生成对抗网络主要有两个网络模型的搭建，分别为生成器模型和判别器模型。其中随机噪声经过生成器模型后，产生和真实样本集类似的虚假样本，而判别器模型则是将生成器模型产生的虚假样本与真实样本进行比对，通过虚假样本与真实样本之间的差距进而不断地调整生成器的参数进行优化，从而使生成的数据更加贴近真实 ［13］。生成器模型经过反卷积运行后，生成一个256×256的生成样本；随后送入判别器中，对生成样本和真实样本进行判别，得出生成图片的真或假；得出结果若为真，则生成，判别结果若为假，则调整生成器模型的参数，再不断进行生成样本，最终得出与原始样本类似的图片结果。生成器和判别器网络模型架构如图2所示。

2.3 故障判断神经网络

人工神经网络模型，是一种模拟人的神经系统构造的网络，由一系列的神经元构成，其中每个神经元都是独立的个体，由输入、输出、激活函数和权重构成，多个神经元相连接构成人工神经网络，上一个神经元的输出是下一个神经元的输入，每个神经元的输出都要经过激活函数，使得每一个神经元的输出都是非线性关系，从而保证输出的准确性，可以更好地拟合训练数据的关系［14］。

本文人工神经网络中优化器采用Adam算法，是一种学习率自适应算法，激活函数选用Relu，最大迭代次数选取为500次，在故障样本数只有2次的情况下，故障识别最终可达到90%以上的准确率。

3 实验验证

3.1 数据采集

针对数据集，本文使用实验室模拟有载变压器的运行状态，通过水箱模拟有载变压器，正常数据为无外界环境影响下采集500次，每次0.5 s，故障数据则是对水箱壁进行敲击，共2次，每次0.5 s。

3.2 数据处理

对于采集到的数据，首先进行短时傅里叶变换，将一维信息转换为二维图像信息。将实验采集的正常状态的500次数据进行短时傅里叶变换，将500组正常数据切片为2 718张图像，将2组故障数据切片为6张图像。

为了保证采集到的数据真实可靠，我们分别采集了系统正常运行后的第5、10、15、20 min的信息，从而保证采集到的数据是在系统平稳运行之后的数据，随后对采集到的数据进行短时傅里叶变换，结果如图3所示。可以看出系统开机后的5～20 min采集到的信息相差很小，且能量均在低频区域，与系统正常运行时的短时傅里叶变换图的能量也应均在低频区域这一情况相一致，从而确保了数据的真实可靠性。

在故障运行时，我们分别采集了系统正常运行后的第5、10、15、20 min的信息，与正常运行时采集数据的相同位置进行数据采集，随后进行短时傅里叶变换，得到如图4所示的故障状态图。采集的信息在经过短时傅里叶变换后能量不仅存在低频区域，在中高频区域也存在，与在故障运行状态时施加短时冲击信号这一条件相符合。可以明显看出，正常运行状态与故障运行状态的短时傅里叶变换图像形成鲜明对比。

在二维图像信息图中，图像中间代表中频信息，图像上下两部分分别代表高频信息和低频信息，可以看出，在正常运行状态下，几乎没有高频和低频信息的影响，而在故障状态下，高频信息与低频信息的影响很大，因此可以通过是否有高频或低频信息来判断设备的运行状态。

3.3 数据增强

由于故障数据为小样本事件，因此本文对小样本数据即故障样本数据进行了基于对抗神经网络图像生成，如图5为对抗生成网络的运行结果。可以看出，经过对抗生成网络生成的图片保留了原始故障数据的信息。在进行图像生成后，正常数据图有2 718张图像，故障数据经过对抗生成网络后可以达到2 733张图像。随后把扩充后的数据集送入到神经网络中，得到故障判别准确率。

3.4 模式识别

本文采取混淆矩阵作为实验的判断依据，并将没有经过对抗生成网络的数据集和经过对抗生成网络的扩充的数据集进行对比，如图6为混淆矩阵的对比实验图。

本文将发生故障事件设为1，正常运行事件设为0，可以看出经过扩充后的数据集在人工神经网络的表现更好，将故障识别率从50%提升到了90%以上。从图6（b）可以得出实际为正常状态，神经网络判断也为正常状态的共有2 687个。实际为正常状态，而判断为故障状态的共有31个。实际为故障状态，而判断为正常运行状态的有0个。实际为故障状态，判断为故障状态的有2 733个，可以使得故障识别准确率达到90%以上，可以很好地实现故障检测功能。

4 结论

由于有载变压器系统具有发生故障的频率低，一旦故障，对于生产生活产生极大损失等特点，所以如何扩充故障样本集一直是深度学习面临不均衡样本集的难点问题。本文通过对抗生成网络方法扩充了样本集，在二维图像上进行了数据量扩充，对于实验数据量过大的问题采用了人工神经网络的处理方法，对于故障状态的识别可以达到90%以上，验证了对抗生成网络在有载变压器故障检测应用的可行性。为对抗生成网络在有载变压器上应用提供了理论基础，为将来电网实现智能化提供了技术支持，在变压器的发展上具有很大的潜在应用空间。

参考文献：

［1］林明霞. 一种实现φ-OTDR系统长距离监测的方法及系统： CN104457808A［P］. 2015-03-25.

［2］张知先， 陈伟根， 汤思蕊， 等. 基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断［J］. 电工技术学报， 2019， 34（21）： 4508-4518. DOI： 10.19595/j.cnki.1000-6753.tces.181320.

［3］聂鹏. 浅谈电力变压器故障分析及其诊断方法［J］. 科技创新与应用， 2014（12）： 121.

［4］赵彤. 有载分接开关机械状态的在线监测与故障诊断技术研究［D］. 济南： 山东大学， 2008.

［5］钟龙申， 高学军， 王振友. 一种新的基于K-means改进SMOTE算法在不平衡数据集分类中的应用［J］. 数学的实践与认识， 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， 姜晓东， 孙鹏， 等. 基于分布式光纤传感系统的有载变压器故障检测技术研究［J］. 山东科学， 2023， 36（5）： 52-59. DOI：10.3976/j.issn.1002-4026.2023.05.007.

［12］陈先昌. 基于卷积神经网络的深度学习算法与应用研究［D］. 杭州： 浙江工商大学， 2014.

［13］刘刚坤， 李宝福. 基于光纤布拉格光栅的多点压力测量［J］. 计量与测试技术， 2022， 49（8）： 57-60. DOI： 10.15988/j.cnki.1004-6941.2022.8.016.

［14］张跃， 刘伟， 胡波，等. 一种基于GAN网络的样本数据增强方法及系统： CN113962360A［P］. 2022-01-21.