贝叶斯优化辅助分类GAN 的变压器故障诊断方法

李海岳

（中建三局安装工程有限公司，湖北武汉 430000）

电力变压器承担着电压等级转换的重任，其运行的安全及可靠性是日常检测的重中之重[1]。变压器铁芯、绕组和绝缘油等组成部分的健康状况会随着运行时间的增长而持续恶化[2]。经研究发现，绝缘击穿是变压器故障的主要原因[3]，在变压器绝缘完全失效并击穿之前的阶段，通常可以检测到局部放电（Partial Discharge，PD）活动。局部放电检测是变压器运行状态检测的重要技术[4]，通过分析局部放电现象，可以评估变压器状态并获得其早期故障信息[5]。

局部放电的检测方法主要有超声波法[6]、特高频法[7]、高频电流法[8]、振荡波法[9]和暂态地电压法[10]。超声波局部放电检测方法因其设备体积小、布设难度低、可以实现在线检测等优点，在变压器局部放电检测领域得到了广泛的应用[11-12]。

基于超声波局部放电检测的变压器故障特征相关研究中，如何去除噪声信号并提取有效的特征信息是其中的技术难点[13]。结合现有研究，小波变换在去噪领域有着优异的性能[14-16]。获取到了有效的超声波信号后，如何基于一维时域的超声波数据，实现智能化的故障类型识别，是当前研究的重点。相关学者基于机器学习算法提出了多种识别方法[17-19]，然而，变压器因其结构复杂，故障偶发性强，导致运行中的故障变压器样本数据获取困难，数据量较小，且不同故障的样本量差异较大，不利于诊断模型的泛化应用。

针对上述问题，提出了一种改进生成对抗网络（Generative Adversarial Network，GAN）的变压器故障诊断方法，通过贝叶斯优化（Bayesian Optimization，BO）策略提升模式识别性能，并以辅助条件（Auxiliary Conditional，AC）优化网络结构，提升整体模型的泛化能力，解决因样本量和数据量差异导致诊断方法普适性差的问题。

1 诊断方法

1.1 超声波PD信号去噪

局部放电是固体或液体电绝缘材料的一小部分在高压应力下发生的局部电介质击穿。变压器绝缘中的局部放电会产生机械振动（压力波），进而激发频率范围在20 kHz～1 MHz 的超声波。用于变压器PD 检测的超声波传感器主要为压电传感器，其压电元件主要由陶瓷材料制成，例如钛酸铅锆（PZT）。当超声波到达压电陶瓷元件时，该元件在力的作用下发生变形并在其电极两端产生电压，通过声检测系统的其他元件，如示波器、采集卡等数据采集系统获取超声波信号。

变压器局部放电激发的超声波在传播过程中，会在变压器的绕组、铁芯和壁上出现多次反射和衍射，导致超声波的振幅较小，且易混入干扰信号。基于经典小波变换的小波阈值去噪法可以应用于连续超声波信号的降噪，可在进行信号分析之前提取到有用的超声波信号、降低噪声的影响。具体降噪过程如下。

1）将连续的超声波信号f(t)按照式（1）进行小波变换：

式中，a＞0 是尺度因子；τ是位移因子；ψ()是小波基函数。

2）再按照式（2）进行幂数级离散化：

式中，N是总采样点数。

3）设定阈值λ，并采用软阈值函数进行信号去噪：

式中，sgn(x)函数的作用是返回自变量的正负，其表达式为：

经过小波阈值去噪法处理之后的变压器PD 超声波信号即为故障诊断的数据基础。

1.2 生成对抗网络

GAN[20]由两个相互对抗训练的神经网络组成，分别为生成器G和鉴别器D。G和D同时训练，超参数根据优化损失和改变随机性进行调整。随着鉴别器D产生的误差和损失，生成器G中的随机性被更新，从而生成近似真实的数据。在数学上，相对于鉴别器D更新的对数似然性或校正随机性，目标函数如公式（5）：

式中，E[]为期望值，x为真实样本，Pr为x的概率分布，z为噪声样本，Pz为z的概率分布，D()是鉴别器D的输出，G()是生成器G的输出。

GAN 的基本结构如图1 所示。在训练过程中，随着损失函数值的降低，生成器G学习真实样本的数据特征，缩小真实样本和生成样本的差异，而鉴别器D扩大真实样本和生成样本的差异。训练完成后，生成器G可以生成与真实样本的数据特征相似的虚拟数据。然而，无监督的训练过程不含数据标签，基于损失降低的生成数据需要二次人为标定，不利于变压器故障的自动化识别，需要对其进行针对性改进。

图1 GAN架构

1.3 AC改进GAN

为解决上述问题，在GAN 的生成器G和鉴别器D中各添加一个辅助条件层（AC 层），将辅助信息（类标签数据）馈送到网络中，AC-GAN 架构如图2所示。

图2 AC-GAN架构

添加了辅助信息的AC-GAN，其生成器G和鉴别器D的输入及输出如式（6）所示：

式中，c为样本标签，XGEN为生成器的输出，X包括真实样本和生成样本，S为真实数据源，C为带标签的数据源（含真实样本与生成样本）。AC-GAN 的目标函数的改进公式分别如式（7）和式（8）所示：

式中，LS为真实数据源的对数似然函数，LC为标签类别数据源的对数似然函数。AC-GAN 的训练过程即为最大化LC-LS的同时最大化LC+LS的过程。

1.4 BO策略

AC-GAN 架构中含有大量的超参数，包括神经元个数、隐藏层数量、卷积核大小等，选择合适的超参数是模型发挥较高性能的关键。基于Bayesian定理的BO 策略通过概率模型和采集函数评估学习目标函数的形态，实现参数寻优。选用高斯过程表示AC-GAN 架构的未知目标函数，其边际似然分布为：

其中，λ表示超参数，y为观测值集合，f为样本对应的未知函数评估值。最大化p(y|X,λ)时的λ为评估值的最优超参数。再通过最大化采集函数来选取下一个评估点，基于置信边界策略的采集函数为：

其中，D为当前观测数据的集合，μ(x)和σ(x)分别为目标函数联合后验评估的均值和协方差，β为调节参数。通过不断迭代，即可得到最优的AC-GAN 架构超参数值。

1.5 故障诊断流程

BO-AC 改进GAN 的变压器故障诊断流程如图3所示。故障诊断详细步骤如下：

图3 故障诊断流程

步骤1：采集典型变压器故障PD 信号并去噪；

步骤2：划分原始数据集；

步骤3：训练BO-AC-GAN 故障诊断模型；

步骤4：采集被测变压器数据输入诊断模型；

步骤5：获取诊断结果并迭代优化模型。

2 典型故障及数据

2.1 局部放电高压实验平台

局部放电高压实验平台如图4 所示。由交流高压电源控制台、无级调压器、升压变压器、保护电阻、分压器等部分组成。无级调压器调节输入侧的电压大小，升压变压器为无局放变压器，将电压等级升高。高压电阻连接升压变压器高压输出侧和分压器输入侧限制电流幅值，避免试样击穿时过大的电流损伤升压变压器的绝缘。以超声波传感器获取试验样品变压器的局部放电数据。

图4 局部放电高压实验平台

2.2 典型故障及数据

根据现场检修经验及相关统计数据，电力变压器的典型故障原因为铁芯松动变形、绕组移位、绝缘油杂质污染[8]。采用谐振频率为150 kHz 的超声传感器，以1 ms 为1 个采样区间，基于超声波PD 测试法获取的变压器典型故障PD 数据样本如图5 所示，铁芯松动变形、绕组移位和绝缘油杂质污染的放电脉冲样本数各有300个，总计900 个样本数据组成带标签的真实数据集用于BO-AC 改进GAN 的训练。

图5 变压器典型故障PD数据样本

3 诊断结果与对比分析

3.1 样本量差异下的训练与识别结果

在实际工况条件下，铁芯松动变形、绕组移位、绝缘油杂质污染的故障率不相同，为了验证基于BO-AC-GAN 模型的故障诊断方法的泛化能力，将上述故障类型的训练数据样本数量按表1 设置四种不均衡比例方案，验证集样本数量均为60，分别输入BO-AC-GAN 训练寻优，并使用混淆矩阵验证故障诊断模型的有效性。

表1 不均衡比例方案

四种方案的混淆矩阵如图6 所示，行标签为真实类型，列标签为诊断类型。虽然在不同方案的不均衡条件下BO-AC-GAN 模型对于每种故障类型的准确率不同，但总体准确率皆在95%以上，验证了方法的有效性和可行性。

图6 BO-AC-GAN训练结果

3.2 对比验证

为了对比证明基于BO-AC-GAN 模型的变压器故障类型诊断方法的优越性，对比经典深度学习算法的栈式自编码器(Staked Auto-Encoder,SAE）、卷积神经网络(Convolutional Neural Network,CNN)以及经典GAN，在上述四种不均衡比例样本方案的训练条件下诊断准确率如表2 所示。

表2 诊断准确率对比表

由表2 可得，经典深度学习算法的准确率更依赖于训练样本的数量，GAN 相对依赖样本的均衡性来提升准确率。在相同的不均衡样本情况下，基于BO-AC-GAN 模型的变压器故障类型诊断方法的准确率更高，随着样本量及均衡性的增加，该方法的准确率提升也更大，充分论证了基于BO-AC-GAN 模型的变压器故障类型诊断方法的优越性和有效性。

4 结论

经过验证，该文提出的BO-AC 改进GAN 的变压器故障诊断方法优势如下：

1）文中以AC 结构优化了GAN 网络架构，并运用BO 策略优化模型超参数，提升了模式识别性能及整体模型的泛化能力，在不均衡样本情况下的准确率均在95%以上；

2）对比了两种经典深度学习算法及经典GAN结构，BO-AC-GAN 在同等不均衡条件下识别准确率更高，论证了所提方法的优越性和有效性；

3）文中方法解决了因样本量和数据量差异导致的变压器诊断方法普适性差的问题，可为变压器的运维检修及故障诊断提供参考。