分类号: 单位代码: 密 级: 学 号:
题目:
故障诊断论文作业
深度学习在电力变压器故障诊断应用
姓 名: 黄贤存
学 号: 20152283405
研究方向:基于深度学习的图像处理
二○一六年四月
深度学习在电力变压器故障诊断应用
摘要:由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络[1](deep learning neural network,DLNN),构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析[2] (dissolved gas-in-oil analysis,DGA)实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。
关键词:故障诊断;电力变压器;深度学习神经网络;溶解气体分析
Abstract:As oil chromatography online-monitoring data is unlabeled during power transformer failure,project sites tend to get a large number of unlabeled fault samples. However,traditional diagnosis methods often fail to make full use of those unlabeled fault samples in judging transformer fault types. Based on deep learning neural network ( DLNN ),a corresponding classification model was established,whose classification performance was analyzed and tested by typical datasets. On this basis,a new fault diagnosis method of power transformer was further proposed,in which a large number of unlabeled data from oil chromatogram on-line monitoring devices and a small number of labeled data from dissolved gas-in-oil analysis (DGA) were fully used in training process. It could generate fault diagnosis result in the form of probabilities,and provide more accurate information for the maintenance of power transformer because of its better performance in fault diagnosis.
Keywords:fault diagnosis; power transformer; deep learning neural network; dissolved gas-in-oil analysis
0 引言
由于油浸式电力变压器在不同运行状态时,油中溶解气体的类型和含量不同,油中溶解气体分析(dissolved gas-in-oil analysis,DGA)长期以来成为判别其运行状态的一种有效手段。随着人工智能的发展,越来越多的领域运用人工神经网络(artficial neural network,ANN)、支持向量机(support vector machine,SVM ) 和极限学习机(extreme learning machine,ELM)等电力变压器智能诊断方法来解决一些棘手的问题,但是但是 ANN 方法收敛速度慢、易发生震荡;SVM 方法本质上属于二分类算法,在多分类问题上存在构造学习器困难及分类效率低的缺点,而且核函数的选择和参数的确定比较困难。深 度 学 习 神 经 网 络 ( deep learning neuralnetwork,DLNN)是 2006 年由 Hinton 教授提出的一种深层机器学习方法[3],具有较强的从样本中提取特征以及对特征进行转换的能力,学习能力强,是近几年国内外研究和探讨的一个热点。目前,它已经成功应用于语音识别、目标识别、自然语言处理等方面,但在电力变压器故障诊断方面应用的研究才刚刚起步。
基于 DLNN,本文首先构建分类深度学习神经网络模型,并用典型的分类数据
集对其分类性能进行分析验证。然后,结合电力变压器油色谱在线监测数据和 DGA 数据特征及故障类型,提出一种新的变压器故障诊断方法。该方法采用半监督机器学习方法,学习能力强,能够诊断出电力变压器各种运行状态的概率,为工作人员决定是否对变压器进行检修提供更多参考信息。最后,对文中提出的方法予以工程实例测试,并与基于 BP 神经网络和 SVM 的故障诊断方法进行对比分析。
1 深度学习神经网络的介绍
DLNN 简单可以理解为具有多个隐含层的神经网络,通过特征转换或特征提取来发现数据的内在属性,使其分类更加容易,进而提高分类的准确率。DLNN 的 方 法 主 要 包 括 自 动 编 码 器 ( auto-encoder, AE )、受 限 玻 尔 兹 曼 机 ( restricted Boltzmann machine,RBM ) 和 卷 积 神 经 网 络(convolutional neural network,CNN) [21-22] ,其 中,CNN 主要用于图像处理方面,并不适用于变压器故障诊断,这里不再作过多介绍。
根据美国斯坦福大学教授 Andrew Ng 的课程笔记,自动编码器[4]的相关理论简单介绍如下。
一个基本的 AE 可视为一个 3 层的神经网络,其中输出层与输入层具有相同的规模,结构如图 1 所示。通常,将输入层到隐含层的变换过程称为编码,将隐含层到输出层的变换过程称为解码。设 f 和 g分别表示编码和解码函数,则 2 个过程可分别表示如下:
h?f?x??Sf?WX?P? (1) y?g?h??Sg?WTh?q? (2)
式中:Sf和 Sg通常取为 sigmoid 函数;W 表示输入层与隐含层之间的权值矩阵
WTh表示隐含层与输出层之间的权值矩阵;p 表示隐含层的偏置向量;q 表示输出层的偏置向量。为下面表示方便,将 AE 的参数记为 θ。
图 1AE 结构
Fig. 1 AE structure
假设训练样本集 S = {x 1 ,…,x n },预训练 AE 的过程实质上就是利用 S 对参数 θ 进行训练的过程。为此,我们首先需定义一个训练目标,即解码后的 y应与输入 x 尽可能接近,这种接近程度可以通过重构误差函数 L(x,y)来刻画,L(x,y)定义为
(3)
基于重构误差函数,针对训练数据集 S,损失函数如式(4)所示,通过对损失函数作极小化处理便可以得到该层 AE 参数 θ。