浅析深度学习神经网络在电力变压器故障诊断中的应用

周文琼

摘要：我国国民经济以及电力相关技术的发展，使得我国的电力事业得到了较快的发展，而在整体电力系统中关键的设施之一就是电力变压器，和电力系统之间的安全稳定运行有着十分紧密的联系，这也正是对其进行检测工作的重要原因。在微电子、计算机等先进技术不断发展的影响下，针对电力变压器进行在线实时监测已经有了极高的可行性。因为油浸性质的电力变压器在运行过程中气体溶解的类型不会出现对应的差异，传统故障诊断方式对于这些复杂多变且无标签的数据无法进行充分应用，因此一种基于深度学习神经网络的诊断方式应运而生。本文先从深度学习的概念以及深度学习神经网络模型分析入手，并在文后详细的在电力变压器故障诊断中如何运用深度学习网络进行了分析。

关键词：深度学习；神经网络；电力变压器；故障诊断；模型；应用

何为深度学习神经网络

深度学习这一概念是来自于人工神经网络的概念，多隐层的多层感知器就是深度学习结构中的一种。深度学习通过将一些较低层次的特征进行组合形成一个较高层次的具有抽象特点来表示属性类别或者特征的组合。

这个概念被具体提出是在2006年。将深度置信网络作为基础而提出的一种非监督性质的逐层训练算法，为今后深层结构难题优化带来一种全新的思路，并在随后提出了相应的多层次化的自动编码器的深层结构。除此之外，还有一种卷积 神经网络也是多层次结构的学习算法之一，这种算法自身借助空间相对关系将参数数目予以减少借此来提升相应的训练性能。

深度学习对于机器学习来说。就是一种以数据表证为基础进行学习的方式，其中的观测值可以通过诸如区域形状等方式进行展示。通过使用这种深度学习的方式就可以更好的借助半监督或者是非监督性质中的特征学习及其分层特征将原有的手工获取特征予以代替。在机器学习领域中融入深度学习，其最终的目的就是建立一个基于人脑分析学习能力的神经网络，通过人脑独有的机制将图像、文字以及声音等文字进行合理的解释。同时在机械合理解释的基础上，帮助其实现自动化或者是半自动化的工作性质。

深度学习网络的模型建立分析

在建立深度学习神经网络模型这一过程中，首先需要注意的一点就是网络前部在通常情况下都是由若干层次的AE或者是RBM等堆叠而形成的。同时在实际的建设过程中对应模型的顶部会设置对应的期望输出变量数值的最后代表层，也就是对应的分类层。分类层中一般情况下都是包括对应的Softmax类型，这也就导致对于多酚类问题的适用程度相对较高，可以将各种分类的结果以概率的形式予以表达，再辅以与CDLNN的连接就可以获得较为优秀的判断性能。CDLNN在应用到多分类问题的过程中，其中的训练过程也会相应的分为预训练以及调优这两个环节。其中的预训练环节主要是针对一些无标签或者去标签的样本作为输入量的时候，通过使用BP或者CD算法来完成模型底部的AE或RBM参数的初始化工作。而调优的环节就是借助标签样本针对整个网络参数开展微调工作，从而实现网络判断性能的最优化。

在电力变压器故障诊断中深度学习神经网络的应用

3.1深度学习神经网络应用在电力变压器故障诊断的过程分析

在使用深度学习神经网络开展电力变压器故障诊断工作的过程中，首先需要将样本的数据以及特征变量进行合理的选择，随后将这些样本数据以一定的标准将其按照比例划分为训练以及测试两个集合。接下来就是针对变压器的运行状态做出对应的编码工作，并以此为基础建立一个深度学习神经网络的电力变压器故障诊断模型。随后就将这些深度学习编码网络中有关变压器故障诊断分类的模型参数初始化成以高斯分布为特征的较小随机数值。然后通过BP算法的应用针对训练集无标签样本的底层AE开展对应的预训练工作，并对其中的标签样本进行整体网络的调优工作。在网络训练完毕之后，对其进行测试以及保存工作。

3.2样本数据的合理选取

在样本数据的选择过程中为了在样本数量足够的同时避免出现样本数据偏斜的问题，可以在多个工程中针对同一个型号的电力变压器发生故障前后的一段时间之内油色谱的在线监测数据进行详细的记录工作。但是需要注意的一点就是这些收集而来的数据全部都是无标签数据，其中包括了正常运行状态下的数据、故障发生时的数据以及类似故障发生时的数据样本，正因为这些数据的多样性，就完全可以用作预训练阶段的数据样本，而对于其中微调阶段所需的标签样本，则是可以通过对应型号电力变压器在故障测试环节而得到。现有的基于BP 神经网络、SVM、ElM 等方法的故障诊断方法无法利用这些无标签样本，而深度学习 AE 和 RBM方法则可以充分利用这些无标签样本进行故障特征学习，大大提高了数据样本的利用效率。

3.3特征变量的合理选择

从工程现场油色谱的在线数据监测工作中得到的数据特点来看，在深度学习神经网络诊断电力变压器的实际过程中是将H

₂、CH₄、C₂H₆、C₂H₄、C₂H₂这五种类型的溶解在油质中的数据分为作为网络模型的具体输入量，但是在实际的油质溶解气体数据分析工作中会出现对应的差异，并且这个差异相对较大在这种情况下，为了做到最小化数据输入环节的差异，并最终将计算误差降至最低。通常都是采用x^c_i =x_o-x_mean/x_std这个公式将输入的各个气体含量数值进行标准化处理，来实现诊断正确率不断的提升。在公式中的x^c_i就是诸如H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这等气体在标准化计算之后的数据，而x_o则是代表着在未经标准处理之前的各个气体原始含量数据，其中的x_mean指的就是训练集或者测试集中具体某一类气体的实际含量平均数值，而x_st就是指在训练或者是测试集中的气体含量之间的标注差数值。

3.4针对变压器的状态进行编码工作

借助深度学习神经网络进行电力变压器进行的诊断工作本质上来看是一种多分类化的任务。再经过诊断工作之后的结果可以将之细分为正常运行、中低温的运行发热、高温状态下的运行发热、局部性质的放电、低能耗性质的放电以及高能耗的放电共计六种类型。在深度学习网络对其的编码如下：第一，正常运行状态编码为（0，0，0，0，0，1）。第二，中低温的运行发热状态编码为（0，0，0，0，1，0）。第三，高温状态下的运行发热状态编码就是（0，0，0，1，0，0）。

第四，局部性质的放电状态就是（0，0，1，0，0，0）。第五，低能耗性质的放电运行状态编码就是（0，1，0，0，0，0）。最后就是高能耗的放电运行状态编码为（1，0，0，0，0，0）。通过对这些运行状态进行对应的分类以及编码，就可以在经过计算之后，反馈最终的运行状态编码，真正做到实时监测反馈电力变压器的人故障类型。深度学习可以通过构建多层网络结构模型来实现对任何复杂函数的模拟情况，属于深层机器学习方法，具有更强的学习能力，应用于电力变压器故障诊断，有望进一步提高故障诊断性能。同时应用到海量电力变压器状态监测数据处理方面，挖掘数据中蕴含的信息，具有一定的研究价值和应用空间。

总结

电力变压器对于电力系统的稳定安全运行有着十分重要的影响，但是之前传统的故障诊断方式对于变压器油色谱中的无标签数据没有办法进行充分的利用，也就无法实时监测以及诊断变压器故障。为此一种基于深度学习神经网络的故障诊断方式应运而生。本文通过分析深度学习的概念及其模型建立，就样本数据选择、特征变量的合理选取以及运行状态编码三方面分析其具体应用，并总结出了具体的使用流程，希望对今后的电力变压器故障诊断工作开展提供相应的帮助。 参考文献

[1]付刚,王伟,张洋,孙鹏,赵磊,郭磊,姚伟.两种神经网络方法在电力变压器故障诊断中的性能分析[J].科技创新与应用,2019(26):5-8.

[2]陈龙龙,王波,袁玲.一种电力变压器神经网络故障诊断方法[J].南京信息工程大学学报(自然科学版),2018,10(02):199-202.