基于全卷积神经网络的变压器故障诊断
来源:用户上传
作者:
摘 要：油中溶解气体分析（DGA）是诊断变压器故障的常用方法，能及时发现变压器内部的潜伏性故障。为了减少卷积神经网络的训练参数，提出了一种基于全卷积神经网络的变压器故障诊断方法。将传统卷积神经网络中的全连接层用卷积层替代，实现了端对端的变压器故障输出。相较传统卷积神经网络提升了故障诊断准确率，有较强的实际意义。
关键字：变压器;故障诊断;全卷积;神经网络
中图分类号：TM4 文献标志码：A 文章编号：2095-2945（2020）04-0120-02
Abstract： Dissolved gas analysis （DGA） in oil is a common method for diagnosing transformer faults， and it is possible to find the latent faults inside the transformer in time. In order to reduce the training parameters of convolutional neural network， a transformer fault diagnosis method based on full convolutional neural network is proposed. The fully connected layer in the traditional convolutional neural network is replaced with a convolutional layer and a pooling layer to achieve an end-to-end transformer fault output. Compared with the traditional convolutional neural network， it improves the accuracy of fault diagnosis and has strong practical significance.
Keywords： transformer; fault diagnosis; full convolution; neural network
引言
目前，我国已有较多的变压器周转时间超过一定年限，设备不可避免的出现老化从而引起故障隐患[1]。为了保证电力网的正常稳定运行必须及时准确地对变压器故障进行诊断[2]。油中溶解气体分析（dissolved gas analysis， DGA）是变压器故障诊断常用方法。在此基础上，本文提出基于全卷积神经网络的变压器故障诊断方法，用卷积层代替了全连接层，保留了卷积层的特性即局部连接和权值共享，可以很好的将网络的权值参数进行简化，提高了网络的泛化能力。
1 全卷积神经网络
卷积神经网络的特征提取能力强，传统卷积神经网络通常由卷积层、池化层和全连接层组成。全卷积神经网络用卷积层代替了传统卷积神经网络的全连接层，通过卷积层的局部连接和权值共享特性，进一步减少了网络的训练参数，可靠性也得到了提高。
1.1 卷积层
全卷积神经网络的核心是卷积层，将前一层通过不同的卷积核对进行卷积运算可以得到下一层的卷积层。卷积核与前一层的局部感受也相连，具有局部特征提取和共享权值的特点[3]。因为全卷积的卷积层是局部连接，所以其所需要的权重参数比传统全连接层的全连接需要的权重参数更少，基于此，全卷积神经网络在提高了计算效率外还降低了模型的储存要求。本文采用Relu函数作为激活函数，如式（1）所示。
（1）
上式中，zi经激活函数得到的输出为yi。
1.2 池化层
池化层的作用是将卷积层提取到的特征进行降采样，以此可以减少数据维度。数据经过池化层后可以将提取到的特征的节点数减少、压缩特征并突出重要特征[4]。不仅使得网络的复杂度降低，还减少了网络的计算量。本文采用最大池化法将每个采样区域的最大值作为池化层的输出。
2 变压器故障诊断方法
2.1 数据处理
网络模型的输入基于变压器DGA数据，变压器发生故障时主要会产生5种特征气体，分别是CH4，C2H6，C2H4，C2H2，H2。变压器的各种故障类型由发生故障时产生的5种特征气体的含量来判定。变压器的故障类型主要有低能量放电、高能量放电、局部放电、高温过热、正常和中低温过热6种类型，对6种故障类型进行编码，如表1所示，并将6种不同的故障类型作为模型的输出。每一个样本数据是由5种特征气体组成，输入到网络模型中的10×10二维矩阵是由每个样本转换而来的，获取样本数据具体实现步骤如下。
STEP1：任取一个样本记X={x1，x2，…，x5}，对样本的特征气体值xi（i=1，2，3，4，5）的小数和整数部分分别进行二进制转换;
STEP2：采用“除2取余、逆序排列”法将xi的整数部分转换为10位二进制，采用“乘2取整，顺序排列”法将xi的小数部分转换为10位二进制;
STEP3：将转换后整数部分和小数部分的二进制进行合并，即特征气体值xi转换为20位的二进制，样本X转换为5×20位的二进制;
STEP4：最后将5×20位的二进制转换为10×10位的二进制作为模型的输入。
2.2 全卷积神经网络模型的搭建
本文搭建的全卷积神经网络结构图如图1所示，网络模型结构一共有6层，包括一个输入层，三个卷积层（C1、C2、C3）和两个池化层（P1、P2）。首先設置全卷积神经网络模型的参数，卷积层C1、C2和C3的卷积核尺寸分别为3×3、2×2、1×1，卷积核的数量分别为32、64、100。池化层P1和P2均采用最大池化操作，卷积核尺寸均为2×2，卷积核的数量分别为32、64。 根据上述搭建好的全卷积神经网络模型，将变压器10×10位故障数据通过输入层输入到第一个卷积层，卷积层C1的输出数据维度为8×8，池化层P1的输出数据维度为4×4，以此类推，经过卷积层和池化层的交替传输，最终输出一个单值数据，即预测的变压器故障类型。
2.3 实例验证
本文选取了300条变压器特征气体数据及其对应故障类型，数据均源自公开发表的相关文献[5]。随机预留20%的数据作为测试数据使用，其余数据作为训练数据。基于TensorFlow深度学习框架实现了全卷积神经网络模型的变压器故障诊断，对于测试数据的故障诊断准确率达到95.62%。并将全卷积神经网络（FCN）与传统卷积神经网络（CNN）进行对比分析。如表2所示，在相同数据集的情况下，FCN的变压器故障诊断精度高于CNN的变压器故障诊断精度。从而表明用卷积层代替全连接层，可以提升网络的诊断分类准确率，进一步验证了基于全卷积神经网络的变压器故障诊断模型的有效性。
表2 两种算法的变压器故障诊断精度
3 结束语
本文针对变压器故障提出了基于全卷积神经网络的诊断方法。在传统卷积神经网络的基础上，传统卷积神经网络的全连接层用卷积层代替，利用卷积层的局部连接和权值共享的特性使得全卷积神经网络的权值参数得到简化，提高了网络模型的泛化能力。与传统卷积神经网络模型相比，全卷积神经网络的变压器故障診断精度高，实用性强。
参考文献：
[1]中国电力企业联合会.DL/T722-2014.变压器油中溶解气体分析和判断导则[S].北京：中国电力出版社，2014.
[2]石鑫.基于深度学习的变压器故障诊断技术研究[D].保定：华北电力大学，2016.
[3]朱兴动，田少兵，黄葵，等.基于深度卷积神经网络的舰载机目标检测研究[J/OL].计算机应用：1-6[2019-12-24].http：//kns.cnki.net/kcms/detail/51.1307.TP.20191219.1526.002.html.
[4]高统林，朱坚民，黄之文.基于卷积神经网络的滚动轴承故障诊断研究[J].农业装备与车辆工程，2019（12）：1-9.
[5]尹金良.基于相关向量机的油浸式电力变压器故障诊断方法研究[D].北京：华北电力大学，2013.
转载注明来源:https://www.xzbu.com/1/view-15118534.htm
