变压器的故障预测研究

变压器的故障预测研究

王志强

身份证号码：4115281993****1932

摘要：近年来，我国的电网工程建设不断增加，对电力变压器的应用也越来越广泛。电力变压器是电网运行非常重要的主设备，目前电力变压器现有运维相关的信息化手段和软硬件产品缺少较好的故障隐患预测能力，常规的机器学习方法需要大量的有效样本数据，对电力变压器只有少量故障数据可用的现实情况提出了挑战。文中以知识图谱技术为基础，结合梯度提升决策树，提出了结合变压器故障各影响因素以及历史运行数据的知识图谱少样本训练及故障预测方法。该方法在有限的变压器故障特征数据可用情况下，能够从一小组高维数据中学习，并在高准确率下实现对变压器的安全状态评估及故障分析。本文首先分析变压器设备故障概率计算方法研究现状，其次探讨变压器的故障预测，以供参考。

关键词：变压器；故障趋势；预测

引言

电力变压器是电力系统的重要组成部分，如果出现故障，将给社会带来巨大的经济损失。因此，降低变压器的故障率，保证变压器安全可靠的运行。利用相关算法判断变压器什么时间发生故障以及发生何种类型的故障具有重大的实际意义。随着大数据时代的到来，深度神经网络被证明对原始数据具有强大的提取能力。其中，LSTM神经网络是一种用于处理时间序列的深度神经网络，能够全面的利用时间序列的相关性，准确的预测变量在未来时间段的输出值。目前，该神经网络算法已经广泛应用到声音识别、语言预测等领域。

1变压器设备故障概率计算方法研究现状

电力变压器故障概率的分析和计算，目前主要有基于设备状态评价指标的方法、基于FTA的方法和基于马尔可夫理论的方法3类常用方法。其中，设备状态指标方法多以具体设备状态评价为基础，充分考虑了设备的个体信息，针对性强，但样本统计数据获取周期长且具有滞后性，状态指标评价方法不统一，关系函数需要复杂的拟合选优或对经验公式的修正过程;FTA方法对变压器故障原因分析比较全面、直观，且定性定量相结合、逻辑性强，但该方法比较复杂，基本事件多，建树工作量大，尤以不同底事件的概率估算和影响权重赋值分配的难度特别大;马尔可夫理论方法充分利用变压器故障的可修复性、状态无记忆性的随机特点，对各种状态考虑比较充分，但主要缺点在于各种状态持续时间、故障率和修复率等是基于大量历史样本数据统计所得，获取困难，且对个体设备的针对性不强。

2变压器的故障预测

2.1油中溶解气体的关联性分析

电力变压器的主要故障为热故障和电故障，当变压器运行时，如果发生电故障或热故障，则变压器油中会产生与故障相关的7种故障气体，分别为CH4，C2H6，C2H4，CO2，C2H2，CO，H2。通过对7种故障气体的分析，可以判断出变压器所处何种故障类型。因此，变压器不同故障气体之间是相互关联、相互影响的。变压器油中不同故障气体之间的关联度用相关系数r表示，相关系数r的原理为式（1）。当两个时间序列相关系数小于0.5时，则认为两个时间序列无关联，当两个时间序列相关系数大于0.5时，则认为两个时间序列相关。

2.2变压器状态历史数据收集

首先通过历史档案或数据库收集变压器历史运行数据，稳定态及故障态变压器各收集记录131条。每个变压器记录包括以下属性：负荷电流、油温、油位、瓦斯、油色、声音正常值、外观清洁度、硅胶变色度等。其次，将该262条记录分为两部分：稳定态及故障态各10条，用于最终效果测试；稳定态及故障态各121条，用于模型训练。然后，生成6000个三元组，包括“相似的”和“非相似”三元组各3000个，并按照7∶3比例分为训练集和测试集，且训练集和测试集中“相似的”和“非相似”三元组数量相同。完成上述数据准备工作后，即可采用训练集的变压器实体来训练梯度提升决策树模型，再用测试集对文中预测模型进行测试，测试集中的变压器需确保未在历史数据记录中。

2.3变压器故障概率模型修正

上述变压器故障树的建立和故障概率计算中，主要以变压器自身影响因素及其对应特征量为中心，当考虑各类外部影响因素时，其计算和评价将变得极其复杂。为简化外部次要影响因素的计算，可综合外部大环境影响程度的高低给出影响因子进行调节修正。该修正系数K非本文研究重点，其参考取值可选1．0～1．3。

2.4平滑因子的优化

在灰狼搜索算法中，要想成为α狼和β狼需要较好的适应值。因此，将概率神经网络预测误差值的范数作为灰狼搜索算法中的适应值，并以此寻求最优的平滑因子值，从而提高概率神经网络预测分类的准确率。在预测前，首先，进行数据处理，初始化概率神经网络；然后，使用灰狼搜索算法寻求最优的平滑因子值，并重构概率神经网络对测试集数据进行预测；最后，计算准确率，输出结果。

2.5预测模型网络结构的确定

LSTM神经网络模型隐藏层个数决定着预测模型性能的好坏，在合理范围内，隐藏层个数越多，数据提取能力越强，LSTM神经网络模型预测性能越好。但是，当隐藏层个数过多，LSTM神经网络预测模型容易出现过拟合现象。因此，为了确定合理的H2预测模型隐藏层个数，本节采用31个时间步，（1~6）个隐藏层建立不同的LSTM神经网络预测模型，研究不同网络深度对网络模型的影响，不同隐藏层的深度LSTM神经网络的测试样本误差结果。当时间步确定的情况下，隐藏层个数由一层增加到三层时，随着迭代次数的增加，训练误差逐渐下降；隐藏层个数从四层到六层时，随着迭代次数的增加，训练误差相对于三层隐藏层呈上升趋势；由此可得出结论：预测H

2的深度LSTM神经网络预测模型的最优隐藏层个数为3层。将预测H2的深度LSTM神经网络模型的时间步设置为31，网络层数设置为5层，基于不同的隐藏层神经元个数建立H2预测模型，得到的不同网络结构对应的测试样本均方根误差。

2.6改进型概率神经网络的变压器故障诊断分析

将采样数据的前23组作为训练数据集，剩余的10组数据作为测试数据集，平滑因子使用灰狼搜索算法计算的最优值。使用灰狼搜索算法优化概率神经网络进行预测的过程如图1所示。在预测前，首先，进行数据处理，初始化概率神经网络；然后，使用灰狼搜索算法寻求最优的平滑因子值，并重构概率神经网络对测试集数据进行预测；最后，计算准确率，输出结果。灰狼搜索算法优化概率神经网络训练中有1个样本出现误差，训练准确率为95.65％；灰狼搜索算法优化概率神经网络对测试样本预测的准确率达到90％，比使用概率神经网络预测效果提高了20％，性能得到大幅提高。

图1改进型概率神经网络预测的流程图

结语

综上所述，利用搜集的不同时刻故障气体浓度建立了深度LSTM神经网络预测模型，对模型的结构进行了优化，得到了最优的油中溶解气体预测模型，并利用相同数据对基于深度LSTM神经网络建立的故障预测模型与基于多变量灰色预测建立的故障预测模型进行对比。根据对比结果可得出结论：深度LSTM神经网络预测模型优于多变量灰色预测模型，能够准确地预测变压器油中溶解故障气体浓度，为变压器故障预测提供依据，是非常有效的变压器故障预测方法。

参考文献

［1］肖燕彩，朱衡君，陈秀海.用灰色多变量模型预测变压器油中溶解的气体浓度［J］.电力系统自动化，2006（13）：64-67.

［2］彭刚，周舟，唐松平，等.基于时序分析及变量修正的变压器故障预测［J］.电子测量技术，2018，41（12）：96-99.

［3］代艳霞，王洪益，伍倪燕.自适应因子神经网络的变压器故障诊断研究［J］.机械设计与制造，2017（7）：175-178.