变压器的故障预测研究

变压器的故障预测研究

许辉

松花江水力发电有限公司吉林白山发电厂吉林省吉林市132000

摘要：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。

关键词：变压器；故障预测

1 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。

目前，国内外的变压器故障预测方法较少，主要通过灰色理论对变压器故障进行预测。利用油中溶解故障气体分析法检测的H2,CH4,C2H6,C2H4,CO2,C2H2,CO等7种故障气体的历史数据建立灰色多变量预测模型，利用预测模型对变压器油中溶解的故障气体浓度进行了预测；将H2,CH4,C2H6,C2H4,C2H2等5种故障气体作为主要特征气体，基于灰色理论和BP神经网络建立变压器故障预测模型，预测了5种故障气体的变化趋势值；基于灰色理论的变压器故障预测具有不需要大量样本、样本不需要有规律的分布、计算工作量小、等优点，但基于灰色理论的变压器故障预测只适合短期预测，当基于灰色理论对变压器故障进行中长期预测时，预测的准确率较低。

2 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。

本节基于表1变压器油色谱在线监测系统监测70天的不同故障气体浓度来分析不同故障气体之间的联程度。

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。基于表1所示的变压器油色谱在线监测数据，利用关联度公式，计算不同故障气体之间的关联度。

因此，可以得出结论：当前时间七种故障气体浓度对未来时间每种故障气体浓度影响非常大，因此，可以根据当前时间七种故障气体浓度来预测每种故障气体未来时间的浓度。

3 深度LSTM神经网络模型

深度LSTM神经网络是由输入层、多个隐藏层、输出层组成，每个隐藏层由多个LSTM单元组成。能自动提取时间序列数据特征，已经广泛应用到声音识别、语言预测等领域，网络结构。

3.1 LSTM神经网络

LSTM单元是由遗忘门、输入门和输出门组成。输入门的作用是保留多少当前时刻的输入信息到当前时刻的单元状态；遗忘门的作用是保留多少上一时刻的单元信息到当前时刻的单元状态；输出门的作用是决定当前时刻的单元状态有多少输出。LSTM网络单元的结构图。包含了三个输入和两个输出，三个输入分别为：上时刻单元细胞状态ct-1、上时刻单元输出值ht-1、当前时刻单元输入值xt。两个输出分别为当前时刻单元细胞状态ct、当前时刻输出值ht。σ和tanh是两种激活函数，σ为sigmoid函数，tanh为双曲正切函数。计算方式为式（2）和式（3），σ激活函数目的是把输入信息映射到（0～1）之间，tanh激活函数的目的是把输入信息映射到（-1～+1）之间。

遗忘门计算原理为式（4）；输入门计算原理为式（5）、式（6）、式（7）；根据输入门和遗忘门的输出以及前一时刻单元的细胞状态可得到当前时刻的细胞状态，计算方式为式（8），基于当前时刻细胞状态和当前时刻单元的输入以及前一时刻单元的输出可得到当前时刻单元的输出（输出门的输出），其计算原理，式（9）、式（10）所示。

式中：ft—t时刻遗忘门的输出向量值；bft—遗忘门的偏置向量；Wfht—上一个单元输出对应t时刻遗忘门的权值矩阵；it—t时刻输入对应遗忘门的权值矩阵；Wfxt—t时刻输入向量与前一时刻输出向量经sigmoid层的输出值；bit—t时刻sig‐moid层的偏置向量；Wiht—上一个单元输出对应t时刻sig‐moid层的权值矩阵；Wixt—t时刻输入对应sigmoid层的权值矩阵；at—t时刻输入向量与前一时刻输出向量经tanh层的输出值；bat—t时刻tanh层的偏置向量；Waht—上一个单元输出对应t时刻tanh层的权值矩阵；Waxt—t时刻输入对应tanh层的权值矩阵；c′t—t时刻输出门的输出值；ct—t时刻单元的细胞状态；ct-1—t-1时刻单元的细胞状态；ot—t时刻输入向量与前一时刻输出向量经σ层的输出值；bat—t时刻σ层的偏置向量；Woht—上一个单元输出对应t时刻σ层的权值矩阵；Waxt—t时刻输入对应σ层的权值矩阵；ht—t时刻单元的输出向量。

3.2 梯度下降法的改良

若学习率的选择过大，利用梯度下降法优化神经网络的权值和偏置会导致权值和偏置在目标函数的极值点两侧不断震荡，不易寻求最优的权值和偏置；若学习率的选择过小，则网络训练时间较长。

因此需要对学习率进行自适应调整，这里在随机梯度下降算法的基础上，采用变化的学习率并加入动量项来优化神经网络的权值和偏置值。

每次迭代采用变化的学习率原理是指先设置一个初始学习率，若迭代一次后，误差函数增加，则将学习率乘以一个小于1的常数β；若迭代一次后，误差函数减小，则将学习率乘以一个大于1的常数ϕ，计算原理为式（11）。

在变化学习率的基础上，在梯度下降迭代式的后面添加动量项来解决梯度下降法的不足。其原理为式（12）。

式中：ηl—网络第l次迭代的学习率；ηl-1—第l-1次网络迭代的学习率；ϕ—学习率的调整因子；β—学习率的调整因子；Wl—网络第l次迭代的权值矩阵；Wl-1—网络第l-1次迭代的权值矩阵；α—动量初始值；dl—第l次迭代总误差负梯度方向，即：dl=-∇E总（w);

3.3 基于深度LSTM神经网络的预测模型

根据第一节变压器油中溶解故障气体的相关性分析结果，可根据深度LSTM神经网络建立油中溶解故障气体浓度的预测模型。预测每种故障气体时，模型的输入层为当前时刻7种故障气体的浓度值，输出层为下一时刻要预测气体的浓度值。预测模型的训练步骤如下：

（1）将收集的H2,CH4,C2H6,C2H4,CO2,C2H2,CO浓度值数据划分为训练样本和测试样本；

（2）将各故障气体浓度数据进行归一化；

（3）初始化网络的权值和偏置值，前向计算网络的预测值。

（4）依据沿时间的反向传播算法计算网络中权值和偏置的梯度，利用3.2节改良的梯度下降算法获得新的权值和偏置。

（5）得到最优的预测模型。

结论

这里研究了不同故障气体之间的相关系数，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.)

[4] 刘燕豪，袁逸萍，李晓娟，等.考虑PCA-RBF的变压器标底预测模型研究[J].机械设计与制造，2019（2):18-21)