基于Bi-LSTM的油色谱变压器故障诊断方法

卢启硕，关卓林，赵晋级

（国网淮南市潘集区供电公司，安徽 淮南 232091）

0 引言

变压器对电力系统的稳定运行起着至关重要的作用［1］。在实际运行中，变压器故障会引发一定范围的停电事件，从而造成严重的经济损失和社会影响［2］。对变压器的故障进行检测与预测，不仅可以确保电力系统的稳定运行，还可以延长变压器的使用寿命，保证电力供应的可靠性。因此，变压器的故障诊断能够提高电力系统运行的安全性和稳定性，对电力系统运维具有重要意义。

目前，我国电力行业变压器运行状态评估的传统方法主要包括溶解气体分析（dissolved gas analysis，DGA）［3］、温度监测、噪声监测、电力参数监测和周期性物理检查等。通过分析不同类型故障所产生气体的组成成分和浓度，可以监控并预测变压器的运行状态。在观察变压器运行状况的过程中，DGA 是目前被广泛接受并且应用效果良好的一种方法［4］。变压器DGA 故障诊断方法主要包括三比值法和人工智能法。然而，无论是三比值法还是基于三比值法改进的方法，都不能通用于所有类型的变压器故障诊断，无法解决气体浓度随时间变化等问题［5］，影响故障诊断结果的准确性。随着机器学习和人工智能技术的发展，以机器学习为主的数据驱动方法展现出了良好的应用效果。文献［6］提出通过考虑变压器的运行状况、气候环境以及其本身的健康状态等多个因素，构建基于比例风险模型和半马尔可夫过程的变压器时变停机率模型。同时，引入蒙特卡洛方法对影响因素进行抽样，以降低解析法的计算复杂度。文献［7］针对BP（back propagation，BP）神经网络算法收敛困难、局部最优等问题，提出基于布谷鸟优化的BP 神经网络变压器故障诊断模型。文献［8］提出利用双向长短期记忆网络（bi-directional long short-term memory，Bi-LSTM）对基于某一时刻的所有特性参数进行时间维度的相关性分析，以考虑整体参数的变化，但仍然无法深入挖掘各特性参数间的关联性，模型预测需要基于大量的历史数据，这使得模型应用效率降低。文献［9］采用改进的三比值作为概率神经网络的特征输入，并使用灰狼搜索算法优化神经网络中的平滑因子参数，最终的测试结果显示，这种网络模型预测的准确率可以达到90%。

本文基于不同条件下绝缘物质分解产生气体的速率及气体成分比例的差异，运用改进的熵权法来分配各气体状态量的权重，并将其作为特征值，构建了一个基于改进的长短期记忆神经网络的故障诊断模型。实验分析表明，本文所建立的变压器运行状态评估模型能够有效识别变压器故障类型。

1 变压器的健康状态评估

1.1 油中气体反映变压器运行状态的原理

由于热效应、电效应、机械效应等多种因素的综合影响，变压器在运行过程中的绝缘油和绝缘纸会产生一定程度的分解和老化，生成不同种类和含量的气体，例如氢气（H2）、甲烷（CH4）、乙炔（C2H2）、乙烷（C2H6）等。这些溶解在油中的气体种类和含量可以作为反映变压器内部状态和健康程度的重要指标。根据这些气体的含量，将变压器的状态分为“正常状态”“注意状态”“异常状态”及“严重状态”［10］。具体划分情况如表1所示。

表1 变压器不同状态下的气体含量

1.2 多特征故障气体数据的提取

本文在原有气体含量特征数据的基础上，增加了C2H6/C2H4、C2H6/C2H2、C2H6/CH4、C2H6/H2等10 个气体含量比值特征数据，通过对特征数据的补充，有效提升故障诊断的准确率。气体特征数据及编号如表2 所示。用编号S1 到S5 表示5 种特征气体含量数据，用编号S6 到S15 表示10 种特征气体含量比值数据。

表2 气体特征数据及编号

1.3 故障类型分类

系统的输入变量为15 维特征数据，选取油过热、油中绝缘纸过热、油中有电弧、油和绝缘纸中有电弧、油中局部放电、油和绝缘纸中局部放电、油中火花放电和进水受潮或油中有气泡这8 种变压器故障类别作为输出变量，故障类型与产生气体的对应关系如表3所示。

表3 故障类型与产生气体的对应关系

2 电力变压器故障诊断

2.1 数据预处理

DGA 数据分布不均匀。当绝缘材料由于各种原因开始分解时，各种气体的产生速度能够在一定程度上反映变压器运行状态的恶化情况。因此，对这些故障数据进行预处理，能够取得更好的故障诊断效果。

令Ci、vi（i=1，…，5）分别表示各种气体的含量和气体产生的速率，且i的取值从小到大分别对应氢气（H2）、甲烷（CH4）、乙炔（C2H2）、乙烯（C2H4）、乙烷（C2H6），定义关联矩阵R为：

式中：rij=vi/vj，表示通过比较气体i和气体j的产生速率，来描述在绝缘分解过程中不同气体之间的关联性。

定义气体产生速率的关联系数为：

式中：i=1,2，…,5；j=1,2,…，5。

1）归一化

2）信息熵计算

式中：KY_i和Ks_i分别为Yi和si的信息熵。

3）计算熵权重

式中：wY_i和ws_i分别为根据气体含量和关联系数得到的熵权值。

2.2 变压器故障诊断模型构建

变压器内部各种特征气体之间的关联性、交互性并不一致，部分特征气体具有叠加效果。同时，变压器故障诊断在深度学习中可以被视为分类问题。因此，本文使用具有门控机制的长短期记忆网络作为变压器故障诊断模型的基础。

LSTM 网络单元内部结构如图1 所示。图1 中，Ct-1表示旧的单元状态；Ct表示传递给下一步的新单元状态；Ht-1表示前一个隐藏状态；Ht表示新的隐藏状态；t∈[1,γ],γ为特征变量的个数，从上述分析可知γ=15；σ为sigmoid 激活函数，可提高网络非线性拟合能力；tanh 为双曲正切函数，用来增加网络模型收敛速度；Xt为特征输入矩阵，本文所提算法的输入为15维变量特征数据。

图1 LSTM网络单元内部结构

2.3 模型改进

当使用DGA 进行变压器故障诊断时，对油中溶解气体检测值与规定的阈值进行比较，而这些阈值是根据国外变压器数据修正得到的，不一定符合我国的实际情况，存在一定的局限性。

在LSTM 网络的基础上，本文设计了基于Bi-LSTM 的变压器故障诊断模型，如图2所示。图2中，Fm为油中溶解气体序列，为Bi-LSTM 结构中的隐藏层序列。双向长短期记忆网络增加了反向信息传播单元，使得特征气体序列的分析处理更加灵活。网络中每个特征在当前时间点的输入状态，不仅取决于此前的输入特征子序列，也取决于此后的输入特征子序列。通过多个门控单元和双向计算机制，Bi-LSTM 网络模型能够自动挖掘特征气体间的相互影响模式。

图2 Bi-LSTM 故障诊断模型结构

2.4 变压器故障诊断流程

变压器故障诊断流程共分为5个步骤。步骤1是将样本数据分为训练集和测试集，并对故障类型进行编号处理；步骤2是提取出训练样本中变压器不同故障时产生的5种气体含量特征数据和10种气体含量比值特征数据，共15维特征数据；步骤3是将特征数据进行归一化处理，计算其信息熵，作为模型输入特征变量和权重；步骤4是进行Bi-LSTM故障模型构建及参数初始化，同时计算正向、反向传播作用，得出损失函数值；步骤5是通过不断训练选择出故障诊断准确率最高的模型参数并保存参数，以确定故障诊断模型。最后，输入测试集数据，检测和评估所建立的故障诊断模型的分类性能，变压器故障诊断流程如图3所示。

图3 变压器故障诊断流程

3 仿真实验分析

仿真实验使用Matlab软件完成，根据仿真实验的结果，检测所提出的变压器故障诊断方法的逻辑性和有效性。

3.1 特征气体数据

利用气相色谱分析仪检测分析采集到的油中溶解气体样本，得到640个油中溶解气体样本。其中，选择380个样本作为训练集，剩余的260个样本作为测试集［11］。训练集和测试集中各种类型故障的样本数如表4所示。

表4 训练集与测试集中各种类型故障的样本数

3.2 故障诊断效果对比

在变压器故障诊断对比实验中使用传统的量子粒子群优化支持向量机算法（QPSO-SVM）、反向传播神经网络（BPNet）、LSTM 和本文所提出的Bi-LSTM 算法，对测试集数据进行实验对比分析。实验评估标准为模型准确率P，其表达式如式（6）所示，不同算法的故障诊断结果对比如表5所示。

式中：PTi为正确分类样本数量；PFi为错误分类样本数量。

表5 不同算法的故障诊断结果对比

采用QPSO-SVM 算法时平均故障诊断准确率为86.4%，采用BPNet 算法时平均故障诊断准确率提升至89.2%。使用LSTM 算法时，平均故障诊断准确率进一步提高至90.5%。采用本文所提出的Bi-LSTM算法时，平均故障诊断准确率达到了93.4%，故障诊断准确效果超过了前面的3 种算法。这表明本文所提出的算法在故障诊断时的判断结果与实际故障类型高度一致，从而证明了其在变压器故障诊断上的有效性。

4 结语

分析了变压器内部故障的类型以及变压器内部故障产生的气体种类，提出了基于改进的长短期记忆神经网络及油色谱分析的变压器故障诊断方法。添加10 个新的气体比值变量，使得变压器故障采集信息更全面。考虑变压器绝缘物质分解时产生的各种气体之间存在的关联性，对熵权法进行优化，从而有效地提升了状态评估的准确性。将交互的特征气体比值转变成特征序列整合到深度神经网络中，有助于更深入地解析特征数据和变压器状态间的复杂联系。本文提出的Bi-LSTM 模型能够准确描述变压器故障及对应状态的映射关系。未来将进一步挖掘特征气体与变压器故障之间的关联性，优化网络模型，提高计算的准确率和效率。