首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于CNN-SVM的变压器故障诊断方法

基于CNN-SVM的变压器故障诊断方法

2025-03-15 48 上传者：管理员

摘要：针对变压器故障诊断存在的精度低、鲁棒性不强等问题，提出一种基于卷积神经网络（CNN）和支持向量机（SVM）的故障诊断方法。首先，基于油中溶解气体分析（DGA）法，以5种特征量作为输入，利用CNN提取数据的特征信息；然后导入SVM中进行分类，实现变压器的故障诊断。基于336组油气数据对所提模型的性能进行验证，并将其与其他方法进行对比。实验结果表明：所构建的CNN-SVM诊断模型与CNN-BiLSTM网络、LSTM网络和CNN相比，综合故障诊断精度分别提高了8.9%、12.5%和19.6%，并且CNN-SVM模型有着更快的运行速度，运行时间约为3.11 s；当修改输入数据或减少输入的气体特征量时，CNN-SVM模型的诊断精度相比于其他方法下降最少，说明CNN-SVM模型具有更好的鲁棒性和特征提取能力。

关键词：
卷积神经网络
变压器
支持向量机
故障诊断
诊断精度
加入收藏

变压器是电力系统中最重要的设备之一,直接影响着电力系统运行的可靠性与安全性,当变压器发生故障时,很有可能造成恶劣的影响,甚至发生安全事故[1]｡因此,进行变压器的故障诊断研究尤为重要｡

变压器中含有大量的绝缘油与绝缘材料,由于受到电和热的影响,绝缘材料会逐渐老化分解,从而产生大量的气体,这些气体会溶于绝缘油中,当油中气体的含量逐渐增多时,变压器内部就会产生故障｡目前,变压器的故障诊断方法最常用的是DGA技术[2],该方法主要是根据特征气体的比值及含量,得出变压器的故障类型｡但是传统DGA技术存在故障信息编码缺失､数据繁多等缺陷,这些缺陷会影响故障类型判断的准确性[3],因此提出新的故障诊断方法很有必要｡

随着大数据和科技的快速发展,越来越多的学者采用深度学习的方法对变压器故障进行诊断[4]｡文献[5]提出一种基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的变压器故障诊断方法,经实验对比CNN有着最高的诊断精度,但是CNN也存在鲁棒性不强､特征提取能力不足的问题｡文献[6]提出一种基于烟花算法(FWA)优化支持向量机(SupportVectorMachine,SVM)的变压器故障诊断模型,通过利用FWA算法优化SVM的超参数,结果显示所提模型有着良好的诊断效果,但其诊断精度不高｡文献[7]提出一种基于秃鹰搜索算法(BES)优化SVM的变压器故障诊断模型,利用BES算法对SVM的核函数参数进行优化,其诊断精度得到了提高,但运行时间较长｡

为了解决以上问题,本文提出一种基于CNN⁃SVM的变压器故障诊断模型｡该模型融合了CNN的特征学习和SVM的分类能力,具有更好的诊断精度､鲁棒性､运行速度和特征提取能力｡

1、算法原理

1.1卷积神经网络

CNN是一种深度学习模型或类似于人工神经网络的多层感知器,其基本结构主要包括输入层､卷积层､池化层､全连接层和输出层｡CNN结构图如图1所示｡

图1CNN结构图

卷积层是CNN的重要组成部分,主要通过卷积操作提取数据的特征,从而帮助网络进行学习和训练｡该过程可由式(1)表示｡

式中:W为权值;f为非线性激活函数;l为网络的位置层;j为卷积的位置;B为偏置｡

CNN的另一个重要组成部分是池化层,池化层的作用是压缩卷积层的特征输出｡池化操作分为最大池化和均值池化两种,本文使用的池化方法是最大池化,其数学表达式如式(2)所示｡

式中:al为卷积层的输出结果;pl为池化层的输出结果｡

池化层能够减少参数的数量,防止模型出现过拟合现象,同时能够保留重要的特征信息,有助于提高模型的鲁棒性和泛化能力｡当数据经过多个卷积层和池化层后,特征信息就会被输入到全连接层,从而进行分类｡在CNN中softmax是常用的分类器,softmax层可以将神经网络的输出结果进行换算,将其以概率的形式表现出来,有利于CNN进行权值更新;但是softmax分类器的计算复杂度较高,容易受到数值不稳定性的影响,而且存在非线性问题及表现不佳的情况｡

1.2支持向量机

SVM是一种经典的解决样本分类机器学习算法[2]｡SVM学习的基本思想是:求解能够正确划分训练数据集,并且几何间隔最大的分离超平面｡SVM模型的求解最大分割超平面问题可由式(3)表示｡

式中:ω为超平面法向量;c为惩罚因子;ξi为松弛变量;b为偏置量;xi､yi为样本类型｡

此时样本是一个含有不等式约束的凸二次规划问题,引入拉格朗日函数将原样本转换成一个对偶问题,从而得出最优分类函数,此过程可由式(4)､式(5)表示｡

式中:α为拉格朗日乘子;K(x,xi)为核函数;C为惩罚因子｡

核函数的选择对SVM的分类性能有着很大的影响,常见的核函数有高斯核函数(RBF)､拉普拉斯核和Sigmoid核[8]三种｡其中,高斯核函数具有良好的泛化能力,其表达式由式(6)表示｡

式中g为自由参数,选择合适的自由参数能够提高SVM的分类能力｡

2、数据处理及模型搭建

2.1数据处理

当变压器发生故障时,其内部的绝缘材料会在高和强电的作用下产生大量的氢气(H2)､甲烷(CH4)､乙烷(C2H6)､乙烯(C2H4)和乙炔(C2H2)等气体[9]｡根据故障的性质,变压器的故障可分为电性故障和热性故障两种｡其中:电性故障分为低能放电､高能放电和局部放电[10⁃11];热性故障分为低温过热､中温过热和高温过热[12⁃13]｡变压器在正常运行时的数据也同样重要,因此将正常情况也作为一种故障类型进行研究｡本文数据集来源于文献[14⁃15],为了便于将数据导入Matlab中进行仿真实验,将所有的故障类型转换为数字形式｡故障类型分布如表1所示｡

表1故障类型分布

对数据进行预处理操作能够降低数据维度并提高数据分析的准确性｡将实验数据分为280组训练数据和56组测试数据,首先对使用的数据进行归一化处理,归一化的作用就是将预处理的数据限定在一定的范围之内,从而消除奇异样本数据导致的不良影响｡本文所使用的归一化方法为min⁃max法,其中归一化方程如式(7)所示｡

式中:X′为归一化后的数据;X为初始数据,Xmax=1,Xmin=0｡

2.2模型搭建

SVM在处理小样本及非线性等问题方面表现良好,且泛化能力较强,因此本文利用SVM代替softmax分类器进行分类处理｡CNN⁃SVM模型图如图2所示｡CNN⁃SVM模型诊断流程如下｡

1)首先将数据输入至CNN中进行特征学习,然后对数据进行批标准化,该过程可以使得神经网络的训练更加稳定,提高了模型的泛化能力｡其次,将数据输入至ReLU激活层进行激活处理,此过程可增加模型的非线性拟合能力｡最后将特征输出的数据传送到池化层,池化层能够简化网络的复杂度,同时增强模型的鲁棒性｡

2)建立两层卷积层与池化层,在保证模型特征提取能力的同时减少网络复杂度｡最后将数据输送到全连接层,由全连接层对数据进行处理,从而由SVM进行更好的分类｡

图2CNN⁃SVM模型图

3)SVM的分类性能取决于参数的选择,根据多次调试与实验,CNN⁃SVM模型的参数设置如表2所示｡

表2CNN⁃SVM模型参数设置

3、算例分析

以5种特征气体(H2､CH4､C2H6､C2H4､C2H2)作为输入进行分析,CNN⁃SVM模型的诊断结果图如图3所示｡

从图3中可以得出,CNN⁃SVM的故障诊断精度达到了94.6%,只有3个点没有诊断准确,说明所提模型诊断效果良好｡

为了进一步验证所提模型的可行性,提出3种常见的神经网络模型来进行对比分析,选取的模型有CNN､卷积双向长短期记忆(CNN⁃BiLSTM)网络以及LSTM网络,主要从诊断精度､运行时间､鲁棒性及特征提取能力四个方面进行分析｡各模型的参数设置如下:CNN设置为两层卷积层和池化层,学习率为0.01,激活函数为ReLU,采用最大池化方式;CNN⁃BiLSTM网络的学习率为0.01,激活函数为ReLU,BiLSTM层的神经元个数为120个,并在BiLSTM层后加上一个随机丢失层;LSTM网络设置为5层隐藏层,学习率为0.01｡

图3CNN⁃SVM模型诊断结果

3.1诊断精度及运行时间

为体现所提模型的诊断效果,将对比模型以相同的数据集条件进行实验,各模型的综合诊断精度及运行时间如表3所示｡由表3可以得出,CNN⁃SVM模型有着更高的诊断精度,相比于CNN⁃BiLSTM､LSTM､CNN分别提高了8.9%､12.5%､19.6%,并且CNN⁃SVM在运行速度上也有着明显的优势｡

表3各模型的精度及运行时间

3.2鲁棒性及特征提取能力

softmax作为CNN的分类器,存在特征提取能力不足､鲁棒性不强的缺点｡而SVM分类器能够充分利用CNN的特征提取能力,并且增强模型的鲁棒性｡本文的研究是在基于5种特征气体作为输入的情况下进行的,为进一步体现所提模型对特征的提取能力,先仅将4种特征气体作为输入进行实验｡各种特征气体减少后对不同模型诊断精度的影响如表4~表8所示｡

表4减少H2后各模型的诊断精度

表5减少CH4后各模型的诊断精度

表6减少C2H6后各模型的诊断精度

表7减少C2H4后各模型的诊断精度

表8减少C2H2后各模型的诊断精度

由表4~表8可知:当输入特征正常的情况下,CNN⁃SVM的诊断精度最高;当特征减少的时候,CNN⁃SVM的诊断精度相比于其他方法下降最少,说明所提模型相比于其他方法具有更强的特征提取能力,证明了CNN⁃SVM的适应性极强｡鲁棒性是指系统在受到扰动或者不确定的情况下,仍然可以维持某些性能的特性,其可以作为判断模型性能的一个重要指标｡在实际情况中,记录数据时可能会出现误录或漏录的情况,这时数据集就会受到扰动,这些情况都会对模型最后的诊断结果造成影响｡为对CNN⁃SVM的鲁棒性进行验证,将10%和20%的数据设置为出错样点,并以数据置0的方法来模拟出错过程｡表9和表10为各模型在数据集出错时的诊断精度｡

表9修改10%的数据对模型诊断精度的影响

表10修改20%的数据对模型诊断精度的影响

由表9和表10可以得出,当修改输入数据时,CNN⁃SVM的诊断精度相比于其他方法下降最少,分别为3.5%和7.1%,说明所提模型在受到扰动后仍能回到稳定状态,具有良好的鲁棒性｡

4、结语

为精准进行变压器的故障诊断研究,提出一种基于CNN⁃SVM的变压器故障诊断模型,以SVM代替CNN网络的softmax层进行研究分析,基于336组油中气体数据作为诊断依据,并利用其他方法进行对比｡结果显示:相比于其他方法,CNN⁃SVM拥有更高的诊断精度和更快的运行速度;并且当修改输入和减少气体特征时,CNN⁃SVM的诊断精度相比于其他方法下降更少,说明CNN⁃SVM有着更强的鲁棒性和特征提取能力｡但是本文的诊断精度还有待提高,因此下一步研究是在CNN⁃SVM的基础上加入算法进行改进,建立更加高效的故障诊断模型｡

参考文献:

[1]徐龙舞,张英,张倩,等.基于正交实验法改进的蝠鲼算法优化BP在变压器故障诊断上的研究[J].南方电网技术,2022,16(7):46⁃54.

[3]吴瞻宇,董明,王健一,等.基于模糊关联规则挖掘的电力变压器故障诊断方法[J].高压电器,2019,55(8):157⁃163.

[4]唐文虎,牛哲文,赵柏宁,等.数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J].高电压技术,2020,46(9):2985⁃2999.

[5]夏洪刚,郭红兵,肖金超.基于CNN的电力变压器故障诊断方法[J].电子设计工程,2020,28(13):189⁃193.

[6]张邵杰.基于烟花算法优化SVM的变压器故障诊断[J].机电信息,2021(22):30⁃31.

[7]周晓华,冯雨辰,胡旭初,等.基于秃鹰搜索算法优化SVM的变压器故障诊断[J].南方电网技术,2023,17(6):99⁃106.

[8]段中兴,周孟,宋婕菲,等.基于ISFLA⁃SVM的变压器故障诊断[J].高压电器,2023,59(1):126⁃133.

[9]汤茂祥,王聪,朱超平,等.少标签下油浸式变压器双层故障诊断模型[J].电子测量技术,2023,46(16):112⁃118.

[11]龚泽威一,饶桐,王钢,等.基于改进粒子群优化XGBoost的变压器故障诊断方法[J].高压电器,2023,59(8):61⁃69.

[12]王辉东,姚海燕,郭强,等.基于多尺度卷积神经网络的变压器故障诊断方法[J].电力科学与技术学报,2023,38(4):104⁃112.

[13]李刚,孟坤,贺帅,等.考虑特征耦合的Bi⁃LSTM变压器故障诊断方法[J].中国电力,2023,56(3):100⁃108.