基于物元模型的电力变压器故障的可拓诊断方法 EI收录
基于特征提取与INGO-SVM_的变压器故障诊断方法
第52卷第7期电力系统保护与控制Vol.52 No.7 2024年4月1日Power System Protection and Control Apr. 1, 2024 DOI: 10.19783/ki.pspc.230936基于特征提取与INGO-SVM的变压器故障诊断方法包金山1，杨定坤2，张 靖1，张 英1,3，杨镓荣1，胡克林1(1.贵州大学电气工程学院，贵州 贵阳 550025；2.重庆邮电大学先进制造工程学院，重庆 400065；3.贵州电网有限责任公司电力科学研究院，贵州 贵阳 550002)摘要：针对使用支持向量机(support vector machine, SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题，提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。
首先，使用核主成分分析(kernel principal component analysis, KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。
其次，使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization, NGO)进行改进。
通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization, INGO)进行性能测试，验证了INGO算法的优越性。
然后，基于KPCA提取的低维敏感特征，使用INGO对SVM的参数进行组合寻优，建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。
最后，对不同变压器故障诊断模型进行实例仿真对比实验。
结果表明：所提方法故障诊断精度高、稳定性好，更适用于变压器的故障诊断。
关键词：变压器；故障诊断；支持向量机；核主成分分析；北方苍鹰优化算法Transformer fault diagnosis method based on feature extraction and INGO-SVMBAO Jinshan1, YANG Dingkun2,ZHANG Jing1, ZHANG Ying1, 3, YANG Jiarong1, HU Kelin1(1. College of Electrical Engineering, Guizhou University, Guiyang 550025, China; 2. College of Advanced ManufacturingEngineering, Chongqing University of Posts & Telecommunications, Chongqing 400065, China;3. Electric Power Research Institute of Guizhou Power Grid Co., Ltd., Guiyang 550002, China)Abstract: It is difficult to extract effective features and select model parameters when using a support vector machine (SVM) for transformer fault diagnosis. A transformer fault diagnosis method based on feature extraction and an improved northern goshawk optimization (INGO) algorithm optimized SVM is proposed. First, kernel principal component analysis (KPCA) is used to conduct feature fusion and low dimensional sensitive feature extraction for the 21 dimensional candidate feature. Secondly, strategies such as good point set, random opposition-based learning, and dimensional cross learning are used to improve the northern goshawk optimization (NGO) algorithm. The performance of the INGO algorithm is tested using two typical test functions, verifying its superiority. Then, based on the low dimensional sensitive feature extracted by KPCA, INGO is used to optimize the parameters of the SVM, and a transformer fault diagnosis model is established based on KPCA feature extraction and INGO-SVM. Finally, simulation and comparative experiments are conducted on different transformer fault diagnosis models. The results show that the proposed method has high accuracy and good stability in fault diagnosis, and is more suitable for transformer fault diagnosis.This work is supported by the National Natural Science Foundation of China (No. 52177016).Key words: transformer; fault diagnosis; support vector machine; kernel principal component analysis; NGO0 引言变压器是电网系统中的重要组成部分，其在运基金项目：国家自然科学基金项目资助(52177016)；贵州省科技计划项目资助(黔科合支撑[2021]365)；贵州大学自然科学特别科学研究基金项目资助(2021-45) 行过程中发生故障会给电网系统造成巨大的经济损失。
浅析基于物元分析理论的供电服务质量评价方法
高晋峰 （ 山 西 省电 力 公司 供电 服务 中 心
摘要 ： 随 着 我 国经 济 建 设 的 不 断 发展 ， 社 会 各 个 领 域 对 电力 企 业
Hale Waihona Puke 基 于 物 元分析 理 论 的供 电服 务质 量 评价 方法 ， 首 先应
的要 求也 越 来 越 高 。 供 电服 务质 量 也 得 到 了相 关部 门 的 高度 重视 ， 虽 该 对评 价体 系进 行初 步 明确 ， 评价 人 员 应该 根据 电力客 户 然 已经 采 取 了诸 多 措 施 来 提 高 供 电服 务 质 量 ，但 是 目前供 电企 业 却
对企 业 的关注 点 及企 业 的具 体 情况 对 指标 进行 选择 ， 并 且 构建 合 理 的供 电服 务质 量 评 价指 标体 系。一 般 来说 ， 供 电 力 企 业 的 长 足 发 展 。 本 文 通 过 对 基 于 物 元 分析 理 论 的供 电服 务 质 量 服务 质 量评 价 指标 体 系应 该 包括 事故 后 到达 现 场 时间 、 供 评 价 方法 进 行 分 析 ，并 在 此 基 础 上 论 证 该理 论 在 供 电服 务 质 量 评 价 电恢 复 时 间 、 停 电提 前 通 知 时 间 、 供 电可 靠 率 、 电压 合格 中应 用 的 可行 性 ， 为 我 国供 电企 业 的 可持 续发 展 起 到一 定 的推 动作 用。 率 、 报 装 送 电情 况 以及 故 障 处理 时间 、 投 诉 举 报 查 实 率 等 关键 词 ： 物 元 分析 理 论 供 电服 务 质 量 评 价 方法 针 对这 些 内容都 要 给 予详 细 的说 明。 利 近几年来 ， 随 着 我 国 电力 体 制 的不 断 改 革 ， 供 电企 业 几个 方面 的 内容 ， 用该 指 标体 系 中 的 内容对 相 关数据 进 行 计 算 ， 从 中获取较 所面 临 的市场 形 势也 越来 越 复 杂 ， 供 电服务 质量 成为 了供
可拓关联函数与属性约简相结合的变压器故障诊断方法
ＴｈｅＦａ ｌ ａ ｎｏ ｉ ｆＴｒ ｎｓｏ ｍ ｅ ｉ ｇＡｓ ｏ ｉ ｔｏ ｕ ｔＤｉ ｇ ｓｓｏ ａ ｆ ｒ ｒＵｓｎ ｓ ｃａ ｉ ｎ Ｆｕｎｃｉ ｎ ｆＥｘ ｅ ｃ ｎ ｔｏ ｏ ｔ ｎｉｓａ ｄ
ｍ ａｃ ｅ ａ ｅ ｏ ｃ ａ ｌ． ｐ ｙ ｔ ｉ ｍｅｈ ｄ ｔ ｉ ｇ ｏ ｅ ７ ｔ ｈ ｄ ｃ ｓ ｆｆ ｔｆ ｕ ｔ Ａｐ ｌ ｓ ａ ｈ ｔ ｏ ｄ ａ ｎ ｓ ６ ＤＧＡ ｓｉ ｇ ｄ ｔ ｎ ｅ ｒ ｈ ａｉ ｆｄ ａ ｎ ｓｉ ｅ ｕ ｔｉ ｂ ￣ ｒｔ ａ ｏ ｔ ｔ ａ ａａ ｄ ｔ ｉ ｔｒ ｔ ｏ ｉｇ ｏ ｔ ｒ ｓ ｌ ｓ ｅ ｅ ｎ ｅ ｎ ｈ ｇ ｏ ｃ ｈ
Ａｔｒ ｂ ｅ Ｐｒ ｄｉ ｅ ｔｎｇ ｏ ｕｇ ｔＴｈｅ ｒ ｔ ｉ ｕｔ ｅ ｇ ｓ ｉ ｆＲｏ ｈ Ｓｅ ｏｙ
ＨＵ Ｚ ｊ ｎ ， Ｈ ｅ ａ ｇ Ｚ ＡＮＧ Ｈａ ａ ｉ ｉｏ ｔ
（ ｕ ｍｉｇ ｌ ｔ ｃ ｏ ｒ ｕ ｐｙＢ ｒａ ， ｕ ｍｉｇ ５ ０ Ｋ ｎ ｎ ｅ ｒ ｗｅ ｐ ｌ ｕｅ ｕ Ｋ ｎ ｎ ０ ） Ｅ ｃ ｉＰ Ｓ ６ １ １
２ １ 年 第 ５ 增刊 ２ ０１ 卷
２１ ０ １，Ｖｏ ． ， Ｓ ｐ ｌｍｅ ｔ １５ ｕ ｐｅ ｎ ２
南 方 电 网 技 术
２ １ 南 网技术论坛获奖论 文 ０１
Ｓ ＯＵＴＨＥＲＮ ＰＯＷ ＥＲ ＹＳ Ｓ ＴＥＭ ＴＥＣＨＮＯＬＯＧＹ ｔ ｌ ｓ ｗａ ｄ ｄ ｉ Ｇ ｏ ｕ ２ Ａｒｉ ｅ ｃ Ａ ｒ ｅ ＣＳ Ｆ ｒ ｍ， ０ ｎ １ １
ｐ ｅ ｉ ｅ ｔ ｇ ｍｅｈ ｄ ｉ ｏ ｇ ｅ ｈ ｏ ｏ ｃ ａ ｓｆ ｈ ｔ ｉ ｕ ｅ ｔｒ ｉｈ ｎ ｅ ｅ ｙ ｅ ｃ ａ ｌ ｄ ａ ｎ ｓｓ Ｔ ｅ ｕ ｌ ｉ ｇ ｍａｔｒ ｒ ｄ ｇ ｓｉ ｔ ｏ ｎ ｒ ｕ ｈ ｓ ｔｔ ｅ ｒ ｔ ｌ ｓ ｉ ｔ ｅ ａ ｔ ｂ ｔ ｅ ｎ ｙ ｙ ｒ ｍ ｗｈ ｃ ｅ ｄ ｄ ｂ ａ ｈ ｆｕ ｔ ｉｇ ｏ ｉ ． ｈ ｎ ｂ ｉ ｎ ｔｅ ｄ ｅ ｅ ｎ ｄ ｌｆ ｒｔａ ｓｏ ｍｅ ’ ｆｕ ｔｄ ａ ｎ ｓｓ Ｕｓ ｇ ＤＧＡ ｅ ｔ ｇ ｄ ｔ ｍ ｏ ｂ ｔ ｉ ｕ ｅ ｓ ｔａ ｄ ｔ ｅ ｔ ｎ ｆ ｒ ｅ ’ ｓａ ｄ ｒ ａ ｌ ｌｍｅ ｔｍｏ ｅ ｒ ｎ ｆ ｒ ｒｓ ａ ｌ ｉｇ ｏ ｉ． ｉ ｏ ｎ ｔ ｓｉ ａｕ ｔ ｅ ａｔ ｂ ｔ ｅ ｎ ｈ ｒ ｓｏ ｎ ｒ ａ ｍ ｒＳ ｔｎ ａ ｄ ｆ ｕ ｔ ｍ ｏ ｅ ｏ ｂ ｈ ｅ ｉｉ ｎ ｓ ｔｆ ｒｔａ ｓ ｏ ｍｅ ’ ｆｕ ｔｄ ａ ｎ ｓｓ Ｕｔｌ ｅ ａ ｓ ｃ ａｉ ｎ ｆ ｎ ｔ ｎ ｆｏ Ｅｘ ｅ ｉ ｓｔ ｏ ｎ ａ ｈ ｆ ｕ ｔ ｅ ｒ ｅ ｄ ｌ ｅｔ ｅ ｄ ｃ ｓｏ ｅ ｏ ｎ ｆ ｒ ｒＳ ａ ｌ ｉ ｇ ｏ ｉ． ｉ ｚ ｓｏ ｉｔ ｕ ｃ ｉ ｒ ｍ ｔ ｎ ｃ ｏ ｃ ｕ ｔｅ ｃ ａ ｌ ｄ ｇ ｅ ． ｔ ｒ ｉ ｏ ｏ Ｄｅ ｎ ｈ ａ ｌ ａ ｃ ｐ ｉ ｇ ｒ ｌ ｏ ｇ ｔｔ ｎ ｆ ｒ ｅ ’ ｆ ｕ ｔ Ｕｓ ｈ ｓｍｅ ｈ ｄ ｔ ｉｇ ｏ ｅ ｏ ｅ ｆｕ ｔｔ ｎ ｆ ｒ ｒ ａ ｄ ｔ ｅ ｄ ａ ｎ ｓｓ ｅ ｕ ｔ ｉ ｆ ｅ ｔ ｅ ｆ ｕ ｔ ｃ ｅ ｔ ｕ ｅ ｔ ｅ ａ ｓｏ ｎ ｒ ｍ ｒＳ ａ ｌ ． ｅｔ ｉ ｔ ｏ ｏ ｄ ａ ｎ ｓ ｎ ａ ｌ ｒ ｓｏ ｍｅ ｎ ｈ ｉｇ ｏ ｉ ｒ ｓ ｌ ａ
云模型和物元理论在变压器故障诊断中的应用
云模型和物元理论在变压器故障诊断中的应用路海军;金赓;邱实;栗彪;王国英【摘要】基于云模型和物元理论原理,提出云模型和物元理论相结合的电力变压器故障诊断方法,有效解决变压器数据样本特别是故障样本少的问题.以实际数据为例进行改进物元理论模型相关计算,数据对比结果表明,改进物元理论模型的诊断正确率高于传统方法.【期刊名称】《农业科技与装备》【年(卷),期】2017(000)007【总页数】3页(P42-44)【关键词】变压器;故障诊断;云模型;改进物元模型【作者】路海军;金赓;邱实;栗彪;王国英【作者单位】锦州供电公司,辽宁锦州 121000;锦州供电公司,辽宁锦州 121000;锦州供电公司,辽宁锦州 121000;锦州供电公司,辽宁锦州 121000;锦州供电公司,辽宁锦州 121000【正文语种】中文【中图分类】TM41电力变压器是电力系统中的关键设备之一，每年由其故障带来的损失十分巨大。
定期检修无法实时反映变压器的真实运行状态，这使得油中溶解气体分析（DGA）成为国内外研究热点。
传统的变压器故障诊断方法有IEC三比值法、Rogers法、Dornerburg法、改良三比值法等。
电力变压器故障产生气体的机理复杂，油中溶解气体含量或含量比值与故障类型之间的映射关系难以确定，导致传统故障诊断方法的准确率较低。
在此情况下，研究准确高效的变压器故障诊断方法具有实用价值和重要意义。
云模型最早由李德毅院士提出，其为云理论的核心组成部分。
云模型是用语言值表示的某个定性概念与其定量之间的不确定性转换模型，在模式识别、倒立摆控制、数据挖掘、电力系统等领域应用广泛。
到目前为止，云模型已经演化出梯形云、三角云和正态云等多种分布形态。
其中，正态云是应用最为广泛的云模型。
云模型有期望Ex、熵En和超熵He这3个数字特征，其中期望Ex是数值域空间中最能代表性概念的点，反映概念云滴群的云重心；熵En是定性概念不确定度量，由概念的随机性和模糊性共同决定；超熵He是熵的不确定性度量，即熵的熵，反映云滴的离散度。
电力变压器的故障诊断分析
学号________________密级________________ 大学本科毕业论文电力变压器的故障诊断分析院〔系〕名称：专业名称：学生姓名：指导教师：二○一一年十月郑重申明本人呈交的学位论文，是在导师的指导下，独立进展研究工作所取得的成果，所有数据、图片资料真实可靠。
尽我所知，除文中已经注明引用的内容外，本学位论文的研究成果不包含他人享有著作权的内容。
对本论文所涉及的研究工作做出奉献的其他个人和集体，均已在文中以明确的方式标明。
本学位论文的知识产权归属于培养单位。
本人签名：日期：BACHELOR'S DEGREE THESIS OF WUHAN UNIVERSITYPower transformer fault diagnosisand analysisCollege ：Subject ：Name ：Director ：Oct 2021目录摘要 (5)第一章电力变压器故障检测绪论 (7)1.1造成变压器故障的原因........................ 7错误!未定义书签。
1.2变压器故障的种类 (8)第二章电力变压器故障检测的现状 (9)第三章目前电力变压器故障检测存在的问题. (11)第四章电力变压器故障诊断的方法 (12)4.1油中溶解气体分析法 (12)4.1.1单项成分超标分析法 (13)4.1.2特征气体色谱的分析和判断 (13)4.2 在线检测技术 (14)4.2.1 局部放电在线监测 (15)4.2.1油中气体含量的在线监测 (16)4.4.3绕组故障的在线监测 (17)4.3 建立完备的变压器历史资料库 (18)完毕语 (20)参考文献 (21)致谢 (22)摘要电力变压器是电力系统中重要的电气设备之一，它一旦发生事故，那么所需的修复时间较长，造成的影响也比拟严重。
随着我国电力工业的迅速开展，电网规模不断扩大，电力变压器的单机容量和安装容量随之不断增加，电压等级也在不断地提高。
基于改进堆栈自编码器的变压器故障诊断模型
第47卷第6期2020年11月华北电力大学学报Journal of North China Electric Power UniversityVol.47,No.6Nov.,2020doi:10.3969/j.ISSN.1007-2691.2020.06.07基于改进堆栈自编码器的变压器故障诊断模型赵冬梅,王㊀闯,马泰屹(华北电力大学电气与电子工程学院,北京102206)摘要:为了增强自编码器的特征提取能力,更好的利用变压器故障时产生的大量无标签数据,将批量标准化(Batch Normalizaion ,BN )引入了传统堆栈自编码器(Stacked auto-encoder ,SAE )的编码和解码过程,形成了改进堆栈自编码器(BN-SAE )㊂以单层AE 作为底层网络,输入样本为变压器油中溶解气体含量,通过仿真确定神经网络的结构,用无标签数据对网络进行无监督学习,提取变压器故障特征信息,最后输入有标签数据通过反向传播算法对网络进行微调㊂算例分析表明,BN-SAE 相比于传统的SAE 与AE ,训练误差更小,特征提取更佳,对变压器故障分类的准确率更高,并且少数类故障样本也可以得到很好的分类㊂关键词:变压器;故障诊断;堆栈自编码器;批量归一化;深度学习中图分类号:TM407㊀㊀文献标识码:A㊀㊀文章编号:1007-2691(2020)06-0061-07Transformer Fault Diagnosis Model Based onImproved Stack Auto-encoderZHAO Dongmei,WANG Chuang,MA Taiyi(School of Electrical and Electronic Engineering,North China Electric Power University,Beijing 102206,China)Abstract :In order to enhance the feature extraction ability of auto-encoder and make better use of mass unlabeled data generated from transformer failures,this paper introduces Batch Normalization (BN)into the coding and decoding process of the traditional Stack Auto Encoder (SAE),forming an improved Stack Auto Encoder (BN-SAE).With one-layer AE as the bottom network and the dissolved gas content in the transformer oil as input sample,we determine the structure of the neural network by simulation,and carry out unsupervised learning of the network with the unlabeled da-ta.Then,we extract the fault feature information of the transformer,and finally input the labeled data to fine tune the network through the reverse transmission algorithm.The example analysis shows that compared with the traditional SAEand AE,BN-SAE features smaller training error,better feature extraction,and higher accuracy of transformer fault classification.Moreover,it is able to classify minor fault samples.Key words :transformer;fault diagnosis;stacking auto-encoder;batch normalization;deep learning收稿日期:2020-06-12.0㊀引㊀言㊀㊀变压器是电力系统中最重要的元件之一,变压器的安全稳定运行是电力系统稳定运行的前提㊂变压器发生故障后,会给电力系统极大的冲击,威胁系统的安全稳定运行,造成极大的经济损失㊂因此,有效地识别变压器故障成为了国内外研究的热点,具有重要的理论和现实意义[1,2]㊂目前,变压器故障诊断多采用油中溶解气体分析(Dissolved Gas Analysis,DGA),通过分析变压器油中各类气体含量来判断变压器的运行工况[3,4]㊂传统变压器故障诊断方法包括三比值法[5]㊁模糊理论法[6]㊁专家系统法[7]等㊂但是三比㊀㊀华北电力大学学报㊀2020年值法存在判定方法过于绝对㊁故障界限模糊等缺点;基于模糊理论的变压器故障诊断方法较难确定隶属函数,并建立模糊诊断理论需要大量故障数据;基于专家系统的判别方法通常需要丰富的专家知识和经验,而在实际应用中很难获取相应的经验[8]㊂随着人工智能算法的发展,出现了越来越多适用于变压器故障诊断的智能算法[9]㊂基于神经网络的DGA故障诊断方法主要包括两大类,第一类为有监督学习,包括支持向量机[10]㊁BP神经网络[11,12]和极限学习机[13]㊂传统的人工智能算法过于依赖有标签的故障数据,变压器故障诊断中存在大量无标签数据,并且因为数据维度远低于数据样本量,神经网络存在过拟合的情况,自编码器的应用可以很好的解决这样的问题㊂文献[8]提出一种构建多层自编码器的神经网络,逐层对自编码器进行训练,提高了网络的鲁棒性和分类的准确率;文献[14]提出了一种基于堆栈稀疏降噪自动编码器,使得隐藏层中的神经元多数处于抑制状态,少数处于激活状态,并在输入数据中加入噪声,增强了网络的诊断性能㊂文献[15]基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机进行无监督训练,结果表明网络诊断性能优于支持向量机和反向传播神经网络㊂考虑到变压器样本数据含有大量无标签数据,并且数据维数远小于数据样本数的情况,本文提出了一种改进堆栈自编码器的变压器故障诊断模型,将批量标准化引入自编码器,经算例分析,相比于堆栈自编码器,改进自编码器增强了的训练效果,提高了网络的诊断性能㊂1㊀DGA故障诊断原理㊀㊀DGA可以分析变压器油中不同种类气体的含量㊂变压器在故障发生前后油中溶解气体的含量会迅速发生变化㊂本文选用氢气(H2)㊁甲烷(CH4)㊁乙烷(C2H6)㊁乙烯(C2H4)㊁乙炔(C2H2)五种气体作为变压器故障诊断的依据㊂变压器故障可以分为热性故障㊁电性故障以及放电兼过热故障㊂其中,热性故障通常分为高温过热和中低温过热,电性故障分为高能放电㊁低能放电和局部放电㊂表1对变压器中存在的故障状态进行了编码,包含正常情况在内一共有7种㊂表1㊀变压器状态编码Tab.1㊀Transformer state coding变压器状态状态编码正常(1,0,0,0,0,0,0)高温过热(0,1,0,0,0,0,0)中低温过热(0,0,1,0,0,0,0)高能放电(0,0,0,1,0,0,0)低能放电(0,0,0,0,1,0,0)放电兼过热(0,0,0,0,0,1,0)局部放电(0,0,0,0,0,0,1)2㊀改进堆栈自编码器2.1㊀堆栈自编码器自编码器是一种能够通过无监督学习,学到输入数据高效表示的人工神经网络㊂在图像识别领域中,自编码器一般用于对数据进行降维,加速特征提取过程,大大缩短训练时间㊂通过分析变压器油色谱,我们可以判断变压器的运行工况㊂变压器故障数据维度远小于故障样本数,特征信息不够丰富,于是通过自编码器网络对数据进行升维[16]㊂网络中,编码器对输入数据进行编码,经变换后可以得到原始信息的另外一种特征表示㊂为了判断经编码后的信息能否代表数据的特征,需要解码器对编码信息进行还原,若还原后能得到与原始信息相同或相似的信息,则可以说明编码器有效,经过编码的数据能够代表原始数据㊂编码过程可以用式(1)表示,解码过程可以用式(2)表示㊂h=f(W1x+b1)(1)y=f(W2h+b2)(2)式中:x为输入向量;h为隐藏层输出的中间向量;y表示输出向量;f(㊃)表示编码层和解码层的激活函数;W1和W2分别表示编码层和解码层的权重矩阵;b1和b2分别代表编码层和解码层的偏置向量㊂自编码器的目标函数是使得输入数据和输出数据尽可能相似,误差函数选为均方误差,表达式如下:L(x,y)=(x-y)2n(3)式中:n表示输入样本数㊂当自编码器的编码层和解码层的隐藏层数量大于1时,AE就是通常所说的深度结构,形成了26㊀第6期㊀赵冬梅,等:基于改进堆栈自编码器的变压器故障诊断模型㊀堆栈自编码器(stack auto-encoder,SAE)㊂SAE 的拓扑结构如图1所示㊂图1㊀SAE 拓扑结构图Fig.1㊀SAE topology diagram2.2㊀批量标准化神经网络进行分类时,需要满足训练数据和测试数据独立同分布㊂深层神经网络经过隐含层变化后,分布逐渐偏移,当整体分布逐渐往非线性函数的取值区间的上下限两端靠近时,会导致反向传播时低层神经网络的梯度消失,使得训练收敛速度慢㊂BN 的作用就是使训练中每一层神经元的输入分布相同,提高神经元灵敏度㊂神经网络通过激活函数对数据进行非线性变换,以Sigmoid 函数为例,Sigmoid 函数图形如图2所示㊂中心区域导数值较大,边缘区域导数值较小㊂若未经批量标准化,隐藏层的输入数据仅少部分落入到函数的敏感区间,大部分数据落入到了函数的不敏感区间㊂神经网络层数加深后,会出现梯度消失的情况,使得网络训练速度变慢,效果变差㊂图2㊀Sigmoid 函数Fig.2㊀Sigmoid Function批量标准化的过程与数据预处理中对数据的标准化过程类似,通过计算输入隐藏层数据的均值和方差,对数据进行标准化处理㊂x ^i=x i -μBσ2B+ε(4)式中:x i 表示输入数据;μB 表示输入数据的均值;σ2B 表示输入数据的方差;ε是为了避免分母为零的一个微小值㊂变换后每个神经元的输入形成了均值为0,方差为1的正态分布,目的是让数据落入激活函数的敏感区域,增大导数值,增强反向传播信息流动性㊂为了避免输出变为输入的线性组合,导致网络表达能力下降,每个神经元增加两个调节参数,这两个参数是通过训练来学习到的,用来对变换后的激活反变换,使得网络表达能力增强[17],这其实是变换的反操作:y i =γx ^i+β(5)式中:γ和β为调节参数,避免神经网络线性化㊂2.3㊀改进堆栈自编码器为了使AE 中每层输入保持相同的分布,加强AE 的训练能力,改进堆栈自编码在每一层编码器和解码器前,引入了批量标准化操作,对每一层的输入做标准化处理㊂具体流程如式(6)~(8)所示:h =f (W 1x +b 1)(6)h ᶄ=BN(h )(7)y =f (W 2h ᶄ+b 2)(8)式中:h ᶄ指中间变量标准化后的值;BN(㊃)表示批量标准化㊂改进堆栈自编码器的拓扑结构如图3所示㊂图3㊀改进AE 拓扑结构图Fig.3㊀Improved AE topology diagram2.4㊀基于改进堆栈自编码器的变压器故障诊断流程由于变压器无标签数据较多,并且存在数据维度远小于数据样本量的特点,需要使用自编码器对数据进行预训练,诊断流程如下:步骤1:构造改进堆栈自编码器的结构,确立隐藏层节点数以及隐藏层层数,初始化权重W 和b ㊂36㊀㊀华北电力大学学报㊀2020年步骤2:将无标签变压器数据输入网络,每经过隐藏层计算一次,就需要重新对数据标准化处理,最后得到网络输出值,计算均方误差㊂步骤3:由均方误差进行梯度反向传播,更新网络参数㊂步骤4:重复步骤(2)㊁(3),直到达到最大迭代次数或均方误差小于规定值㊂步骤5:输入有标签的变压器故障数据对网络进行微调,使网络参数分类效果达到最佳㊂步骤6:输入测试集数据验证网络的有效性㊂故障诊断流程图如图4所示㊂图4㊀基于BN-SAE 的变压器故障诊断流程㊀Fig.4㊀Transformer fault diagnosis flow based on BN-SAE3㊀算例分析3.1㊀数据预处理本文选用IEC TC 10数据库[18]中的变压器故障数据和某单位提供的变压器故障数据,其中无标签数据450组,故障数据共210组,本文将数据按照2ʒ1的比例分为训练集和测试集㊂根据DGA 数据特点,选取H 2㊁CH 4㊁C 2H 6㊁C 2H 4和C 2H 2这5种特征气体的含量作为神经网络的输入项,样本样例格式如表2所示㊂表2㊀变压器故障数据样本Tab.2㊀Transformer fault data sample变压器状态气体含量/(μL /L)H 2CH 4C 2H 6C 2H 4C 2H 2正常80104 1.50高温过热70.469.528.9241.210.4中低温过热166.628.31 6.7212.40.3高能放电673.6423.577.5988.9344.4低能放电115.97514.725.3 6.8放电兼过热22.4221.5317.76 2.57 2.42局部放电26082.52㊀㊀如表所示,不同故障中气体含量差别十分大,为了增强网络的训练效果,将输入数据进行标准化处理,公式如下:x new =x -x meanx max -x min (9)式中:x new 为标准化之后的值,x 表示原样本;x mean 表示样本的平均值;x max 表示样本的最高值;x min 表示样本的最低值㊂3.2㊀参数测试与分析本文选用的编程环境为Python3.6,处理器:i3-550,运行内存:4G,操作系统:64位Win7㊂首先,对单层AE 网络中参数进行测试分析,选出合适的隐藏层数目㊂AE 网络中参数设置为:最大迭代次数为1000,学习率为0.005,网络连接权重W 和偏置系数b 采用正态分布初始化㊂(1)激活函数的确定神经网络常用的激活函数有Relu 函数,tanh 函数,Sigmoid 函数,自编码器采用不同训练函数的均方误差如表3所示㊂表3㊀三种激活函数均方误差比较Tab.3㊀Comparison of mean square errors of three activationfunctions激活函数tanh Sigmoid Relu 均方误差0.14300.50060.9094由表我们可以看出,当激活函数采用tanh 函数时,自编码器的均方误差最小,最能够保留原始数据信息,因此本文采用tanh 作为激活函数㊂(2)隐藏层节点数通过改变单层AE 的隐含层节点数计算均方误差,并根据均方误差的大小来判断最优的隐含层节点数㊂由图5可以看出,均方误差在隐藏层节点数为50时基本达到稳定,不再随着节点的增加而降低,于是本文AE 采用50个节点的隐藏层㊂(3)隐藏层层数通过改变AE 层数来寻找最优的隐藏层层数,设定SAE 的各隐藏层的节点数为50,25,15,10,5,用变压器无标签数据对网络进行训练,所得均方误差如图6所示㊂由图6可知,当隐含层层数为2层时,AE 的训练误差达到最小㊂当隐藏层层数大于2时,网络训练误差反而增大,这是因为隐含层层数增加,会增加损失的信息,进而导致误差增大㊂并且变46㊀第6期㊀赵冬梅,等:基于改进堆栈自编码器的变压器故障诊断模型㊀图5㊀AE训练误差与隐含层节点数的关系图Fig.5㊀Relationship between AE training error and numberof hidden layer nodes压器原始数据维度过低,采用过多的隐藏层并不能使训练效果更好,因此本文采用隐含层含量为2层的堆栈自编码器㊂图6㊀AE训练误差与隐含层数量的关系图Fig.6㊀Relationship between AE training error and numberof hidden layers3.3㊀结果测试与分析本文首先对比了在同等隐含层层数㊁隐含层节点数以及其它参数均相同的情况下SAE与BN-SAE的均方误差值㊂比较结果见图7㊂如图7可见,BN-SAE的RMS误差下降的更快,在600次训练后基本达到稳定,较自编码器少训练100次左右㊂并且,BN-SAE的RMS误差更小,表明引入批量标准化后,编码器能对原始信息作出更好的编译,在对数据特征重构的同时,尽可能的保留了原始信息㊂然后用450组无标签数据对改进堆栈自编码器进行训练,之后用100组有标签变压器故障数图7㊀SAE与BN-SAE训练的均方根误差比较Fig.7㊀Comparison of root mean square error between SAEand BN-SAE据对网络进行微调,最后用70组有标签变压器故障数据对网络诊断性能进行测试㊂并且本文设立了几个对照组,分别为堆栈自编码器㊁自编码器以及BP神经网络㊂堆栈自编码器与改进自编码器除批量标准化外其余结构均相同㊂自编码器采用单层结构,参数设置与改进自编码器相同㊂BP神经网络的学习率与隐含层数量与自编码器相同㊂图8㊀基于BN-SAE的变压器故障诊断Fig.8㊀Transformer fault diagnosis based on BN-SAE通过比较图8和图9可以看出,BN-SAE的诊断性能更好,特别是针对少数类样本的故障诊断,如放电兼过热故障和局部放电故障时精度较高㊂SAE的诊断误差相对较高,并且针对少数类故障样本的分类效果不好㊂表4列举了4种不同网络的分类准确率,可以看出BN-SAE的诊断正确率最高,高于SAE和AE,其次带有自编码器的网络预测准确率均高于BP神经网络,证明了自编码器用于变压器故障诊断的有效性㊂56㊀㊀华北电力大学学报㊀2020年图9㊀基于SAE的变压器故障诊断Fig.9㊀Transformer fault diagnosis based on SAE表4㊀不同方法故障诊断精度比较Tab.4㊀Transformer fault data sample算法训练样本数无标签数据有标签数据测试样本数准确率/%BN-SAE4501407092.86SAE4501407088.57AE4501407084.29BP01407081.434㊀结㊀论㊀㊀针对变压器故障诊断的特点,本文通过将批量标准化引入SAE,来改进自编码器在变压器故障诊断领域的应用效果㊂通过对输入隐藏层数据的标准化操作,使得数据处于激活函数的敏感区域,加快了训练速度,增强了训练效果㊂仿真算例表明BN-SAE的训练误差更小,对无标签数据的利用度更高,可以更好的表示变压器原始数据,并且网络的诊断精度更高㊂BN-SAE相比于SAE与AE,在变压器故障诊断中的准确率分别提高了4.29%和8.57%㊂并且BN-SAE网络的鲁棒性较强,训练稳定性较好,是一个有效的变压器故障诊断模型㊂参考文献:[1]李树卿,陈鼎,仇群辉,等.基于随机森林的电能质量综合评估[J].现代电力,2019,36(2):81-87.LI Shuqing,CHEN Ding,QIU Qunhui,et -prehensive assessment of power quality based on Ran-dom forest[J].Modern Electric Power,2019,36(2):81-87.[2]王卉,王增平,刘席洋.基于深度循环神经网络的换相失败边界检测[J].现代电力,2019,36(6):88-94.WANG Hui,WANG Zengping,LIU mu-tation failure boundary detection based on deep recurrentneural network[J].Modern Electric Power,2019,36(6):88-94.[3]高文胜.基于油中溶解气体分析的电力变压器绝缘故障诊断方法[D].西安:西安交通大学,1998.[4]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.[5]王昌长,李福琪,高胜友.电气设备的在线监测与故障诊断[M].北京:清华大学出版社,2006.[6]杨廷方,刘沛,李景禄,等.FCM结合IEC三比值法诊断变压器故障[J].高电压技术,2007,33(8):66-70.YANG Tingfang,LIU Pei,LI Jinglu,et al.New faultdiagnosis method of power transformer by combination ofFCM and IEC three-ratio method[J].High VoltageEngineering,2007,33(8):66-70.[7]徐阳,谢天喜,周志成,等.基于多维度信息融合的实用型变压器故障诊断专家系统[J].中国电力,2017,50(1):85-91.XU Yang,XIE Tianxi,ZHOU Zhicheng,et al.Practi-cal expert system for transformer fault diagnosis basedon multi-dimensional information fusion technology[J].Electric Power,2017,50(1):85-91.[8]石鑫.基于深度学习的变压器故障诊断技术研究[D].北京:华北电力大学,2016.[9]姚海成,张金龙,鲍颜红,等.大规模电网月度方式变压器变比优化方法[J].现代电力,2019,36(4):88-94.YAO Haicheng,ZHANG Jinlong,BAO Yanhong,etal.Transformer ratio optimization method for large scalepower grid monthly operational mode[J].Modern E-lectric Power,2019,36(4):88-94.[10]郭慧莹,王毅.基于DGA支持向量机的变压器故障诊断[J].现代电子技术,2019,42(19):154-158.GUO Huiying,WANG Yi.Transformer fault diagnosisbased on DGA support vector machine[J].Modern E-lectronics Technique,2019,42(19):154-158.[11]许强维.基于信息融合的变压器状态评估与故障诊断[D].上海:上海电机学院,2019.[12]赵文清,严海,周震东,等.基于残差BP神经网络的变压器故障诊断[J].电力自动化设备,2020,40(2):143-148.66㊀第6期㊀赵冬梅,等:基于改进堆栈自编码器的变压器故障诊断模型㊀ZHAO Wenqing,YAN Hai,ZHOU Zhendong,et al.Fault diagnosis of transformer based on residual BP neu-ral network[J].Electric Power Automation Equip-ment,2020,40(2):143-148.[13]雷帆,高波,袁海满,等.基于DGA的粗糙集与人工鱼群极限学习机的变压器故障诊断[J].高压电器,2017,53(10):124-130.LEI Fan,GAO Bo,YUAN Haiman,et al.Transform-er fault diagnosis by using rough set and artificial fishswarm extreme learning machine based on DGA[J].High Voltage Apparatus,2017,53(10):124-130.[14]朱超岩,姚晓东,林向会,等.堆栈稀疏降噪自编码网络在变压器故障诊断中的应用[J].中国科技论文,2019,14(11):1217-1222.ZHU Chaoyan,YAO Xiaodong,LIN Xianghui,et al.Application of stacked sparse denoising auto-encodernetwork in transformer fault diagnosis[J].China Sci-encepaper,2019,14(11):1217-1222. [15]张玉振,吉兴全,彭立岩,等.基于栈式自编码器和Softmax分类器的电力变压器故障诊断[J].中国科技论文,2018,13(23):2694-2699.ZHANG Yuzhen,JI Xingquan,PENG Liyan,et al.Fault diagnosis for power transformer using stacked auto-encoders and Softmax regression[J].China Sciencepa-per,2018,13(23):2694-2699.[16]龚钢军,安晓楠,陈志敏,等.基于SAE-ELM的电动汽车充电站负荷预测模型[J].现代电力,2019, 36(6):9-15.GONG Gangjun,AN Xiaonan,CHEN Zhimin,et al.Model of load forecasting of electric vehicle charging sta-tion based on SAE-ELM[J].Modern Electric Power,2019,36(6):9-15.[17]IOFFE S,SZEGEDY C.Batch Normalization:accelera-ting deep network training by reducing internal covariateshift[C].Proceedings of the32nd International Confer-ence on uachine Learning,Lille,France,2015. [18]DUVAL M,DEPABLA A.Interpretation of gas-in-oil a-nalysis using new IEC publication60599and IEC TC10databases[J].IEEE Electrical Insulation Magazine,2001,17(2):31-41.㊀㊀作者简介:赵冬梅(1965-),女,教授,研究方向为电力系统分析与控制㊁新能源发电与智能电网;王闯(1997-),男,硕士研究生,研究方向为电力系统分析与控制㊁新能源发电与智能电网;马泰屹(1997-),女,硕士研究生,研究方向为电力系统分析与控制㊁新能源发电与智能电网㊂(上接第60页)[22]牛刚,何强,黄健群,等.基于Mel刻度短时能量差的语音活性检测算法[J].声学与电子工程,2006,(4):29-31.NIU Gang,HE Qiang,HUANG Jianqun,et al.Speechactivity detection algorithm based on Mel scale short-term energy difference[J].Acoustics and ElectronicsEngineering,2006,(4):29-31.[23]吴晓文,卢铃,胡胜,等.110kV变压器噪声特征量统计与分析[J].高压电器,2019,55(11):113-117.WU Xiaowen,LU Ling,HU Sheng,et al.Statistics andanalysis of audible noise features of110kV transformers[J].High Voltage Apparatus,2019,55(11):113-117.[24]CHEUNG B.Convolutional neural networks applied tohuman face classification[C].201211th International Conference on Machine Learning and Applications,Boca Raton,FL,2012.㊀㊀作者简介:刘云鹏(1976-),男,教授,博士生导师,研究方向为特高压输电技术㊁电气设备在线监测和外绝缘;罗世豪(1995-),男,硕士研究生,研究方向为电气设备在线监测;王博闻(1994-),男,博士研究生,研究方向为电气设备在线监测㊂76。
基于模糊理论的变压器故障诊断模型研究
假 设 该 征 兆 样 本 是 由 故 障 原 因 Ｙ 产 生 的 ，Ｙ 对各 种 故 障原 因 的 隶 属 度 为 ｌ Ｙ ） ，（ ，则 构 成 了故
Ｙ＝（ ｙ ， ， Ｙ ，２ … Ｙ ） （ ２）
本 文选 择 引入 模 糊 理 论 来 构 造 变 压 器 状 态 诊 障原 因模 糊 向量 ： 断模 型 ，根 据 变 压 器 各 部 件 状 态 信 息 量 的 注 意 值 和 良好 值 ，以及 状 态 信 息 量 和 故 障 原 因 的 对 应 关 系 ，构 造 基 于 状 态 信 息 量 的 隶 属 函数 ，计 算 故 障
概 率 ，对得 出 的 故 障 概 率 ，按 照 最 大 隶 属 度 原 则 判断故障原 因。 ｙ与 具 有模 糊 关 系 ：
Ｙ＝Ｘ ・ Ｒ （ ３）
式 （ ） 故 障原 因与： ３ 是 征兆 之 间 的 模 糊 关 系 方
ห้องสมุดไป่ตู้
程 ， ・ 模 糊 算 子 ，Ｒ 是 体 现 诊 断 专 家 经 验 知 识 是
造基 于状 态信息量的隶属函数 ，采用层次分析 法确定 变压 器状 态诊 断模 型 中各状 态信息 的主观权 重，然 后选取熵值法确定各状态信息的客观权重 ，最后计算 出主客观 权重 的综合赋 权 ，将 最终得到 的权 值应 用
于诊断模型 中，计算故障概率 ，对得 出的故障概率 ，按 照最大隶属度 原则判断故障原因。
第２ ８卷第 ６期
２１ ０ ２年 ６月
电
力
科
学
与
工
程
Ｖ０． ８． ． １２ Ｎｏ ６
３ ９
Ｅｌｃ ｒｃ Ｐｏｗｅ ｉｎｃ ｎｄ ｅ ｔ ｉ ｒ Ｓｃｅ ｅ ａ Ｅｎｇｎｅ ｒｎｇ ｉ ｅｉ
基于改进物元可拓模型的飞机监造工作定量评价方法
基于改进物元可拓模型的飞机监造工作定量评价方法
倪辰旖
【期刊名称】《科技和产业》
【年(卷),期】2024(24)6
【摘要】为解决飞机监造工作评估标准模糊的问题,结合实际工作,形成客户检查项目评估体系,引入改进物元可拓模型建立评价模型,对飞机监造工作进行准确定量评估。
该模型以贴近度代替关联度,将评估体系中各个客户检查项目评价指标定量化,提高评估准确性。
经实例分析,评估结果与运营人反馈信息一致,验证其可行性。
通过对监造工作的准确定量评估,为运营人实施监造工作提供参考,为飞机交付提供支持,为提高制造质量提供指导。
【总页数】6页(P99-104)
【作者】倪辰旖
【作者单位】中国商飞上海飞机制造有限公司维修交付中心
【正文语种】中文
【中图分类】V262.4
【相关文献】
1.基于可拓理论的电力变压器监造工作的定量评估方法研究
2.基于改进物元可拓模型的肉制品中化学污染物风险评估方法
3.基于改进熵权物元可拓模型的港口作业风险评价研究
4.基于改进变权物元可拓模型的高校体育教师数字素养评价
5.基于综合权重和改进物元可拓评价模型的地下水水质评价
因版权原因，仅展示原文概要，查看原文内容请购买。
基于可拓理论的模拟电路故障诊断方法
基于可拓理论的模拟电路故障诊断方法杜占龙;谭业双;甘彤【摘要】针对模拟电路存在较多故障模式的诊断中易出现分类混叠的问题,提出一种基于可拓理论的故障诊断方法；建立定性地描述模拟电路故障诊断的物元模型,引入可拓集合中的关联函数和相关度；将响应信号进行小波分解提取其各层能量作为故障特征,并利用变尺度的混沌遗传算法优化各故障特征的权重系数,最后定量地计算各故障状态的可能程度；利用实验电路将该方法与另外两种诊断方法比较,实验结果表明,该方法故障分类正确率最高,耗时最短,从而可以证明该方法的有效性.%Aiming at overlapped recognition on analog circuit fault diagnosis with large number of fault categories, this paper presented a fault identification based on extension theory. A matter-element model for analog circuit was established and the correlation functions and correlation value in extension set was introduced. The response signal was decomposed by wavelet and the energy of each layer from wavelet was distilled. Weight parameters were optimized by chaotic genetic algorithm of mutative scale. The failure probability of any possible fault state was calculated. The proposed method and another two methods have been tested on a test circuit. Results show that compared with another two methods, classified rate of the proposed method was the highest and the time used was the least. It confirmed the proposed method effective.【期刊名称】《计算机测量与控制》【年(卷),期】2011(019)012【总页数】5页(P2908-2911,2921)【关键词】可拓理论;故障诊断;模拟电路;小波变换;混沌遗传算法【作者】杜占龙;谭业双;甘彤【作者单位】军械工程学院光学与电子工程系,河北石家庄050003;军械工程学院光学与电子工程系,河北石家庄050003;中国科学院研究生院国家天文台,北京100000【正文语种】中文【中图分类】TN390 引言模拟电路元器件因其容差、功能和结构的复杂性、非线性及不确定性等因素，使得模拟电路的故障诊断成为故障诊断发展的一个难点。
基于决策树的变压器故障部位诊断技术 王强
基于决策树的变压器故障部位诊断技术王强摘要：变压器是电网中的关键设备之一，变压器故障将对电网的可靠性和系统的正常运行产生重要影响。
因此，开展变压器故障早期诊断，对保证变压器长期安全可靠运行，减少非计划停用，防止异常情况的发生，具有非常重要的作用。
关键词：决策树、变压器故障、诊断目前，国内电力系统使用的大型变压器多为油浸式变压器，其内部变压器油和固体绝缘材料由于受电场、热、湿度、氧等因素的影响，会逐渐老化、分解，产生少量的氢、低分子烃类气体、一氧化碳和二氧化碳等气体，且大部分溶解在油中。
当变压器内部存在潜伏性故障或故障加剧时，油中溶解气体数量会相应增加，最终造成瓦斯保护动作。
显然，故障气体的组成、含量和产气速率是诊断变压器故障存在、发展以及故障性质的重要依据，通过检测变压器油的色谱情况，对早期诊断变压器的内部故障、实现安全生产至关重要。
1.决策树样本集构成为了形成可以诊断用的判决树，首先需要做的工作就是收集尽可能多的样本以便学习。
为了使形成的判决树具有通用性和实用性，收集的样本应来自现场，同时应尽可能覆盖所有的故障样本空间，在本章中也就是应该尽可能覆盖变压器所有的可能故障的部位。
此外，不同的变压器对故障的表现形式有差异，同一变压器在不同的运行状态下对故障的表现形式也不尽相同，所以样本也应该尽可能来自不同种类的变压器和尽量多的运行状态，总而言之，也就是样本数据集的样本应该尽量丰富。
2.决策树的生成根据形成决策树的ID3算法，构成对应于上表故障数据样本集的决策树。
具体步骤如下：（1）计算系统的初始熵为：3.变压器故障部位诊断规则的生成机器学习中，决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。
树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。