CN110689069A

CN110689069A - 一种基于半监督bp网络的变压器故障类型诊断方法

Info

Publication number: CN110689069A
Application number: CN201910910935.6A
Authority: CN
Inventors: 张英; 张靖; 赵靓玮; 贺毅
Original assignee: Guizhou University; Guizhou Power Grid Co Ltd
Current assignee: Guizhou University; Guizhou Power Grid Co Ltd
Priority date: 2019-09-25
Filing date: 2019-09-25
Publication date: 2020-01-14

Abstract

本发明公开了一种基于半监督BP网络的变压器故障类型诊断方法，它包括采集变压器油中溶解气体含量数值作为样本；用有标签数据样本训练分类器；再用训练后的分类器不断的标记无标签数据样本；将置信度高于阀值的标记后的数据样本加入有标签样本集合，重新训练分类器，置信度低于阀值的标记后的数据样本加入无标签样本集合；直到满足停止条件，将有标签样本集合D_L作为训练集样本输入到BP神经网络模型进行训练，得到训练好的BP神经网络模型；通过训练好的BP神经网络模型对变压器故障类型进行诊断；解决了针对变压器的采样只能获得少量完备数据样本，获取大量具有标签的完备数据样本非常困难，需要花费大量的人力物力等技术问题。

Description

一种基于半监督BP网络的变压器故障类型诊断方法

技术领域

本发明属于变压器故障诊断技术，尤其涉及一种基于半监督BP网络的变压器故障类型诊断方法。

背景技术

电力变压器作为电力***中电压变换和电能分配的重要设备，其安全可靠性与电力***的稳定性息息相关。但由于制造缺陷、人为因素和天气影响等，变压器的故障诊断及其发展趋势预测一直受到高度关注。我国大多数电力变压器是油浸式变压器。变压器故障初期，所形成的气体溶解于油中，当故障能量变大，就会形成自由气体。因此，油中溶解气体分析(Dissolved Gas Analysis,DGA)成为了变压器故障诊断的主要手段。

目前，基于DGA的电力变压器故障诊断方法主要分为传统的故障诊断方法和智能诊断方法。传统方法主要是利用IEC三比值法。该方法目前在变压器故障诊断方面应用率很高，它在远离区间分界点的地方准确率很理想，但是，当比值在判断区间交界处附近时，三比值法会有判断不准甚至误判的问题。面对传统比值法的不足之处，研究者们以DGA作为特征量，开展了大量智能故障诊断方法的研究。比如用3步法构造贝叶斯网络，将其与DGA的三比值法结合后实现变压器故障诊断；或采用模糊算法对电力变压器的油中气体分析数据进行聚类分析；或基于遗传支持向量机和灰色人工免疫算法的两级分类器级联的电力变压器故障诊断算法；也提出使用BP网络诊断变压器故障，解决了比值法边界误判问题。但是，现有技术的智能故障诊断方法需要大量的完备数据才能训练得到理想的网络。而通常情况下针对变压器的采样只能获得少量完备数据样本，大量的无标签数据样本；要想获取大量具有标签的完备数据样本非常困难，需要花费大量的人力物力。

发明内容

本发明要解决的技术问题是：提供一种基于半监督BP网络的变压器故障类型诊断方法，以解决现有技术对变压器故障诊断采用智能故障诊断方法存在需要大量完备数据才能训练得到理想的网络；而通常情况下针对变压器的采样只能获得少量完备数据样本，获取大量具有标签的完备数据样本非常困难，需要花费大量的人力物力等技术问题。

本发明的技术方案是：

一种基于半监督BP网络的变压器故障类型诊断方法，它包括：

步骤1、采集变压器油中溶解气体含量数值作为样本，设D_N＝{x₁，x₂，…，x_l+1，x_l+2，…，x_n}是无标签样本集合，D_L＝{(x₁，y₁)，(x₂，y₂)，…，(x_l，y_l)}是有标签样本集合；

步骤2、用有标签数据样本训练分类器；

步骤3、再用训练后的分类器不断的标记无标签数据样本；

步骤4、将置信度高于阀值的标记后的数据样本加入有标签样本集合，重新训练分类器，置信度低于阀值的标记后的数据样本加入无标签样本集合；

步骤5、重复步骤2-4，直到满足停止条件，停止条件为D_N用完；

步骤6、将有标签样本集合D_L作为训练集样本输入到BP神经网络模型进行训练，得到训练好的BP神经网络模型；

步骤7、通过训练好的BP神经网络模型对变压器故障类型进行诊断。

所述样本数据大小为3×8维，将其变换成1×24维输入网络，对所有数据进行归一化为[0，1]之间的值，归一化方法采用最大最小法：

x_k＝(x_k-x_min)/(x_max-x_min)

式中x_min为数据序列中的最小值；x_max为数据序列中的最大值。

样本数据选择使用生成对抗网络GAN来做数据平衡处理；生成对抗网络的框架中包含一对相互对抗的模型：判别器和生成器，判别器是用来判别数据真假的，输入的样本为真，则判别器输出1，输入的样本为假，判别器输出0。

本发明有益效果：

本发明利用初始的有标记样本数据训练出一个分类器，然后利用这个训练好的分类器，对无标记样本进行分类，并选择置信度高的被打上标记的样本加入到有标记样本集中，不断迭代，直到达到停止条件，以这样的方式来扩大有标记样本的容量，以BP神经网络作为主体，将其应用于变压器故障诊断与分析；实验证明，改进后的网络故障诊断性能得到提高，验证了半监督学习的有效性与实用性；解决了现有技术对变压器故障诊断采用智能故障诊断方法存在需要大量完备数据才能训练得到理想的网络；而通常情况下针对变压器的采样只能获得少量完备数据样本，获取大量具有标签的完备数据样本非常困难，需要花费大量的人力物力等技术问题。

具体实施方式

自训练算法是半监督学习中的一种方法，由于其简单有效性，不需要特定的假设条件，在自训练方法中，首先用少量的有标签数据样本训练分类器，再用训练后的分类器不断的标记无标签数据样本，并选置信度高的样本加入训练集集，重新训练分类器，直到满足停止标准

设D_N＝{x₁，x₂，…，x_l+1，x_l+2，…，x_n}是无标记样本集合，D_L＝{(x₁，y₁)，{x₂，y₂)，…，(x_l，y_l)}是有标记样本集合。

算法流程如下：

①用D_L初始化分类器。

②从D_N中随机选出一部分数据样本，用分类器对它们进行分类预测。然后选出置信度高的样本放入到训练集，重新用训练集来训练分类器。置信度低的样本重新返回无标记样本池。

③重复步骤②，直到满足停止条件。本文设置的停止条件是D_N用完。

其中分类器是一个分类模型。本文分类器采用BP神经网络。

BP神经网络的学习过程主要分为两部分：第一部分是输入数据进行正向传播，第二部分是根据标签与网络输出的误差进行反向传播。BP神经网络的学习训练过程分为以下几个步骤：

①初始化BP神经网络

根据输入样本数据及其标签数量，确定输入层i的节点数n、输出层k的节点数m、隐含层j的节点数l，初始化输入层和隐含层之间的权重ω_ij，初始化隐含层和输出层之间的连接权值ω_jk，初始化隐含层和输出层的阈值a、b，设置学习速率和隐含层激励函数。

②计算隐含层输出H_j

j＝1，2，...，l

其中，H_j为隐含层第j个单元的输出值；f为激励函数，本文选用Sigmoid函数，l为选定的隐含层节点数。

③计算输出层输出O_k

式中，O_k为输出层第k个单元的输出值；ω_jk为隐含层和输出层之间的连接权值，b_k为输出层第k个输出单元的阈值。

④计算网络输出值与原始样本标签值的误差e_k

e_k＝Y_k-O_kk＝1，2，...，m (3)

其中，e_k为输出层第k个单元的误差值，Y_k为输出层第k个单元的标签值。

⑤更新权重ω_ij，ω_jk

i＝1，2，...，n；j＝1，2，...，l

ω_jk＝ω_jk+ηH_je_k (5)

k＝1，2，...，m；j＝1，2，...，l

其中，ω_ij为输入层和隐含层之间的权重，ω_jk为隐含层和输出层之间的权重，η为学习速率。

⑥更新阈值a，b

j＝1，2，...，l

b_k＝b_k+e_k (7)

k＝1，2，...，m

其中，a_j为隐含层第j个单元的阈值；b_k为输出层第k个单元的阈值。

⑦判断终止条件

本文采用终止条件为达到一定迭代次数。判断是否达到设置的终止条件，若达到则结束程序，若没有达到，则重复步骤②～⑥。

由于电压等级在220kV及以下的变压器油中溶解气体含量阈值相同，故本次选取的所有数据均为220kV及以下的变压器油中溶解气体含量数值。每组样本数据大小为1×8维，分别是CH₄、C₂H₆、C₂H₄、C₂H₂、总烃、H₂、CO、CO₂。由于变压器的故障存在随着时间发展和变化的现象，且由于监测设备造成的假故障数据时常存在，故单独提取一次监测数据来做故障诊断的意义不大。本课题选取的样本数据均为连续三次监测的变压器油色谱监测数据，每组样本数据大小为3×8维，将其变换成1×24维输入网络，对所有数据进行归一化为[0，1]之间的值，避免样本各维之间的数量级差别较大。本文归一化方法采用最大最小法：

x_k＝(x_k-x_min)/(x_max-x_min) (8)

其中，x_min为数据序列中的最小值；x_max为数据序列中的最大值。

在变压器油色谱的监测中，正常状态与异常状态的样本数据量相差悬殊，本文得到的变压器油色谱监测数据中，正常数据与异常数据之比约为50∶1。因其数据不平衡性，使用BP神经网络对其进行分类效果并不理想，存在严重的过拟合和网络不收敛现象。为了解决不平衡数据问题，选择使用生成对抗网络(Generative Adversarial Networks，GAN)来做数据平衡处理。

受博弈论中二元零和博弈的启发，生成对抗网络的框架中包含一对相互对抗的模型：判别器和生成器。判别器是用来判别数据真假的，输入的样本为真，则判别器输出1，输入的样本为假，判别器输出0。生成器则尽可能的逼近真实数据的分布，使得判别器无法判断生成器输出样本的真假；通过对每一类数据进行学***衡，但生成的样本仅用于网络训练，网络测试样本一律使用真实数据进行。

本发明技术方案的仿真使用电脑设备的操作***为Windows 10(64bite)，CPU为Inteli7-6500U，内存为8GB，建模仿真平台为MATLAB R2014a。表1给出了变压器五种状态及其对应编码。采样数据共5800组，其中5000组标签样本用于训练网络，对应D_L，5类数据各占1000组；400组无标签样本用于扩张训练集，对应中D_N；另外400组无标签样本用于测试网络分类性能。800组无标签样本中，5类数据各占160组。

表1输出结果编码与变压器状态对应关系

通过BP神经网络在不同迭代次数的误差对比。可以看出，迭代次数在250次之前网络学习误差有较大波动，250次后网络趋于稳定，不再发生较大波动。

为了分析学习率的变化对BP神经网络的整体影响，表2给出了变学习率以及定学习率分别为0.01、0.1、0.7的计算结果。

表2学习率对网络的影响

由表2可知，当学习率为0.01和0.1时，网络分类正确率相差不大，但是当学习率为0.7时，学习率过大，导致网络的分类正确率较低。与定学习率对比，变学习率的分类正确率最高，采用变学习率能够提升BP神经网络的分类性能。

用标准BP神经网络代替自训练学***均分类正确率，将半监督BP神经网络的分类正确率与标准BP神经网络的分类正确率作对比。

表3网络改进前后正确率对比

由表3可知，在训练集数量较小时，自训练算法中加入到训练集的高置信度未标记样本起到了重要作用，提高了平均正确率5％以上，证明了自训练算法的有效性和实用性。

Claims

1.一种基于半监督BP网络的变压器故障类型诊断方法，它包括：

步骤1、采集变压器油中溶解气体含量数值作为样本，样本分为无标签样本集合D_N和有标签样本集合D_L；

步骤2、用有标签数据样本训练BP分类器；

步骤3、再用训练后的BP分类器不断的标记无标签数据样本；

步骤4、将置信度高于阀值的标记后的数据样本加入有标签样本集合，重新训练BP分类器，置信度低于阀值的标记后的数据样本加入无标签样本集合；

2.根据权利要求1所述的一种基于半监督BP网络的变压器故障类型诊断方法，其特征在于：所述样本数据大小为3×8维，将其变换成1×24维输入网络，对所有数据进行归一化为[0,1]之间的值，归一化方法采用最大最小法：

x_k＝(x_k-x_min)/(x_max-x_min)

3.根据权利要求1所述的一种基于半监督BP网络的变压器故障类型诊断方法，其特征在于：其特征在于：样本数据选择使用生成对抗网络GAN来做数据平衡处理；生成对抗网络的框架中包含一对相互对抗的模型：判别器和生成器，判别器是用来判别数据真假的，输入的样本为真，则判别器输出1，输入的样本为假，判别器输出0。