通過改進自動編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度

通過改進自動編碼器提升數(shù)據(jù)不足條件下的變壓器故障診斷精度

變壓器發(fā)生故障的情況較少，使得基于機器學(xué)習(xí)的變壓器故障診斷方法存在數(shù)據(jù)不足的問題。為此，智能電網(wǎng)教育部重點實驗室（天津大學(xué)）、瑞典皇家理工學(xué)院電氣工程與計算機科學(xué)學(xué)院、國網(wǎng)冀北電力有限公司檢修分公司的研究人員葛磊蛟、廖文龍、王煜森、宋麗可，在2021年《電工技術(shù)學(xué)報》增刊1上撰文，提出一種基于改進自動編碼器（IAE）的變壓器故障數(shù)據(jù)增強方法。

首先，針對傳統(tǒng)自動編碼器生成的數(shù)據(jù)有限和缺乏多樣性的問題，提出改進的變壓器故障數(shù)據(jù)生成策略。其次，考慮到傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的池化操作會丟失大量特征信息，構(gòu)建改進的卷積神經(jīng)網(wǎng)絡(luò)（ICNN）作為故障診斷的分類器。最后，通過實際數(shù)據(jù)驗證了所提方法的有效性和適應(yīng)性。仿真結(jié)果表明，相對于隨機過采樣算法、合成少數(shù)類過采樣技術(shù)及自動編碼器等傳統(tǒng)的數(shù)據(jù)增強方法，IAE能同時兼顧數(shù)據(jù)的分布和多樣性特征，生成的變壓器故障數(shù)據(jù)對分類器的性能提升效果最好。和傳統(tǒng)分類器相比，ICNN在數(shù)據(jù)增強前、后都具有更高的故障診斷精度。


變壓器是一種利用電磁感應(yīng)原理來實現(xiàn)電壓變換的裝置，它在輸電側(cè)和配電側(cè)都起著至關(guān)重要的作用。一旦變壓器發(fā)生故障，會嚴重影響電力系統(tǒng)的正常運行，造成負荷大面積失電等嚴重事故，并帶來一定的經(jīng)濟損失。因此，開展變壓器故障診斷研究具有重要的理論意義和工程實際應(yīng)用價值。

目前，大部分的大型電力變壓器屬于油浸式變壓器，變壓器油中的溶解氣體含量是故障診斷的重要依據(jù)。基于分析溶解氣體含量發(fā)展而來的傳統(tǒng)故障診斷方法主要包括三比值法、支持向量機（Support Vector Machine, SVM）法、貝葉斯網(wǎng)絡(luò)法、多層感知機（Multi-Layer Perceptron, MLP）法及輕梯度提升機（Light Gradient Boosting Machine, LightGBM）法等。這些傳統(tǒng)方法的原理簡單、對于數(shù)據(jù)量要求比較小，但它們存在共性的問題，即特征能力不足，故障診斷的精度有限。

近年來，深度學(xué)習(xí)技術(shù)在自然語言處理、計算機視覺和視頻分析等多個領(lǐng)域都取得了優(yōu)異的成績，這為提升變壓器故障診斷精度帶來了新的契機?；谏疃葘W(xué)習(xí)技術(shù)的變壓器故障診斷方法主要包括卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）法和深度信念網(wǎng)絡(luò)法，它們不僅具有強大的特征提取能力，還能映射溶解氣體和故障類型之間復(fù)雜的非線性關(guān)系，相較于傳統(tǒng)方法具有更高的診斷精度。

訓(xùn)練集中包含充足且分布均勻的故障樣本，是保障深度神經(jīng)網(wǎng)絡(luò)具有較強泛化能力的關(guān)鍵條件。然而，變壓器發(fā)生各類故障的頻率差異較大，可能存在信息記錄不全或者數(shù)據(jù)缺失等問題，導(dǎo)致難以滿足深度神經(jīng)網(wǎng)絡(luò)對于故障樣本數(shù)據(jù)量的要求。因此，如何在數(shù)據(jù)不足的條件下對變壓器故障數(shù)據(jù)進行增強是亟待解決的問題。

一些專家學(xué)者已經(jīng)對此展開了初步的研究，有學(xué)者分別利用隨機過采樣（Randdom Over-Sampling, ROS）算法和合成少數(shù)類過采樣技術(shù)（Synthetic Minority Over-sampling Technique, SMOTE）讓每個正樣本和附近的多個樣本隨機結(jié)合，極大地增加了原有樣本的個數(shù)，但無法兼顧故障數(shù)據(jù)的整體分布特征和多樣性的問題。

為了解決這些問題，有學(xué)者構(gòu)建了條件生成對抗網(wǎng)絡(luò)（Conditional Generative Adversarial Network, CGAN），以服從高斯分布的隨機噪聲作為生成器的輸入，產(chǎn)生指定類型的變壓器故障樣本數(shù)據(jù)，在一定程度上提升了故障診斷的性能，但存在訓(xùn)練過程不穩(wěn)定，容易出現(xiàn)梯度消失及調(diào)參難度大等問題。

作為備受歡迎的新型深度生成模型，自動編碼器（Auto-Encoder, AE）是一種利用輸出向量來重構(gòu)輸入特征的前饋神經(jīng)網(wǎng)絡(luò)。目前，AE在機器翻譯、數(shù)據(jù)降維、表征學(xué)習(xí)及圖像修復(fù)等領(lǐng)域具有較好的應(yīng)用效果，但在變壓器故障數(shù)據(jù)增強中的應(yīng)用仍處于初級階段。理論上，AE可以利用具有強大學(xué)習(xí)能力的編碼器有效地提取溶解氣體的潛在特征，并通過解碼器反向重構(gòu)溶解氣體數(shù)據(jù)，更可為變壓器故障診斷提供數(shù)據(jù)保障。

然而，已有的自動編碼器的變體，如變分自動編碼器，雖然可以應(yīng)用于數(shù)據(jù)生成，但它需要將海量的故障樣本用于訓(xùn)練模型，這有違數(shù)據(jù)不足的先決條件。相對而言，傳統(tǒng)AE對數(shù)據(jù)量的要求不高，但它生成的數(shù)據(jù)和輸入數(shù)據(jù)高度相似，不僅缺少多樣性，而且生成的樣本個數(shù)有限。如何根據(jù)變壓器的溶解氣體特征，設(shè)計一種能夠兼顧變壓器故障數(shù)據(jù)多樣性和樣本個數(shù)的自動編碼器結(jié)構(gòu)，有待進一步的研究。

針對上述的問題，智能電網(wǎng)教育部重點實驗室（天津大學(xué)）等單位的科研人員在數(shù)據(jù)不足條件下提出了一種基于改進自動編碼器的變壓器故障數(shù)據(jù)增強方法。


首先，在分析傳統(tǒng)AE的基礎(chǔ)上，提出了IAE用于變壓器故障數(shù)據(jù)的增強。其次，針對傳統(tǒng)CNN的池化操作會丟失大量特征信息的問題，構(gòu)建了ICNN作為變壓器故障診斷的分類器。再次，以溶解氣體數(shù)據(jù)作為模型的輸入特征，并對變壓器狀態(tài)進行編碼，提出了相關(guān)的指標用于評估模型的性能。最后，通過實際數(shù)據(jù)進行仿真得出以下結(jié)論：

1）IAE的訓(xùn)練過程平穩(wěn)、收斂速度快，可以很好地擬合原始數(shù)據(jù)的分布，并生成和原始數(shù)據(jù)特征相似的數(shù)據(jù)。相對于ROS、SMOTE和AE等傳統(tǒng)的數(shù)據(jù)增強方法，IAE在考慮數(shù)據(jù)分布的同時還能兼顧數(shù)據(jù)的多樣性，生成的變壓器故障數(shù)據(jù)對分類器的精度提升效果最好。

2）和MLP、SVM、LightGBM以及CNN等分類器相比，ICNN在數(shù)據(jù)增強前、后都具有更高的故障診斷精度。CNN的池化操作會讓其損失部分特征信息，限制了模型的診斷精度。ICNN通過調(diào)節(jié)卷積核尺寸來替代傳統(tǒng)CNN的池化層可以提升診斷性能。

3）相對于原始訓(xùn)練樣本，經(jīng)過IAE進行數(shù)據(jù)增強后，MLP、SVM、LightGBM、CNN和ICNN等分類器的診斷精度都有著不同程度的提升，說明利用IAE來生成變壓器故障樣本數(shù)據(jù)不受限于某個分類器，具有一定的適應(yīng)性。

在本項目中，科研人員對深度學(xué)習(xí)技術(shù)在變壓器故障數(shù)據(jù)增強中的應(yīng)用進行了初步的研究。后續(xù)收集到更多的變壓器故障樣本數(shù)據(jù)，可以進一步探究當訓(xùn)練集樣本個數(shù)是否越多，IAE產(chǎn)生的數(shù)據(jù)對于分類器性能提升效果越好。

以上研究成果發(fā)表在2021年《電工技術(shù)學(xué)報》增刊1，論文標題為“數(shù)據(jù)不足條件下基于改進自動編碼器的變壓器故障數(shù)據(jù)增強方法”，作者為葛磊蛟、廖文龍 等。

了解更多關(guān)于編碼器知識，請關(guān)注西安德伍拓自動化傳動系統(tǒng)有限公司網(wǎng)站。公司專業(yè)技術(shù)團隊為您免費提供旋轉(zhuǎn)編碼器的選型、安裝、調(diào)試、保養(yǎng)等技術(shù)指導(dǎo)服務(wù)，盡量避免企業(yè)因為編碼器技術(shù)人員的短缺帶來的損失，采取“線上+線下”服務(wù)的服務(wù)形式，幫助企業(yè)解決技術(shù)難題。