楊 威，蒲彩霞，楊 坤，張安安，曲廣龍

基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法

楊 威1，蒲彩霞1，楊 坤2，張安安1，曲廣龍1

(1.西南石油大學(xué)，四川 成都 610500；2.國(guó)網(wǎng)四川省電力公司廣元供電公司，四川 廣元 628000)

為挖掘變壓器運(yùn)行狀態(tài)參量間的關(guān)聯(lián)關(guān)系，量化外部環(huán)境對(duì)變壓器運(yùn)行狀態(tài)的影響，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和門控循環(huán)單元組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法。首先，通過關(guān)聯(lián)規(guī)則挖掘變壓器狀態(tài)參量間的相關(guān)性，結(jié)合變權(quán)思想進(jìn)行綜合狀態(tài)評(píng)估，引入指數(shù)函數(shù)建立表征變壓器運(yùn)行狀態(tài)的故障率模型，并將其作為預(yù)測(cè)狀態(tài)參量。其次，考慮外部環(huán)境對(duì)變壓器運(yùn)行狀態(tài)的影響，分別從日期因素、氣象因素和生產(chǎn)工藝因素構(gòu)建變壓器故障預(yù)測(cè)特征集。然后，利用卷積神經(jīng)網(wǎng)絡(luò)在高維空間提取特征集與故障率間的特征向量，將結(jié)果輸入門控循環(huán)單元進(jìn)行優(yōu)化訓(xùn)練，從而預(yù)測(cè)變壓器故障率的發(fā)展趨勢(shì)。最后，通過某海上平臺(tái)變壓器的故障預(yù)測(cè)趨勢(shì)分析，驗(yàn)證了所提方法的可行性與有效性。該方法與長(zhǎng)短期記憶模型、GRU模型、CNN-LSTM模型和支持向量機(jī)模型相比，具有更高的預(yù)測(cè)精度與更高的預(yù)測(cè)效率。

變壓器；狀態(tài)參量；故障預(yù)測(cè)；卷積神經(jīng)網(wǎng)絡(luò)；門控循環(huán)單元

0 引言

變壓器作為電力系統(tǒng)的核心電力設(shè)備之一，其運(yùn)行狀態(tài)直接關(guān)系到電網(wǎng)運(yùn)行的可靠性與安全性，變壓器故障預(yù)測(cè)對(duì)于掌握變壓器運(yùn)行狀態(tài)發(fā)展趨勢(shì)、實(shí)現(xiàn)風(fēng)險(xiǎn)預(yù)警以及維修決策具有重要意義[1-5]。國(guó)內(nèi)外學(xué)者對(duì)變壓器故障預(yù)測(cè)技術(shù)進(jìn)行了深入研究，主要通過對(duì)油中溶解氣體、頂層油溫、繞組溫度和繞組振動(dòng)信號(hào)等單一或少數(shù)狀態(tài)參量進(jìn)行預(yù)測(cè)，從而實(shí)現(xiàn)變壓器故障預(yù)測(cè)的目的[6-10]。文獻(xiàn)[11]采用云模型對(duì)油中溶解氣體樣本數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建油中氣體狀態(tài)空間，基于變壓器運(yùn)行狀態(tài)變化規(guī)律分析引入老化因子，構(gòu)建加權(quán)半Markov退化模型對(duì)變壓器運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)。文獻(xiàn)[12]根據(jù)油路結(jié)構(gòu)特點(diǎn)和繞組冷卻分析，建立了變壓器流體網(wǎng)絡(luò)模型，局部采用計(jì)算流體力學(xué)方法計(jì)算流場(chǎng)，求解得到變壓器繞組溫度。上述研究?jī)H考慮了預(yù)測(cè)狀態(tài)參量本身的歷史數(shù)據(jù)，忽略了狀態(tài)參量眾多關(guān)聯(lián)因素的影響，無(wú)法準(zhǔn)確預(yù)測(cè)潛伏性故障。

考慮到預(yù)測(cè)參量間的相關(guān)性，文獻(xiàn)[13]收集與變壓器油中溶解氣體相關(guān)的多維度影響因素?cái)?shù)據(jù)，采用灰色關(guān)聯(lián)分析提取關(guān)鍵預(yù)測(cè)輸入?yún)⒘?，建立基于鄰近算法的多因素預(yù)測(cè)模型，提升了預(yù)測(cè)精度。文獻(xiàn)[14]采用云模型挖掘狀態(tài)參量與不同狀態(tài)間的關(guān)聯(lián)規(guī)則，構(gòu)建變壓器狀態(tài)轉(zhuǎn)移矩陣，并建立修正因子體系對(duì)狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正，實(shí)現(xiàn)變壓器故障預(yù)測(cè)。由于以單一狀態(tài)參量為輸出的預(yù)測(cè)模型對(duì)變壓器整體發(fā)展趨勢(shì)的反映不夠直觀，文獻(xiàn)[15-16]選擇將能夠代表變壓器整體運(yùn)行狀態(tài)的健康指數(shù)及故障率等指標(biāo)作為預(yù)測(cè)模型輸出，能夠?yàn)楹罄m(xù)維修決策提供直觀的參考信息。隨著變壓器狀態(tài)參量以及相關(guān)外部環(huán)境等數(shù)據(jù)的大規(guī)模累積增多，常用數(shù)據(jù)挖掘算法工作計(jì)算量大[17-18]，實(shí)現(xiàn)復(fù)雜。文獻(xiàn)[19]利用長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)神經(jīng)網(wǎng)絡(luò)自動(dòng)提取變壓器特征狀態(tài)參量間的關(guān)聯(lián)關(guān)系，并挖掘其與未來(lái)狀態(tài)量之間的趨勢(shì)聯(lián)系，獲取預(yù)測(cè)模型最優(yōu)參數(shù)提高預(yù)測(cè)精度。LSTM需要較多訓(xùn)練參數(shù)，且模型收斂速度較慢，門控循環(huán)單元(Gated Recurrent Unit, GRU)作為L(zhǎng)STM的一種優(yōu)化網(wǎng)絡(luò)，在保證較高預(yù)測(cè)精度的同時(shí)可有效縮短模型的訓(xùn)練時(shí)間[20]。然而，GRU網(wǎng)絡(luò)不能充分挖掘非連續(xù)特征在高維空間中的聯(lián)系，因此需要結(jié)合其他網(wǎng)絡(luò)來(lái)提高對(duì)故障預(yù)測(cè)特征向量的數(shù)據(jù)挖掘能力。

鑒于此，本文提出了一種基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法。首先，采用關(guān)聯(lián)規(guī)則結(jié)合變權(quán)綜合思想進(jìn)行變壓器狀態(tài)評(píng)估，引入指數(shù)模型得到故障率作為預(yù)測(cè)模型的預(yù)測(cè)狀態(tài)參量，預(yù)測(cè)結(jié)果能夠直觀體現(xiàn)變壓器的整體發(fā)展趨勢(shì)；其次，分析影響變壓器運(yùn)行狀態(tài)的外部環(huán)境因素，構(gòu)建故障預(yù)測(cè)特征集，量化外部環(huán)境對(duì)變壓器運(yùn)行狀態(tài)的影響；然后，采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)深度挖掘特征集與故障率間的內(nèi)在聯(lián)系，將結(jié)果輸入到GRU循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到變壓器故障率預(yù)測(cè)結(jié)果。最后以某海上平臺(tái)變壓器為例進(jìn)行了算例分析，驗(yàn)證了本文所提方法的可行性與有效性。

1 變壓器短期故障預(yù)測(cè)模型框架

基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法框架如圖1所示。建立變壓器狀態(tài)評(píng)估指標(biāo)體系，將關(guān)聯(lián)規(guī)則和變權(quán)綜合思想有機(jī)地結(jié)合，通過狀態(tài)評(píng)估得到表征變壓器整體運(yùn)行狀態(tài)的故障率，并作為預(yù)測(cè)狀態(tài)參量；為量化外部環(huán)境對(duì)變壓器故障預(yù)測(cè)的影響，構(gòu)建變壓器故障預(yù)測(cè)特征集，采用CNN神經(jīng)網(wǎng)絡(luò)在高維空間提取多維特征向量，將結(jié)果輸入到GRU循環(huán)神經(jīng)網(wǎng)絡(luò)，得到變壓器未來(lái)短期的故障率變化趨勢(shì)。

圖1 基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法框架

2 基于狀態(tài)評(píng)估的變壓器故障率模型

為使預(yù)測(cè)結(jié)果能夠直觀反映變壓器狀態(tài)的整體發(fā)展趨勢(shì)，通過狀態(tài)評(píng)估得到故障率作為模型的預(yù)測(cè)狀態(tài)參量。

2.1 狀態(tài)評(píng)估指標(biāo)體系

反映變壓器運(yùn)行狀態(tài)的指標(biāo)量眾多[21]，通過分析變壓器的歷史試驗(yàn)、檢修及故障數(shù)據(jù)，結(jié)合國(guó)家電網(wǎng)公司發(fā)布的《油浸式變壓器(電抗器)狀態(tài)評(píng)價(jià)導(dǎo)則(Q/GDW 169－2008)》[22]，按照數(shù)據(jù)來(lái)源將影響變壓器運(yùn)行狀態(tài)的指標(biāo)分為在線監(jiān)測(cè)和靜態(tài)試驗(yàn)兩類，采用關(guān)聯(lián)規(guī)則確定綜合狀態(tài)量對(duì)應(yīng)的評(píng)估指標(biāo)，所建立的變壓器狀態(tài)評(píng)估指標(biāo)體系如附圖1所示，綜合狀態(tài)量對(duì)應(yīng)評(píng)估指標(biāo)如附表1所示。

2.2 變壓器綜合狀態(tài)評(píng)估

1)?單項(xiàng)評(píng)估指標(biāo)分值計(jì)算

依據(jù)關(guān)聯(lián)規(guī)則的相關(guān)定義，可得到評(píng)估指標(biāo)的支持度與置信度的數(shù)學(xué)表達(dá)式為

根據(jù)式(2)可得評(píng)估指標(biāo)的權(quán)重系數(shù)的數(shù)學(xué)表達(dá)式為

根據(jù)評(píng)估導(dǎo)則和實(shí)際工程情況，評(píng)估指標(biāo)的評(píng)分計(jì)算公式為

2) 綜合狀態(tài)量分值計(jì)算

根據(jù)評(píng)估指標(biāo)的評(píng)分值與權(quán)重系數(shù)可得綜合狀態(tài)量的評(píng)分值為

為解決變壓器評(píng)估指標(biāo)劣化不均衡問題，采用變權(quán)重理論結(jié)合均衡函數(shù)來(lái)計(jì)算綜合狀態(tài)量的變權(quán)重系數(shù)[23]，其數(shù)學(xué)表達(dá)式為

根據(jù)各項(xiàng)綜合狀態(tài)量評(píng)分以及對(duì)應(yīng)變權(quán)重系數(shù)，得到變壓器綜合狀態(tài)評(píng)估評(píng)分值為

式中，表示變壓器綜合狀態(tài)評(píng)估評(píng)分值。

2.3 變壓器故障率模型

變壓器故障率與運(yùn)行狀態(tài)符合指數(shù)分布[24]，依據(jù)前文所得到的可得到表征變壓器運(yùn)行狀態(tài)的故障率模型的數(shù)學(xué)表達(dá)式為

式中：表示變壓器故障率；表示曲率系數(shù)；表示比例系數(shù)；表示隨機(jī)事件引起的變壓器偶然故障率。

3 基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器故障預(yù)測(cè)

3.1 神經(jīng)網(wǎng)絡(luò)原理

1) CNN神經(jīng)網(wǎng)絡(luò)

CNN是一種前饋型神經(jīng)網(wǎng)絡(luò)，廣泛應(yīng)用于深度學(xué)習(xí)領(lǐng)域，主要由卷積層、池化層和全連接層組成，輸入特征向量可以為多維向量組，采用局部感知和權(quán)值共享的方式。卷積層對(duì)原始數(shù)據(jù)提取特征量，深度挖掘數(shù)據(jù)的內(nèi)在聯(lián)系，池化層能夠降低網(wǎng)絡(luò)復(fù)雜度、減少訓(xùn)練參數(shù)，全連接層將處理后的數(shù)據(jù)進(jìn)行合并，計(jì)算分類和回歸結(jié)果[25]。

2) GRU循環(huán)神經(jīng)網(wǎng)絡(luò)

GRU是LSTM的一種改進(jìn)模型，將遺忘門和輸入門集成為單一的更新門，同時(shí)混合了神經(jīng)元狀態(tài)和隱藏狀態(tài)，可有效地緩解循環(huán)神經(jīng)網(wǎng)絡(luò)中“梯度消失”的問題[26]，并能夠在保持訓(xùn)練效果的同時(shí)減少訓(xùn)練參數(shù)[27]，其門控單元結(jié)構(gòu)如圖2所示。

圖2 門控單元結(jié)構(gòu)

3.2 變壓器故障預(yù)測(cè)特征集的構(gòu)建

合理構(gòu)建預(yù)測(cè)特征集對(duì)模型預(yù)測(cè)的精度和收斂性至關(guān)重要。分析變壓器的運(yùn)行特征，影響變壓器運(yùn)行狀態(tài)的外部環(huán)境因素主要是日期因素、氣象因素和生產(chǎn)工藝因素，據(jù)此本文構(gòu)建的變壓器故障預(yù)測(cè)特征集包括以下3個(gè)因素。

1) 日期因素：主要考慮季節(jié)、節(jié)假日等日期因素對(duì)電力系統(tǒng)的生產(chǎn)工況具有較大影響，據(jù)此構(gòu)建包括季節(jié)、月、日、周、節(jié)假日的5維日期特征集。

2) 氣象因素：主要考慮天氣類型、風(fēng)力等氣候因素的變化對(duì)變壓器故障預(yù)測(cè)的影響，主要包括天氣類型、風(fēng)力類型、最高濕度、最低濕度、最高溫度、最低溫度的6維氣候特征集。

3) 生產(chǎn)工藝因素：主要考慮生產(chǎn)工況對(duì)變壓器運(yùn)行狀態(tài)的影響，構(gòu)建包括電負(fù)荷、熱負(fù)荷和伴生氣產(chǎn)量的3維生產(chǎn)工藝特征集。

綜上所述，本文構(gòu)造了包含日期因素、氣象因素、生產(chǎn)工藝因素在內(nèi)的14維特征向量作為預(yù)測(cè)模型的輸入，具體特征描述如表1所示。

表1 變壓器故障預(yù)測(cè)特征集

3.3 預(yù)測(cè)模型

在構(gòu)建變壓器故障預(yù)測(cè)特征集的基礎(chǔ)上，為了充分挖掘多個(gè)非連續(xù)特征在高維空間中的內(nèi)在聯(lián)系，首先通過CNN神經(jīng)網(wǎng)絡(luò)對(duì)特征集與故障率進(jìn)行特征提取，挖掘故障預(yù)測(cè)特征集與故障率間的內(nèi)在聯(lián)系，構(gòu)建時(shí)間序列的一維特征向量，輸入到GRU循環(huán)神經(jīng)網(wǎng)絡(luò)中進(jìn)行優(yōu)化訓(xùn)練，得到最終變壓器故障率預(yù)測(cè)結(jié)果輸出，預(yù)測(cè)模型訓(xùn)練流程如圖3所示。

3.4 預(yù)測(cè)流程

1) 數(shù)據(jù)歸一化處理

為了解決輸入數(shù)據(jù)的不同量綱與數(shù)值差異較大帶來(lái)的不良影響，在預(yù)測(cè)之前需要將訓(xùn)練數(shù)據(jù)集進(jìn)行歸一化處理，以數(shù)據(jù)集的最大值和最小值為基準(zhǔn)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，其數(shù)學(xué)表達(dá)式為

2) 模型訓(xùn)練

CNN神經(jīng)網(wǎng)絡(luò)由3層卷積層與1層池化層構(gòu)成，卷積核數(shù)目依次為8、16、32，卷積步長(zhǎng)為1，卷積方式選取same卷積，激活函數(shù)選用relu函數(shù)，經(jīng)過3次連續(xù)卷積后進(jìn)行Valid最大池化，最終得到個(gè)長(zhǎng)度為288的一維向量，輸入到GRU循環(huán)神經(jīng)網(wǎng)絡(luò)。GRU循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)提取到的特征向量進(jìn)行學(xué)習(xí)，構(gòu)建2層GRU結(jié)構(gòu)能夠達(dá)到最好的預(yù)測(cè)效果，激活函數(shù)采用relu激活函數(shù)，最后將全連接層的輸出經(jīng)過反歸一化得最終預(yù)測(cè)故障率值。在GRU循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，采用 Adam算法迭代更新權(quán)重[28]，通過動(dòng)量和自適應(yīng)學(xué)習(xí)率不斷更新各個(gè)神經(jīng)元的權(quán)重和偏差，使得損失函數(shù)的輸出值達(dá)到最優(yōu)，模型損失函數(shù)的數(shù)學(xué)表達(dá)式為

3) 預(yù)測(cè)評(píng)價(jià)指標(biāo)

為比較不同應(yīng)用場(chǎng)景及預(yù)測(cè)模型的預(yù)測(cè)效率，本文選擇訓(xùn)練時(shí)間r和調(diào)試時(shí)間q作為預(yù)測(cè)效率評(píng)價(jià)標(biāo)準(zhǔn)，將損失函數(shù)衰減為穩(wěn)定值作為終止條件。

4 算例分析

4.1 數(shù)據(jù)選擇

為驗(yàn)證本文所建立故障預(yù)測(cè)模型與方法的可行性與準(zhǔn)確性，選取渤海某海上油氣平臺(tái)2017—2018年變壓器的歷史故障數(shù)據(jù)、環(huán)境氣象數(shù)據(jù)和在線監(jiān)測(cè)數(shù)據(jù)等信息，設(shè)計(jì)不同場(chǎng)景及模型對(duì)該平臺(tái)變壓器進(jìn)行故障預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與實(shí)際運(yùn)行情況進(jìn)行對(duì)比分析。

以一臺(tái)型號(hào)為SZ-120000/220的變壓器為例，根據(jù)2017年1月1日到2018年12月30日的型號(hào)相同、運(yùn)行環(huán)境相似的變壓器歷史故障數(shù)據(jù)、環(huán)境氣象數(shù)據(jù)和在線監(jiān)測(cè)數(shù)據(jù)等信息，每隔30 min采集一次數(shù)據(jù)，對(duì)變壓器進(jìn)行狀態(tài)評(píng)估得到變壓器故障率數(shù)據(jù)，將故障率與特征集數(shù)據(jù)進(jìn)行歸一化與矩陣化處理之后，組成輸入特征矩陣作為故障預(yù)測(cè)模型的輸入，按照7:3分為訓(xùn)練集與測(cè)試集。

4.2 基于狀態(tài)評(píng)估的故障率分析

本文選取了與被測(cè)變壓器型號(hào)相同、運(yùn)行環(huán)境相似的1 112組故障樣本數(shù)據(jù)信息，采用關(guān)聯(lián)規(guī)則計(jì)算各評(píng)估指標(biāo)支持度，仿真結(jié)果如附表2所示。由附表2可知，本文所建立評(píng)估指標(biāo)體系各評(píng)估指標(biāo)的支持度都在0.832 1以上，且大多數(shù)都接近于1，表明建立的變壓器狀態(tài)評(píng)估指標(biāo)體系較為合理。根據(jù)歷史故障數(shù)據(jù)，擬合可得=-0.069，=0.012 1，=0.000 5，則該變壓器的故障率模型為

表2 狀態(tài)等級(jí)與維修決策

4.3 變壓器故障預(yù)測(cè)分析

為了進(jìn)一步了解該變壓器未來(lái)短期的運(yùn)行狀態(tài)演變趨勢(shì)，依據(jù)本文所構(gòu)建的故障預(yù)測(cè)特征集，設(shè)置以下4種不同場(chǎng)景進(jìn)行變壓器故障預(yù)測(cè)。

場(chǎng)景1：不考慮生產(chǎn)工藝與氣象因素對(duì)變壓器運(yùn)行狀態(tài)的影響。

場(chǎng)景2：不考慮生產(chǎn)工藝因素對(duì)變壓器運(yùn)行狀態(tài)的影響。

場(chǎng)景3：不考慮氣象因素對(duì)變壓器運(yùn)行狀態(tài)的影響。

場(chǎng)景4：同時(shí)考慮氣象因素與生產(chǎn)工藝因素對(duì)變壓器運(yùn)行狀態(tài)的影響。

鑒于日期因素直接影響到電力系統(tǒng)的生產(chǎn)工況，因此在設(shè)置應(yīng)用場(chǎng)景時(shí)將日期因素作為生產(chǎn)工藝因素的一部分。通過對(duì)該變壓器6月1日到6月14日的運(yùn)行數(shù)據(jù)進(jìn)行狀態(tài)評(píng)估，得到故障率數(shù)據(jù)集，在4種應(yīng)用場(chǎng)景下變壓器故障率預(yù)測(cè)結(jié)果如圖4所示。

對(duì)4種場(chǎng)景下的預(yù)測(cè)曲線計(jì)算預(yù)測(cè)誤差最大百分比E-max、預(yù)測(cè)精度平均值FA-arg和平均絕對(duì)百分比誤差MAPE、訓(xùn)練時(shí)間r和調(diào)試時(shí)間q，對(duì)比結(jié)果如表4所示。由表4可知，場(chǎng)景4的預(yù)測(cè)誤差最大百分比相較其他3種應(yīng)用場(chǎng)景分別下降了39.88%、17.37%和4.08%，預(yù)測(cè)精度平均值分別提高了20.89%、11.1%和3.57%，絕對(duì)百分比誤差分別下降了20.64%、11.39%和3.63%，且場(chǎng)景4的訓(xùn)練與調(diào)試時(shí)間更短，具有更高的預(yù)測(cè)效率。

表3 狀態(tài)評(píng)估表

圖4 不同場(chǎng)景下CNN-GRU預(yù)測(cè)模型預(yù)測(cè)曲線

表4 不同場(chǎng)景下CNN-GRU預(yù)測(cè)模型預(yù)測(cè)精度與效率比較

與場(chǎng)景1的預(yù)測(cè)結(jié)果相比，場(chǎng)景2、場(chǎng)景3和場(chǎng)景4的預(yù)測(cè)精度和效率都更高，說(shuō)明氣象和生產(chǎn)工藝因素都對(duì)變壓器運(yùn)作狀態(tài)具有較大的影響，不可忽略。與場(chǎng)景3相比，場(chǎng)景2的預(yù)測(cè)精度與效率更低，可見在此運(yùn)行環(huán)境下，生產(chǎn)工藝因素對(duì)變壓器運(yùn)行狀態(tài)的影響更大。

在此基礎(chǔ)上，分別采用本文所提出的CNN- GRU組合神經(jīng)網(wǎng)絡(luò)模型與GRU模型、CNN-LSTM模型、LSTM模型和SVM模型，在本文所建立的故障預(yù)測(cè)特征集(場(chǎng)景4)的基礎(chǔ)上，得到該變壓器在不同預(yù)測(cè)模型下故障率的演變趨勢(shì)如圖5所示。

圖5 場(chǎng)景4下不同模型預(yù)測(cè)曲線

由表5可知，與傳統(tǒng)GRU、CNN-LSTM、LSTM和SVM模型相比，本文所提出的CNN-GRU組合神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)誤差最大百分比分別下降了22.67%、27.32%、52.17%，預(yù)測(cè)精度平均值分別提高了9.86%、12.84%、18.82%，絕對(duì)百分比誤差分別下降了9.88%、12.35%、17.79%。與CNN-LSTM模型相比，在模型訓(xùn)練與調(diào)試時(shí)間幾乎相同的基礎(chǔ)上，本文所提出的模型具有更高的預(yù)測(cè)精度，極大地提升了預(yù)測(cè)效率。

表5 場(chǎng)景4下不同模型預(yù)測(cè)精度與效率比較

綜合圖4與圖5可知，CNN-GRU組合神經(jīng)網(wǎng)絡(luò)模型能夠充分挖掘多個(gè)非連續(xù)特征與故障率間的內(nèi)在聯(lián)系，提高預(yù)測(cè)精度與效率。考慮氣象因素能量化變壓器潛在偶然故障的影響，考慮生產(chǎn)工藝因素能量化變壓器所處復(fù)雜耦合物質(zhì)能量流對(duì)其運(yùn)行狀態(tài)的影響，同時(shí)考慮兩種因素具有更好的預(yù)測(cè)效果。該變壓器在6月15日運(yùn)行情況發(fā)生兩次較大波動(dòng)，在15:00采取檢修措施之后，變壓器的運(yùn)行狀態(tài)回到正常范圍，從而預(yù)防了變壓器故障發(fā)生。

5 結(jié)論

提出了一種基于CNN-GRU組合神經(jīng)網(wǎng)絡(luò)的變壓器短期故障預(yù)測(cè)方法，以故障率作為預(yù)測(cè)狀態(tài)參量，在分析外部環(huán)境因素影響的基礎(chǔ)上，構(gòu)建變壓器故障預(yù)測(cè)特征集，采用CNN神經(jīng)網(wǎng)絡(luò)深度挖掘特征集與故障率之間的內(nèi)在聯(lián)系，將結(jié)果輸入到GRU循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練，得到變壓器未來(lái)短期的故障率變化趨勢(shì)。通過算例仿真可得到以下結(jié)論：

1) 通過狀態(tài)評(píng)估能夠挖掘狀態(tài)參量間的相關(guān)性，從而更加全面、準(zhǔn)確地預(yù)測(cè)變壓器故障情況；

2) 采用故障率作為預(yù)測(cè)狀態(tài)參量，預(yù)測(cè)結(jié)果能夠直觀地反映變壓器整體運(yùn)行趨勢(shì)，為預(yù)防性維修提供支撐；

3) 構(gòu)建包含日期因素、氣象因素和生產(chǎn)工藝因素的特征集，能夠充分發(fā)揮CNN網(wǎng)絡(luò)在高維空間提取非連續(xù)特征間內(nèi)在聯(lián)系的優(yōu)勢(shì)；

4) CNN-GRU組合神經(jīng)網(wǎng)絡(luò)模型綜合了CNN網(wǎng)絡(luò)與GRU網(wǎng)絡(luò)的優(yōu)勢(shì)，與現(xiàn)有人工智能預(yù)測(cè)模型相比，具有較高的預(yù)測(cè)精度與效率。

本文在構(gòu)建故障預(yù)測(cè)特征集時(shí)，考慮了日期因素、氣象因素和生產(chǎn)工藝因素的影響，下一步研究重點(diǎn)是進(jìn)一步完善故障預(yù)測(cè)特征集的影響因素，并在保證預(yù)測(cè)精度的同時(shí)優(yōu)化模型結(jié)構(gòu)，從而提升模型訓(xùn)練效率。

附錄

附表1 綜合狀態(tài)量對(duì)應(yīng)評(píng)估指標(biāo)表

Attached Table 1 Comprehensive state quantity and evaluation index

編號(hào)綜合狀態(tài)量評(píng)估指標(biāo) 絕緣受潮鐵芯故障電流回路過熱繞組故障局部放電油流放電電弧放電絕緣老化絕緣油劣化

附表2 單項(xiàng)評(píng)估指標(biāo)支持度

Attached Table 2 Single evaluation index support

Fi評(píng)估指標(biāo)故障案例數(shù)評(píng)估指標(biāo)超標(biāo)次數(shù)故障案例中評(píng)估指標(biāo)超標(biāo)總次數(shù)Zij F1S11S21S22S23S24S25S26S281311101211291171201191231123443273462011291313132280.832 10.923 70.984 70.893 10.916 00.908 40.938 90.854 9 F2S14S15S27S281461341311371402662011492970.917 80.897 60.938 40.958 9 F3S14S17S18S2131171051091131112411231233140.897 40.931 60.965 80.948 7 F4S11S29S214S21610997991031063512321171150.889 90.908 30.944 90.972 5 F5S11S13S16S22S211S2131341291231311321211272312271873382183170.962 70.917 90.977 60.985 10.902 90.947 8

續(xù)附表2

F6S12S16S21S26S21510197919789991943012812371130.960 40.900 90.960 40.881 20.980 2 F7S11S12S211S2131231141091211182341972212430.926 80.886 20.983 70.959 3 F8S16S21S26S29S210S2121251111211191151231173243373972381391410.888 00.968 00.952 00.920 00.984 00.936 0 F9S16S21S22S23S26S281261111071211131211175614113412474793650.880 90.849 20.960 30.896 80.960 30.928 6

附表3 單項(xiàng)評(píng)估指標(biāo)數(shù)據(jù)

Attached Table 3 Single evaluation index data

評(píng)估指標(biāo)初始值注意值監(jiān)測(cè)值 S11S12S13S14S15S16S17S186.108.70.452.31001505100506531002001461.19711173.32496 S21S22S23S24S25S26S27S28S29S210S211S212S213S214S215S2160.53.55822.5600.011 0000.171 000300110.021425351.31.530.11000.82505000.243151.724.1391.612.23310.057340.699005780.054.11.20.071.4

附圖1 變壓器狀態(tài)評(píng)估指標(biāo)體系

Attached Fig. 1 Index system of transformer status assessment

[1] 周湶, 孫超, 廖瑞金, 等. 基于云理論的變壓器多重故障診斷及短期預(yù)測(cè)方法[J]. 高電壓技術(shù), 2014, 40(5): 1453-1460.

ZHOU Quan, SUN Chao, LIAO Ruijin, et al. Multiple fault diagnosis and short-term forecast of transformer based on cloud theory[J]. High Voltage Engineering, 2014, 40(5): 1453-1460.

[2] 余長(zhǎng)廳, 黎大健, 汲勝昌, 等. 基于振動(dòng)噪聲及BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J]. 高壓電器, 2020, 56(6): 256-261.

YU Zhangting, LI Dajian, JI Shengchang, et al. Research on transformer fault diagnosis method based on vibration noise and BP neural network[J]. High Voltage Apparatus, 2020, 56(6): 256-261.

[3] 陳華, 王強(qiáng), 劉曉坤. 基于BAS-BP模型的變壓器故障診斷[J]. 信陽(yáng)師范學(xué)院學(xué)報(bào)(自然科學(xué)版), 2020, 33(4): 635-639.

CHEN Hua, WANG Qiang, LIU Xiaokun. Transformer fault diagnosis based on BAS-BP model[J]. Journal of Xinyang Normal University (Natural Science Edition), 2020, 33(4): 635-639.

[4] 方濤, 錢曄, 郭燦杰, 等. 基于天牛須搜索優(yōu)化支持向量機(jī)的變壓器故障診斷研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(20): 90-96.

FANG Tao, QIAN Ye, GUO Canjie, et al. Research on transformer fault diagnosis based on a beetle antennae search optimized support vector machine[J]. Power System Protection and Control, 2020, 48(20): 90-96.

[5] 吳君, 丁歡歡, 馬星河, 等. 改進(jìn)自適應(yīng)蜂群優(yōu)化算法在變壓器故障診斷中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(9): 174-180.

WU Jun, DING Huanhuan, MA Xinghe, et al. Application of improved adaptive bee colony optimization algorithm in transformer fault diagnosis[J]. Power System Protection and Control, 2020, 48(9): 174-180.

[6] 謝國(guó)民, 倪樂水. 基于IABC優(yōu)化SVM的變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 156-163.

XIE Guomin, NI Leshui. Transformer fault diagnosis based on an artificial bee colony-support vector machine optimization algorithm[J]. Power System Protection and Control, 2020, 48(15): 156-163.

[7] 鄧芳明, 溫開云, 何怡剛, 等. 基于RFID傳感標(biāo)簽及QPSO-RVM的變壓器繞組故障在線診斷技術(shù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(24): 7183-7193.

DENG Fangming, WEN Kaiyun, HE Yigang, et al. On-line fault diagnosis for transformer windings based on RFID sensor tags and QPSO-RVM[J]. Proceedings of the CSEE, 2018, 38(24): 7183-7193.

[8] 何先華, 張遠(yuǎn)鵬, 崔桂興, 等. 基于回歸算法的變壓器故障檢測(cè)方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(21): 132-139.

HE Xianhua, ZHANG Yuanpeng, CUI Guixing, et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control, 2020, 48(21): 132-139.

[9] HAN Jiexiang, KONG Xiangping, LI Peng, et al. A novel low voltage ride through strategy for cascaded power electronic transformer[J]. Protection and Control of Modern Power Systems, 2019, 4(3): 227-238.

[10] 王春明, 朱永利. 基于NSGA2優(yōu)化正則極限學(xué)習(xí)機(jī)的變壓器油色譜故障診斷[J]. 高壓電器, 2020, 56(9): 210-215.

WANG Chunming, ZHU Yongli. Transformer oil chromatograph fault diagnosis based on regularized extreme learning machine optimized by NSGA2[J]. High Voltage Apparatus, 2020, 56(9): 210-215.

[11] 周湶, 孫超, 安文斗, 等. 基于云推理及加權(quán)隱式半Markov模型的變壓器故障預(yù)測(cè)[J]. 高電壓技術(shù), 2015, 41(7): 2268-2275.

ZHOU Quan, SUN Chao, AN Wendou, et al. Transformer failure prediction based on cloud reasoning and weighted implicit semi-Markov model[J]. High Voltage Engineering, 2015, 41(7): 2268-2275.

[12] 徐永明, 劉飛, 齊玉麟. 基于流體網(wǎng)絡(luò)的電力變壓器繞組溫度預(yù)測(cè)[J]. 高電壓技術(shù), 2017, 43(5): 1509-1517.

XU Yongming, LIU Fei, QI Yulin. Prediction of winding temperature in power transformers based on fluid network[J]. High Voltage Engineering, 2017, 43(5): 1509-1517.

[13] 劉航, 王有元, 梁玄鴻, 等. 基于多因素的變壓器油中溶解氣體體積分?jǐn)?shù)預(yù)測(cè)方法[J]. 高電壓技術(shù), 2018, 44(4): 1114-1121.

LIU Hang, WANG Youyuan, LIANG Xuanhong, et al. Prediction method of the dissolved gas volume fraction in transformer oil based on multi factors[J]. High Voltage Engineering, 2018, 44(4): 1114-1121.

[14] 王有元, 周立瑋, 梁玄鴻, 等. 基于關(guān)聯(lián)規(guī)則分析的電力變壓器故障馬爾科夫預(yù)測(cè)模型[J]. 高電壓技術(shù), 2018, 44(4): 1051-1058.

WANG Youyuan, ZHOU Liwei, LIANG Xuanhong, et al. Markov forecasting model of power transformer fault based on association rules analysis[J]. High Voltage Engineering, 2018, 44(4): 1051-1058.

[15] 趙婉芳, 王慧芳, 邱劍, 等. 基于油色譜監(jiān)測(cè)數(shù)據(jù)的變壓器動(dòng)態(tài)可靠性分析[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(22): 38-42.

ZHAO Wanfang, WANG Huifang, QIU Jian, et al. Analysis of dynamic reliability of transformer based on monitoring data of oil chromatography[J]. Automation of Electric Power Systems, 2014, 38(22): 38-42.

[16] 韓賽賽, 劉寶柱, 艾欣. 基于MCMC方法和油色譜數(shù)據(jù)的變壓器動(dòng)態(tài)故障率模型[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(15): 1-8.

HAN Saisai, LIU Baozhu, AI Xin. Transformer dynamic failure rate model based on MCMC method and oil chromatographic data[J]. Power System Protection and Control, 2019, 47(15): 1-8.

[17] 代杰杰, 宋輝, 盛戈皞, 等. 考慮復(fù)雜關(guān)聯(lián)關(guān)系深度挖掘的變壓器狀態(tài)參量預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(2): 621-628.

DAI Jiejie, SONG Hui, SHENG Gehao, et al. A prediction method for power transformers state parameters based on deep association relation mining[J]. Proceedings of the CSEE, 2019, 39(2): 621-628.

[18] GUO Chenxi, WANG Bin, WU Zhanyu, et al. Transformer failure diagnosis using fuzzy association rule mining combined with case-based reasoning[J]. IET Generation, Transmission and Distribution, 2020, 14(11): 2202-2208.

[19] 徐哲煒, 鄭成航, 張涌新, 等. 基于改進(jìn)關(guān)聯(lián)規(guī)則算法的燃煤電廠脫硫系統(tǒng)工況參數(shù)優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(15): 4408-4414.

XU Zhewei, ZHENG Chenghang, ZHANG Yongxin, et al. Operation optimization of flue gas desulfurization system in power plant based on an improved association rules algorithm[J]. Proceedings of the CSEE, 2017, 37(15): 4408-4414.

[20] MUHAMMAD S, ZULFIQAR A K, AMIN U, et al. A novel CNN-GRU-Based hybrid approach for short-term residential load forecasting[J]. IEEE Access, 2020, 8: 143759-143768.

[21] 譚貴生, 曹生現(xiàn), 趙波, 等. 基于關(guān)聯(lián)規(guī)則與變權(quán)重系數(shù)的變壓器狀態(tài)綜合評(píng)估方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(1): 88-95.

TAN Guisheng, CAO Shengxian, ZHAO Bo, et al. An assessment of power transformers based on association rules and variable weight coefficients[J]. Power System Protection and Control, 2020, 48(1): 88-95.

[22] 國(guó)家電網(wǎng)公司企業(yè)標(biāo)準(zhǔn). 油浸式變壓器(電抗器)狀態(tài)評(píng)價(jià)導(dǎo)則: Q/GD169—2008[S]. 北京: 中國(guó)電力出版社, 2008.

State Grid Corporation of China. Guide for condition evaluation of oil-immersed power transformers (reactors): Q/G DW169—2008[S]. Beijing: China Electric Power Press, 2008.

[23]劉文奇. 均衡函數(shù)及其在變權(quán)綜合中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐, 1997, 17(4): 58-64.

LIU Wenqi. Balanced function and its application for variable weight synthesizing[J]. Systems Engineering Theory & Practice, 1997, 17(4): 58-64.

[24] 郭創(chuàng)新, 王越, 王媚, 等. 表征內(nèi)部潛伏性故障的變壓器時(shí)變停運(yùn)模型研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(1): 63-69.

GUO Chuangxin, WANG Yue, WANG Mei, et al. Time-varying outage model for transformers representing internal latent fault[J]. Proceedings of the CSEE, 2013, 33(1): 63-69.

[25] 姜新猛. 基于 TensorFlow 的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D]. 武漢: 華中師范大學(xué), 2017.

JIANG Xinmeng. Application and research of convolution neural network based on tensorflow[D]. Wuhan: Central China Normal University, 2017.

[26] KANG Ke, SUN Hongbin, ZHANG Chengkang, et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network[J]. Evolutionary Intelligence, 2019, 12(3): 385-394.

[27]牛哲文, 余澤遠(yuǎn), 李波, 等. 基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)模型[J]. 電力自動(dòng)化設(shè)備, 2018, 38(5): 36-42.

NIU Zhewen, YU Zeyuan, LI Bo, et al. Short-term wind power forecasting model based on deep gated recurrent unit neural network[J]. Electric Power Automation Equipment, 2018, 38(5): 36-42.

[28] 楊觀賜, 楊靜, 李少波, 等. 基于Dopout與ADAM優(yōu)化器的改進(jìn)CNN算法[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 46(7): 122-127.

YANG Guanci, YANG Jing, LI Shaobo, et al. Modified CNN algorithm based on dropout and ADAM optimizer[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2018, 46(7): 122-127.

Short-term fault prediction method for a transformer based on a CNN-GRU combined neural network

YANG Wei1, PU Caixia1, YANG Kun2, ZHANG An’an1, QU Guanglong1

(1. Southwest Petroleum University, Chengdu 610500, China; 2. Guangyuan Power Supply Company, State Grid Sichuan Electric Power Company, Guangyuan 628000, China)

To explore the relationship between transformer state parameters and quantify the impact of the external environment on a transformer, this paper proposes a short-term fault prediction method for a transformer based on a convolution neural network (CNN) and gating cycle unit combined neural network (GRU). First, mining the correlation between transformer state parameters through association rules, and incorporating variable weight method to evaluate the status of the transformer, an exponential function is introduced to establish the fault rate model representing the operational state of the transformer. This is used as the prediction state parameter. Secondly, considering the influence of the external environment on the operational status of the transformer, a fault prediction feature set is constructed based on the date, meteorological and production process factors. Then, the convolution neural network extracts the feature vectors between the feature set and the fault rate in the high-dimensional space, and inputs the result into the gating cycle unit for optimization training, so as to predict the development trend of the transformer fault rate. Finally, the feasibility and effectiveness of the proposed method are verified by the fault prediction trend analysis of a transformer on an offshore platform. Compared with the long short-term memory (LSTM), GRU, CNN-LSTM and support vector machine models, the proposed method has higher prediction accuracy and higher prediction efficiency.

This work is supported by the Science and Technology Planning Project of Sichuan Province (No. 2019YJ0279, No. 2020YFSY0037, and No. 2020YFQ0038).

transformer; state parameter; fault prediction; convolutional neural network; gating cycle unit

10.19783/j.cnki.pspc.210783

四川省科技計(jì)劃項(xiàng)目資助(2019YJ0279， 2020YFSY0037，2020YFQ0038)

2021-06-29；

2021-10-18

楊 威(1990—)，男，博士，碩士生導(dǎo)師，研究方向?yàn)殡妱?dòng)汽車與電網(wǎng)互動(dòng)、綜合能源系統(tǒng)等；E-mail: yangwei_scu@126.com

蒲彩霞(1997—)，女，碩士研究生，研究方向?yàn)樽儔浩鞴收显\斷、預(yù)測(cè)與風(fēng)險(xiǎn)評(píng)估。E-mail: 1725496172@qq.com

(編輯 周金梅)