CN106501693A - 一种基于模糊玻尔兹曼机的变压器故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于模糊玻尔兹曼机的变压器故障诊断方法，包括：1、收集变压器中溶解气体的历史监测数据；2、将数据进行预处理，同时将样本按7:3比例随机分为训练和测试样本；3、建立模糊玻尔兹曼机模型，初始化模型参数；4、将样本数据导入到模糊玻尔兹曼机模型训练，调整参数，得到变压器故障识别器；5、将测试样本输入故障识别器中，判断识别精度是否满足要求，若不满足则再次训练样本；6、将实时的变压器气体监测数据输入到变压器故障识别器，得到输出结果即可判断输入的气体数据所对应的变压器是否发生故障。本发明能够在少样本情况下训练出一个高精度的故障诊断模型，为快速识别出变压器故障和保证变压器安全稳定运行提供依据。

Description

一种基于模糊玻尔兹曼机的变压器故障诊断方法

技术领域

本发明属于变压器故障诊断领域，具体涉及一种基于模糊玻尔兹曼机的变压器故障诊断方法。

背景技术

随着电网的规模不断扩大，电网复杂程度也随之提高，与此同时所带来的电力系统稳定问题也日趋严重，全国各地因电力系统故障每年都造成巨大的经济损失，分析其主要原因是电力系统故障不能及时发现和处理，不能阻止故障扩大影响范围。电气设备故障一直是危害电力系统安全的主要因素，一些关键线路上的电气设备一旦发生故障，将会对重要负荷供电及电力系统稳定运行产生重大影响。为此，必须实时监测电力设备的运行状态，及时发现、排查安全隐患，将故障带来的影响降至最低。变压器是电力系统最重要的电气设备之一，是输电网和配电网的枢纽。由于变压器长时间在电网中不间断运行，变压器的故障率随使用时间呈上升趋势。一旦变压器发生故障，经常需要停电检修，直接影响人民生活，影响电力系统的稳定性和安全性，所以对变压器运行状态实时监测显得尤为重要。

分析油式变压器的故障原因，主要是因为变压器内部固体绝缘介质发生老化。固体绝缘介质在电、热作用下，会发生局部放电，产生甲烷、氢气和乙烷等气体，这些气体将溶解于变压器油中。通过安装在变压器内部的气体成分监测装置，可以检测变压器油中这些气体的种类和含量，便可以判断变压器是否发生绝缘老化。

发明内容

本发明的目的是提出一种基于模糊玻尔兹曼机的变压器故障诊断方法，能够根据输入的样本中气体含量，准确判断变压器是否发生绝缘老化，确保变压器安全稳定运行。

本发明采用下述技术方案：

一种基于模糊玻尔兹曼机的变压器故障诊断方法，其特征在于，由以下步骤构成：

步骤1、收集变压器油中气体数据，包括氢气，甲烷，乙烷，乙烯，乙炔，一氧化碳和二氧化碳；

步骤2、对缺失数据进行线性拟合补充完整，即对于发现有缺失的数据，利用缺失数据前后的信息，通过线性拟合手段，将缺失数据补充完整，避免不良数据的影响；

步骤3、建立模糊玻尔兹曼机模型；定义模糊能量函数表达式如下：

其中是模糊参数，是可视层的模糊偏置，是隐含层的模糊偏置，是隐含层和可视层的模糊连接权重；

基于该能量函数的联合概率分布可表示为：

其中Z为配分函数，

步骤4、将训练样本输入模糊玻尔兹曼机，调整内部参数，采用对比歧化算法避免马尔科夫链蒙特卡洛算法的计算量太大的问题，通常只需要一次对比歧化计算过程就可以达到精度要求；具体过程为：

步骤4.1、使用一个样本来初始化马尔科夫链，用一个训练样本初始化可视层参数；

步骤4.2、利用对比歧化算法求出隐含层激活概率，再反馈回可视层重构；重复上述步骤直至训练梯度满足要求，其中激活单元表达式为：

对比歧化算法只需要进行一步即可完成训练，用CD-1表示，学习算法过程表示为：x＝x⁽⁰⁾→h⁽⁰⁾→x⁽¹⁾→h⁽¹⁾，由此得到模糊玻尔兹曼机训练模型；

步骤5、将测试样本输入到变压器故障诊断分类器当中，得到输出结果即可判断变压器是否发生故障，与变压器实际状态对比，计算出精度；如果精度不满足要求，则需要将此模型输入新的训练样本，继续调整参数，而后测试，直至精度满足要求；

步骤6、将实时数据导入训练后的模型，得到识别结果，在此步骤前已经训练出一个高精度变压器故障诊断分类器，在导入实时监测数据后，可以快速得到故障识别结果，判断样本所表征的变压器是否发生绝缘老化；本方法采用人工智能的手段，可以做到自动提取样本特征、自学习调整参数，自优化提高识别精度，大大减轻人工处理的繁重任务。

在上述的一种基于模糊玻尔兹曼机的变压器故障诊断方法，在步骤3中建立模糊玻尔兹曼机后，采用去模糊化的手段降低计算复杂度，将问题转换为计算常规的最大似然问题；

模糊自由能量函数可表示为：

模糊自由能量函数重心F_c(x)可以表示为：

当模糊自由能量函数去模糊化之后，概率可表示为：

在模糊玻尔兹曼机，目标函数是负的对数似然函数，可表示为：

其中D是训练集，训练过程的目标是找到最小目标函数的参数

在上述的一种基于模糊玻尔兹曼机的变压器故障诊断方法，在步骤3建立模糊玻尔兹曼机之后，训练样本时需要做去模糊化处理；采用积分法计算难度和计算量依旧很大，因此才用α-cuts法，采用逐步逼近思想将函数离散化做近似处理；模糊自由能量函数通常是单调下降，因此它的α-cuts可表示为：

定义有M个α-cuts将自由能量函数离散化，近似求出模糊自由能量函数

其中α＝(α₁,α₂,…,α_N)，α∈[0,1]^N和

由此，定义从近似分布中采样N个样本，则根据梯度计算出最优参数

本发明能够在少样本情况下训练出一个高精度的故障诊断模型，为快速识别出变压器故障和保证变压器安全稳定运行提供依据，模糊玻尔兹曼机在进行训练时候，能够自学习样本特征，在检测故障时大大降低人力成本。

附图说明

图1是本发明流程图。

图2是模糊玻尔兹曼机示意图。

图3是模糊玻尔兹曼机训练过程。

具体实施过程

为进一步阐述本发明的过程和具体步骤，结合具体实例进一步说明。

一、如附图1所示，本发明包括以下步骤：

(1)收集变压器油中气体数据；

(2)对缺失数据进行线性拟合补充完整；由于变压器油中气体检测装置可能存在工作不稳定情况，使得部分数据缺失，此时可采样线性拟合方法，利用前后历史数据将缺失值补充完整，确保样本数据完整性和合理性

(3)建立模糊玻尔兹曼机模型；改造原有的受限玻尔兹曼机，包括：

步骤3.1、将可视层和隐含层的偏置及两层单元的连接权重均修改为模糊值。为建立模糊玻尔兹曼机模型，首先需定义模糊能量函数表达式如下：

其中是模糊参数，是可视层的模糊偏置，是隐含层的模糊偏置，是隐含层和可视层的模糊连接权重。基于该模糊能量函数，可以得到其联合概率分布：

其中Z为配分函数，

步骤3.2、建立模糊玻尔兹曼机后，采用去模糊化的手段降低计算复杂度，将问题转换为计算常规的最大似然问题。

模糊自由能量函数可表示为模糊自由能量函数重心F_c(x)可以表示为当模糊自由能量函数去模糊化之后，概率可表示为在模糊玻尔兹曼机，目标函数是负的对数似然函数，可表示为D是训练集，训练过程的目标是找到最小目标函数的参数

步骤3.3、建立模糊玻尔兹曼机之后，需要训练样本时候需要做去模糊化处理。采用积分法计算难度和计算量依旧很大，因此才用α-cuts法，采用逐步逼近思想将函数离散化做近似处理。模糊自由能量函数通常是单调下降，因此它的α-cuts可表示为：

假设有M个α-cuts将自由能量函数离散化，可以近似求出模糊自由能量函数

其中α＝(α₁,α₂,…,α_N)，α∈[0,1]^N和

由此，假设从近似分布中采样N个样本，则可以根据梯度计算出极点的最优参数

(4)将训练样本输入模糊玻尔兹曼机，调整内部参数；训练模糊玻尔兹曼机时，采用对比歧化算法。对比歧化算法可以避免马尔科夫链蒙特卡洛算法的大计算量的问题，通常只需要一次对比歧化计算过程就可以达到精度要求。具体过程为：

(a)使用一个样本来初始化马尔科夫链，通常是用一个训练样本初始化可视层参数；

(b)利用对比歧化算法求出隐含层激活概率，再反馈回可视层重构。重复上述步骤直至训练梯度满足要求，其中激活单元表达式为：

CD-1学习算法过程可以表示为：x＝x⁽⁰⁾→h⁽⁰⁾→x⁽¹⁾→h⁽¹⁾，由此可以得到模糊玻尔兹曼机训练模型。

(5)将测试样本输入到训练后样本，验证精度是否满足要求；步骤(5)前已经训练出一个变压器故障诊断分类器，将测试样本输入到分类器当中，得到输出结果即可判断变压器是否发生故障，与变压器实际状态对比，计算出精度。如果精度不满足要求，则需要将此模型输入新的训练样本，继续调整参数，而后测试，直至精度满足要求。

(6)将实时数据导入训练后的模型，得到识别结果。步骤(6)前已经训练出一个高精度变压器故障诊断分类器，在导入实时监测数据后，可以快速得到故障识别结果，判断数据所表征的变压器是否发生绝缘老化。本方法采用人工智能的手段，可以做到自动提取样本特征、自学习调整参数，自优化提高识别精度，大大减轻人工处理的繁重任务。

二、下面介绍采用上述方法的具体实施例。

本发明中，训练样本数据分别为氢气、甲烷、乙烯、乙炔、一氧化碳、二氧化碳气体含量。在变压器中安装传感器，每12小时采集一次，观测变压器油中溶解各种气体含量，可得到上述模糊玻尔兹曼机的输入值。

对数据缺失值进行线性拟合补充完整，截取部分样本如下表所示。从数据监测表可以看出，在2016-3-29，22:39:22时刻传感器并未获得甲烷气体含量的数据，此时利用线性拟合，推算出此时甲烷含量大致为13.05μL/L；同理，在2016-3-26，22:39:22时刻，一氧化碳气体含量数据缺失，通过线性拟合推算出一氧化碳含量为630μL/L。最终选取1300条数据作为训练样本，608条数据作为测试样本。

如附图2所示，本发明建立的模糊玻尔兹曼机可视层采用7单元结构，隐含层使用3单元结构。采用对比歧化学习算法，先用一个样本初始化可视层参数，再将剩余训练样本导入模型训练，调整模型参数和遍历数据次数。同时也建立受限玻尔兹曼机模型，与模糊玻尔兹曼机测试结果对比。

根据附图3所示学习过程，依次算出模型的能量函数、联合分布、自由能量函数，通过α-cuts将自由能量函数离散化，使用离散函数逼近，以降低计算难度；利用离散自由能量函数的计算结果，求出出每个可视层和隐含层单元的激活条件概率，使用对比歧化算法，将样本依次输入模型调整权值，最终得到一个变压器故障诊断器。

表1主变C相变压器油气体含量监测表(单位：μL/L)

将测试样本输入到训练后的模型，如果精度满足要求，则训练的模型符合要求，可以作为变压器油溶解气体在线监测模型；否则，重新输入新的参数。本发明中将实验样本导入搭建好的模型，同时与受限玻尔兹曼机对比。训练精度如表2所示。

表2两种玻尔兹曼机模型训练精度对比

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于模糊玻尔兹曼机的变压器故障诊断方法，其特征在于，由以下步骤构成：

步骤1、收集变压器油中气体数据，包括氢气，甲烷，乙烷，乙烯，乙炔，一氧化碳和二氧化碳；

步骤2、对缺失数据进行线性拟合补充完整，即对于发现有缺失的数据，利用缺失数据前后的信息，通过线性拟合手段，将缺失数据补充完整，避免不良数据的影响；

步骤3、建立模糊玻尔兹曼机模型；定义模糊能量函数表达式如下：

$\stackrel{\‾}{E}(x,h,\stackrel{\‾}{\mathrm{\θ}})=-{\stackrel{\‾}{b}}^{T}x-{\stackrel{\‾}{c}}^{T}h-h^T\stackrel{\‾}{W}x---\left(1\right)$

其中是模糊参数，是可视层的模糊偏置，是隐含层的模糊偏置，是隐含层和可视层的模糊连接权重；

基于该能量函数的联合概率分布可表示为：

$P(x,h,\stackrel{\‾}{\mathrm{\θ}})=\frac{e^{-\stackrel{\‾}{E}(x,h,\stackrel{\‾}{\mathrm{\θ}})}}{Z}---\left(2\right)$

其中Z为配分函数，

步骤4、将训练样本输入模糊玻尔兹曼机，调整内部参数，采用对比歧化算法避免马尔科夫链蒙特卡洛算法的计算量太大的问题，通常只需要一次对比歧化计算过程就可以达到精度要求；具体过程为：

步骤4.1、使用一个样本来初始化马尔科夫链，用一个训练样本初始化可视层参数；

步骤4.2、利用对比歧化算法求出隐含层激活概率，再反馈回可视层重构；重复上述步骤直至训练梯度满足要求，其中激活单元表达式为：

$P(h_i=1|x)=\frac{e^{c_i+W_{i}x}}{1+e^{c_i+W_{i}x}}=\mathrm{\σ}(c_i+W_{i}x)---\left(10\right)$

$P(x_j=1|h)=\frac{e^{b_j+{W_j}^{T}h}}{1+e^{b_j+{W_j}^{T}h}}=\mathrm{\σ}(b_j+{W_j}^{T}h)---\left(11\right)$

对比歧化算法只需要进行一步即可完成训练，用CD-1表示，学习算法过程表示为：x＝x⁽⁰⁾→h⁽⁰⁾→x⁽¹⁾→h⁽¹⁾，由此得到模糊玻尔兹曼机训练模型；

步骤5、将测试样本输入到变压器故障诊断分类器当中，得到输出结果即可判断变压器是否发生故障，与变压器实际状态对比，计算出精度；如果精度不满足要求，则需要将此模型输入新的训练样本，继续调整参数，而后测试，直至精度满足要求；

步骤6、将实时数据导入训练后的模型，得到识别结果，在此步骤前已经训练出一个高精度变压器故障诊断分类器，在导入实时监测数据后，可以快速得到故障识别结果，判断样本所表征的变压器是否发生绝缘老化；本方法采用人工智能的手段，可以做到自动提取样本特征、自学习调整参数，自优化提高识别精度，大大减轻人工处理的繁重任务。

2.根据权利要求书1所述的一种基于模糊玻尔兹曼机的变压器故障诊断方法，其特征在于，在步骤3中建立模糊玻尔兹曼机后，采用去模糊化的手段降低计算复杂度，将问题转换为计算常规的最大似然问题；

模糊自由能量函数可表示为：

$\stackrel{\‾}{F}(x,\stackrel{\‾}{\mathrm{\θ}})=-log\underset{h}{\Σ}{e}^{-\stackrel{\‾}{E}(x,h,\stackrel{\‾}{\mathrm{\θ}})}---\left(3\right)$

模糊自由能量函数重心F_c(x)可以表示为：

$F_c(x,\stackrel{\‾}{\mathrm{\θ}})=\frac{\∫\mathrm{\θ}F(x,\mathrm{\θ})d\mathrm{\θ}}{\∫F(x,\mathrm{\θ})d\mathrm{\θ}},\mathrm{\θ}\∈\stackrel{\‾}{\mathrm{\θ}}---\left(4\right)$

当模糊自由能量函数去模糊化之后，概率可表示为：

$P_c(x,\stackrel{\‾}{\mathrm{\θ}})=\frac{e^{-F_c(x,\stackrel{\‾}{\mathrm{\θ}})}}{Z}---\left(5\right)$

在模糊玻尔兹曼机，目标函数是负的对数似然函数，可表示为：

$L(\stackrel{\‾}{\mathrm{\θ}},D)=-\underset{x\∈D}{\Σ}\log P_c(x,\stackrel{\‾}{\mathrm{\θ}})---\left(6\right)$

其中D是训练集，训练过程的目标是找到最小目标函数的参数

3.根据权利要求书1所述的一种基于模糊玻尔兹曼机的变压器故障诊断方法，其特征在于，在步骤3建立模糊玻尔兹曼机之后，训练样本时需要做去模糊化处理；采用积分法计算难度和计算量依旧很大，因此才用α-cuts法，采用逐步逼近思想将函数离散化做近似处理；模糊自由能量函数通常是单调下降，因此它的α-cuts可表示为：

$\stackrel{\‾}{F}(x,\stackrel{\‾}{\mathrm{\θ}})\[\mathrm{\α}\]=F(x,\stackrel{\‾}{\mathrm{\θ}}\[\mathrm{\α}\])=\[F(x,{\mathrm{\θ}}_R),F(x,{\mathrm{\θ}}_L)\],\stackrel{\‾}{\mathrm{\θ}}\[\mathrm{\α}\]=\[{\mathrm{\θ}}_L,{\mathrm{\θ}}_R\]---\left(7\right)$

定义有M个α-cuts将自由能量函数离散化，近似求出模糊自由能量函数

$F_c(x,\stackrel{\‾}{\mathrm{\θ}})\≈\frac{{\mathrm{\Σ}}_{i=1}^M{\mathrm{\α}}_i\[F(x,{\mathrm{\θ}}_{iL})+F(x,{\mathrm{\θ}}_{iR})\]}{2{\mathrm{\Σ}}_{i=1}^M{\mathrm{\α}}_i}---\left(8\right)$

其中α＝(α₁,α₂,…,α_N)，α∈[0,1]^N和

由此，定义从近似分布中采样N个样本，则根据梯度计算出最优参数

$\frac{\∂\log P_c(x,\stackrel{\‾}{\mathrm{\θ}})}{\∂\mathrm{\θ}}\≈\frac{1}{\left|N\right|}\underset{\stackrel{\‾}{x}\∈N}{\Σ}\frac{\∂F_c(\stackrel{\‾}{x},\mathrm{\θ})}{\∂\mathrm{\θ}}-\frac{\∂F_c(x,\mathrm{\θ})}{\∂\mathrm{\θ}}---\left(9\right).$