CN110501585A - 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于Bi‑LSTM和油中溶解气体分析的变压器故障诊断方法。首先采集各变电站的故障DGA监测数据，并对数据进行归一化、序列扩充、叠加噪声等处理，采取无编码比值法进一步提取故障特征信息；然后对DGA序列进行长度排序，并分组填充，将分组划分为训练集和验证集；构建基于Bi‑LSTM的深度学习框架，输入数据进行训练。最后结合实际测试数据进行诊断和网络更新，得到诊断准确率和可移植性较高的故障诊断模型。本发明可有效减少DGA数据监测过程中噪声与误差对诊断的影响；综合考虑不同序列间的复杂关联关系，构建了基于Bi‑LSTM的变压器故障诊断模型。并引入了序列排序、分组、填充等环节，采取批训练策略处理工程实际中不同变压器采样长度不同的问题。

Description

一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断 方法

技术领域

本发明属于电力变压器故障诊断技术领域，尤其是涉及一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法。

背景技术

电力变压器是电力系统中的关键设备，是电力系统经济性和安全稳定运行的基础。随着工业4.0和泛在电力物联网的逐步推进，电力变压器的在线监测数据呈现出爆炸式增长态势。因此，综合运用人工智能、大数据等先进技术对大容量电力变压器的在线监测数据进行故障诊断与状态预测，是指导变压器运维检修的相关工作的一大研究热点。

油中溶解气体分析(DGA)能够全面反映变压器故障状态。传统基于DGA的电力变压器故障诊断方法主要有三比值法、Rogers比值法、大卫三角形法、Dornenburg比值法等，这些方法实现简易，应用广泛，但在实际应用中常出现判断过于绝对、编码残缺、无法诊断多重故障等问题。随着智能算法的不断推陈出新，BP神经网络、模糊集理论、支持向量机、主成分分析等算法开始被应用于电力变压器的故障诊断中，然而因学习能力、处理效率、特征提取等方面的不足，上述方法在推广应用时仍存在一定的局限性。近年来，深度学习理论逐渐受到重视，成为研究热点并不断发展，一些深度学习模型被应用于时间序列数据的分析。LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM已经在许多领域得到应用。基于LSTM的系统可以完成翻译语言、图像分析、语音识别、手写识别、控制聊天机器人、预测股票、合成音乐等等任务。但目前鲜有针对LSTM在变压器故障诊断领域的研究。

当前，大多数基于DGA的变压器故障诊断方法都仅考虑单一时刻点数据，而LSTM处理的是序列数据，具有较好的容错性，不受某一时刻监测噪声及偶然数据出错的影响，且有序列间复杂关联关系提取能力，Bi-LSTM是由两层LSTM网络反向叠加而成的，其前后关联结构能够有效提取序列前后关联信息，在长期监测和诊断过程中具有较大的指导意义。

本发明考虑到典型变压器油中溶解气体监测过程中较快的采样频率和可能的噪声与误差，以时间序列为单位进行故障诊断。综合考虑序列的前后关联性及不同序列之间的复杂关联关系，构建了基于Bi-LSTM序列分类网络的变压器故障诊断模型。在此基础上，考虑到工程实际序列长短不一的特点，本文对模型输入数据进行重构。通过引入时间序列排序、分组、填充等环节，并采取划分不同批训练大小(minibatch)的策略，增加了该故障诊断模型的准确率和适用性。故障检测方法的深层次与智能化，是未来装备检测的发展趋势。

发明内容

本发明的目的是为变压器油中溶解气体分析提供新的诊断方法，更加智能且准确率更高，并解决传统方法编码过于绝对、数据出错以致诊断出错等问题。

本发明是采用如下技术方案来实现的：

一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，包括以下步骤：

步骤1：首先采集各变电站变压器故障时的油中溶解气体监测信息，并对变压器油中溶解气体含量进行分析，获取对应故障标签；

步骤2：将溶解气体监测数据行归一化、序列扩充、叠加噪声处理，采取无编码比值法提取故障特征信息，得到输入矩阵；

步骤3：多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值；

步骤4：构建基于Bi-LSTM网络的深度学习框架，输入训练集进行网络训练；

步骤5：对于实时监测数据，按照步骤2对数据进行归一化和插值预处理，并用无编码比值法进一步提取故障特征，然后将数据输入到已经训练好的模型中进行故障诊断，输出DGA数据对应的变压器状态隶属度，得到最终的故障诊断结果；

作为优选，步骤1中所述溶解气体监测数据为：

data_i＝{a_i,1,a_i,2,...,a_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据的变压器状态，每组数据的采样时间和采样频率不同，因此数据长度不同。记采样时间为T，采样频率为f_s，则数据长度可表示为T_i＝T/f_s；

作为优选，步骤2中所述归一化的方法采取公式进行计算：

其中，E(X)为均值，D(X)为标准差，b_i,j为归一化后的信号数据，a_i,j为原始信号数据；

步骤2中所述序列扩充是由于实际序列采样时间为非线性，故通过三次样条插值进行扩充至等间隔序列，可视为采样频率固定为f_i的序列；

步骤2中所述叠加噪声为叠加高斯噪声；

步骤2中所述通过归一化、序列扩充、叠加噪声处理，得到处理后溶解气体监测数据为：

data_i'＝{b_i,1,b_i,2,...,b_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，b_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据的变压器状态，等间隔序列扩充后，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i；

步骤2中所述采取无编码比值法提取故障特征信息具体为：

无编码比值方法利用各个关键气体参量之间的比值或单个气体参量与不同组合气体求和的比值来提取特征参量，处理后溶解气体监测数据为：

data_i”＝{c_i,1/c_i,2,c_i,1/c_i,3,...,c_i,1/c_i,N,c_i,2/c_i,3,...,c_i,1/C₁,c_i,1/C₂,...,c_i,1/C_n,...,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，c_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种特征参量的序列，N为溶解气体监测参量个数，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据的变压器状态，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i，C₁-C_n为不同组合气体求和的结果。

作为优选，步骤3中所述多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值为：

不妨设所选批训练值为M，且第n批溶解气体监测数据序列长度统一扩充为N_n(n∈[1,M])，则处理后的某一批次溶解气体监测数据为：

data_i”'＝{d_i,1/d_i,2,d_i,1/d_i,3,...,d_i,1/d_i,N,d_i,2/d_i,3,...,d_i,1/C₁,d_i,1/C₂,...,d_i,1/C_n,...,s_i}i∈[1,M]

＝{x_i,1,x_i,2,...x_i,N',s_i}i∈[1,M]

其中，M为M组溶解气体监测数据，d_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，x_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种气体比值的序列，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据的变压器状态，这M组溶解气体监测数据中，最大采样频率为f_m，对应的采样时间为T_m，则这M组溶解气体监测数据的序列长度可表示为N_n＝T_m/f_m，C₁-C_n为不同组合气体求和的结果；

某一批次的数据，这一批次的数据有M个，按照比例划分为训练集与验证集，最后对网络进行训练，这些数据是矩阵重构处理后得到的数据；

将每一批次按比例η:(1-η)划分为训练集和验证集，对深度学习框架进行训练与测试，其中，η％作为训练集，对Bi-LSTM网络进行训练，(1-η％)作为验证集验证网络对DGA监测时间序列数据的分类效果；

步骤2中的每一个元素表示一段序列，故data本身就是一个矩阵，也就是说每一组溶解气体监测数据就是一个矩阵，K组溶解气体监测数据意味着有K个矩阵，每个矩阵的序列长度不一定一样，所以要先进行排序，将长度接近的分为一批，然后进行填充，最后将同一批次的矩阵拼接成一个大矩阵，输入到网络中进行训练。

经反复实验发现批训练值对网络训练结果影响较大，原因在于当批训练值M较小时，序列填充过多将影响网络性能的发挥，当批训练值M较大时，网络训练将发生震荡，难以收敛；

通过穷举搜索批训练值M，选出较为合适的批训练值M；

作为优选，步骤4中所述构建基于Bi-LSTM的深度学习框架的具体方法为：

构建五层网络，包括：输入层、Bi-LSTM层、全连接层、softmax层、分类输出层，其中，Bi-LSTM层中LSTM单元的状态激活函数为tanh，门激活函数为sigmoid，Bi-LSTM层由拥有100个隐藏单元的LSTM反向组合而成；

LSTM对前述DGA数据序列进行处理时，序列每一时刻的值作为一个LSTM单元的输入，设Bi-LSTM层中，某一LSTM单元的输入为：t时刻的输入序列为x_t、t-1时刻对应的LSTM单元的输出值h_t-1及其记忆单元状态c_t-1；

而该LSTM单元的输出为：t时刻对应的LSTM单元的输出值h_t及该时刻记忆单元状态c_t；

每一时刻对应的LSTM单元的输出，不仅受制于这一时刻的输入序列值，还取决于历史数据对该时刻数据的影响，而将不同数据对最终输出的影响进行结构化表示便得到三个门——输入门、输出门、遗忘门；

三种门相当于用三种激活函数来控制输入LSTM单元的数据之间的相互影响，三种门是LSTM单元的组成成分，而多个LSTM单元构成了LSTM层，两层LSTM反向组合构成了Bi-LSTM层，而Bi-LSTM层只是深度学习框架中的一层

其中，输入门操控着x_t对c_t的影响，遗忘门操控着c_t-1对c_t的影响，输出门操控着c_t对h_t的影响；

输入门的计算公式为：

输出门的计算公式为：

遗忘门的计算公式为：

其中，i_t表示输入门的状态，o_t表示输出门的状态，f_t表示遗忘门的状态，W为权值矩阵，b为偏置项，下标i、o、f分别对应输入门、输出门、遗忘门；为sigmoid激活函数；

故t时刻对应的LSTM单元的输出如下所示：

h_t＝o_t⊙ψ(c_t)

c_t＝f_t⊙c_t-1+i_t⊙ψ(W_ish_t-1+W_isx_t+b_is)

＝f_t⊙c_t-1+i_t⊙ψ(i_s)

其中，ψ为tanh激活函数，W_is为输入状态权值矩阵，b_is为输入状态偏置项，⊙表示按元素相乘；

全连接层将LSTM层的输出作为输入向量，输出故障类别的概率分布，具体如下：

y＝Softmax(θ_d·x+b_d)

其中x表示LSTM的输出，即全连接层的输入，θ_d和b_d为全连接层的权值矩阵及偏置矩阵，y表示全连接层最后的输出，Softmax为激活函数；

步骤4中利用输入训练集和验证集对构建好的深度学习框架进行训练；

步骤4.1，利用前向传播计算得出每层每个单元的输出，得出代价函数loss，如下所示：

其中，L(f(x_i；θ),y_i)是交叉损失函数，N为样本数，x_i为样本值，f(x_i；θ；b_d)为第i个样本输入五层网络后的输出结果，θ和b为网络中的权值矩阵及偏置矩阵，y_i为对应的样本期望输出值。

步骤4.2，利用反向传播计算得出每层每个单元输出的偏差项，其中LSTM层的误差有两个反向传播方向：一是向上一层传播；二是沿时间反向传播；

步骤4.3，由偏差项计算每个参数的梯度并更新参数值；

步骤4.4，不断迭代并修正参数值，使loss函数越来越小，直至小于预先设定的迭代次数；

步骤4.5，最后结合实际测试数据进行诊断和网络更新，该训练过程采用Adam算法；

验证集是对训练好的模型进行测试验证的。

本发明优点在于，可有效减少变压器DGA数据监测过程中噪声与误差对诊断结果的影响；综合考虑序列前后关联性及不同序列之间的复杂关联关系，构建了基于Bi-LSTM网络的变压器故障诊断模型。并引入了序列排序、分组、填充等环节，采取批训练策略处理工程实际中不同变压器采样长度不同的问题，使得该诊断方法具备较高的准确率和较强的可移植性。

附图说明

图1：为本发明方法的流程图；

图2：为本发明的油中溶解气体监测序列数据集重构效果示意图：

图3：为本发明的输入数据集序列排序结果；

图4：为本发明的基于故障诊断网络结构；

图5：为本发明的Bi-LSTM网络结构及LSTM单元；

图6：为本发明的minibatch参数调优过程的网络训练的准确率变化曲线；

图7：为本发明的minibatch参数调优过程的网络训练损失值变化曲线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明基于Bi-LSTM深度学习框架和油中溶解气体分析(DGA)的变压器故障诊断方法，其流程图如图1所示。实施步骤如下：

步骤1：首先采集各变电站变压器故障时的油中溶解气体监测信息，并对变压器油中溶解气体含量进行分析，获取对应故障标签，数据取自历年相关文献及电力公司实际测试数据，每一组数据包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)七种关键状态参量的含量及其对应的变压器状态。；

步骤1中所述溶解气体监测数据为：

data_i＝{a_i,1,a_i,2,...,a_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据的变压器状态，每组数据的采样时间和采样频率不同，因此数据长度不同。记采样时间为T，采样频率为f_s，则数据长度可表示为T_i＝T/f_s；

步骤2：将溶解气体监测数据行归一化、序列扩充、叠加噪声处理，采取无编码比值法提取故障特征信息，得到输入矩阵；

步骤2中所述归一化的方法采取公式进行计算：

其中，E(X)为均值，D(X)为标准差，b_i,j为归一化后的信号数据，a_i,j为原始信号数据；

步骤2中所述序列扩充是由于实际序列采样时间为非线性，故通过三次样条插值进行扩充至等间隔序列，可视为采样频率固定为f_i的序列；

步骤2中所述叠加噪声为叠加高斯噪声；

步骤2中所述通过归一化、序列扩充、叠加噪声处理，得到处理后溶解气体监测数据为：

data_i'＝{b_i,1,b_i,2,...,b_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，b_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据对应的变压器故障状态，本实施例依据常用的IEC60599标准，将变压器故障模式分为6种，分别为高温过热、中温过热、低温过热、局部放电、低能放电、高能放电，如表1所示，

表1：故障模式编码

等间隔序列扩充后，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i；

步骤2中所述采取无编码比值法提取故障特征信息具体为：

无编码比值方法利用各个关键气体参量之间的比值或单个气体参量与不同组合气体求和的比值来提取特征参量，处理后溶解气体监测数据为：

data_i”＝{c_i,1/c_i,2,c_i,1/c_i,3,...,c_i,1/c_i,N,c_i,2/c_i,3,...,c_i,1/C₁,c_i,1/C₂,...,c_i,1/C_n,...,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，c_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种特征参量的序列，N为溶解气体监测参量个数，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据对应的变压器故障状态，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i，C₁-C_n为不同组合气体求和的结果。

本例具体包括以下9种气体比值：CH_4/H₂，C₂H₄/(C₁+C₂)，C₂H₄/C₂H₂，C₂H₂/(C₁+C₂)，CH₄/(C₁+C₂)，H₂/(H₂+C₁+C₂)，C₂H₄/C₂H₆，(CH₄+C₂H₄)/(C₁+C₂)，C₂H₆/(C₁+C₂)，其中C₁为一碳氢化合物(CH₄)；C₂为二碳氢化合物(C₂H₆、C₂H₄、C₂H₂)。

步骤3：多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值；

步骤3中所述多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值为：

不妨设所选批训练值为M，且第n批溶解气体监测数据序列长度统一扩充为N_n(n∈[1,M])，则处理后的某一批次溶解气体监测数据为：

data_i”'＝{d_i,1/d_i,2,d_i,1/d_i,3,...,d_i,1/d_i,N,d_i,2/d_i,3,...,d_i,1/C₁,d_i,1/C₂,...,d_i,1/C_n,...,s_i}i∈[1,M]

＝{x_i,1,x_i,2,...x_i,N',s_i}i∈[1,M]其中，M为M组溶解气体监测数据，d_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，x_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种气体比值的序列，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据的变压器状态，这M组溶解气体监测数据中，最大采样频率为f_m，对应的采样时间为T_m，则这M组溶解气体监测数据的序列长度可表示为N_n＝T_m/f_m，C₁-C_n为不同组合气体求和的结果；

某一批次的数据，这一批次的数据有M个，按照比例划分为训练集与验证集，最后对网络进行训练，这些数据是矩阵重构处理后得到的数据；

将每一批次按比例η:(1-η)划分为训练集和验证集，对深度学习框架进行训练与测试，本例中，75％作为训练集对Bi-LSTM网络进行训练，25％作为验证集验证网络对DGA监测时间序列数据的分类效果；

步骤2中的每一个元素表示一段序列，故data本身就是一个矩阵，也就是说每一组溶解气体监测数据就是一个矩阵，K组溶解气体监测数据意味着有K个矩阵，每个矩阵的序列长度不一定一样，所以要先进行排序，其中排序结果如图3所示，将长度接近的分为一批，然后进行填充，最后将同一批次的矩阵拼接成一个大矩阵，输入到网络中进行训练。

经反复实验发现批训练值对网络训练结果影响较大，原因在于当批训练值M较小时，序列填充过多将影响网络性能的发挥，当批训练值M较大时，网络训练将发生震荡，难以收敛，因此需要合理选定批次即M的值。图2为序列重构效果示意图。；

通过穷举搜索批训练值M，选出较为合适的批训练值M,本例最合适的M取250，为直观表明结果的优选性，分别选取为M＝50、100、200、250、300,分别进行网络训练，其训练过程如图6所示，网络损失值如图7所示。

步骤4：构建基于Bi-LSTM网络的深度学习框架，输入训练集进行网络训练；

步骤4中所述构建基于Bi-LSTM的深度学习框架的具体方法为：

构建五层网络，如图4所示，包括：输入层、Bi-LSTM层、全连接层、softmax层、分类输出层，其中，Bi-LSTM层中LSTM单元的状态激活函数为tanh，门激活函数为sigmoid，Bi-LSTM层由拥有100个隐藏单元的LSTM反向组合而成，网络的超参数设置如表2所示；

表2：LSTM网络超参数设置

LSTM对前述DGA数据序列进行处理时，序列每一时刻的值作为一个LSTM单元的输入，设Bi-LSTM层中，某一LSTM单元的输入为：t时刻的输入序列为x_t、t-1时刻对应的LSTM单元的输出值h_t-1及其记忆单元状态c_t-1；

而该LSTM单元的输出为：t时刻对应的LSTM单元的输出值h_t及该时刻记忆单元状态c_t；

每一时刻对应的LSTM单元的输出，不仅受制于这一时刻的输入序列值，还取决于历史数据对该时刻数据的影响，而将不同数据对最终输出的影响进行结构化表示便得到三个门——输入门、输出门、遗忘门；

三种门相当于用三种激活函数来控制输入LSTM单元的数据之间的相互影响，三种门是LSTM单元的组成成分，而多个LSTM单元构成了LSTM层，两层LSTM反向组合构成了Bi-LSTM层，而Bi-LSTM层只是深度学习框架中的一层

其中，输入门操控着x_t对c_t的影响，遗忘门操控着c_t-1对c_t的影响，输出门操控着c_t对h_t的影响；

输入门的计算公式为：

输出门的计算公式为：

遗忘门的计算公式为：

其中，i_t表示输入门的状态，o_t表示输出门的状态，f_t表示遗忘门的状态，W为权值矩阵，b为偏置项，下标i、o、f分别对应输入门、输出门、遗忘门；为sigmoid激活函数；

故t时刻对应的LSTM单元的输出如下所示：

h_t＝o_t⊙ψ(c_t)

c_t＝f_t⊙c_t-1+i_t⊙ψ(W_ish_t-1+W_isx_t+b_is)

＝f_t⊙c_t-1+i_t⊙ψ(i_s)

其中，ψ为tanh激活函数，W_is为输入状态权值矩阵，b_is为输入状态偏置项，⊙表示按元素相乘；

全连接层将LSTM层的输出作为输入向量，输出故障类别的概率分布，具体如下：

y＝Softmax(θ_d·x+b_d)

其中x表示LSTM的输出，即全连接层的输入，θ_d和b_d为全连接层的权值矩阵及偏置矩阵，y表示全连接层最后的输出，Softmax为激活函数；

步骤4中利用输入训练集和验证集对构建好的深度学习框架进行训练；

步骤4.1，利用前向传播计算得出每层每个单元的输出，得出代价函数loss，如下所示：

其中，L(f(x_i；θ),y_i)是交叉损失函数，N为样本数，x_i为样本值，f(x_i；θ；b_d)为第i个样本输入五层网络后的输出结果，θ和b为网络中的权值矩阵及偏置矩阵，y_i为对应的样本期望输出值。

步骤4.2，利用反向传播计算得出每层每个单元输出的偏差项，其中LSTM层的误差有两个反向传播方向：一是向上一层传播；二是沿时间反向传播；

步骤4.3，由偏差项计算每个参数的梯度并更新参数值；

步骤4.4，不断迭代并修正参数值，使loss函数越来越小，直至小于预先设定的迭代次数；

步骤4.5，最后结合实际测试数据进行诊断和网络更新，该训练过程采用Adam算法；

验证集是对训练好的模型进行测试验证的，这里为了简洁，利用下式计算模型诊断准确率，实际应用中还可以综合考虑softmax层的输出结果，每一组数据对应每个变压器状态标签的概率，不仅选取最大概率所对应的类型作为诊断结果，当softmax中第二大概率值与最大概率值无显著性区别时，可综合考虑这两种诊断结果。

其中，y_test是数据实际对应的故障标签，y_pred是模型诊断结果；

步骤5：对于实时监测数据，按照步骤2对数据进行归一化和插值预处理，并用无编码比值法进一步提取故障特征，将数据输入到已经训练好的模型中进行故障诊断，输出DGA数据对应的变压器状态隶属度，得到最终的故障诊断结果，利用上式对测试集与实际监测数据集的诊断结果进行计算，最终得本例模型故障诊断准确率为92.8571％。

最后，根据步骤5，输入监测得到的变压器油中气体含量数据集进行诊断。最终的诊断准确率为92.8571％。选取部分诊断结果如表3所示：

表3：基于Bi-LSTM网络的部分故障诊断结果(minibatch＝250)

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，其特征在于，包括以下步骤：

步骤1：首先采集各变电站变压器故障时的油中溶解气体监测信息，并对变压器油中溶解气体含量进行分析，获取对应故障标签；

步骤2：将溶解气体监测数据行归一化、序列扩充、叠加噪声处理，采取无编码比值法提取故障特征信息，得到输入矩阵；

步骤3：多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值；

步骤4：构建基于Bi-LSTM网络的深度学习框架，输入训练集进行网络训练；

步骤5：对于实时监测数据，按照步骤2对数据进行归一化和插值预处理，并用无编码比值法进一步提取故障特征，然后将数据输入到已经训练好的模型中进行故障诊断，输出DGA数据对应的变压器状态隶属度，得到最终的故障诊断结果。

2.根据权利要求1所述的基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，

步骤1中所述溶解气体监测数据为：

data_i＝{a_i,1,a_i,2,...,a_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据的变压器状态，每组数据的采样时间和采样频率不同，因此数据长度不同，记采样时间为T，采样频率为f_s，则数据长度可表示为T_i＝T/f_s。

3.根据权利要求1所述的基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，

步骤2中所述归一化的方法采取公式进行计算：

其中，E(X)为均值，D(X)为标准差，b_i,j为归一化后的信号数据，a_i,j为原始信号数据；

步骤2中所述序列扩充是由于实际序列采样时间为非线性，故通过三次样条插值进行扩充至等间隔序列，可视为采样频率固定为f_i的序列；

步骤2中所述叠加噪声为叠加高斯噪声；

步骤2中所述通过归一化、序列扩充、叠加噪声处理，得到处理后溶解气体监测数据为：

data_i'＝{b_i,1,b_i,2,...,b_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，b_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，s_i为第i组溶解气体监测数据的变压器状态，等间隔序列扩充后，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i；

步骤2中所述采取无编码比值法提取故障特征信息具体为：

无编码比值方法利用各个关键气体参量之间的比值或单个气体参量与不同组合气体求和的比值来提取特征参量，处理后溶解气体监测数据为：

data_i”＝{c_i,1/c_i,2,c_i,1/c_i,3,...,c_i,1/c_i,N,c_i,2/c_i,3,...,c_i,1/C₁,c_i,1/C₂,...,c_i,1/C_n,...,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，c_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种特征参量的序列，N为溶解气体监测参量个数，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据的变压器状态，第i组溶解气体监测数据的采样时间为T_i，采样频率为f_i，则数据长度可表示为N_i'＝T_i/f_i，C₁-C_n为不同组合气体求和的结果。

4.根据权利要求1所述的基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，

步骤3中所述多组处理后的溶解气体监测数据按照序列长度进行排序，并根据序列长度排序选择合适的批训练值为：

不妨设所选批训练值为M，且第n批溶解气体监测数据序列长度统一扩充为N_n(n∈[1,M])，则处理后的某一批次溶解气体监测数据为：

data_i”'＝{d_i,1/d_i,2,d_i,1/d_i,3,...,d_i,1/d_i,N,d_i,2/d_i,3,...,d_i,1/C₁,d_i,1/C₂,...,d_i,1/C_n,...,s_i}i∈[1,M]

＝{x_i,1,x_i,2,...x_i,N',s_i}i∈[1,M]

其中，M为M组溶解气体监测数据，d_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量序列，N为溶解气体监测参量个数，x_i,j为第i组溶解气体监测数据中第j(j∈[1,N'])种气体比值的序列，N'为提取后的特征参量个数，s_i为第i组溶解气体监测数据的变压器状态，这M组溶解气体监测数据中，最大采样频率为f_m，对应的采样时间为T_m，则这M组溶解气体监测数据的序列长度可表示为N_n＝T_m/f_m，C₁-C_n为不同组合气体求和的结果；

某一批次的数据，这一批次的数据有M个，按照比例划分为训练集与验证集，最后对网络进行训练，这些数据是矩阵重构处理后得到的数据；

将每一批次按比例η:(1-η)划分为训练集和验证集，对深度学习框架进行训练与测试，其中，η％作为训练集，对Bi-LSTM网络进行训练，(1-η％)作为验证集验证网络对DGA监测时间序列数据的分类效果；

步骤2中的每一个元素表示一段序列，故data本身就是一个矩阵，也就是说每一组溶解气体监测数据就是一个矩阵，K组溶解气体监测数据意味着有K个矩阵，每个矩阵的序列长度不一定一样，所以要先进行排序，将长度接近的分为一批，然后进行填充，最后将同一批次的矩阵拼接成一个大矩阵，输入到网络中进行训练；

经反复实验发现批训练值对网络训练结果影响较大，原因在于当批训练值M较小时，序列填充过多将影响网络性能的发挥，当批训练值M较大时，网络训练将发生震荡，难以收敛；

通过穷举搜索批训练值M，选出较为合适的批训练值M。

5.根据权利要求1所述的基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法，

步骤4中所述构建基于Bi-LSTM的深度学习框架的具体方法为：

构建五层网络，包括：输入层、Bi-LSTM层、全连接层、softmax层、分类输出层，其中，Bi-LSTM层中LSTM单元的状态激活函数为tanh，门激活函数为sigmoid，Bi-LSTM层由拥有100个隐藏单元的LSTM反向组合而成；

LSTM对前述DGA数据序列进行处理时，序列每一时刻的值作为一个LSTM单元的输入，设Bi-LSTM层中，某一LSTM单元的输入为：t时刻的输入序列为x_t、t-1时刻对应的LSTM单元的输出值h_t-1及其记忆单元状态c_t-1；

而该LSTM单元的输出为：t时刻对应的LSTM单元的输出值h_t及该时刻记忆单元状态c_t；

每一时刻对应的LSTM单元的输出，不仅受制于这一时刻的输入序列值，还取决于历史数据对该时刻数据的影响，而将不同数据对最终输出的影响进行结构化表示便得到三个门——输入门、输出门、遗忘门；

三种门相当于用三种激活函数来控制输入LSTM单元的数据之间的相互影响，三种门是LSTM单元的组成成分，而多个LSTM单元构成了LSTM层，两层LSTM反向组合构成了Bi-LSTM层，而Bi-LSTM层只是深度学习框架中的一层

其中，输入门操控着x_t对c_t的影响，遗忘门操控着c_t-1对c_t的影响，输出门操控着c_t对h_t的影响；

输入门的计算公式为：

输出门的计算公式为：

遗忘门的计算公式为：

其中，i_t表示输入门的状态，o_t表示输出门的状态，f_t表示遗忘门的状态，W为权值矩阵，b为偏置项，下标i、o、f分别对应输入门、输出门、遗忘门；为sigmoid激活函数；

故t时刻对应的LSTM单元的输出如下所示：

h_t＝o_t⊙ψ(c_t)

c_t＝f_t⊙c_t-1+i_t⊙ψ(W_ish_t-1+W_isx_t+b_is)

＝f_t⊙c_t-1+i_t⊙ψ(i_s)

其中，ψ为tanh激活函数，W_is为输入状态权值矩阵，b_is为输入状态偏置项，⊙表示按元素相乘；

全连接层将LSTM层的输出作为输入向量，输出故障类别的概率分布，具体如下：

y＝Softmax(θ_d·x+b_d)

其中x表示LSTM的输出，即全连接层的输入，θ_d和b_d为全连接层的权值矩阵及偏置矩阵，y表示全连接层最后的输出，Softmax为激活函数；

步骤4中利用输入训练集和验证集对构建好的深度学习框架进行训练；

步骤4.1，利用前向传播计算得出每层每个单元的输出，得出代价函数loss，如下所示：

其中，L(f(x_i；θ),y_i)是交叉损失函数，N为样本数，x_i为样本值，f(x_i；θ；b_d)为第i个样本输入五层网络后的输出结果，θ和b为网络中的权值矩阵及偏置矩阵，y_i为对应的样本期望输出值；

步骤4.2，利用反向传播计算得出每层每个单元输出的偏差项，其中LSTM层的误差有两个反向传播方向：一是向上一层传播；二是沿时间反向传播；

步骤4.3，由偏差项计算每个参数的梯度并更新参数值；

步骤4.4，不断迭代并修正参数值，使loss函数越来越小，直至小于预先设定的迭代次数；

步骤4.5，最后结合实际测试数据进行诊断和网络更新，该训练过程采用Adam算法；

验证集是对训练好的模型进行测试验证的。