文章推荐
应用于油中溶解气体分析的深度信念网络与典型神经网络对比研究
原文发表在《高压电器》2020年第9期。
请进《高压电器》网站(www.zgydq.com)下载全文。
DOI：10.13296/j.1001-1609.hva.2020.09.006
应用于油中溶解气体分析的深度信念网络与典型神经网络对比研究
任双赞1，徐尧宇2，李 元2，王怡静2，张冠军2
(1. 国网陕西省电力公司电力科学研究院， 西安 710100；2. 西安交通大学电力设备电气绝缘国家重点实验室， 西安 710049)
01摘要油中溶解气体分析是诊断油浸式变压器绝缘系统故障最有效的方法之一，对实现变压器故障精确诊断具有重要意义。文中基于深度信念网络(deep belief network，DBN)、BP神经网络(back propagation neural network，BPNN)和RBF神经网络(radial basis function neural network，RBFNN)构建了不同结构的变压器油中溶解气体分析模型，实现了基于油中溶解气体分析的变压器故障诊断。文中对比分析了不同建模方法、不同训练样本数和不同模型参数对变压器故障诊断精确度的影响。结果表明，文中构建的基于DBN的油中溶解气体分析模型在1 000组训练样本、5层DBN模型结构和第2层20个节点时，达到最高的识别精度84.87%。
02 主要内容油浸式电力变压器的油中溶解气体分析(dissolved gas analysis，DGA)是诊断设备绝缘系统故障最有效的方法之一，具有在线监测、应用灵活、响应速度快等优点。DGA主要检测变压器油中溶解的特征气体含量，包括变压器油裂解产生的氢气H2、甲烷CH4、乙炔C2H2、乙烯C2H4和乙烷C2H6以及绝缘纸(板)纤维素裂解产生的一氧化碳CO和二氧化碳CO2。近年来，CIGRE、IEC 60599：2015、DL/T 722—2014等也都提出了油中溶解气体分析的诊断标准，然而，这些分析和判断依据大多是建立在现场经验基础上，实际应用时往往会出现较大的诊断误差。此外，由于变压器绝缘结构复杂，油中溶解气体的产生和发展较为复杂并且有很大的不确定性，因此如何更有效的采用油中溶解气体分析精确诊断或预测变压器故障一直是当前研究的热点和难题。
近些年来，随着人工智能技术(artificial intelligence，AI)的改进和发展，研究人员引入智能学习方法实现变压器油中溶解气体分析，一定程度上提高了变压器故障诊断效率和精度。苗长新等人通过构成混沌粒子群算法优化神经网络参数，克服了BP神经网络训练收敛速度慢的缺点，提高了变压器DGA的诊断效率。袁海满等人构建了一种基于粒子群优化极限学习机的变压器故障诊断方法，以特征气体作为输入参量，提高变压器故障诊断的精度。
此外，随着大数据分析技术的飞速发展，在线监测设备的普及和增多，油中溶解气体分析的样本数据也不断增加，传统智能方法无法从大量的样本数据中高效的提取数据特征并实现变压器的故障诊断。因此，研究人员开始结合深度学习方法实现变压器油中溶解气体分析建模，提高模型的训练效率和诊断精度。代杰杰等人提出采用深度信念网络实现变压器油中溶解气体分析于气体含量预测，并通过改变特征气体输入结构，如特征气体含量作为输入参量、气体比值作为输入参量，对比分析了DBN模型的故障诊断精度。曹渝昆等人提出了一种基于深层神经网络的变压器故障分类方法，利用无编码的DGA数据，对比分析了不同激活函数和网络训练算法的性能，提高了模型的收敛速度和鲁棒性，促进了变压器故障诊断效率的提升。
当前研究工作已证明智能学习算法能够用于变压器油中溶解气体分析建模。但是，大部分研究成果仅采用单个智能学习方法实现油中溶解气体分析，较少对比分析不同模型结构、不同建模方法及不同训练样本下模型的识别精度。因此，文中基于深度信念网络(deep belief network，DBN)和传统神经网络模型(BP神经网络，back propagation neural network，BPNN和RBF神经网络，radial basis function neural network，RBFNN)构建了变压器油中溶解气体分析模型，实现变压器故障诊断。此外，文中还对比分析了不同建模方法、不同训练样本数和不同模型建模参数对变压器故障诊断精确度的影响，提出了变压器油中溶解气体分析的最优建模策略，为实现变压器故障的精确诊断提供了理论基础。
1 基于DBN的油中溶解气体分析建模
1.1 DBN的原理及结构
1.2 基于DBN的油中溶解气体分析模型
2 基于BP和RBF神经网络的油中溶解气体分析模型
2.1 基于BP神经网络的油中溶解气体分析模型
2.2 基于RBF神经网络的油中溶解气体分析模型
3 实例验证及对比分析
3.1 网络结构对油中溶解气体分析精度的影响
3.2 DBN模型与BP&RBF模型性能的对比分析
03 结论文中采用深度信念网络DBN、BP神经网络和RBF神经网络模型实现了基于油中溶解气体分析的变压器故障诊断建模，并通过采用变压器案例样本数据进行测试和验证，对比分析了不同模型的诊断识别性能。文中所得结论如下：
1)基于DBN的油中溶解气体分析模型的识别性能主要取决于训练样本数、模型层数和第2层节点数，文中构建的DBN分类器模型在1 000组训练样本、5层DBN模型结构和第2层20个节点时，达到最高的识别精度84.87%。因此，采用DBN模型建模分析变压器油中溶解气体时应根据样本数采用合适的模型结构，以达到最好的分类效果；
2)3层的BP神经网络模型和RBF神经网络模型在500组训练样本下具有较高的性能，识别精度分别为80.24%和77.86%，且200组训练样本下BP神经网络模型的性能高于RBF神经网络模型(识别精度分别为71.75%和69.28%)。具有全局优化能力的BP神经网络比RBF神经网络的识别精度更高；
3)对比3种模型的识别性能发现，当训练样本较多时，1 000组训练样本时采用DBN模型能够达到较高的识别精度。训练样本较少时，小于500组训练样本，油中溶解气体分析建模宜采用BP神经网络。
文中研究结果可为变压器油中溶解气体分析建模的优选提供理论参考，为实现变压器故障的精确诊断提供了新的思路。
04 作者简介任双赞(1981—)，男，高级工程师，主要研究变压器在线监测及状态诊断技术(E-mail：154889311@qq.com)。
徐尧宇(1993—)，男，博士研究生，主要研究变压器绝缘状态评估。
李 元(1984—)，男，副教授，主要研究变压器故障预警与健康管理。
王怡静(1995—)，女，硕士研究生，主要研究智能学习算法与电力设备故障诊断技术。
张冠军(1970—)，男，教授，主要研究电力设备的故障诊断和状态评估技术。
05 本文索引任双赞，徐尧宇，李 元，等. 应用于油中溶解气体分析的深度信念网络与典型神经
网络对比研究[J]. 高压电器，2020，56(9)：39- 45.
REN Shuangzan，XU Yaoyu，LI Yuan，et al. Comparison studies of deep belief network and typical neural network applied to analysis of dissolved gas in oil[J]. High Voltage Apparatus，2020，56(9)：39- 45.
《高压电器》简介
《高压电器》期刊由中国高压电器行业的归口单位——西安高压电器研究院有限责任公司主管、主办，1958年创刊，刊名由当时的人大常委会副委员长、中国科学院院长郭沫若同志亲笔题写。迄今已有六十余年的历史。
《高压电器》(国际标准刊号：ISSN 1001-1609、国内统一刊号：CN 61-1127/TM)对国内外公开发行，是我国高压电器行业具有权威性的国家级刊物，它立足于高压电器行业，同时为致力于高压电器研究、开发、制造和使用的专业技术人员提供最新的技术资讯服务，具有较高的技术水平和专业知名度。主要报道高压电器、高电压技术、电力系统及其相关领域中的新技术、新方法和新的应用性研究成果。主要栏目有：研究与分析、技术讨论、设计技术、测试技术、智能电器、综述、技术交流、经验点滴、新产品新技术、新书介绍、简讯等。另外，期刊还开设相关的专题栏目，如高压电器专题、 触头材料专题、清洁能源与微电网专题、直流开断技术专题、SF6替代气体研究专题、真空开断技术专题、高电压与放电等离子体专题、GIS/GIL用环氧复合绝缘件研究专题、电气设备局部放电及状态检测技术专题、电气设备振动与噪声专题等，及时报道高压电器行业发展的新动向、新热点。
《高压电器》的读者群为高压电器、高电压技术、电力系统及其相关行业领域的科研院所、工矿企业的高级管理人员、科研人员、开发设计人员、销售人员，以及全国高等院校相关专业的师生等。
《高压电器》是兼有“学术性期刊”、“技术性期刊”和“普及性期刊”的特征，又以技术性为主的国内知名专业刊物。《高压电器》既刊登高压电器及其相关专业具有较高水平的文章，以反映高压电器发展的前瞻性技术问题；也刊登大量的应用已有理论解决具体设计、工艺、检验、运行与维修技术问题的文章；还刊登一些技术交流文章；以满足各阶层读者的需要。
《高压电器》入选的数据库有：中文核心期刊、中国科技期刊论文统计源期刊、Scopus数据库、RCCSE中国核心学术期刊、中国科学引文数据库(CSCD)、美国《化学文摘》、俄罗斯《文摘杂志》、英国《科学文摘》及美国的《剑桥科学文摘》等。
关注我们关注行业资讯、标准、会议
、期刊微信号：高压电器资讯
7851
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
