基于DGA与IGWO-WELM的变压器不平衡故障诊断研究.pdf

现代电子技术Modern Electronics TechniqueDec.2023Vol.46 No.242023年12月15日第46卷第24期0 引 言变压器在长期运行过程中，容易受到电、热、机械以及化学因素等影响而导致机械或者绝缘性能出现退化，从而使得其容易出现各类故障事故1。变压器作为电力系统中至关重要的部件，其安全稳定是保证电力系统安全稳定运行以及社会生产的重要基础2。油中气体分析（Dissolved Gas Analysis,DGA）是诊断油浸式变压器的有效手段之一3。国内外学者依据DGA 的特征提取，提出了众多智能故障诊断方法，例如：支持向量机3、神经网络法4以及贝叶斯理论等5。上述故障诊断方法已在变压器故障诊断中取得了一定的成效。其中文献3将神经网络法应用于变压器故障诊断中，该方法主要通过并行处理的方式处理数据，然而其训练样本存在收敛性较慢、网络结构较复杂等缺陷。文献4中提出一种基于 SVM 的故障诊断方法，该方法能够解决小样本问题，具有泛化能力较好等优势，然而在面对数据不平衡时解决起来较为困难，从而导致故障诊断精度较低。文献5中提出一种基于 Bayes 的变压器故障诊断方法，该方法具有较好的分类稳定性，DOI：10.16652/j.issn.1004373x.2023.24.018引用格式：雷家浩，包永强，钱玉军，等.基于DGA与IGWOWELM的变压器不平衡故障诊断研究J.现代电子技术，2023，46（24）：105108.基于DGA与IGWOWELM的变压器不平衡故障诊断研究 雷家浩，包永强，钱玉军，姜丹琪，王森林（南京工程学院 自动化学院，江苏 南京 211167）摘 要：针对变压器故障诊断精度较低的问题，提出一种改进的灰狼算法（IGWO）与加权极限学习机（WELM）的变压器不平衡故障诊断模型。首先，基于油中气体分析（DGA）技术，结合无编码方法将变压器的 7种特征量作为可视输入；然后，采用Logistic混沌映射、云模型惯性权重对灰狼算法（GWO）进行改进；最后利用 IGWO对WELM的相关参数进行迭代优化，并利用 IGWOWELM 故障诊断模型对变压器进行故障诊断。试验结果表明：提出模型的 Gmean平均值为 96.06%，比GWOWELM、GAWELM、PSOWELM和WELM分别高10.96%、12.92%、1.08%和18.41%；误报率平均值为12.28%，也明显低于其他4种模型。关键词：变压器；不平衡故障诊断；油中气体分析（DGA）；IGWO；加权极限学习机（WELM）；IGWOWELM中图分类号：TN911.2334 文献标识码：A 文章编号：1004373X（2023）24010504Research on transformer unbalance fault diagnosis based on DGA and IGWOWELMLEI Jiahao,BAO Yongqiang,QIAN Yujun,JIANG Danqi,WANG Senlin(School of Automation,Nanjing Institute of Technology,Nanjing 211167,China)Abstract：In allusion to the low accuracy of transformer fault diagnosis,an improved grey wolf algorithm(IGWO)and weighted limit learning machine(WELM)model for transformer unbalanced fault diagnosis is proposed.Based on the dissolved gas analysis(DGA)technology,the seven characteristic quantities of the transformer are regarded as visual inputs by combining with the noncoding method.The grey wolf algorithm(GWO)is improved by means of Logistic chaotic mapping and cloud model inertia weight.IGWO is used to iteratively optimize the relevant parameters of WELM,and IGWOWELM fault diagnosis model is used for the transformer fault diagnosis.The testing results show that the Gmean mean value of the proposed model is 96.06%,which is 10.96%,12.92%,1.08%,and 18.41%higher than that of GWO WELM,GA WELM,PSO WELM,and WELM,respectively,and the mean value of false negative rate is 12.28%lower than GWOWELM,GAWELM,PSOWELM,and WELM.Keywords：transformer;unbalance fault diagnosis;DGA;IGWO;WELM;IGWOWELM收稿日期：20230419 修回日期：20230523基金项目：教育部中国高校产学研创新基金：面向5G及未来移动通信网络的NOMA系统资源调度算法（2021FNA05002）105105现代电子技术2023年第46卷并且具有对数据缺失不太敏感等优点；然而该方法各属性之间具有独立特性，且在计算先验概率以及研究分类方法等时，容易出现决策错误等缺陷。针对上述问题，依据文献6，本文提出一种基于IGWOWELM的故障诊断方法，该方法不仅克服了上述诊断方法在解决不平衡数据故障诊断时的精度较低的缺陷，并进一步修复了 WELM 受其隐含偏置层和输入权重的影响，而导致的精度较低的缺陷。1 IGWOSVDD算法 1.1 GWO算法 灰狼算法（GWO）是 Marjiali等人受灰狼群合作集体捕杀猎物的行为启发，于 2014 年提出的一种随机算法610。灰狼群体遵守着社会等级制度，可以分为 4 个阶层：第 1 层的个体称为 狼，该层级的狼具有较强的领导力，主要对灰狼群体的管理、任务分配等工作进行复合；第 2 层的个体称为 狼，该层次的狼服从并协助 狼，并可以对狼以外的狼群进行支配；第3层的个体称为狼，该层次的狼服从狼和狼的同时，对剩余的狼群进行支配；第 4 层的个体称为 狼。狼群整体受 狼的支配，其他狼的任务是围攻。在捕杀过程中，灰狼群体大致可分为三部分：跟踪猎物、包围猎物和攻击猎物。包围猎物的数学模型为：灰狼在捕食猎物过程中包围猎物。具体包围猎物的数学模型如下所示：D=|C XP(t)-X(t)（1）式中：X(t)表示灰狼的位置；XP表示猎物的位置向量；t表示当前迭代次数。X(t+1)=XP-A D（2）式中，A和C表示系数向量，且计算公式如下所示：A=2a(r1-1)（3）C=2r2 t（4）a=2(1-t Tmax)（5）式中：a表示迭代过程中该变量从 2线性递减到 0；r1、r2表示在0,1中的均匀分布的随机向量。跟踪猎物的数学模型表达式如下所示：X1(t+1)=X(t)-A1|C1 X(t)-A1 X(t)X2(t+1)=X(t)-A2|C2 X(t)-A2 X(t)X3(t+1)=X(t)-A3|C3 X(t)-A3 X(t)（6）X(t+1)=X1(t+1)+X2(t+2)+X3(t+3)3（7）式中：X表示 狼的位置；X表示 狼的位置；X表示狼的位置。1.2 改进的灰狼算法 1.2.1 混沌反向学习算法GWO采用随机初始化的方法来确定灰狼的初始位置，保证了初始位置的随机性；然而GWO算法在求解优化时，随机初始化会导致种群分布不均，导致种群多样性较差。为了提高种群多样性和算法效率，本文首先采用 Logistic混沌算法对种群初始化，然后利用反向学习算法计算反向种群，最后对初始种群和反向学习种群进行合并，并进行排序选择，将最优的 N个个体作为初始种群。假设种群规模为 N，采用 Logistic 混沌映射在 D 维欧氏空间中产生混沌序列，Logistic 混沌序列具体表示如下：ydn+1=4ydn(1-ydn)（8）将混沌序列映射到空间中，得到种群X=Xdi，i=1,2,N，d=1,2,r，种群个体Gdi表示为：Gdi=gmin,j+Zij(gmax,j-gmin,j)（9）式中：Gdi为灰狼种群个体的第 d 维初始值；gmax,j和gmin,j分别表示搜索的上界和下界。通过种群G计算种群-G=-Gdi,i=1,2,N,d=1,2,r，反向种群计算如下所示：G=Gdmin+Gdmax-Gdi（10）通过种群合并得到新种群X=G-G，通过计算种群的目标值并排序，选取其中适应度最好的N个个体作为最优初始种群。1.2.2 自适应惯性权重在灰狼算法中，惯性权重对于局部和全局的收敛是非常重要的。较大的值有利于跳出局部最优，但得不到精确的解；较小的值有利于局部最优，但不易跳出局部极值点。为了加快算法的全局收敛性，加快收敛速度，本文采用云模型惯性权重对灰狼算法的更新位置进行改进。令x=fmaxf，其中 f表示当前灰狼的适应度值，favg为当前所有灰狼的平均适应度值，令drop(x,)=drop(favgf,)，具体表达式如下所示：=e-favgf-Ex22 (En)2（11）式中，确定度表示为FCG(fmaxf,Ex,En,He)，且满足以下三种情况：1）当favg f，即当前目标函数值优于平均目标函数值时，w=wmaxFCG(favgf,Ex,En,He)，使得惯性权重变小，从而保护灰狼个体；2）当favg f，即当前目标函数值差于平均目标函数值时，=max，使惯性权重变大，从而使该灰狼算法个体向较优的搜索区域靠拢。106第24期因此，灰狼更新公式表达式如下：Xk(t+1)=|X(t)-Xk(t）+Xk(t)（12）式中，f(Xi)(i=1,2,3)分别表示、和的适应度值。1.3 IGWOWELM算法 1.3.1 混沌反向学习算法为了解决分类样本不平衡问题，文献11中提出加权 极 限 学 习 机（Weighted Extreme Learning Machine,WELM）。基本ELM算法的优化目标函数为：Lmin=122+C2i=1N2i（13）式中=ti-i,i=1,2,N。WELM的优化目标函数表示如下：Lmin=122+C2Wi=1N2i（14）式中，W表示N N的对角矩阵。尽管 WELM 算法在不平衡数据应用较广，但是WELM类似于ELM，隐含偏置层和输入权重的随机选择会导致模型变态的产生，从而导致模型精度不高。为进一步提高 WELM 的诊断精度，本文采用 1.2 节提出的IGWO算法对WELM进行优化。1.3.2 IGWOWELM算法为了提高 WELM 算法故障诊断精度，需要选择合适的适应度函数对 WELM 的相关参数进行优化，具体优化表达式12如下所示：Recall=TPTP+FN（15）Gmean=TPTP+FNTNTN+FP（16）Fitness=1Li=1LGmeani（17）式中：L表示分类个数；Fitness表示适应度函数。1.3.3 IGWOWELM故障诊断模型IGWOWELM算法的具体步骤如下：1）设定灰狼算法初始值，最大迭代次数 Tmax，以及选取合适的狼群数量N；2）按照从大到小的顺序，采用式（17）计算适应度值，选取前3个适应度值分别代表、狼，并对其对应的位置进行标记；3）分别采用式（3）和式（4）计算A和C；4）依据式（6）分别计算灰狼个体，位置分别定义为X1、X2和X3；5）依据式（12）对灰狼位置进行更新；6）判断是否达到最大迭代次数，如果满足条件输出，则得到最优输入权重和隐含层偏置，并将其代入WELM模型中。2 试验测试及其分析 本文从 IEC TC 10 数据库以及中国行业标准 DL/T7222014的故障案例13中，一共收集了 468条变压器故障数据集，采用文献13中的特征量作为本文的特征输入量，将变压器的型号定义为 06，分为正常、高能放电、中低温过热、局部放电、中温过热、高温过热与低能放电等 7种类型。通过主成分分析去除无效和冗余特征，能够提高模型的收敛速度，具体如图1所示。图1 主成分分析结果为了验证数据对整个模型的影响，分别按照 2 1、3 1、4 1和5 1将数据分为训练集和测试集对模型进行训练，其中从正常状态样本随机抽取36个，其余状态样本数据抽取 24个，构成 2 1的不平衡数据集，同理分别从正常数据集当中抽取 18个样本，其他状态样本中随机抽取 18个，将剩余的所有样本集组成测试集。每种比例计算 50 次，并求取平均值，采用 Gmean 和错误率作为指标，计算结果如表 1、表 2所示。数据不平衡比率变化图如图2所示。表1 不同算法的Gmean的分类结果对比算法IGWOWELMGWOWELMGAWELMPSOWELMWELM不同比例下的Gmean/%2 197.5887.4585.2396.3482.233 196.6985.2683.2395.4580.564 195.5484.2482.5594.5875.345 194.4383.4581.5593.5472.45平均值/%96.0685.1083.1494.9877.65从表 1 和图 2 中可以看出，IGWOWELM 算法是所有算法中效果最好的，远好于其他 4种方法，随着不平衡数据的比例逐渐提高，IGWOWELM的效果越来越明雷家浩，等：基于DGA与IGWOWELM的变压器不平衡故障诊断研究 107现代电子技术2023年第46卷显，比 GWOWELM、GAWELM、PSOWELM 和 WELM分别高 10.96%、12.92%、1.08%和 18.41%。从表 2 进一步看出，IGWOWELM是所有方法中故障样本误识别为正常样本的平均比例最低的，明显低于其余 4种方法，进一步说明了提出方法的有效性。表2 不同算法将故障样本误识别为正常样本的平均比例对比算法IGWOWELMGWOWELMGAWELMPSOWELMWELM不同比例下的误报率/%2 111.3418.5929.5620.4522.573 111.5619.8731.4522.5628.564 112.5621.4532.5928.5631.575 113.6722.6533.5632.5834.45平均值/%12.2820.6431.7926.0429.29图2 数据不平衡比率变化图3 结 语本文针对传统变压器故障诊断方法在处理 DGA变压器数据不平衡存在精度不高的问题，提出一种改进的IGWOWELM 的 DGA变压器故障诊断方法。具体的主要工作和结论如下：1）针对 GWO 算法收敛性较差、精度不高的问题，提出基于混沌方向学习和云模型惯性权重的 GWO算法；2）针对WELM的含偏置层和输入权重的随机选择会导致模型精度不高的问题，提出IGWOWELM故障诊断模型；3）在DGA不平衡数据上验证IGWOWELM不平衡数据故障诊断方法，结果表明其效果远好于传统的方法。注：本文通讯作者为雷家浩。参考文献1 张 国 治，陈 康，方 荣 行，等.基 于 DGA 与 鲸 鱼 算 法 优 化LogitBoost决策树的变压器故障诊断方法J.电力系统保护与控制，2023，51（7）：6372.2 方涛，钱晔，郭灿杰，等.基于天牛须搜索优化支持向量机的变压器故障诊断研究J.电力系统保护与控制，2020，48（20）：9096.3 WANI S A,RANA A S,SOHAIL S,et al.Advances in DGA based condition monitoring of transformers:a review J.Renewable and sustainable energy reviews,2021,149(12):111347.4 赵文清，李庆良，王德文.基于多模型的变压器故障组合诊断研究J.高电压技术，2013，39（2）：3023095 郭创新，朱承治，张琳，等.应用多分类多核学习支持向量机的变压器故障诊断方法J.中国电机工程学报，2010，30（13）：128134.6 吴立增，朱永利，苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法J.电工技术学报，2005，20（4）：4551.7 陈凯，邓志良，龚毅光.离散灰狼优化算法求解VRPSPDTW问题J.计算机系统应用，2023，32（11）：8394.8 杨舒云，刘宏志，李海生.融合蝠鲼旋风式觅食策略的灰狼特征选择算法J.计算机仿真，2023，40（9）：375380.9 张家运，李文海，孙伟超，等.基于灰狼优化算法的间歇采样移频转发干扰优化方法J.电子信息对抗技术，2023，38（5）：1420.10 李波，胡哿郗，石剑钧，等.基于多惩罚因子优化VMD的滚动轴承故障特征提取方法J.系统工程与电子技术，2023，45（11）：36903698.11 李聪，乔登攀，杨天雨，等.基于 GWOSVR 混合骨料膏体流变参数预测模型J.有色金属工程，2023，13（2）：127138.12 何风琴.基于 PSOWELM 模型的煤矿突水预测研究J.煤炭技术，2017，36（10）：124126.13 朱莉，汪小豪，李豪，等.不平衡样本下基于变异麻雀搜索和改进 SMOTE 的变压器故障诊断方法J/OL.高电压技术，2022：1 92022 11 27.https:/ ReHPFlBZpFtY8uVPXNuu_26GdNuUKi8Lr5o726P42JFo_PAj9LmFtumm gxs M4Gry48yMHDT692q4rewHbcjxqZKW6_ Iuf3KXBAueI=&uniplatform=NZKPT&language=CHS.作者简介：雷家浩（1999），男，江苏无锡人，硕士研究生，研究方向为电力工程。108