电力变压器故障诊断与预测的机器学习方法.pdf

Telecom Power Technology 25 Oct.10,2023,Vol.40 No.19 2023 年 10 月 10 日第 40 卷第 19 期设计应用技术DOI：10.19399/ki.tpt.2023.19.009电力变压器故障诊断与预测的机器学习方法任宏涛1，高 洁2（1.国网山西省电力公司绛县供电公司，山西 运城 043600；2.国网山西省电力公司翼城县供电公司，山西 临汾 043500）摘要：针对电力变压器故障诊断与预测问题，基于机器学习方法进行研究。在研究过程中，采用支持向量机（Support Vector Machine，SVM）和深度学习 2 种机器学习方法进行故障诊断与预测，并对 2 种方法的性能进行了对比分析。根据实验结果，提出的基于机器学习方法的电力变压器故障诊断与预测研究，在提高故障诊断准确率和预测能力方面取得了显著成效。SVM、深度学习以及综合方法分别在不同程度上优化了故障诊断与预测的性能，为电力系统运行维护提供了有力支持。通过研究可以有效提高变压器故障的准确诊断率和预测准确度，降低电力系统的事故风险，确保电网安全稳定运行。关键词：电力变压器；故障诊断与预测；机器学习；支持向量机（SVM）Machine Learning Methods for Fault Diagnosis and Prediction of Power TransformersREN Hongtao1,GAO Jie2(1.State Grid Shanxi Electric Power Company Jiangxian Power Supply Company,Yuncheng 043600,China;2.State grid Shanxi Electric Power Company Yicheng County Power Supply Company,Linfen 043500,China)Abstract:This article focuses on the diagnosis and prediction of power transformer faults,and conducts research based on machine learning methods.In the research process,this article adopts two machine learning methods,Support Vector Machine(SVM)and deep learning,for fault diagnosis and prediction,and compares and analyzes the performance of the two methods.According to the experimental results,it can be found that the research on power transformer fault diagnosis and prediction based on machine learning methods proposed in this article has achieved significant results in improving fault diagnosis accuracy and prediction ability.SVM,deep learning,and synthesis methods have optimized the performance of fault diagnosis and prediction to varying degrees,providing strong support for the operation and maintenance of power systems.This study can effectively improve the accuracy of transformer fault diagnosis and prediction,reduce the risk of power system accidents,and ensure the safe and stable operation of the power grid.Keywords:power transformer;fault diagnosis and prediction;machine learning;Support Vector Machine(SVM)1 电力变压器故障诊断与预测的相关研究1.1 变压器故障概述电力变压器作为电力系统的关键设备，在长期运行和各种因素的影响下，可能出现各种潜在故障，如绕组短路、接头松动以及绝缘老化等。这些故障可能导致供电中断或发生故障，因此及时诊断和预测变压器故障至关重要。通过诊断变压器故障可以有效确保电力系统的安全运行和可靠供电。1.2 传统故障诊断方法传统的故障诊断方法主要依赖于经验判断和观察，包括定期巡视与监测变压器的运行状态，人工观察可能出现的异常现象。同时，使用各种检测仪器监测变压器的参数，以判断是否存在故障。然而，传统方法存在主观性强、效率低的问题1。为了提高准确率和效率，近年来研究者们转向基于机器学习的方法，利用机器学习算法从大量数据中自动学习和提取特征，实现电力变压器故障诊断与预测的精确化和智能化。1.3 基于机器学习的故障诊断研究现状随着机器学习技术的不断发展，基于数据的故障诊断与预测方法逐渐成为研究的热点。机器学习方法能够自动从大量数据中学习和提取特征，具有较强的自适应性与泛化能力，因此在电力变压器故障诊断与预测方面具有巨大潜力。近年来，许多研究者开始探索利用机器学习方法来解决电力变压器故障问题2。其中，支持向量机（Support Vector Machine，SVM）被广泛应用于故障诊断。SVM 是一种监督学习算法，适用于分类和回归任务。通过训练数据，SVM 可以构建一个高维特征空间，将不同类别的样本分开，从而实现故障的诊断和分类，其原理如图 1 所示。目前，深度学习也成为电力变压器故障预测的研究热点。深度学习模型如卷积神经网络（Convolutional Neural Networks，CNN）和递归神经网络（Recursive Neural Network，RNN）可以自动学习数据的特征表收稿日期：2023-09-10作者简介：任宏涛（1996），男，山西运城人，本科，助 理工程师，主要研究方向为电力系统；高 洁（1994），女，山西临汾人，硕士研究生，工程师，主要研究方向为电力系统。2023 年 10 月 10 日第 40 卷第 19 期Oct.10,2023,Vol.40 No.19Telecom Power Technology 26 示，对于复杂的电力变压器故障预测任务具有较好的表现。图 1 SVM 的原理2 数据收集与预处理2.1 数据来源与采集在本研究中，电力变压器故障诊断与预测所需的数据主要来自 2 个方面，分别是传感器数据和历史故障记录。为了监测变压器的运行状态，文章采集了多个传感器的数据，包括电流传感器、温度传感器以及振动传感器等。这些传感器被安置在变压器的不同部位，实时监测关键参数的变化，从而形成了大量的实时监测数据3。同时，可以从电力系统运维数据库中获取了变压器的历史故障记录。这些故障记录包含了变压器以往的故障类型、故障发生时间、维修情况等信息，为机器学习模型提供了有价值的标签数据，具体数据如表 1 所示。2.2 数据预处理在电力变压器故障诊断与预测的数据预处理阶段，采取了多种具体处理方法，包括插值填充缺失值、识别和处理异常值、从不同域提取特征、归一化处理数据以及划分训练集和测试集等。这些处理方法能够清洗数据、提取有用信息，为机器学习模型的训练和预测提供质量高、适用性强的数据集，从而提高电力变压器故障诊断的准确性和可靠性。3 SVM 在电力变压器故障诊断中的应用3.1 SVM 原理简介SVM 是一种常用的监督学习算法，适用于二分类和多分类问题。其基本原理是在特征空间中寻找一个超平面，将不同类别的样本尽可能地分开，并使边距最大化，从而实现分类4。SVM 通过引入核函数，能够处理非线性可分的数据，将其映射到高维特征空间，进而进行线性划分。3.2 数据建模与特征提取在电力变压器的故障诊断中，采用了 SVM 算法。首先，需要对传感器数据进行数据建模，将每个样本表示为特征向量，形成数据集。其次，进行特征提取，包括时域、频域以及振动数据等特征。这些特征将构成 SVM 的输入向量，用于训练与预测。最后，通过这一过程，可以将原始传感器数据转换为有用的特征向量，提高故障诊断的准确率和可靠性。3.3 故障诊断实验与结果分析在本研究中，将数据集划分为 70%的训练集和30%的测试集，用于训练和评估 SVM 模型的性能。采用径向基核函数，并通过网格搜索法调整 SVM 的超参数，以获取最佳组合，其实验结果如表 2 所示。通过表 2 实验结果可知，模型的准确率达到了92%，表明模型对正常和故障样本的分类有较高的正确率。同时，模型的精确率为 91%，召回率为 94%，F1分数为 0.92，这说明模型在故障样本的识别和分类上具有较好的平衡表现。表 1 电力变压器故障诊断与预测所采集的数据时间戳电流值/A温度值/振动值/（mm/s）故障类型故障发生时间2023-07-28（08:00:00）120650.08正常运行2023-07-28（08:01:00）125680.09正常运行2023-07-28（08:02:00）130700.10正常运行2023-07-28（08:03:00）135720.12绕组短路2023-07-28（08:03:00）2023-07-28（08:04:00）140750.11正常运行2023-07-28（08:05:00）138740.13绝缘老化2023-07-28（08:05:00）2023-07-28（08:06:00）142760.10正常运行2023-07-28（08:07:00）148780.15铁芯短路2023-07-28（08:07:00）2023-07-28（08:08:00）145770.14正常运行2023-07-28（08:09:00）142760.13正常运行 2023 年 10 月 10 日第 40 卷第 19 期 27 Telecom Power TechnologyOct.10,2023,Vol.40 No.19 任宏涛，等：电力变压器故障诊断与预测的 机器学习方法4 深度学习在电力变压器故障预测中的研究4.1 深度学习模型简介深度学习是一种基于人工神经网络的机器学习方法，其在电力变压器故障预测中表现出强大的特征学习和模式识别能力。本研究中，采用了 CNN 作为深度学习模型进行电力变压器故障预测。CNN 是一种特别适合图像和序列数据处理的深度学习模型5。它通过卷积层和池化层来提取输入数据中的特征，并通过全连接层进行分类或回归任务。其优势在于能够自动从原始数据中学习和提取特征，避免了手动特征提取的复杂性，同时具有较好的泛化能力。4.2 数据预处理与模型构建在深度学习模型中，数据预处理是十分关键的步骤。首先，预处理采集的传感器数据，包括缺失值处理、异常值处理以及数据归一化等。其次，将数据集划分为训练集和测试集，用于模型的训练和评估。在构建深度学习模型时，搭建了一个具有卷积层、池化层以及全连接层的 CNN 模型。在卷积层中，设置了多个卷积核来提取不同特征；池化层用于降低特征图的维度，减少模型的计算复杂性。最后，通过全连接层将提取的特征映射到故障类别，实现故障预测任务。4.3 故障预测实验与结果分析在故障预测实验中，文章使用了深度学习模型CNN 来对电力变压器的故障进行预测。在数据集划分中，将数据集按照 70%的训练集和 30%的测试集划分，用于模型的训练和性能评估，其实验结果如表3 所示。表 3 故障预测实验结果模型准确率/%精确率/%召回率/%F1 分数CNN 模型9594960.95通过实验结果可知，CNN 模型在故障预测任务上的准确率达到了 95%，说明模型对正常和故障样本的分类都有较高的正确率。同时，模型的精确率为94%，召回率为 96%，F1分数为 0.95，这表明模型在故障样本的识别和分类上具有较好的平衡表现。深度学习模型具有强大的特征学习能力，它能够自动从原始数据中学习和提取特征，避免了手动特征提取的复杂性。这种优势使得 CNN 模型在电力变压器故障预测中表现出较高的准确率和可靠性。5 结 论文章针对电力变压器故障诊断与预测问题，基于机器学习方法进行深入研究。实验结果表明，SVM和深度学习在故障诊断与预测中都取得了显著成效。SVM 通过有效的特征提取和分类策略，提高了故障诊断准确率。深度学习利用 CNN 强大的特征学习能力，实现了故障预测的高准确率。通过这些方法，可以有效提高电力变压器故障的准确诊断率和预测准确度，并降低电力系统的事故风险，确保电网安全稳定运行。参考文献：1 董理科，白 鹭，武 娜，等.基于知识图谱的电力变压器故障预测方法研究 J.高压电器，2022，58（11）：151-159.2 王杰峰，李 洵，舒 彧，等.电力变压器故障智能化诊断技术综述 J.上海电力大学学报，2022，38（5）：518-522.3 鞠丹阳.基于改进支持向量机的变压器故障诊断与预测方法研究 D.沈阳：沈阳农业大学，2022.4 林 峻.基于机器学习的变压器运行状态预测方法研究 D.上海：上海交通大学，2019.5 吕 佳.基于局部学习的半监督分类问题研究 D.呼和浩特：内蒙古大学，2012.表 2 故障诊断实验结果模型准确率/%精确率/%召回率/%F1分数SVM 模型9291940.92