基于生成对抗网络的有载调压开关故障检测研究.pdf

山 东 科 学 第 卷 第 期 年 月出版.:./.【光纤与光子传感技术】收稿日期:基金项目:国网山东省电力公司科技项目()作者简介:姜晓东()男硕士工程师研究方向为电力系统:.通信作者渠帅男助理研究员研究方向为光纤传感:.基于生成对抗网络的有载调压开关故障检测研究姜晓东王磊磊孙鹏杨光耿俊琪 王家文黄胜 渠帅王晨尚盈(.国网山东省电力公司淄博供电公司山东 淄博.齐鲁工业大学(山东省科学院)激光研究所山东 济南)摘要:实际应用中电力变压器故障数据获取困难导致在处理变压器故障数据时会由于存在不平衡数据对深入分析结果产生很大的影响 为了解决上述问题结合对抗神经网络和人工神经网络对不平衡数据进行处理与判断利用基于超弱光纤布拉格光栅的分布式声波传感技术对实验室搭建的变压器的模拟现场进行数据采集与分析并在采集到的变压器故障模拟数据的检测上取得很好的效果 这种方法对基于对抗生成网络的有载变压器小样本故障识别系统具有重要的借鉴意义关键词:人工神经网络点式传感器有载变压器故障检测模式识别对抗生成网络数据增强中图分类号:文献标志码:文章编号:()开放科学(资源服务)标志码():(.().第 期姜晓东等:基于生成对抗网络的有载调压开关故障检测研究 传统调压开关在调压时必须使负载断电而有载调压开关()的出现很好地解决了这一弊端其可以在有载的条件下改变电压为电力行业绿色发展提供了重要的技术支持 但由于有载调压开关有载运行的特点对其故障检测就要求在断电的情况下进行设备排查给人民生产生活带来不便 同时由于变压器发生故障的概率极低因此在面临少量故障样本的条件下如何根据现有数据快速、准确得出变压器的运行状态成为当今制约有载变压器发展的一大难题对于小概率发生事件如关键设备故障事件其发生故障的后果严重且发生的概率较低缺乏数据信息将会导致神经网络欠拟合针对此类事件可以通过人工数据增强、改善网络结构等方案进行解决 等提出了一种简单有效的基于 均值聚类和(合成少数过采样技术)的超采样方法避免了噪声的产生有效地克服了类间和类内的不平衡但缺乏可视化环节所得的样本无法人工辨别其生成样本的真实性 等提出了一种以一维卷积神经网络为时域信号特征提取器支持向量机为分类器的识别方法使得自动提取特征的结果优于人工选择特征同时在入侵识别率上高于二维卷积神经网络但对于类别不平衡的样本集应用效果较差 等将时空数据矩阵塑造成伪()图片作为()网络的输入提出了轻量级 网络在不均衡样本数据集上有良好的表现但将其应用到故障判别时效果未达到预期结果 等使用不同训练数据样本规模的训练集对网络进行训练结果表明当训练数据样本规模下降时网络的分类准确率会下降 由此可以通过扩充样本集的方法来提高故障识别率 等将 频率倒谱系数与 结合对 类事件的准确率达到 但对于不平衡的样本集表现效果较差 所有这些机器学习分类器都是数据驱动的需要大量的训练数据样本同时对于频域判别效果优于时域判别效果基于此本文提出采用对抗生成网络扩充样本集并通过人工神经网络进行模式识别为了提高对于小概率事件识别的准确性本文应用生成对抗网络()的故障识别方案 首先通过光纤传感器采集到传感信号随后将采集的传感信号转换为二维图像所得的二维图像利用 将小概率事件的样本集进行扩充将小概率发生事件的样本数扩充到和正常样本数的事件再将扩充后的样本与正常样本同时送入神经网络模型进行故障判别 最后通过对有载分接开关现场故障模拟实验验证了该方法对基于光纤传感系统的有载分接开关故障判别准确率有显著的提高 实验原理与实验设备.光纤传感系统本文采用基于超弱光纤布拉格光栅的分布式声波传感技术如图 所示利用分布光纤传感系统进行数据采集图 基于超弱光纤布拉格光栅的分布式声波传感技术的光纤传感器.山 东 科 学 年.有载分接开关的运行状态类型关于有载分接开关其运行状态有正常运行状态和危险状态 其中正常状态是指变压器在运行过程中各项指标都在正常范围内变压器可以正常运行 危险状态则是指变压器的运行过程中主要的性能指标超出了正常范围变压器继续运行可能会导致变压器烧毁等情况的发生因此合理检出变压器的危险状态是当前任务的重中之重 在此我们通过光纤传感器检测变压器在运行过程产生的振动或声波信号来判别变压器的运行状态.数据采集过程将光纤传感器铺设到 设备上面之后分别采集 正常运行时的运行状态、异常状态以及发生故障后运行状态的信息 但由于 的异常状态和发生故障的概率比较低我们收集到的此类信息较少故本论文采用生成对抗网络来扩充小概率的数据 由于有载变压器的故障信号为短时冲击信号因此我们采用短时冲击信号来模拟故障信号 选择实验室的水缸作为实验设备将水缸放满水将点式传感器的传感设备光纤用铁管固定在水下正常状态为无外界影响的状态故障状态则敲击管壁分别采集故障信号 次每次时间长达.而正常运行状态为 次每次时间为.数据增强与故障识别.信号转换为图像本文应用光纤传感器采集实验数据每个样本数据矩阵由 内按顺序收集的行数据组成 传统的方法都是通过人工进行特征提取由于数据量过大采用人工特征提取方式所用时间过长并且所得结果不可靠因此我们需要对原始数据进行预处理再进行故障识别 将采集到的每个位置信息进行二维短时傅里叶变换得到关于频域信号的 图像 同时由于 发生故障的概率较低导致其故障样本数量少而神经网络要求大量的数据集进行数据增强是必需的步骤 传统的数据增强方法包括对图像进行翻转、旋转、颜色变换、裁剪等但该类方法只能简单地增多样本的数量却不能增强数据的多样性 因此本文引入了生成对抗网络进行图像的生成将时域 输入信息经 扩充后的图像送入神经网络进行网络的训练 通过现场采集的实验数据进行测试故障的平均识别率可以达到 以上.基于生成对抗网络的数据增强生成对抗网络主要有两个网络模型的搭建分别为生成器模型和判别器模型 其中随机噪声经过生成器模型后产生和真实样本集类似的虚假样本而判别器模型则是将生成器模型产生的虚假样本与真实样本进行比对通过虚假样本与真实样本之间的差距进而不断地调整生成器的参数进行优化从而使生成的数据更加贴近真实 生成器模型经过反卷积运行后生成一个 的生成样本随后送入判别器中对生成样本和真实样本进行判别得出生成图片的真或假得出结果若为真则生成判别结果若为假则调整生成器模型的参数再不断进行生成样本最终得出与原始样本类似的图片结果 生成器和判别器网络模型架构如图 所示图 生成器和判别器网络架构.第 期姜晓东等:基于生成对抗网络的有载调压开关故障检测研究.故障判断神经网络人工神经网络模型是一种模拟人的神经系统构造的网络由一系列的神经元构成其中每个神经元都是独立的个体由输入、输出、激活函数和权重构成多个神经元相连接构成人工神经网络上一个神经元的输出是下一个神经元的输入每个神经元的输出都要经过激活函数使得每一个神经元的输出都是非线性关系从而保证输出的准确性可以更好地拟合训练数据的关系本文人工神经网络中优化器采用 算法是一种学习率自适应算法激活函数选用 最大迭代次数选取为 次在故障样本数只有 次的情况下故障识别最终可达到 以上的准确率 实验验证.数据采集针对数据集本文使用实验室模拟有载变压器的运行状态通过水箱模拟有载变压器正常数据为无外界环境影响下采集 次每次.故障数据则是对水箱壁进行敲击共 次每次.数据处理对于采集到的数据首先进行短时傅里叶变换将一维信息转换为二维图像信息 将实验采集的正常状态的 次数据进行短时傅里叶变换将 组正常数据切片为 张图像将 组故障数据切片为 张图像为了保证采集到的数据真实可靠我们分别采集了系统正常运行后的第、的信息从而保证采集到的数据是在系统平稳运行之后的数据随后对采集到的数据进行短时傅里叶变换结果如图 所示 可以看出系统开机后的 采集到的信息相差很小且能量均在低频区域与系统正常运行时的短时傅里叶变换图的能量也应均在低频区域这一情况相一致从而确保了数据的真实可靠性图 正常运行状态图.在故障运行时我们分别采集了系统正常运行后的第、的信息与正常运行时采集数据的相同位置进行数据采集随后进行短时傅里叶变换得到如图 所示的故障状态图 采集的信息在经过短时傅里叶变换后能量不仅存在低频区域在中高频区域也存在与在故障运行状态时施加短时冲击信号这一条件相符合 可以明显看出正常运行状态与故障运行状态的短时傅里叶变换图像形成鲜明对比在二维图像信息图中图像中间代表中频信息图像上下两部分分别代表高频信息和低频信息可以看出在正常运行状态下几乎没有高频和低频信息的影响而在故障状态下高频信息与低频信息的影响很大因此可以通过是否有高频或低频信息来判断设备的运行状态山 东 科 学 年图 故障状态图.数据增强由于故障数据为小样本事件因此本文对小样本数据即故障样本数据进行了基于对抗神经网络图像生成如图 为对抗生成网络的运行结果 可以看出经过对抗生成网络生成的图片保留了原始故障数据的信息 在进行图像生成后正常数据图有 张图像故障数据经过对抗生成网络后可以达到 张图像随后把扩充后的数据集送入到神经网络中得到故障判别准确率图 原始故障数据图片与生成故障图像.模式识别本文采取混淆矩阵作为实验的判断依据并将没有经过对抗生成网络的数据集和经过对抗生成网络的扩充的数据集进行对比如图 为混淆矩阵的对比实验图图 故障识别混淆矩阵.第 期姜晓东等:基于生成对抗网络的有载调压开关故障检测研究本文将发生故障事件设为 正常运行事件设为 可以看出经过扩充后的数据集在人工神经网络的表现更好将故障识别率从 提升到了 以上 从图()可以得出实际为正常状态神经网络判断也为正常状态的共有 个 实际为正常状态而判断为故障状态的共有 个 实际为故障状态而判断为正常运行状态的有 个 实际为故障状态判断为故障状态的有 个可以使得故障识别准确率达到以上可以很好地实现故障检测功能 结论由于有载变压器系统具有发生故障的频率低一旦故障对于生产生活产生极大损失等特点所以如何扩充故障样本集一直是深度学习面临不均衡样本集的难点问题 本文通过对抗生成网络方法扩充了样本集在二维图像上进行了数据量扩充对于实验数据量过大的问题采用了人工神经网络的处理方法对于故障状态的识别可以达到 以上验证了对抗生成网络在有载变压器故障检测应用的可行性 为对抗生成网络在有载变压器上应用提供了理论基础为将来电网实现智能化提供了技术支持在变压器的发展上具有很大的潜在应用空间参考文献:林明霞.一种实现 系统长距离监测的方法及系统:.张知先 陈伟根 汤思蕊 等.基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断.电工技术学报 ():.:./.聂鹏.浅谈电力变压器故障分析及其诊断方法.科技创新与应用():.赵彤.有载分接开关机械状态的在线监测与故障诊断技术研究.济南:山东大学.钟龙申 高学军 王振友.一种新的基于 改进 算法在不平衡数据集分类中的应用.数学的实践与认识 ():.:.:./.():.:./.:.:./.():.:./.:.:.:./.董贯雷 姜晓东 孙鹏 等.基于分布式光纤传感系统的有载变压器故障检测技术研究.山东科学 ():.:./.陈先昌.基于卷积神经网络的深度学习算法与应用研究.杭州:浙江工商大学.刘刚坤 李宝福.基于光纤布拉格光栅的多点压力测量.计量与测试技术 ():.:./.张跃 刘伟 胡波等.一种基于 网络的样本数据增强方法及系统:.