(内蒙古电力（集团）有限责任公司锡林郭勒电业局多伦供电分局 内蒙古锡林郭勒盟多伦县 027300)
摘要：本文结合当前实况，探讨了一种以深层神经网络为基础的变压器故障分类方法，借助油中溶解气体分析（DGA）数据（没有编码），且与深度学习流行所对应的Adam优化算法、修正线性单元（ReLU）以及批归一化（BN）的数据处理方法相结合，作对比试验：随机梯度下降算法（SGD）、Sigmoid函数（传统激活函数），以此对电力变压器故障进行合理化分类，现对此探讨如下。
关键词：深层神经网；电力变压器；故障分类
在整个电力系统当中，电力变压器为其不可分割的重要构成，其运行的好坏会对整个电力系统的安全、高效、稳定运行造成直接影响，若发生故障，不仅会引发断电，且还会带来难以估量的经济损失。因此，做好其故障检测与分类工作，至关重要。需要指出的是，针对电力变压器所发生的故障来讲，无论是在现象上，还是在原因上，均有一定的随机性与模糊性，在此种状况下，传统方法难以准确识别变压器故障，而当前新进的油中溶解气体分析法（DGA）凭借其实用、准确且高效等优点，在变压器故障诊断中得到越来越广泛的应用。本文以深层神经网络为基础，围绕电力变压器，就其故障分类方法作一剖析。
1.深度学习方法分析
（1）批归一化。早在2015年时，BN算法便已被提出（Ioffe等人），其主要是对各批次训练样本所对应的各隐藏层的输出数据，开展归一化、全面化处理，主要目的就是通过将神经网络隐藏层数据所对应的分布差异予以降低，最终达到消除前层神经网络参数对后层网络所造成的各种影响，实现对各层神经网络相应独立性的强化；还需要指出的是，其除了能够提高神经网络稳定性的目的外，还能促进其收敛速度的提升。仍需说明的是，此数据预处理工作，在实际操作与运行当中，具有一定的正则化效果，因而有助于整个运行网络鲁棒性的提升。（2）Adam优化算法。针对传统的随机梯度下降算法（SGD）而言，其最为典型的不足即为：难以选择合理、妥当的学习率，而且还有着比较慢的收敛速度，在实际使用中，易收敛到局部最优（尽管通过合理设置学习率与初始化，对鞍点收敛并无过大的影响）。针对Adam算法而言，实际就是借助梯度的一、二阶矩估计，对学习率进行动态化调整。需强调的是，此算法在实际应用的最大优点为：经偏置校正处理之后，各次迭代学习率均有较为明确的范围，因而能够获得较为平稳的参数。在现实应用过程中，借助Adam方法，可获得良好效果。相比其他自适应学习率算法，Adam法不仅有着更快的收敛速度，而且还有着更加有效的学习效果，此外，还能对其他优化技术当中所存在的不足进行纠正，比如收敛过慢、梯度弥散等。（3）ReLU激活函数。对于常规的神经网络来讲，通常情况下，会将tanh函数或者Sigmoid函数当作激活函数，之所以要将激活函数引入到神经网络当中，其主要目的即为以一种非线性方式将函数激活，以此促使输出与输入之间不再是以往的那种线性关系，因而能与任意函数更加接近。但需说明的是，无论是tanh函数，还是Sigmoid函数，均有一些特定不足，即函数中心区域与线性之间有太近的距离，造成网络有着并不高的学习能力；此外，针对函数定义域区间的两端梯度来讲，其基本为0，因而会对执行梯度下降算法造成不利影响；而在对激活函数进行实际计算时，其实为一种典型的指数运算，有着比较大的计算量；当对误差梯度进行反向的传播传递时，求导涉及除法，有着较大的运算量；针对深层网络而言，易发生梯度弥散状况。
2.选择变压器故障特征
针对变压器的内部故障来讲，其有着复杂的原因，在对变压器故障进行分类时，应有适中的数据维度。
如果数据的维度太低，那么较难找出变压器故障分类与数据之间所存在的关联性。当前，较为常用的主要有IEC比值法、Dornenburg比值法、Rogers比值法等，需要强调的是，对于此些比值方法，尽管可以提供较好的变压器故障分类特征，但是却有着比较少的特征维度，而且还有着比较大且严重的误分类风险。如果数据有着抬高的维度，那么通常会含有许多重复信息，甚至是会干扰分类的信息，因此，太高的数据维度，不但没有好处，反而还会增加准确判断故障发展规律的难度。所以需要对特征的维数实施精简减少空间开销，缩短算法时间，促进系统对样本相应分类能力的提升，强化系统抗数据噪音方面的能力，最终达到提升算法精度的目的。
3.试验分析
3.1选取样本
在本文所选用的变压器油当中的溶解气体，其相关数据来源于相关数据库以及已发表的文章当中。在存在监督环节的训练中，取数据1920条（带标签），将其中的1536条当作训练集，将另外384条当作测试集。在此些数据当中，包含多种变压器故障类型（5种）：其一为中低温过热，其二是高温过热，其三为低能放电，其四是高能放电，其五为局部放电。
3.2以深度学习为基础的神经网络变压器故障诊断分类模型（RA-DNN）
针对神经网络的输入层来讲，其神经元是8，借助两层处于全连接状态的隐层（分别为16/32个神经元），而对于输出层而言，其实为softmax多元分类器（5个神经元）。
3.3结果分析
本试验所采用的神经网络结构为四层的神经网络（8，16，32，5），另外，在各层间，选用的连接方法为全连接。批训练为32，而且还采用权值初始化方法（Xavier法），设迭代次200。SGD所对应的学习率默认值是0.1，而Adam为0.001，分别对比4种方法的训练收敛速度（梯度下降方法为Adam或SGD，激活函数是ReLU或者Sigmoid）。最终结果得知，采用基于ReLU+Adam方案所对应的神经网络，有着更快的收敛速度，而且还有着更低的损失函数收敛值，有助于模型训练鲁棒性、速度的提升。通过对比支持向量机（SVM）、反向传播神经网络（BPNN）的试验得知，其在变压器故障分类上，有着不错的效果，能为电力变压器故障诊断提供新思路。
4.结语
综上，对于浅层的机器学习算法，其在对那些比较复杂的变压器故障分类问题进行处理时，通常会存在精度较低的情况，难以将深度学习在变压器故障诊断中的优势给发挥出来。本文探讨了一种基于无编码气体比值输入，借助Adam梯度下降算法、BN数据处理以及ReLU激活函数及的RA-DNN2法。经试验得知，此算法有着不错的应用效果。
参考文献：
[1]石鑫, 朱永利, 萨初日拉,等. 基于深度信念网络的电力变压器故障分类建模[J]. 电力系统保护与控制, 2016, 44(01):71-76.
[2]吴坤, 康建设, 池阔. 基于改进多分类算法和相关向量机的电力变压器故障诊断方法[J]. 高电压技术, 2016, 042(009):3011-3017.
[3]吕干云, 程浩忠, 董立新,等. 基于多级支持向量机分类器的电力变压器故障识别[J]. 电力系统及其自动化学报, 2015(01):19-22.