基于改进双向循环神经网络的变压器故障诊断模型研究

doi:10.12422/j.issn.1672-6952.2023.05.012

辽宁石油化工大学学报 ›› 2023, Vol. 43 ›› Issue (5): 75-83.DOI: 10.12422/j.issn.1672-6952.2023.05.012

基于改进双向循环神经网络的变压器故障诊断模型研究

赵珣¹(), 陈帅¹(), 邱海洋²

^1.辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001
^2.广州航海学院船舶与海洋工程学院，广东广州 111006

收稿日期:2022-12-20 修回日期:2023-03-10 出版日期:2023-10-25 发布日期:2023-11-06
通讯作者: 陈帅
作者简介:赵珣（1997⁃），男，硕士研究生，从事电力系统及设备故障智能诊断方面的研究；E⁃mail：zx937729285@163.com。
基金资助:
辽宁省教育厅科学研究项目(LJKZ0398);辽宁石油化工大学科研启动基金项目(2017XJJ?044)

Research on Transformer Fault Diagnosis Model Based on Improved Bidirectional Recurrent Neural Network

Xun ZHAO¹(), Shuai CHEN¹(), Haiyang QIU²

^1.School of Information and Control Engineering，Liaoning Petrochemical University，Fushun Liaoning 113001，China
^2.School of Naval Architecture and Ocean Engineering，Guangzhou Maritime University，Guangzhou Guangdong 111006，China

Received:2022-12-20 Revised:2023-03-10 Published:2023-10-25 Online:2023-11-06
Contact: Shuai CHEN

摘要/Abstract

摘要：

针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题，提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取，将前后时刻的特征进行融合，采用多核学习支持向量机方法对特征数据进行分类，在多核学习支持向量机中进行核融合，从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响，以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响，通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明，基于多核学习支持向量机的双向循环网络诊断性能较好，与几种常用的神经网络相比，模型预测正确率更高。

关键词: 变压器故障诊断, 双向循环神经网络, 多核学习, 支持向量机, 核融合, 长短期记忆网络

Abstract:

Aiming at the problems of traditional neural network in mining transformer time series relationship, poor generalization of classification and low accuracy of classification for heterogeneous data, this paper proposes an improved transformer fault diagnosis model based on bidirectional recurrent neural network. The model extracts features through bidirectional recurrent neural network, fuses the features at the front and back time, classifies the feature data using multi?kernel learning support vector machine method, and fuses the features in multi?kernel learning support vector machine, so as to improve the accuracy of feature data classification. The accuracy and validity of the bidirectional recurrent neural network based on multi?kernel learning support vector machine model are tested through numerical simulation analysis of the temporal channel length for sequential network diagnostic performance, the influence of and multi?kernel learning on the generalization ability of support vector machines, and the influence on heterogeneous data processing capabilities. The experimental results show that the diagnosis performance of the bidirectional recurrent neural network based on multi?kernel learning support vector machine is better, and the prediction accuracy of the model is higher than that of several commonly used neural networks.

Key words: Transformer fault diagnosis, Bidirectional recurrent neural network, Multi?kernel learning, Support vector machine, Kernel fusion, Long short?term memory

中图分类号:

TM407

赵珣, 陈帅, 邱海洋. 基于改进双向循环神经网络的变压器故障诊断模型研究[J]. 辽宁石油化工大学学报, 2023, 43(5): 75-83.

Xun ZHAO, Shuai CHEN, Haiyang QIU. Research on Transformer Fault Diagnosis Model Based on Improved Bidirectional Recurrent Neural Network[J]. Journal of Liaoning Petrochemical University, 2023, 43(5): 75-83.

图/表 13

参考文献 22

1	苏颖. 基于蝙蝠算法优化支持向量机的电力变压器故障诊断研究［D］. 兰州：兰州交通大学， 2021.
2	董梁. 变压器的故障诊断研究［J］. 电气工程应用， 2010（1）： 27⁃30.
3	YILDIZ B， GOLAY M W， MAYNARD K P， et al. Development of a hybrid intelligent system for on⁃line monitoring of nuclear power plant operations［D］. Cambridge， MA： Massachusetts Institute of Technology， 2003.
4	CHEN P， TOYOTA T， HE Z. Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions［J］. IEEE Transactions on Systems Man and Cybernetics⁃Part A： Systems and Humans， 2001， 31（6）： 775⁃781.
5	RAFIEE J， TSE P W. Use of autocorrelation of wavelet coefficients for fault diagnosis［J］. Mechanical Systems and Signal Processing， 2009， 23（5）： 1554⁃1572.
6	李可军，徐延顺，魏本刚，等. 基于PSO⁃HKELM的变压器顶层油温预测模型［J］. 高电压技术， 2018， 44（8）： 2501⁃2508.
7	王晓霞，王涛. 基于粒子群优化神经网络的变压器故障诊断［J］. 高电压技术， 2008， 34（11）： 2362⁃2367.
8	徐文，王大忠，周泽存，等. 结合遗传算法的人工神经网络在电力变压器故障诊断中的应用［J］. 中国电机工程学报， 1997（2）： 109⁃112.
9	赵婉芳，王慧芳，邱剑，等. 基于油色谱监测数据的变压器动态可靠性分析［J］. 电力系统自动化， 2014， 38（22）： 38⁃42.
10	TAHA I B M， IBRAHIM S， MANSOUR D E A. Power transformer fault diagnosis based on DGA using a convolutional neural network with noise in measurements［J］. IEEE Access， 2021， 9： 111162⁃111170.
11	范晓丹，付炜平，赵智龙，等. 基于长短时记忆网络油浸式变压器故障诊断研究［J］. 变压器， 2021， 58（9）： 27⁃32.
12	吴晓欣，何怡刚，段嘉珺，等. 考虑复杂时序关联特性的Bi⁃LSTM变压器DGA故障诊断方法［J］. 电力自动化设备， 2020， 40（8）： 184⁃190.
13	裴小邓，罗林，陈帅，等. 面向电力变压器油中溶解气体的卷积神经网络诊断方法［J］. 辽宁石油化工大学学报， 2020， 40（5）： 79⁃85.
14	EMARA M M， PEPPAS G D， GONOS I F. Two graphical shapes based on DGA for power transformer fault types discrimination［J］. IEEE Transactions on Dielectrics and Electrical Insulation， 2021， 28（3）： 981⁃987.
15	KIM S， PARK J， KIM W， et al. Learning from even a weak teacher： Bridging rule⁃based Duval method and a deep neural network for power transformer fault diagnosis［J］. International Journal of Electrical Power & Energy Systems， 2022， 136： 107619.
16	ZHANG B， XIAO W T， XIAO X， et al. Ransomware classification using patch⁃based CNN and self⁃attention network on embedded N⁃grams of opcodes［J］. Future Generation Computer Systems， 2020， 110： 708⁃720.
17	PENG Z Y， GUO P C. A data organization method for LSTM and transformer when predicting Chinese banking stock prices［J］. Discrete Dynamics in Nature and Society， 2022， 2022： 7119678.
18	CHEN J G， LI K L， BILAL K， et al. A Bi⁃layered parallel training architecture for large⁃scale convolutional neural networks［J］. IEEE Transactions on Parallel and Distributed Systems， 2019， 30（5）： 965⁃976.
19	MAHARJAN S， ALSADOON A， PRASAD P W C， et al. A novel enhanced softmax loss function for brain tumour detection using deep learning［J］. Journal of Neuroscience Methods， 2020， 330： 108520.
20	ALHARBI O. A deep learning approach combining CNN and Bi⁃LSTM with SVM classifier for arabic sentiment analysis［J］. International Journal of Advanced Computer Science and Applications， 2021， 12（6）： 165⁃172.
21	LIU C， CHENG Y. An application of the support vector machine for attribute⁃by⁃attribute classification in cognitive diagnosis［J］. Applied Psychological Measurement， 2018， 42（1）： 58⁃72.
22	BAO Z J， PI D Y， SUN Y X. Nonlinear model predictive control based on support vector machine with multi⁃kernel［J］. Chinese Journal of Chemical Engineering， 2007， 15（5）： 691⁃697.

故障类型	主要特征气体	次要特征气体
油过热	甲烷（CH₄），乙炔（C₂H₂）	氢气（H₂），乙烷（C₂H₆）
油和纸过热	甲烷（CH₄），乙烯（C₂H₄），一氧化碳（CO）	氢气（H₂），乙烷（C₂H₆），二氧化碳（CO₂）
油纸绝缘中局部放电	氢气（H₂），甲烷（CH₄），一氧化碳（CO）	乙烯（C₂H₄），乙烷（C₂H₆），乙炔（C₂H₂）
油中火花放电	氢气（H₂），乙炔（C₂H₂）	—
油中电弧	氢气（H₂），乙炔（C₂H₂），乙烯（C₂H₄）	甲烷（CH₄），乙烷（C₂H₆）

故障类型	主要特征气体	次要特征气体
油过热	甲烷（CH₄），乙炔（C₂H₂）	氢气（H₂），乙烷（C₂H₆）
油和纸过热	甲烷（CH₄），乙烯（C₂H₄），一氧化碳（CO）	氢气（H₂），乙烷（C₂H₆），二氧化碳（CO₂）
油纸绝缘中局部放电	氢气（H₂），甲烷（CH₄），一氧化碳（CO）	乙烯（C₂H₄），乙烷（C₂H₆），乙炔（C₂H₂）
油中火花放电	氢气（H₂），乙炔（C₂H₂）	—
油中电弧	氢气（H₂），乙炔（C₂H₂），乙烯（C₂H₄）	甲烷（CH₄），乙烷（C₂H₆）

模型	正确率/%
CNN	80.19
RNN	81.35
LSTM	82.82
Bi⁃LSTM	84.09

模型	正确率/%
CNN	80.19
RNN	81.35
LSTM	82.82
Bi⁃LSTM	84.09

模型	正确率/%
SVM	81.51
LSTM	82.84
Bi⁃LSTM⁃SVM	83.57
Bi⁃LSTM	84.09
Bi⁃LSTM⁃MKL⁃SVM	85.87

基于改进双向循环神经网络的变压器故障诊断模型研究

Research on Transformer Fault Diagnosis Model Based on Improved Bidirectional Recurrent Neural Network

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 22

相关文章 14

编辑推荐

Metrics

[1]	夏起磊, 罗林, 张垚. 基于注意力增强型编解码网络的化工过程故障诊断[J]. 辽宁石油化工大学学报, 2024, 44(2): 63-70.
[2]	常万杰, 刘琳琳, 曹宇, 曹杨, 魏海平. 基于Informer算法的病毒传播预测研究[J]. 辽宁石油化工大学学报, 2024, 44(1): 80-88.
[3]	崔俊勇, 李奇安. 改进WLSSVM模型在汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2023, 43(1): 67-72.
[4]	郭丽莹, 郎宪明. KPCA⁃GPR模型在常压塔塔顶汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2022, 42(6): 73-77.
[5]	郭丽莹, 李文娜, 郎宪明. SKPCA⁃LSSVM模型在汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2022, 42(3): 74-78.
[6]	史长青，郎宪明，张琳，李平. 基于改进LMD及LSTSVM的管道泄漏检测与定位[J]. 辽宁石油化工大学学报, 2019, 39(6): 84-90.
[7]	李阳. 基于灰色关联支持向量机的河道预测在S油田N区的应用[J]. 辽宁石油化工大学学报, 2018, 38(02): 40-46.
[8]	李占东，张丽双，李丽，梁顺，师昊，田秘，汪洋，张树鑫. 基于灰色关联支持向量机的河道预测方法[J]. 辽宁石油化工大学学报, 2017, 37(4): 34-38.
[9]	宋思雨，袁明，佟晴，王美侠，祝丹梅. 基于支持向量机高校考试测量理论的新方法[J]. 辽宁石油化工大学学报, 2017, 37(4): 57-60.
[10]	张晓彤,姚岳,王芳,孙兆林,宋丽娟,孙挺. 红外光谱法用于双组分含氧化合物的定量分析研究[J]. 辽宁石油化工大学学报, 2015, 35(3): 10-14,19.
[11]	丁胜锋. 一种改进的双支持向量机[J]. 辽宁石油化工大学学报, 2012, 32(4): 76-79.
[12]	刘培胜,贾银山,韩云萍. 一种改进的简化支持向量机[J]. 辽宁石油化工大学学报, 2009, 29(1): 76-78.
[13]	王维民. 一种基于支持向量机的虹膜识别算法[J]. 辽宁石油化工大学学报, 2008, 28(4): 82-85.
[14]	王维民，佟贺. 基于支持向量机的虹膜图像实时预评估算法[J]. 辽宁石油化工大学学报, 2008, 28(3): 56-60.