基于模糊强化学习的电力变压器故障诊断算法研究

doi:10.3969/j.issn.2097-0706.2024.10.007

综合智慧能源 ›› 2024, Vol. 46 ›› Issue (10): 48-55.doi: 10.3969/j.issn.2097-0706.2024.10.007

基于模糊强化学习的电力变压器故障诊断算法研究

张考¹(), 何凯琳²(), 杨沛豪³^,⁴^,^*()

1.国能锦界能源有限责任公司，陕西神木 719319
2.中国能源建设集团西北电力试验研究院有限公司，西安 710054
3.西安交通大学电气工程学院，西安 710049
4.西安热工研究院有限公司，西安 710054

收稿日期:2024-03-25 修回日期:2024-06-07 接受日期:2024-10-25 出版日期:2024-10-25
通讯作者: *杨沛豪,（1993），男，工程师，博士，从事发电储能电气技术等方面的研究，yangpeihao@tpri.com.cn。
作者简介:张考（1983），男，工程师，从事火电厂设备运行管理等方面的研究，adrianoyy@126.com；
何凯琳（1994），女，工程师，硕士，从事发电厂电气设备等方面的研究，xagrjuy@126.com。
基金资助:
陕西省自然科学基础研究计划(2024JC-YBMS-419)

Research on power transformer fault diagnosis algorithm based on fuzzy reinforcement learning

ZHANG Kao¹(), HE Kailin²(), YANG Peihao³^,⁴^,^*()

1. Guoneng Jinjie Energy Company Limited， Shenmu 719319，China
2. Northwest Electric Power Test and Research Institute Company Limited of China Energy Construction Group ，Xi'an 710054，China
3. School of Electrical Engineering，Xi'an Jiaotong University， Xi'an 710049，China
4. Xi'an Thermal Power Research Institute Company Limited， Xi'an 710054，China

Received:2024-03-25 Revised:2024-06-07 Accepted:2024-10-25 Published:2024-10-25
Supported by:
Natural Science Basic Research Plan in Shaanxi Province of China(2024JC-YBMS-419)

摘要/Abstract

摘要：

目前电力变压器故障诊断方法普遍存在精度低、可识别故障类型少的问题。提出一种基于模糊强化学习和决策树算法的自适应变压器故障诊断模型。通过对真实变压器进行油中溶解气体分析（DGA），提取一系列能够反映变压器状态的变量。采用决策树J48算法对这些变量进行筛选，优选出8个最具代表性的变量，旨在以最少的输入变量实现高分类精度。将筛选出的变量输入至模糊强化学习分类器中进行故障诊断。试验结果表明：所构建的故障诊断模型更加精确，其精度高达99.7%。相较于传统DGA故障识别算法，所提出的基于模糊强化学习的诊断算法对于电力变压器故障诊断准确性更高。

关键词: 变压器, DGA, 模糊学习, 决策树J48, 故障诊断

Abstract:

Currently， there are common problems of low accuracy and limited recognition of fault types in power transformer fault diagnosis. An adaptive transformer fault diagnosis model based on fuzzy reinforcement learning and decision tree algorithm is proposed. Firstly， by conducting Dissolved Gas Analysis（DGA） on real transformers， a series of variables that can reflect the status of transformers are extracted. Then， the decision tree J48 algorithm is used to screen these variables and select the 8 most representative variables， aiming to achieve high classification accuracy with the least number of input variables. Finally， the selected variables are input into the fuzzy reinforcement learning classifier for fault diagnosis. The experimental results show that the constructed fault diagnosis model is more accurate， with an accuracy of up to 99.7%.Compared to traditional DGA fault recognition algorithms， the diagnostic algorithm based on fuzzy reinforcement learning proposed has a higher accuracy in diagnosing power transformer faults.

Key words: transformer, DGA, fuzzy learning, decision tree J48, fault diagnosis

中图分类号:

TM273

张考, 何凯琳, 杨沛豪. 基于模糊强化学习的电力变压器故障诊断算法研究[J]. 综合智慧能源, 2024, 46(10): 48-55.

ZHANG Kao, HE Kailin, YANG Peihao. Research on power transformer fault diagnosis algorithm based on fuzzy reinforcement learning[J]. Integrated Intelligent Energy, 2024, 46(10): 48-55.

图/表 11

表1

传统DGA方法对比

诊断方法	输入向量	可识别故障数量
IEC	$[C H 4 / H 2, C 2 H 2 / C 2 H 4, C 2 H 4 / C 2 H 6] T$	9
Rogers	$[C H 4 / H 2, C 2 H 2 / C 2 H 4, C 2 H 4 / C 2 H 6, C 2 H 6 / C H 4] T$	12
Doernenburg	$[C H 4 / H 2, C 2 H 2 / C 2 H 4, C 2 H 2 / C H 4, C 2 H 6 / C 2 H 2] T$	3
Modified Rogers	$[C H 4 / H 2, C 2 H 2 / C 2 H 4, C 2 H 4 / C 2 H 6] T$	6
Duval Triangle	$[C H 4 C H 4 + C 2 H 2 + C 2 H 4, C 2 H 2 C H 4 + C 2 H 2 + C 2 H 4, C 2 H 4 C H 4 + C 2 H 2 + C 2 H 4] T$	6
Key-Gases	$[H 2, C H 4, C 2 H 2, C 2 H 4, C 2 H 6, C O] T$	4

表1

图1

表2

表3

表4

表5

动作强度向量

故障类型	$a i *$ ，维度为1×6 561
正常工况	2	4	1	5	…	2	2	6	1
局部放电	5	4	3	5	…	2	6	1	5
低能放电	1	4	6	5	…	3	4	1	2
高能放电	6	4	2	5	…	2	5	3	1
低温热故障	5	4	3	5	…	2	6	1	5
高温热故障	1	5	2	3	…	4	6	6	1

表5

表6

规则强度向量

故障类型	$β (a *)$ $∀ a ∈ A$ ，维度为1×6
正常工况	0.644 5	0.173 0	0.000 0	0.000 0	0.000 0	0.182 4
局部放电	0.119 3	0.744 4	0.000 1	0.000 0	0.000 1	0.136 1
低能放电	0.093 1	0.000 0	0.744 5	0.000 0	0.000 2	0.162 3
高能放电	0.036 2	0.000 0	0.000 0	0.719 2	0.000 3	0.244 3
低温热故障	0.103 5	0.000 0	0.000 0	0.000 1	0.744 5	0.151 9
高温热故障	0.118 4	0.000 2	0.000 0	0.144 4	0.000 0	0.737 0

表6

表7

表8

分类器输出情况

故障类别	$β (a *)$
$a i d e n (y k)$ =1	$β (a 1 *) = 0.644 5$
$a i d e n (y k)$ =2	$β (a 2 *) = 0.744 4$
$a i d e n (y k)$ =3	$β (a 3 *) = 0.744 5$
$a i d e n (y k)$ =4	$β (a 4 *) = 0.719 2$
$a i d e n (y k)$ =5	$β (a 5 *) = 0.744 5$
$a i d e n (y k)$ =6	$β (a 6 *) = 0.737 0$

表8

表9

图2

参考文献 16

[1]	黄艺璇, 杨世海, 曹晓冬, 等. 基于分段电流特征和随机森林算法的低压配电网拓扑识别方法[J]. 电力需求侧管理, 2023, 25(2):63-69.
	HUANG Yixuan, YANG Shihai, CAO Xiaodong, et al. Topology identification method of low voltage distribution network based on segmented current characteristics and random forest algorithm[J]. Power Demand Side Management, 2023, 25(2): 63-69.
[2]	刘钧迪, 韦德福, 王飞鸣, 等. 油浸式配电变压器入网检测可拓综合评价[J]. 东北电力技术, 2023, 44(7):34-39.
	LIU Jundi, WEI Defu, WANG Feiming, et al. Comprehensive evaluation of oil immersed distribution transformer network access detection extenics[J]. Northeast Electric Power Technology, 2023, 44(7):34-39.
[3]	谭珊, 赵仲勇, 杨建, 等. 基于动态时间规整的变压器绕组变形故障诊断方法研究[J]. 高压电器, 2024, 60(2):108-118.
	TAN Shan, ZHAO Zhongyong, YANG Jian, et al. Research on diagnosis method of transformer winding deformation fault based on dynamic time warping[J]. High Voltage Electrical Appliances, 2024, 60(2):108-118.
[4]	朱亮亮, 滕姗姗, 徐辰冠, 等. 基于自编码多层感知器的电力负荷管理终端运行故障诊断方法[J]. 电力需求侧管理, 2024, 26(2):113-118.
	ZHU Liangliang, TENG Shanshan, XU Chenguan, et al. Operating fault diagnosis method for power load management terminals based on auto-encoder multilayer perception[J]. Power Demand Side Management, 2024, 26 (2): 113-118.
[5]	潘志城, 周海滨, 邓军, 等. 一起500 kV油浸纸绝缘套管油色谱数据异常原因分析[J]. 变压器, 2020(6):67-72.
	PAN Zhicheng, ZHOU Haibin, DENG Jun, et al. Analysis of abnormal oil chromatography of 500 kV oil immersed paper insulation bushing[J]. Transformer, 2020(6): 67-72.
[6]	沈琪, 倪钱杭, 章岸, 等. 变压器油色谱在线监测在缺陷发现中的案例分析[J]. 变压器, 2024, 61(3):72-75.
	SHEN Qi, NI Qianhang, ZHANG An, et al. Case analysis of transformer oil chromatography online monitoring in defect detection[J]. Transformer, 2024, 61 (3): 72-75.
[7]	龙玉江, 姜超颖, 钟掖, 等. 极端气象条件下基于深度学习网络特征的变压器故障预测[J]. 现代电子技术, 2024, 47(4):91-96.
	LONG Yujiang, JIANG Chaoying, ZHONG Ye, et al. Transformer fault prediction based on deep learning network features under extreme weather conditions[J]. Modern Electronic Technology, 2024, 47 (4): 91-96.
[8]	王科, 苟家萁, 彭晶, 等. 基于LSTM网络的变压器油中溶解气体浓度预测[J]. 电子测量技术, 2020, 43(4):81-87.
	WANG Ke, GOU Jiaqi, PENG Jing, et al. Prediction of dissolved gas concentration in transformer oil based on LSTM network[J]. Electronic Measurement Technology, 20020, 43(4):81-87.
[9]	XIAO Y, PAN W G, GUO X M, et al. Fault diagnosis of traction transformer based on Bayesian network[J]. Energies, 2020, 13(18):4966.
[10]	ZHAI S L, CHEN X W, WEI L, et al. Research on identification methods of gas content in transformer insulation oil based on deep transfer network[J]. Journal of Materials Science: Materials in Electronics, 2020, 31(18):15764-15772.
[11]	刘云鹏, 许自强, 董王英, 等. 基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法[J]. 中国电机工程学报, 2019, 39(13):3998-4008.
	LIU Yunpeng, XU Ziqiang, DONG Wangying, et al. Prediction method of dissolved gas concentration in transformer oil based on empirical mode decomposition and long short-term memory neural network[J]. Proceedings of the CSEE 2019, 39 (13): 3998-4008.
[12]	陈浈斐, 章黄勇, 马宏忠, 等. 基于深度学习的电力设备故障诊断方法研究综述[J]. 电气自动化, 2022, 44(1):1-2,6.
	CHEN Zhenfei, ZHANG Huangyong, MA Hongzhong, et al. A review of deep learning based fault diagnosis methods for power equipment[J]. Electrical Automation, 2022, 44 (1): 1-2,6.
[13]	王鑫明, 付永波, 李俊涛. 基于决策树算法的电力设备故障诊断辅助决策方法[J]. 自动化应用, 2023, 64(12):128-131.
	WANG Xinming, FU Yongbo, LI Juntao. Auxiliary decision method for power equipment fault diagnosis based on decision tree algorithm[J]. Automation Application, 2023, 64 (12): 128-131.
[14]	肖宏磊, 留毅, 夏红军, 等. 基于PCA与SSA-LightGBM的油浸式变压器故障诊断方法[J]. 综合智慧能源, 2023, 45(3): 9-16. doi: 10.3969/j.issn.2097-0706.2023.03.002
	XIAO Honglei, LIU Yi, XIA Hongjun, et al. Oil-immersed transformer fault diagnosis method based on PCA and SSA-LightGBM[J]. Integrated Intelligent Energy, 2023, 45(3): 9-16. doi: 10.3969/j.issn.2097-0706.2023.03.002
[15]	IEEE. Guide for the interpretation of gases generated in oil-immersed transformers:IEEE Std C57.104—1991[S].
[16]	熊真真. 基于决策树的上海商业建筑虚拟电厂执行力分析[J]. 综合智慧能源, 2023, 45(6): 66-72. doi: 10.3969/j.issn.2097-0706.2023.06.009
	XIONG Zhenzhen. Analysis on execution of VPPs for commercial buildings in Shanghai based on decision tree[J]. Integrated Intelligent Energy, 2023, 45(6): 66-72. doi: 10.3969/j.issn.2097-0706.2023.06.009

故障类型	C₂H₄	CH₄	C₂H₆	H₂	C₂H₂
正常工况	6	2	12	<5	<0.5
局部放电	18	1	25	29	<0.5
低能放电	2	2	2	<5	<0.5
高能放电	4	<1	<1	6	<0.5
低温热故障	17	3	6	<5	<0.5
高温热故障	327	171	106	7	<0.5

项目	不同算法识别出的样本数
项目	ANN	FL	SVM	FRL
2个样本	1	0	2	2
4个样本	4	2	4	4
6个样本	3	2	5	6
8个样本	7	5	8	8
10个样本	8	6	9	9
38个样本	34	33	37	38
实验室模拟油样 58个样本	53	51	56	57

基于模糊强化学习的电力变压器故障诊断算法研究

Research on power transformer fault diagnosis algorithm based on fuzzy reinforcement learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

数据		不同故障类型样本数量
数据		正常工况	低温热故障（≤300 ℃）	中温热故障（300~700 ℃）	高温热故障(>700 ℃)	局部放电	低能放电	高能放电	数据量
来自文献[13]的数据集	1		16		18	9	26	48	117
	2		1		2	2		1	6
	3	9	38				11	17	75
	3				2	1		1	4
	4	2						2	4
	5	4	2	1	2	1			10
	6		6				2	9	17
	7		2			3	4		9
来自试验模拟的样本		16	15	48	61	23	91	106	360
总计		31	83	49	85	39	130	184	552

项目	正常工况	低温热故障	高温热故障	局部放电	低能放电	高能放电	总计
训练组数	25	35	52	28	75	130	345
测试组数	3	24	17	6	29	28	107
验证组数	3	24	16	5	26	26	100

故障类别	Q值	故障类别	Q值
正常工况	147.559 9	高能放电	152.882 2
局部放电	137.978 1	低温热故障	138.605 3
低能放电	142.871 4	高温热故障	145.754 6

[1]	冯骥, 杨国华, 史磊, 潘欢, 陆宇翔, 张元曦, 李祯. 基于并行融合深度残差收缩网络的有源配电网故障诊断[J]. 综合智慧能源, 2024, 46(6): 8-15.
[2]	陈洋, 翁伟杰, 黄江东, 邹涛, 姜伟. 一种基于变压器的多路径均衡拓扑结构研究[J]. 综合智慧能源, 2024, 46(4): 68-77.
[3]	任一鸣, 杜董生, 邓祥帅, 连贺, 赵哲敏. 基于GRU和GWO-KELM的电力线路故障诊断[J]. 综合智慧能源, 2024, 46(3): 54-62.
[4]	汪李忠, 池建飞, 丁叶强, 姚海燕, 唐志鹏, 吴同宇. 基于NNTR-SMOTE与GA-XGBoost的变压器故障诊断方法研究[J]. 综合智慧能源, 2024, 46(1): 84-93.
[5]	肖宏磊, 留毅, 夏红军, 缪宇峰, 俞啸玲, 杨海琦. 基于PCA与SSA-LightGBM的油浸式变压器故障诊断方法[J]. 综合智慧能源, 2023, 45(3): 9-16.
[6]	杨晓燕, 谢满承, 郭小璇, 赵岩, 陈翀旻, 陈子民, 廖卓颖. 基于改进原子轨道搜索算法优化随机森林分类器的光伏系统故障诊断[J]. 综合智慧能源, 2023, 45(10): 53-60.
[7]	龙思成, 黄志鸿. 基于多尺度极限融合网络的电力变压器故障诊断方法研究[J]. 综合智慧能源, 2022, 44(9): 78-83.
[8]	贾志军, 白德龙, 宋燕杰, 王剑飞, 李春新. 基于KPCA算法的电厂设备在线故障诊断研究[J]. 华电技术, 2021, 43(8): 48-53.
[9]	魏佳栋, 许飞, 曹辉, 缪忠杰, 叶长徽, 周念成. 基于物联网的配电变压器智能感知平台及其安全构架[J]. 华电技术, 2021, 43(1): 1-5.
[10]	姜寅，任荭葳，陈凯，朱长江. 基于BP神经网络的风电系统控制器I/O硬件故障自诊断方法[J]. 华电技术, 2020, 42(5): 55-60.
[11]	胡杰，唐静，谢仕义，王云. 基于大数据技术的电厂设备状态评估和预警应用研究[J]. 华电技术, 2020, 42(2): 1-6.
[12]	陈清, 郭培育, 周晴, 吴丽华. 集中式光伏发电站设备选型要点[J]. 华电技术, 2020, 42(12): 78-81.
[13]	黄绍伟. 自适应调频模式分解在轴承故障诊断中的应用[J]. 华电技术, 2020, 42(1): 54-57.
[14]	宋宝玉，岳浩. 670MW机组空气预热器漏风控制系统优化[J]. 华电技术, 2019, 41(9): 76-77.
[15]	张巍1a，周国鹏1b，汪洋1a，倪浩1a，钟著辉2. 一起220kV主变压器保护装置发TV异常告警的原因分析[J]. 华电技术, 2019, 41(6): 23-26.