考虑多元因素态势演变的配电变压器迁移学习故障诊断模型
阅读会议通知，请戳上面标题 ▲
分析智能配电系统发展趋势
研讨配电物联网对装备制造业的挑战和机遇
参会注册，请识别下方二维码 ▼
国网湖北省电力有限公司电力科学研究院、国网电力科学研究院武汉南瑞有限责任公司、国网新疆电力有限公司电力科学研究院的研究人员杨志淳、沈煜、杨帆、蔡伟、梁来明，在2019年第7期《电工技术学报》上撰文，针对配电变压器故障数据有限及数据过期的问题，提出一种考虑多元因素态势演变的配电变压器迁移学习故障诊断模型。
首先，构建了配变运行状态评价指标体系，对指标状态量进行模糊二元量化，利用模糊Apriori算法挖掘其与故障之间的关联关系，提取诱导变压器故障的关键状态量。针对配变故障数据有限，引入Tanimoto系数，将有效的辅助故障数据迁移至目标配变，建立了基于信息迁移的配变故障诊断模型；针对配变故障数据过期，引入健康指数描述配变状态，将不同健康等级的辅助故障数据进行迁移，建立了针对数据过期的配变故障诊断模型。
在此基础上，利用迁移学习算法TrAdaBoost对上述模型中目标与辅助故障数据的权重进行迭代求解，进而输出配变故障强诊断器。最后，根据配变故障数据进行算例分析，仿真结果表明，该文所建模型故障诊断精度高，具有比传统诊断器更强的泛化能力。
在配网中，配电变压器（简称配变）数量庞大，保证其安全性是电网稳定可靠运行的基础，对其状态的精确感知、故障的准确诊断、风险的及时排查，在保障供电可靠性、实现风险预警、降低事故发生概率等方面意义重大。
近年来，随着大数据、数据挖掘等技术的迅速发展，其在变压器故障诊断方面得到了广泛的应用。研究主要集中在故障特征量的智能化提取、故障类型与影响因素之间的关联性挖掘、故障诊断的高精度算法设计、故障类型的高效快速检出、非结构化数据在故障诊断中的应用等方面。
该类研究的故障诊断对象主要是输电变压器（指110kV及以上的主变压器，简称输变），在实际中，输变与配变在运行工况、监测手段、诊断周期等方面均存在较大差异。输变通常不会过载运行，运行工况良好，所以一般不考虑外界环境对其故障的影响，且由于造价昂贵、更换周期长，对其内部状态量的监测一般是全方位的，用于故障诊断的数据量是丰富的；而配变数量庞大，质量参差不齐，更新换代快，数据监测量不全面，天气和负载率等运行工况对配变健康水平均会造成较大影响。
通过上述分析，输变与配变的故障诱因存在差异，监测状态量有所不同，数据丰富度区别明显，不能将输变的故障诊断方法简单移植到配变。
针对上述问题，国内外学者对配变的故障诊断方法展开了一定的研究。文献[15]将多变量灰色预测模型和改进证据理论融合多时段状态信息相结合，构建了配变的运行状态评估模型。文献[16]通过在线测量，计算出变压器的短路电抗值，提出了一种配变绕组变形故障的在线监测新方法。
在基于大数据技术的配变状态评估及故障诊断领域研究尚少。文献[17]提出了配变运行状态的大数据分析评估方法，构建了常规评估方法与大数据方法结合的业务流程架构。文献[18]利用梅尔频率系数挖掘故障特征参量，并利用隐式马尔科夫模型进行故障类型的识别。影响配变运行状态的因素种类繁多，在配变的故障诊断中，需要计及变压器内外多因素的影响，这对数据质量和数量等方面均提出了较高要求。
上述研究一般假设数据获取是全面的，然而在实际中，配变数量多、分布广、监测手段不到位、巡检工作不及时，导致可获取的数据质量不高、类别不全；同时，配变运行工况恶劣，可能长期过载运行，健康水平恶化较快，运行态势不断变化，新的故障诱因层出不穷，因此原本数量不多的故障数据还存在数据过期的问题，难以用于新状态下故障诊断模型的训练。这两方面问题与配变故障诊断对数据的要求相矛盾。
迁移学习是一种近年来发展迅速的数据挖掘方法，其目标是将一个环境中学到的知识进行有效的信息提取，用以帮助新环境中的学习任务[19]。本文旨在利用迁移学习方法训练配网故障诊断模型，以解决配变状态数据少和数据过期的问题，具体分为两个层面：
①单个配变的故障信息有限，利用这些信息难以训练出一个泛化能力很强的故障诊断器，但是配变数量多，总体数据繁杂，需要将辅助配变的有效故障信息迁移至目标配变故障诊断模型的训练中，建立基于信息迁移的配变故障诊断模型；
②针对数据过期的问题，对配变的健康状态进行分级，将其他状态的有效故障信息迁移至目标状态的配变故障诊断，建立针对数据过期的配变故障诊断模型。
本文首先对影响变压器故障的关键状态量进行挖掘；然后考虑不同配变故障信息的差异性，建立基于信息迁移的配变故障诊断模型；考虑配变运行的态势演变，建立针对数据过期的配变故障诊断模型；通过算例分析，验证了本文所建立模型的精确性。
图2 配变故障诊断流程
图4 配变状态量与故障的关联规则
针对配变故障数据有限及数据过期的问题，本文提出了一种考虑多元因素态势演变的配变迁移学习故障诊断模型。通过理论推导与算例分析，得到下述结论：
1）在利用配变状态量进行故障诊断时，应对状态量的关键程度进行评判，若将非关键状态量引入诊断器中，将会降低故障诊断精确度。
2）本文所构建的M1和M2模型与传统的故障诊断器相比均具有更强的泛化能力，目标与辅助故障数据的相似度决定了故障诊断的精确度，在故障诊断时应根据迁移度阈值等方法对辅助数据进行筛选，以保证目标与辅助故障数据的高相似度。
3）在目标故障数据量一定时，辅助数据越多，故障诊断精确度越高，迁移学习越有利，但训练诊断器所需的迭代次数越多。