Machine Learning-Based Sensor Data Modeling Methods for Power Transformer PHM

Li, Anyi; Yang, Xiaohui; Dong, Huanyu; Xie, Zihao; Yang, Chunsheng

doi:10.3390/s18124430

开放式访问第条

基于机器学习的电力变压器PHM传感器数据建模方法

¹

南昌大学信息工程学院，中国南昌330031

²

南昌大学前湖学院，中国南昌330031

^三

加拿大国家研究委员会，渥太华，安大略省K1S 5B6

^*

信件应寄给的作者。

传感器 2018,18(12), 4430;https://doi.org/10.3390/s18124430

收到的提交文件：2018年11月16日/修订日期：2018年12月9日/接受日期：2018年12月13日/发布日期：2018年12月14日

（本文属于特刊用于预测和健康管理的传感器)

下载

浏览地物

版本注释

摘要

:

一种新兴的预测和健康管理（PHM）技术最近吸引了学术界、工业界和政府的大量关注。对更高设备可用性和更低维护成本的需求正在推动预测和健康管理系统的开发和集成。PHM模型依赖于智能传感器和传感器生成的数据。本文提出了一种基于机器学习的方法，利用传感器数据建立PHM模型，对智能电网中的变压器系统进行故障诊断。这些模型是利用电力变压器油中溶解气体的传感器数据开发的。我们使用从中国电力变压器收集的真实传感器数据验证了模型。结果表明，所开发的优化神经网络参数的元启发式算法是有效的；基于机器学习的模型显著提高了电力变压器PHM故障诊断/检测的性能和准确性。

关键词：

机器学习;有效布谷鸟搜索;BP神经网络;IEC三比法;电力变压器PHM;故障诊断

1.简介

预测和系统健康管理（PHM）通常提供故障检测、故障预测和部件寿命跟踪等功能，以评估产品可靠性。PHM技术包括智能机械维护和健康运行的传感、异常检测、诊断、预测和决策支持。PHM利用传感器技术的进步，通过持续监测复杂系统的健康状况，实现了主动预防故障的策略。电力变压器是一种对电子系统至关重要的设备。因此，其性能会对电网产生重大影响[1,2,三]. 电力变压器老化是导致电网故障的一个重要因素，它还可能导致变压器的三种主要故障类型：电气故障、机械故障和热故障。其中，机械故障排名第一[4,5]. 因此，提高电力变压器故障诊断的准确性至关重要[6,7].

变压器故障诊断的一些传统方法，如溶解气体分析（DGA）[8,9,10]，短路电抗（SCR）[11]和频率响应分析（FRA）[12]已广泛应用于工业中。然而，当油中溶解气体成分复杂时，这些方法的故障诊断精度较低，从而限制了这些方法的应用。电力变压器的高维故障数据会导致整个系统的非线性，在这种情况下，FRA和SCR无法找到故障的真实位置，也无法提供变压器类型的信息[11].

电力变压器故障诊断方法[13]主要包括国际电工委员会（IEC）的四比法和三比法、特征气体法等。然而，这些方法在电力变压器的诊断中产生了很大的误差。当样本数据太小或样本中存在一些异常值时，精度会大大降低。因此，希望将性能优良的人工智能技术应用于变压器故障诊断。基于DGA数据的智能算法是变压器故障诊断中广泛使用的方法，尤其是BP神经网络[14,15]. BP神经网络可用于确定连接权重和偏差，以实现DGA的准确诊断方法或模型。BP神经网络的更新参数遵循梯度下降的规则，避免将参数误认为是最优参数。

目前，许多智能优化算法和机器学习算法已被应用于电力变压器等不同领域，因为这些方法具有良好的故障诊断性能。电力变压器故障诊断等前沿研究有很多。在电力变压器的故障诊断中，使用各种智能和机器学习方法来检测变压器的状态。

对于电力变压器故障诊断，Khmais等人[16]提出了一种基于支持向量机（SVM）的电力变压器故障分类方法，利用训练数据构建多层SVM分类器。该分类器在识别变压器故障类型方面具有优越的性能。Li等人[17]提出了一种基于选择气体比率和支持向量机的电力变压器故障智能诊断方法。他们使用遗传算法（GA）获得用于DGA比率选择和支持向量机参数优化的最佳溶解气体比率（ODGR）。Hooshmand等人使用带有错误信息和模糊逻辑的三位和四位编码来改进结果[18]. 该方法已应用于变压器中溶解油的诊断。王[19]开发了一种基于概率神经网络（PNN）和溶解气体分析的变压器故障诊断新方法。采用基于粒子群优化（PSO）和BP的混合进化算法对PNN的参数进行优化。为了解决电力变压器事故问题，Trappey等人[20]开发了智能工程资产管理系统。数据驱动模型用于检测变压器中的潜在故障。使用主成分分析（PCA）和BP人工神经网络（BP-ANN）作为预测模型来执行此任务。Zheng等人[21]提出了一种基于粒子群算法和最小二乘支持向量机（LS-SVM）的变压器溶解度预测方法。结果表明，该方法优于BPNN、广义回归神经网络（GRNN）、径向基函数神经网络（RBFNN）和支持向量回归（SVR）方法。

关于用新方法检测到的另一件设备，Zhou等人[22]提出了一种基于本体和FMECA（Failure Mode，Effects and Critically Analysis）的智能故障诊断方法，用于风力发电机组的故障诊断。该方法实现了深层知识和浅层知识的共享，提高了故障诊断能力，为诊断系统做出了更好的决策。为了提高柔性机构瞬态概率分析的效率和准确性，Song等人提出了一种基于改进PSO/贝叶斯正则化（BR）的动态网络方法（DNNM）[23]. 结果表明，该方法提高了计算效率，为柔性机构提供了有意义的见解。为了解决复杂工况下滚动轴承端部的问题，经常受到机电系统故障的影响。因此，Lu等人[24]提出了一种基于卷积神经网络（CNN）的深度学习方法。Evssukoff和Gentil[25]提出了一种用于核反应堆故障检测和隔离的递归神经模糊系统。它在检测和隔离各种安全相关故障方面具有良好的性能。

本文是在2008年DPDC会议的基础上扩展而来的，包括“基于杜鹃搜索优化NN的电力变压器PHM故障诊断方法”[26]. 根据SPSC 2008委员会的建议，我们对论文进行了广泛的改写，扩展了实验，并提供了更多从智能电网中收集的实际变压器传感器数据中获得的验证结果。主要贡献如下：（1）开发了基于机器学习的变压器PHM模型，提出了一种改进布谷鸟搜索算法的新方法，用于优化电力变压器故障诊断多层bp神经网络的参数。（2）我们引入改善率（IR）等重要因素来更新杜鹃（溶液）的功能。（3）考虑到寻找最优解过程的突变，我们认为解的突变x个，由突变概率控制

{P（P）}_{米}

（4）利用智能电网中变压器的实际运行数据，对所开发的基于机器学习的PHM模型进行了评估。结果表明，PHM模型在变压器故障诊断中具有较高的性能。

论文组织如下。在介绍部分之后，第2节提出了一种基于机器学习的方法，利用布谷鸟搜索算法优化BP神经网络进行电力变压器故障诊断。第3节介绍了所开发的基于机器学习的电力变压器故障诊断模型；第4节介绍了实验和结果；第5节讨论结果并得出结论。

2.方法

2.1. 改进的布谷鸟搜索（MCS）算法

布谷鸟搜索算法（CS）是一种模仿布谷鸟寄生繁殖行为的自然启发元启发式算法[27]. 为了模拟布谷鸟的嵌套行为，CS算法设置了三条规则。杜鹃每次产一只蛋，这代表了问题的解决方案，并随机将蛋放在巢中孵化。此外，巢数是固定的，并设置一个值

{P（P）}_{一} \in (0, 1)

描述巢主发现蛋是外国蛋的概率。通过Levy飞行，CS得到了增强，因此CS可以探索解决方案的全局空间和局部空间，并将它们与局部搜索和全局搜索机制结合起来，从而提高效率[28]. 此外，重要参数

{P（P）}_{一}

和阶梯尺寸

α

CS算法在解向量微调中用于调整算法的收敛速度。然而，根据经验，标准CS算法使用这些参数的常数值。迭代过程中无疑问的参数设置和恒定的参数会降低CS算法的性能[29].

因此，为了提高能力并克服缺点，在中提出了一种改进的布谷鸟搜索算法（MCS）[30]，其主要任务是实现迭代过程，其中参数

{P（P）}_{一}

和

α

通过适当范围内的功能进行更新。

为了在进化过程中使用反馈信息，参数

{P（P）}_{一}

和

α

与改善率成比例(红外). 此外红外可以通过以下公式计算

我 R（右） = \frac{\sum_{我 = 1}^{N个 N个} N个 我_{我}}{N个 N个},

(1)

哪里

N个 我_{我} = \{\begin{matrix} 1, （f） ({x个}_{我}^{t吨 + 1}) < （f） ({x个}_{我}^{t吨}), \\ 0, o个 t吨 小时 e（电子） 第页 w个 我 秒 e（电子）, \end{matrix}

(2)

哪里镍是解决方案的改进数量。（f）是我们设置的适应度函数。NN公司是总人口规模。

发现概率

{P（P）}_{一}

和步长

α

动态更新如下：

{P（P）}_{一} = {P（P）}_{一 米 我 n个} + ({P（P）}_{一 米 一 x个} - {P（P）}_{一 米 我 n个}) \cdot 我 {R（右）}^{米},

(3)

α = α_{米 我 n个} + (α_{米 一 x个} - α_{米 我 n个}) \cdot 我 {R（右）}^{n个},

(4)

哪里

α_{米 一 x个}

和

α_{米 我 n个}

是步长的最大值和最小值

α

分别是。

{P（P）}_{一 米 一 x个}

和

{P（P）}_{一 米 一 x个}

是发现概率的最大值和最小值

{P（P）}_{一}

分别是。米和n个是调节控制参数变化速度的非线性因素。

MCS有两种不同的勘探和开发策略。第一种策略使用Mantegna的算法[31]如下：

{x个}_{我}^{t吨 + 1} = {x个}_{我}^{t吨} + α L（左） (秒, λ),

(5)

哪里

L（左） (秒, λ) = \frac{λ Γ (λ) 秒 我 n个 (π λ / 2)}{π} \frac{1}{秒^{1 + λ}}, (秒 ≫ 秒_{0} > 0) .

(6)

在这里，L（左）是数据集的特征尺度。

α

在方程式中(5)是步长。

λ

是控制分布规模的Levy指数。秒是可按如下方式计算的步长：

秒 = \frac{U型}{{| V（V） |}^{1 / λ}},

(7)

哪里

U型 \sim N个 (0, σ^{2})

,

V（V） \sim N个 (0, 1)

此外，

σ^{2}

可计算如下：

σ^{2} = {[\frac{Γ (1 + λ)}{λ Γ ((1 + λ) / 2)} \cdot \frac{秒 我 n个 (π λ / 2)}{2^{(λ - 1) / 2}}]}^{1 / λ} .

(8)

第二种策略是吸引当前解决方案中最接近的个体，并进行全局随机行走。

这两种策略是根据切换概率随机选择的

{P（P）}_{c（c）}

，第二种策略描述如下：

{x个}_{我}^{t吨 + 1} = {x个}_{我}^{t吨} + {t吨}_{1} \cdot ({x个}_{q个 1}^{t吨} - {x个}_{我}^{t吨}) + T型 \cdot ({x个}_{q个 2}^{t吨} - {x个}_{q个 三}^{t吨}),

(9)

其中整数

q个 1

,

q个 2

和

q个 三

表示在范围[1，2…，NN公司]，与整数不同我.T型是比例因子

{t吨}_{1}

是间隔[0，1]内的随机数。

此外，为了增强MCS的全局搜索能力，还通过变异概率引入了变异策略

{P（P）}_{米}

此外，突变如下：

{x个}_{我 k个}^{t吨 + 1} = {x个}_{我 k个}^{t吨} + {t吨}_{2} \cdot ({x个}_{我 k个}^{t吨} - {x个}_{j个 k个}^{t吨}),

(10)

哪里

{t吨}_{2}

是间隔[-1，1]中的随机数。我和j个是在[1，2，…，范围内选择的不同整数…，NN公司].k个是范围[1，2，…，内的整数…，D类],D类是解决方案空间维度。

此外，参数Pa用于判断寄主发现外来鸟类蛋的概率。它可以决定是否生成下一个新的嵌套。此时，位置更新方程如下所示

{x个}_{我}^{t吨 + 1} = {x个}_{我}^{t吨} + {第页}_{1} \cdot ({x个}_{q个 1}^{t吨} - {x个}_{q个 2}^{t吨}) + {第页}_{2} \cdot ({x个}_{b条 e（电子） 秒 t吨}^{t吨} - {x个}_{q个 三}^{t吨}),

(11)

其中整数

{q个}_{1}

,

{q个}_{2}

和

{q个}_{三}

表示三个不同的整数。

{第页}_{1}

和

{第页}_{2}

是[0，1]中随机生成的数字。

MCS的初始位置可以表示为：

{x个}_{我} = L（左） b条 + 第页 一 n个 d日 \times (U型 b条 - L（左） b条),

(12)

其中

U型 b条

和

L（左） b条

分别是搜索空间的上下限。

改进的CS算法的伪码如算法1所示。

算法1：改进CS算法的伪码

2.2. 反向传播（BP）神经网络

BP神经网络是一种多层前馈神经网络，属于不确定非线性数学模型[32,33,34]. BP网络由输入层、隐藏层和输出层组成。前向传播和反向传播这两个过程对BP神经网络非常重要[35,36]. 由于这两个过程的结合，BP网络可以在分类和预测方面有更好的表现。在正向传播中，数据通过输入层，并与隐层权重和阈值相结合，逐层计算，最后到达输出层，获得分类结果。在反向传播中，当输出层中的输出不符合预期时，错误信号将反向传播。它使用误差梯度下降算法来减小网络输出值与实际输出值之间的均方误差（MSE），网络从输出层到所有隐藏层逐层调整权重和阈值。最后，将校正后的结果输出到输出层。

前馈
记录输入值向量后x个，激活 $一^{我}$ 在输入层中我可以以简单紧凑的矢量化形式进行计算：

$一^{我} = （f） ({w个}^{我} 一^{我 - 1} + {b条}^{我}) (我 = 2, 三, \dots, L（左）),$

(13)

哪里 ${w个}^{我}$ 和 ${b条}_{j个}^{我}$ 重量和偏差 ${(我 - 1)}^{}$ th和the $我^{}$ 第层。
为了设置相应的激活，本文使用了最流行的sigmoid函数：

$σ (x个) = \frac{1}{1 + {e（电子）}^{- x个}} .$

(14)

样本的二次误差准则函数n个是C类:

$C类 = \frac{1}{2 n个} \sum_{x个} {∥ 年 (x个) - 一^{L（左）} (x个) ∥}^{2} .$

(15)
反向传播
到达该层时L（左），输出错误 $δ^{L（左）}$ 可以通过以下公式计算

$δ^{L（左）} = \nabla_{一} C类 ⨀ σ^{'} ({z（z）}^{L（左）}) .$

(16)

$\nabla_{一} C类$ 包含C变化率。⨀表示两个向量的入口乘积。随后，下一层的错误是

$δ^{我} = ({({w个}^{我 + 1})}^{T型} δ^{我 + 1}) ⨀ σ^{'} ({z（z）}^{我}),$

(17)

哪里 ${({w个}^{我 + 1})}^{T型}$ 是 ${(我 + 1)}^{}$ 第层。 $⨀ σ^{'} ({z（z）}^{我})$ 是间隔内的Hadamard产品。
根据误差梯度下降法，阈值可计算如下：

$\frac{\partial C类}{\partial {b条}_{j个}^{我}} = δ_{j个}^{我} .$

(18)

网络中的任何权重都是：

$\frac{\partial C类}{\partial {w个}_{j个 k个}^{我}} = 一_{k个}^{我 - 1} δ_{j个}^{我} .$

(19)

通过组合标签（11）和标签（12），错误通过层中的激活函数返回我.
BP神经网络模型结构见图1.

2.3. MCS优化BP神经网络

基于MCS优化BP神经网络的电力变压器故障诊断可以作为一个综合诊断平台，将油中气体数据与检测系统相结合，然后通过有监督学习方法获得良好的结果。

如所示图2，MCS优化BP神经网络框图。主要步骤如下：

第一步：首先采用IEC三比法对电力变压器DGA数据的特征进行处理。

第二步：将电力变压器的不同故障类型随机选择到神经网络中。

步骤3：初始化BP神经网络的参数。

步骤4：初始化修改后的布谷鸟搜索大小

{x个}_{我} (我 = 1, 2, \dots, N个)

，人口规模N个，切换概率

{P（P）}_{c（c）}

，突变概率

{P（P）}_{米}

，和步长值

α_{0}

，步长的最大值

α_{米 一 x个}

，步长的最小值

α_{米 我 n个}

，发现概率最大值

{P（P）}_{一 米 一 x个}

，发现概率最小值

{P（P）}_{一 米 我 n个}

，非线性因素米和n个、比例因子F和适应度函数

（f） (x个)

本文中我们使用的适应度函数是均方误差（MSE），如下所示：

（f） (x个) = \frac{1}{2 n个} \sum_{我 = 1}^{N个} {(年_{我} - {O（运行）}_{我})}^{2},

(20)

哪里

年_{我}

是测量值

{O（运行）}_{我}

是预测结果。

步骤5：通过适应度函数计算初始嵌套的适应度值，然后在解空间中选择当前最优解。

步骤6：生成一个随机数

K（K） 1

并与

{P（P）}_{c（c）}

.比较

K（K） 1

和

{P（P）}_{c（c）}

，如果

K（K） 1 > {P（P）}_{c（c）}

，更新嵌套

{x个}_{我}^{t吨 + 1}

通过方程式(5)，否则按公式计算(9).

步骤7：生成一个随机数

K（K） 2

并与

{P（P）}_{米}

MCS的。如果

K（K） 2 < {P（P）}_{米}

，通过方程式执行变异(10); 否则，它是不变的。

步骤8：计算更新后的解的适应值并更新发现概率

{P（P）}_{一}

和步长

α

通过方程式(三)和方程式(4).

步骤9：生成一个随机数

K（K） 三

并与

{P（P）}_{一}

.如果

K（K） 三 > {P（P）}_{一}

，更新嵌套

{x个}_{我}^{t吨 + 1}

通过方程式(11)，或不更改。将最近的适应度值与新鸟巢进行比较，将最佳鸟巢保持为当代最佳鸟巢

{x个}_{b条}

.

步骤10：如果可以达到最大迭代条件，则继续下一步，或返回步骤6。

第11步：替换BP神经网络的优化权重和偏差。

步骤12：将测试集输入训练好的BP神经网络，得到分类输出。

3.电力变压器故障诊断平台MCS-BP

本文将电力变压器故障诊断主要分为四个部分：数据采集与预处理、数据集分割、神经网络模型训练、测试集输出与列车组输出的比较，如图所示图3.

在图3首先采用IEC三比值法对电力变压器DGA数据进行特征选择。这个游行可以在表1.然后，

70 %

其中的数据可以用于训练模型，训练模型是随机排序的，以确保训练集和测试集包含所有类型的故障。其他的

30 %

利用数据对优化模型进行了测试。在本研究中，我们测试了电力变压器的五种故障，即热故障T型> 700

°

C、热断层T型< 300

°

C、高能放电、低能放电和局部放电。可以看作表2，并且每组数据都是平衡的。共有109组数据。

通过该优化模型，可以对电力变压器的潜在故障进行预测和分类。

4.实验装置和结果

4.1. 实验装置

为了评估该方法在电力变压器故障诊断中的性能，我们获得了实际数据以进行实验。通过IEC三比值处理109组DGA数据，获得了特征滤波数据集，其中一些数据集如所示表3。本文使用神经网络作为基本分类器，因此数据的编码方法如所示表4.

将MCS-BP方法分别与其他优秀的预测分类器BP、CS-BP、多层感知器（MVO-MLP）、PSO-BP、GA-BP、PNN和SVM进行了比较。首先，将MCS-BP算法与CS-BP和BP算法的精度和错误率进行了比较，证明了MCS算法在神经网络优化中的优越性。其次，通过将MCS-BP算法与其他机器学习算法和优化算法进行比较，证明了该算法具有较强的鲁棒性和分类性能。

4.2. 实验结果

首先，比较了MCS-BP算法和CS-BP算法。在本实验中，BP神经网络的参数相同，其结构为3-4-5，三维输入，五维输出，对于MCS和CS，MCS算法设置Levy指数

λ

到1.5，步长

α_{0}

至0.1，

α_{米 一 x个}

至0.5，

α_{米 我 n个}

到0.05，发现概率

{P（P）}_{一 米 一 x个}

至0.5，

{P（P）}_{一 米 我 n个}

至0.1，

{P（P）}_{c（c）}

至0.3，

{P（P）}_{米}

至0.3，米至0.5，以及n个至0.5。CS算法设置发现概率

{P（P）}_{一}

至0.25，

λ

到1，以及步长

α

至0.4。分类的准确性如所示表5对于五种类型的故障输出，MCS-BP具有97.14%的高识别率，带星号，不同故障类型的分类识别率高于或等于BP和CS-BP算法。

如所示表6MCS-BP的训练集和测试集MSE最小。与其他两种算法相比，MCS算法的性能优于常规BP算法和标准CS算法。

接下来，我们使用多种不同的算法来进一步评估MCS-BP的分类性能。遗传算法将交叉概率设置为0.7，变异概率设置为0.01。PSO算法将最大速度设置为1，最小速度设置为−1，解空间为[−5，5]，学习因子设置为1.49445。识别率如所示表7.来自表7可以发现，MCS-BP的识别率和Micro-F1评分明显高于其他算法，而对于T1和PD类型的故障，其他算法的分类识别率很低，MCS-BP的诊断率仍然很高。错误率比较如所示表6从中可以看出，MCS-BP的MSE仍然是最小的，这表明MCS-BP具有优异的性能。发件人表8我们进一步知道，通过每个故障类型F1核和宏F1核，MCS-BP的分类性能优于其他模型(

98.46 %

).

为了进一步评估MCS-BP的性能，我们绘制了不同算法的输出结果，例如图4,图4a、 c、e、g表示训练集的输出和预测分类结果的布局，以及图4b、 d、f、h表示测试集分类的输出。其测试集分类效果不理想；然而，MCS-BP（a）、（b）显示出良好的识别率，并且（b）表明只有第三种故障类型判断是错误的。

由图4我们知道，所开发的方法在稳定性方面优于其他算法，因为测试数据结果可以反映出我们的模型不会陷入过拟合问题，并且训练样本和测试样本都有很好的分类结果。结果表明，该模型能够对电力变压器的故障类型做出合适的判断，有助于电力变压器的诊断。

此外，为了阐明MCS在迭代过程中对BP的优化效果，我们考虑了MCS适应度（误差）的变化，如所示图5.从第1代到第50代，MCS在优化神经网络过程中的适应值在第1代至第4代中迅速下降，这表明MCS的全局优化和局部优化效率非常高。然后，它在第18代左右落入局部极值。然而，经过一段时间的迭代，它跳出局部极值点并继续搜索优化。此外，我们完成了接收机工作特性（ROC）曲线，如所示图6，并获得曲线下的值面积（AUC）。两者都可以证明我们的模型对电力变压器具有很好的分类性能。对于图6a、可以看出，每个断层类别都可以很好地进行分类。

5.结论

本文提出了一种基于机器学习的电力变压器故障诊断方法——CS优化BP神经网络模型。该算法可以自适应地调整解空间的搜索步长，以找到更好的全局最优解，并利用每个解的适应度值来构建变异概率，以避免局部收敛。此外，MCS提高了开发能力和收敛速度。我们利用从电力变压器收集的109组真实数据进行了实验，以验证所开发的模型。与其他算法相比，实验结果表明，我们开发的MCS方法优于其他方法，并且可以在大多数测试用例中收敛到最优解。

为了验证基于机器学习的故障诊断模型或方法，需要更广泛的实验以及更先进的度量和评估工具。这将是我们未来的工作。我们将继续提高算法和模型的性能，并使用其他评估工具和指标评估模型在不同情况下的错误率和操作效率。

作者贡献

A.L.设计了整个研究方法。A.L.、Z.X.和H.D.起草了草案。A.L.和Z.X.对实验做出了贡献。C.Y.做了详细的修改。X.Y.为本文提供了重要指导。所有作者都已阅读并批准了最终稿。

基金

这项工作得到了国家科学基金（51765042、61463031、61662044、61773051）、江西省科学技术厅JXYJG-2017-02的部分支持。

利益冲突

作者声明没有利益冲突。

缩写

PHM公司	预测和健康管理
MCS公司	改进的布谷鸟搜索算法
英国石油公司	反向传播
MCS-BP公司	改进的杜鹃搜索算法优化的反向传播神经网络
DGA公司	溶解气体分析
通用航空公司	遗传算法
PCA公司	主成分分析
PSO公司	粒子群优化
红外	改善率
$α$	阶梯尺寸
${P（P）}_{一}$	发现概率
（f）	适应度函数
$λ$	勒维指数
${P（P）}_{c（c）}$	切换概率
${P（P）}_{米}$	突变概率
$一^{我}$	激活功能
C类	成本函数
$σ^{L（左）}$	输出误差
MVO公司	多元优化器
MLP公司	多层感知器
PNN公司	概率神经网络
MSE公司	均方误差
支持向量机	支持向量机
${x个}_{我}^{t吨}$	巢在t吨一代
${x个}_{我}^{t吨 + 1}$	巢在t吨+1代

工具书类

Wang，T。；何毅。；李，B。；Shi，T.变压器故障诊断采用自供电RFID传感器和深度学习方法。IEEE传感器J。 2018. [谷歌学者] [交叉参考]
唐，S。；黑尔，C。；Thaker，H.电力变压器维护中断时的可靠性建模。系统。科学。控制工程开放存取杂志。 2014,2, 316–324. [谷歌学者] [交叉参考]
曾伟。；Yang，Y。；甘，C。；李，H。；Liu，G.基于DGA数据的电力变压器在线监测智能化开发研究。2011年3月25日至28日，中国武汉，电力和能源工程会议（APPEEC）会议记录；第1-4页。[谷歌学者]
Abu-Elanien，A.E.B。；萨拉马，文学硕士。；Ibrahim，M.使用模糊逻辑计算额定电压低于69 kV的油浸变压器的健康指数。IEEE传输。电力输送。 2012,27, 2029–2036. [谷歌学者] [交叉参考]
Mauntz，M。；Peuser，J.，通过直接传感器监测油老化对高压变压器进行持续状态监测，用于稳定电网。《IEEE电气工程诊断会议论文集》（Diagnostika），捷克共和国皮尔森，2016年9月6日至8日；第1-4页。[谷歌学者]
Bakshi，A。；Kulkarni，S.V.《轴向短路力下变压器绕组导线倾斜研究的特征值分析》。IEEE传输。电力输送。 2011,26, 2505–2512. [谷歌学者] [交叉参考]
雷贝尔，T.D。；辛格，A。；范德马尔，J.A。；王，M。；Marti，J.R。；Srivastava，K.D.《使用套管抽头注入进行电力变压器绕组在线监测的装置》。IEEE传输。电力输送。 2009,24, 996–1003. [谷歌学者] [交叉参考]
汗，S.A。；医学博士Equbal。；Islam，T.使用模糊逻辑和ANFIS模型对基于DGA的变压器故障诊断进行综合比较研究。IEEE传输。电介质。选举人。胰岛素。 2015,22, 590–596. [谷歌学者] [交叉参考]
周，Q。；王，S。；安，W。；Sun，C。；谢浩。；Rao，J.基于DGA与云模型相结合的电力变压器故障诊断。2014年9月8日至11日，波兰波兹南，《2014年高压工程与应用国际会议论文集》；第1-4页。[谷歌学者]
萨尔马，D.S。；Kalyani，G.ANN方法，用于使用DGA监测电力变压器的状态。2004年IEEE Region 10 Conference（TENCON 2004）会议记录，泰国清迈，2004年11月21日至24日；第100卷，第444-447页。[谷歌学者]
Palani，A。；Santhi，S。；Gopalakrishna，S。；Jayashankar，V.短路试验期间测量变压器绕组位移的实时技术。IEEE传输。电力输送。 2008,23, 726–732. [谷歌学者] [交叉参考]
Ahmed，I.使用频率响应分析检测变压器绕组运动。2013年，中国香港默多克大学博士论文。[谷歌学者]
Waghmare，M.H.V.使用IEC和基于模糊的三气体比率法对变压器DGA进行建模。国际工程技术研究杂志。 2014,三, 1149–1152. [谷歌学者]
沈，M.K。；黄Z.Y。；Wang，Z.H。；Zhou，J.H.基于布谷搜索和BP神经网络的煤灰变形温度预测。燃料化学杂志。Technol公司。 2014,52, 89–90. [谷歌学者]
Pratimsarangi，P。；Sahu，A。；Panda，M.前馈神经网络训练的混合差分进化和反向传播算法。国际计算机杂志。申请。 2013,84, 1–9. [谷歌学者] [交叉参考] [绿色版本]
巴哈，K。；Souahlia，S。；基于支持向量机溶解气体分析的电力变压器故障诊断。选举人。电力系统。物件。 2012,83, 73–79. [谷歌学者] [交叉参考]
李，J。；张，Q。；王凯。；Wang，J。；周，T。；Zhang，Y.基于支持向量机的电力变压器故障诊断中遗传算法选择的最优溶解气体比例。IEEE传输。电介质。选举人。胰岛素。 2016,23, 1198–1206. [谷歌学者] [交叉参考]
瓦赫，N。；Deshpande，D.M.使用神经网络和自适应神经模糊推理系统进行电力变压器早期故障诊断的研究。申请。计算。智力。软计算。 2014,2014, 135–143. [谷歌学者] [交叉参考]
王，X。；Wang，T。；Wang，B.基于PSO-BP混合概率神经网络的电力变压器故障诊断。智能信息技术应用国际研讨会论文集，中国南昌，2009年11月21日至22日；第545-549页。[谷歌学者]
特拉佩，A.J.C。；Trappey，C.V.公司。；马，L。；Chang，J.C.M.用于各种运行条件下电力变压器维护决策支持的智能工程资产管理系统。计算。工业工程。 2015,84, 3–11. [谷歌学者] [交叉参考]
郑浩。；Zhang，Y。；刘杰。；魏，H。；赵，J。；Liao，R.一种基于小波LS-SVM的新模型，集成了改进的PSO算法，用于预测电力变压器中的溶解气体含量。选举人。电力系统。物件。 2018,155, 196–205. [谷歌学者] [交叉参考]
周，A。；Yu，D。；Zhang，W.基于本体论和FMECA的风力发电机智能故障诊断研究。高级工程师通知。 2015,29, 115–125. [谷歌学者] [交叉参考]
Song，L.K。；费，C.W。；Bai，G.C。；Yu，L.C.基于改进PSO和BR算法的动态神经网络方法，用于柔性机构的瞬态概率分析。高级工程师通知。 2017,33, 144–153. [谷歌学者] [交叉参考]
卢，C。；王，Z。；Zhou，B.使用基于健康状态分类的层次卷积网络的滚动轴承智能故障诊断。高级工程师通知。 2017,32, 139–151. [谷歌学者] [交叉参考]
Evsukoff，A。；Schirru，R.核反应堆故障检测和隔离的神经模糊系统。高级工程师通知。 2005,19, 55–66. [谷歌学者] [交叉参考]
杨，X。；李，A。；Dong，H。；Yang，C.Cuckoo搜索优化的基于神经网络的电力变压器PHM故障诊断方法。《传感、诊断、预测和控制国际会议论文集》（SDPC 2018），中国西安，2018年8月15日至17日。[谷歌学者]
杨，X.S。；Deb，S。基于Levy Walk和Firefly算法的随机优化Eagle策略; 施普林格：德国柏林/海德堡，2010年；第101-111页。[谷歌学者]
杨，X.S。；Deb，S.杜鹃搜索：最新进展和应用。神经计算。申请。 2014,24, 169–174. [谷歌学者] [交叉参考]
瓦利安，E。；Mohanna，S。；Tavakoli，S.前馈神经网络训练的改进杜鹃搜索算法。国际艺术杂志。智力。申请。 2011,2, 36–43. [谷歌学者]
Cheng，J。；Wang，L。；Xiong，Y.改进的布谷搜索算法与绝缘子闪络电压预测。神经计算。申请。 2018,30, 355–370. [谷歌学者] [交叉参考]
X.S.杨。元启发式优化：自然启发算法及其应用; 施普林格：德国柏林/海德堡，2013年；第405-420页。[谷歌学者]
韩，X。；熊，X。；傅，D。基于BP神经网络和Cat混沌映射增强的引力搜索算法的图像分割新方法; Kluwer学术出版社：荷兰多德雷赫特，2015年；第855-873页。[谷歌学者]
刘，Y.K。；谢凤。；谢长乐。；彭，M.J。；吴，G.H。；Xia，H.使用基于BP神经网络的动态模型预测核电站运行参数的时间序列。附录编号。能源 2015,85, 566–575. [谷歌学者] [交叉参考]
刘，N。；Yang，H.等人。；李，H。；Yan，S。；张，H。；Tang，W.BP人工神经网络建模用于精确半径预测，并应用于增量平面内弯曲。国际先进制造技术杂志。 2015,80, 971–984. [谷歌学者] [交叉参考]
王，H。；孔，C。；李，D。；秦，N。；风扇，H。；Hong，H。；Luo，Y.模拟咸鲷鱼片在储存期间的质量变化：Arrhenius模型、BP和RBF神经网络的比较。食品生物加工技术。 2015,8, 2429–2443. [谷歌学者] [交叉参考]
王，Q。；李毅。；Diao，M。；高，W。；齐，Z。基于粒子群优化反向传播神经网络的INS/CNS组合导航系统性能增强。海洋工程。 2015,108, 33–45. [谷歌学者] [交叉参考]
杜瓦尔，M。；Depabra，A.使用新的IEC出版物60599和IEC TC 10数据库解释油中气分析。IEEE电气。胰岛素。美格。 2002,17, 31–41. [谷歌学者] [交叉参考]

图1。BP神经网络模型结构。

图2。MCS-BP的流程图。

图3。电力变压器故障诊断过程的结构流程。

图4。不同模型的分类结果。(一), (c（c）), (e（电子）)和(克)分别表示不同方法的训练样本分类结果。(b条), (d日), (（f）)和(小时)分别是不同方法的测试样本分类结果。

图4。不同模型的分类结果。(一), (c（c）), (e（电子）)和(克)分别表示不同方法的列车样本分类结果。(b条), (d日), (（f）)和(小时)分别是不同方法的测试样本分类结果。

图5。MCS-BP的拟合曲线。

图6。不同模型的ROC-AUC曲线。(一–d日)用AUC分别表示MCS-BP、MVO-MLP、PSO-BP和GA-BP的接收机工作特性曲线。

表1。三比法诊断（IEC 60599）[37].

表1。使用三比值法进行诊断（IEC 60599）[37].

故障类型	${C类}_{2} {H（H）}_{2} / {C类}_{2} {H（H）}_{4}$	${中国}_{4} / {H（H）}_{2}$	${C类}_{2} {H（H）}_{4} / {C类}_{2} {H（H）}_{6}$
局部放电	<0.1	<0.1	<0.2
第1页	>1	0.1–0.5	>1
D2类	0.6–2.5	0.1–1	>2
T1类	NS公司	>1/NS号	<1
T2段	<0.1	>1	1–4
T3航站楼	<0.2	>1	>4

表2。分析中使用的故障类型。

不。	故障类型	故障类型代码
故障1	热故障T型> 700 $°$ C类	T3航站楼
故障2	热故障T型< 300 $°$ C类	T1类
故障3	高能放电	D2类
故障4	低能量放电	第1页
故障5	局部放电	局部放电

表3。部分样本的统计数据。

${C类}_{2} {H（H）}_{4}$	${H（H）}_{2}$	${C类}_{2} {H（H）}_{6}$	故障类型
0.019	0.0899	2.157	T1类
0.029	0.231	2.654	T1类
0.0246	0.9655	8.2797	T3航站楼
0.0541	1.2551	8.9697	T3航站楼
1.38	0.211	5.396	D2类
0.12	0.438	5.664	D2类
8.097	2.694	1.752	第1页
8.382	2.708	1.768	第1页
0	0.041	0.149	PD公司
0.088	0.052	0.099	PD公司

表4。输出不同故障的目标编码。

	T3航站楼	T1类	D2类	第1天	PD公司
编码格式	1	0	0	0	0
	0	1	0	0	0
	0	0	1	0	0
	0	0	0	1	0
	0	0	0	0	1

表5。基本方法的比较（*表示表中的最佳结果）。

故障类型	准确率（%）
故障类型	英国石油公司	CS-BP公司	MCS-BP公司
T3航站楼	100	100	100
T1类	100	85.71	100
D2类	85.71	85.71	85.71
第1页	100	100	100
PD公司	0	100	100
总计	77.14	94.29	97.14 *

表6。样本误差比较。

模型	列车样本MSE	测试样品MSE
英国石油公司	0.0330	0.1571
CS-BP公司	0.0053	0.0220
MCS-BP公司	0.0058	0.0204

表7。不同方法的比较（*表示表中的最佳结果）。

故障类型	准确率（%）
故障类型	MCS-BP公司	MVO-MLP公司	PSO-BP公司	GA-BP	PNN公司	支持向量机
T3航站楼	100	100	100	100	83.33	83.33
T1类	100	71.43	85.71	57.14	85.71	28.57
D2类	85.71	100	85.71	100	100	71.43
第1页	100	100	100	100	66.67	100
PD公司	100	85.71	85.71	85.71	85.71	85.71
总计	97.14 *	91.43	91.43	88.57	78.57	73.81

表8。不同方法与F1核的比较（*表示表中的最佳结果）。

故障类型	宏观F1-核心（%）
故障类型	MCS-BP公司	MVO-MLP公司	PSO-BP公司	GA-BP	PNN公司	支持向量机
T3航站楼	100	100	100	100	100	90.91
T1类	100	92.31	60	92.30	44.44	44.44
D2类	92.30	100	100	92.30	100	83.33
第1页	100	100	100	100	100	100
PD公司	100	92.30	92.30	92.30	92.30	92.31
宏F1-核心	98.46 *	96.92	90.46	95.38	87.35	82.20

分享和引用

MDPI和ACS样式

李，A。；杨，X。；Dong，H。；谢，Z。；杨，C。基于机器学习的电力变压器PHM传感器数据建模方法。传感器 2018,18, 4430.https://doi.org/10.3390/s18124430

AMA风格

李A，杨X，董H，谢Z，杨C。基于机器学习的电力变压器PHM传感器数据建模方法。传感器. 2018; 18(12):4430.https://doi.org/10.3390/s18124430

芝加哥/图拉宾风格

李安忆、杨晓辉、董焕宇、谢子豪和杨春生。2018年，“基于机器学习的电力变压器PHM传感器数据建模方法”传感器第18页，第12页：4430。https://doi.org/10.3390/s18124430

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单