本文是一篇电气自动化论文，论文在分析现有变压器故障诊断方法的基础上，以油中溶解气体数据为特征量，以深度神经网络等人工智能技术为方法，尝试将新兴数字技术与状态监测相结合，研究DGA数据的扩充与电力变压器运行状态的估计。
1 绪论
1.1 选题背景及意义
电力变压器作为电力系统中重要的设备之一，掌握其运行状态、及时发现潜伏性故障对保障电网安全可靠运行具有现实意义[1-4]。长期以来形成的定期断电检修方式虽然能一定程度上检测出设备的异常状态，但其刻板式的周期性实验、盲目式的系统排查，容易造成资源的浪费与不合理分配、设备自检灵敏度降低等[5]缺陷。针对这些缺陷，状态检测以一种新的维修机制被顺势提出。状态检修即通过精密的传感器技术、高效的通信技术与计算机技术，对设备的潜在性故障进行评估和定位，有针对性的对电力设备进行检修，以防故障的发生或进一步恶化。迄今为止，油中溶解气体分析技术和在线监测技术的研究持续着吸引国内外学者的关注，并取得了一定的实际成果[6-8]。由此可见，以变压器油中溶解气体分析技术或在线监测为手段，对变压器进行状态评估和预测是颇有前景的研究方向[9]，基于DGA数据的变压器故障诊断方法亦具有可研究性。
油中溶解气体的组份和含量可以有一定规律的反应电力变压器的运行状态，业界学者根据此特性相继提出了IEC标准比值法[10]、Rogers比值法[11]和Doernenburg比值法[12]等阈值判定法对变压器的状态进行评估。这些比值方法操作简单、运行可靠，但变压器故障征兆与故障机理间的联系错综复杂，不同变压器间故障机理难以通用[13-14]，因此准确率普遍较低。鉴于变压器故障的复杂性，单一方法难以满足工程需要，支持向量机[15-17]、人工神经网络[18-20]和贝叶斯分类器[21-22]等智能方法就势应用于变压器故障诊断。然而基于支持向量机的诊断方法存在核函数易受Mercer条件限制、规则化参数难确定、诊断输出不理想等问题[23-24]；贝叶斯网络诊断方法过渡依赖数据样本，其训练过程存在易丢失变压器状态信息等问题[27-28]。综上所述，目前基于DGA数据的变压器故障诊断技术尚需开展进一步研究，探求更先进的新型智能模型以提升诊断准确率。
......................
1.2 国内外研究现状
长期实践证明，油中溶解气体的组份和含量可以相应程度上反映变压器运行状态[36]，现行《电力设备预防性实验规程》已将变压器油中气象色谱分析方法放到首要位置。基于DGA数据的变压器故障诊断方法是对监测出的油中溶解气体数据进行特征分析，通过人工经验归纳或智能方法来建立DGA数据特征与故障类型之间的映射关系，从而判断是否存在故障并确认故障类型[37]，现已成为变压器故障分析的一种有效手段[13][38]。目前，基于DGA的油浸式变压器故障诊断方法主要分为以特征气体组分与含量法、特征气体含量比值法为主的传统故障诊断方法，以及支持向量机、人工神经网络和贝叶斯分类器等智能诊断方法[39]。
1.2.1 基于传统比值法的变压器故障诊断
（1）特征气体组分与含量法
分析并研究溶解于油中的气体组份与含量，建立其与故障性质与故障严重程度的映射关系，有助于尽早发现设备内部存在的潜伏性故障并可实时监视故障的发展情况[40]。DL/T 722—2014《变压器油中溶解气体分析和判断导则》将不同故障类型产生的主要特征气体和次要特征气体归纳为表1。
由表1分析可知，特征气体组分与含量诊断方法看似简单易操作，但缺乏明确阈值的判定，依赖很强的专家经验，对于学者来说难以通过程序实现研究。
电气自动化论文怎么写
...........................
2 深度学习神经网络
2.1 深度学习神经网络概述
2.1.1 计算机视觉
计算机视觉是使用计算机及相关电子设备对人脑视觉的一种模拟，即研究如何使计算机像人一样感触世界的科学。具体来说，就是使用各种传感成像系统代替视觉器官作为端口输入手段，由计算机来代替大脑完成处理和计算。计算机视觉的研究目标为能像人一样能认识世界，识别分辨自然界中的不同物体。在当今的计算机视觉应用当中，主要以图像定位、图像语义分割以及动态物体的实时预测等。如图1所示，计算机视觉技术可区别街道上的行人与犬类，计数行驶或停靠车辆的总和，分析来往车辆与行人之间的行为和滞留时间等。
2.1.2 深度学习概
何谓深度学习，深度指有深度学习构建的网络层数较多，学习指模型输入大量的样本数据进行训练，从而学习到与样本有关的特征信息，以此对新样本进行分类和或预测。
相比浅层学习而言，深度学习具有以下特点：1）深度学习具有更多的层数与运行参数，每一层的神经元个数理论上可以根据需要自定义设置，因此具有更强的计算能力与特征学习能力；2）采用逐层计算的方式，强调了特征计算对深度模型的重要性，即采用逐层特征提取的方式将样本特征由原本空间转换到另一个新的空间，避免了深层网络中特征提取的梯度消失和梯度爆炸问题，使得模型更容易拟合，分类和预测更可能实现。
深度学习神经网络的网络结构与传统前馈神经网络类似，都分为输入层、隐藏层和输出层，但深度学习神经网络的隐藏层层数更深，将单层网络进行多次堆叠，前一层的输入作为后一层的输入。
..........................
2.2 深度学习神经网络框架
目前深度学习的基本框架包括自编码器(Auto-encoder, AE)、卷积神经网络(Convolutional Neural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)，下面将分别对以上三种方法做原理介绍。
2.2.1 自编码器(AE)
自编码器是指使用自身的高阶特征编码自己的一种神经网络[60]，它的输入和输出是一致的，目标是使用稀疏的高阶特征重新组合来重构自己
网络中，由输入到code的过程称为编码，对应图中的Encode过程。该部分由多层编码器堆叠而成，其作用是对输入信息量进行压缩，从而形成密码code。编码器中神经元的个数多为由高到低排列，比如第一层网络中神经元个数为32，第二层为16，第三层为8，以此类推。密码code的神经元个数最少，因为是经过编码器层层递减的神经元将输入进行压缩后得到的压缩信息。从密码code到输出的过程称为解码，对应图中的Decode过程。该部分的神经元排列为由高到低，例如从code到输出层中的每层解码器神经元个数分别为8、16、32。这样就将输出信息的维度还原为输入，在训练过程中不断地调整网络中的参数使重构误差函数降低到最小，达到输出尽量与输入相同的目的，训练结束。此时的code便可代表原始信息的输入特征，将code经解码器还原后即可得到原始输入信息。这就引申出了AE的一些应用：如数据去噪、可视化降维、图像生成等。
1）数据去噪：将一张带有噪声的图片作为输入，对神经网络进行训练，让神经网络记录原始输入的高阶特征，在压缩部分仅提取与数据相关的高阶特征，以此来过滤与数据相关度不明显的特征，从而完成数据去噪。
2）可视化降维：将一个高维度的向量变换为一个低纬度的向量，在改变输入信息维度的同时保留与原始数据高度相关的特征，在不影响数据信息的前提下降低数据的维度。
3）图像生成：根据训练完毕的自编码模型，将后半部分的Decode解码器单独作用，此时Decode即作为一个生成器。因为code已经学习到输入信息的特征，故在code中输入一个信息便可得到一个图像，形成图像生成器。
...............................
3 基于一维卷积变分自编码器的数据增强方法 ............ 19
3.1 变分自编码器网络 .............................. 19
3.2 一维卷积神经网络 ...................................... 20
3.3 一维卷积变分自编码器网络的设计 ...................... 23
4 基于改进图卷积神经网络的变压器故障诊断 ................................. 34
4.1 图卷积神经网络的结构和工作机理 ...................... 34
4.1.1 图卷积神经网络的结构 ............................ 34
4.1.2 图卷积神经网络的工作机理 ......................... 35
5 算例分析 ............................................. 46
5.1 数据处理及可视化分析................................. 46
5.1.1 PCA算法 ...................................... 46
5.1.2 基于PCA的变压器溶解气体数据可视化 ............................. 47
5 算例分析
5.1 数据处理及可视化分析
论文选用由江苏省徐州市供电公司提供实测的和相关文献下载的DGA数据共1519组进行实例分析验证。对所得实例样本进行数据清洗后，数据集包含630个样本，训练样本个数占80%为504个，测试样本个数占20%为126个。对于经1D-CVAE增强后的数据集，训练样本个数由原始的504个扩充为2016个，测试样本为原始的126个不变。
本章将对论文所提数据增强方法1D-CVAE和变压器故障诊断模型IGCNN的性能进行综合性测试，最终加入典型工程案例分析以验证论文所提方法的可行性。对于分类器性能可通过模型输出指标中的准确率直观地进行定量计算，准确率高的模型显然性能更优。论文还采用主成分分析法(Principal Component Analysis, PCA)[70]将变压器溶解气体数据映射到二维空间进行可视化处理，定性观察生成样本与实际样本之间的分布关系。
电气自动化论文参考
..........................
6 结论与展望
6.1 结论
利用机器学习等人工智能技术对电力变压器大数据进行深度挖掘和分析是当前状态检测领域的发展趋势。目前基于智能方法的变压器状态检测技术已有诸多研究，并取得了相应进展，但仍存在一定的局限。为使深度学习能更好的在变压器故障诊断研究中发挥作用以提升故障诊断准确度，作者围绕变压器油中溶解气体分析实验数据，对基于神经网络的变压器智能故障诊断方法进行了研究，主要研究工作和结论如下：
1）对当前深度学习发展现状进行了研究，具体介绍了深度学习的相关概念、模型框架及各自的应用领域。在此基础上着重分析了深度学习在变压器故障诊断方面应用的必要性和可行性。
2）提出了基于一维卷积变分自编码器的变压器故障数据增强方法。所提方法在传统变分自编码器框架的基础上，以一维卷积层代替全连接层来构建变分自编码器，增加了模型的学习能力，生成的变压器故障数据更接近真实样本。实例分析表明，同AE、VAE相比，该数据增强方法对故障诊断准确率的提升效果最好。
3）针对变压器溶解气体特征值较少的特性，搭建了基于改进图卷积神经网络的故障诊断模型。以卷积操作来替代传统池化层，加入残差结构以获得更好的收敛性，简化了网络结构，增强了网络的学习能力。实例分析表明，同RNN、1D-CNN相比，该诊断方法具有更好的故障诊断性能。
参考文献（略）