1、第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1478-12 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于格拉姆角场变换和深度压缩模型的变压器故障识别方法刘志坚，何蔚，刘航，谢静，陶韵旭，张德春（昆明理工大学电力工程学院，云南省 昆明市 650000）Fault Identification Method for Power Transformer Based on Gramian Angular Field Tran
2、sformation and Deep Compression Model LIU Zhijian,HE Wei,LIU Hang,XIE Jing,TAO Yunxu,ZHANG Dechun(Faculty of Electric Power Engineering,Kunming University of Science and Technology,Kunming 650000,Yunnan Province,China)1ABSTRACT:This paper presented a fault identification method for power transformer
3、 based on Gramian angular field transformation and deep compression model.Aiming at the problems that one-dimensional fault samples were scarce and could not be directly input into the visual geometry group(VGG)network.Firstly,the Gramian angular field transformation method was proposed to convert t
4、he fault samples into three-dimensional feature images.Secondly,the number of feature images was expanded by data augmentation method to meet the input requirements of fault identification method.Thirdly,to solve the shortcomings of the VGG network such as deep layers,too many parameters and the com
5、plex structure,an improved deep compression model was proposed.The global average pooling layers of network in network(NiNNet)were applied to replace the fully connected layers of the VGG network to greatly reduce the number of layers and parameters.A structured pruning method was proposed to prune
6、the multilayer convolutional kernels of the VGG front-end network to further reduce the parameters,and the deep compression of the network was eventually achieved.The numerical experiments and performance evaluation results implemented on transformer oil chromatography fault data illustrate that the
7、 proposed method achieves deep compression and structural simplification of the VGG network without losing the accuracy of fault identification results.In addition,the deep compression model effectively reduces the required storage spaces and computing resources,making it applicable 基金项目：云南省基础研究计划青年
8、项目(202201AU070086)；云南省教育厅科学研究基金项目(2022J0052)；昆明理工大学自然科学研究基金资助项目(KKZ3202004042)。Project Supported by Youth Project of Basic Research Program of Yunnan Province(202201AU070086);Scientific Research Foundation of Yunnan Provincial Department of Education(2022J0052);Natural Science Research Foundation of
9、 Kunming University of Science and Technology(KKZ3202004042).to edge computing platforms with small size and low power consumption.KEY WORDS:transformer;fault identification;Gramian angular field;deep learning;deep compression model 摘要：提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和 VGG(visual geometry grou
10、p)网络一般不能直接读取一维数据的问题，首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像，并使用数据增强方法进行样本扩充，使其满足故障识别方法的输入需求。进一步，针对 VGG 网络层数深、参数多以及结构复杂的缺点，提出了一种改进深度压缩模型。使用 NiNNet(network in network)网络的全局平均池化层替换 VGG 网络的全连接层，减少 VGG 末端网络的层数和参数规模；提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝，进一步减少 VGG 前端网络的参数规模，实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明，所提方法在不损失变压器
11、故障识别结果精度的前提下实现了 VGG 网络的深度压缩和结构简化：此外，深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源，使其能够应用于体积小、功耗低的边缘计算平台。关键词：变压器；故障识别；格拉姆角场；深度学习；深度压缩模型 DOI：10.13335/j.1000-3673.pst.2022.1174 0 引言 电力变压器是实现电网中能量转换和传输的核心设备，其运行状态的健康与否直接影响到电力系统的安全稳定运行1。在变压器故障识别中，油色谱是反映其绝缘状态水平和故障与否的重要状态量。建立油色谱含量与设备故障类型之间的精确映射关系，是提升变压器故障识别结果准确性的核第 47
12、卷 第 4 期 电 网 技 术 1479 心任务2。经过多年发展，国内外提出了众多基于油色谱的故障识别方法，根据原理可将其分为 3 类，分别是基于传统的气体体积分数比值分析方法、机器学习的方法和深度学习的方法。传统的气体体积分数比值分析方法包含三比值法、编码法、大卫三角形法等3。这些方法简单高效，在数据稀缺的情况下能有效识别故障。但是由于变压器故障类型复杂，其识别结果可能存在编码不全或故障比例冲突和失调等问题4-5。随着人工智能技术的发展，基于机器学习技术的变压器故障识别方法得到了快速发展和应用，如基于支持向量机、人工神经网络和随机森林的方法等6-8。这些方法能够有效地对变压器单一或多故障进行
13、识别，在速度较快的情况下提高故障识别的准确率。但此类方法结构简单，提取数据特征能力有限，无法对复杂情况下的变压器故障进行精确地识别9-10。随着电网数字化转型工作的推动，油色谱等状态监测数据呈现出大体量和高增速等大数据特征，使得基于深度学习技术的变压器故障识别方法得到了快速发展11。例如，文献12使用深度学习的方法对油色谱在线监测数据进行分类，得到了优于传统机器学习方法的识别结果；文献13融合了卷积神经网络和长短期记忆网络，实现了对变压器局部放电故障的有效识别；文献14提出了针对油色谱数据的特征气体向量构建方法，并构建了软阈值的改进残差网络对变压器进行故障识别，相比于传统深度学习方法在识别精度
14、上有了进一步的提升；文献15提出了基于加权综合损失优化的深度学习方法对油色谱数据进行故障识别，有效解决了油色谱故障样本不平衡的问题。尽管深度学习的方法有着识别精度高、适应性强等优点，但由于变压器故障发生概率极低，造成实际故障样本稀缺，一维油色谱数据故障特征不明显，且深度学习模型一般不能直接读取一维数据，使得模型的性能无法得到保证16-17。另一方面，深度学习模型具有层数深、参数多及结构复杂的特点，模型存储需要占用大量的磁盘空间，且训练和测试极为消耗计算资源，给基于深度学习的变压器故障识别方法的发展和应用带来了巨大的挑战18-21。针对上述问题，本文提出一种基于格拉姆角场变换和深度压缩模型的变压
15、器故障识别方法。首先应用格拉姆角场变换方法将一维故障样本转换为三维特征图像，并使用数据增强的方法对图像样本进行扩充，使其满足深度学习模型的输入需求22-25。进一步，提出了一种深度压缩模型，使用 NiNNet(network in network)网络的全局平均池化层替换VGG(visual geometry group)网络的全连接层，减少VGG 末端网络的层数和参数规模。在此基础上，提出了结构化剪枝方法对 VGG 网络的多层卷积核进行剪枝，减少 VGG 前端网络的参数规模，从而完成 VGG 网络的深度压缩26-29。最后在变压器油色谱故障数据上开展了数值实验和性能评估工作。1 基于格拉姆角
16、场变换的三维图像变换 1.1 格拉姆角场变换的基本原理 格拉姆角场(Gramian angular field，GAF)是一种基于极坐标格拉姆矩阵的数据维度变换方法。该方法可以将一维油色谱样本(dissolved gas analysis，DGA)转换为三维特征图像样本，并且有效增强一维原始数据的故障特征。目前，该方法已广泛应用于医学、交通工程等领域22-23。具体过程如下。1）使用最大最小归一化方法，将 n 个变量组成的一维结构化数据 x=x1,x2,xi,xn(i=1,n)映射至0,1的区间上，得到归一化后的一维结构化数据x，最大最小归一化的表达式如式(1)所示。minmaxminiixxxxx(1)2）将x 的值编码为余弦角，在极坐标中重新表示为i和 ri，如式(2)所示。1,arccos,01,iiiiixxxirinnx(2)式中：i为 i 点极角；ri为 i 点极径。3）将结构化数据转换为极坐标之后，格拉姆求和角场(Gramian angular summation field，GASF)的定义如式(3)所示。ASF(,)cos()i jijG(3)式中j表示 j 点极角(
