【技术实现步骤摘要】
一种基于深度卷积神经网络的换流变压器故障诊断方法
本专利技术属于输变电设备故障诊断领域,具体地说是一种基于深度卷积神经网络的换流变压器故障诊断方法。
技术介绍
目前,大型变压器多为油浸式变压器,采用油纸绝缘结构。变压器正常运行时,其内部的油纸绝缘材料受到热和电的作用,会逐渐老化并分解,产生少量溶解气体。通过分析变压器中的溶解气体H2、CH4、C2H2、C2H4、C2H6、CO、CO2的含量和产气率,可以检测出故障,防止故障恶化。通过对大量DGA结果的统计分析,专家试图建立一个油中溶解气体含量的注意值标准,即认为油中溶解气体含量高于此标准的设备内部可能存在着引发事故的早期潜伏性故障。在变压器故障诊断中,单靠电气试验方法很难发现某些局部故障和发热缺陷,而通过变压器油中气体的色谱分析,对发现变压器内部的某些潜伏性故障及其发展程度的早起诊断非常灵敏且有效,这已被大量故障诊断的实践所证明。在国家颁布执行的电力设备预防性试验规程DL/T596-1996中,将DGA方法放在了首要位置。但实践表明很难把判断有无故障这样一个复杂的问题简化为仅由一个数值界限去机械地进行判断。基于此,Dornenburg提出气体三比值法进行变压器故障的诊断。三比值法避免了油的体积效应,提高了对电力变压器故障诊断的准确率,国内外统计表明,三比值法对油浸式电力设备故障诊断的可靠率在80%左右,在我国国家标准中推荐使用基于DGA结果的三比值法对油浸式设备进行故障诊断。但在实践过程中发现,三比值法存在编码盲点问题,有相当一部分的DGA分析结果落在 ...
【技术保护点】
1.一种基于深度卷积神经网络的换流变压器故障诊断方法,其特征在于,/n将深度神经网络与卷积神经网络结合得到基于深度卷积神经网络的换流变压器故障诊断模型,利用该换流变压器故障诊断模型进行故障诊断;/n所述换流变压器故障诊断模型的诊断过程如下:/n输入数据后,进入第I阶段,在第I阶段中,通过卷积操作、批量归一化和Relu激活函数的非线性操作;/n然后进入第II阶段,该阶段为模型核心阶段,即深度卷积网络,包括多个依次叠加的残差结构;在残差结构中,数据将通过两条支路,在第一条支路中,数据首先通过批量归一化,并且使用Relu激活函数对数据进行预激活,之后利用信息丢弃操作防止模型过拟合,最后进行卷积操作;将卷积操作后的结果再次进行批量归一化、Relu激活函数和信息丢弃操作,最后通过卷积操作得到该支路的输出;在第二条支路中,数据直接通过一层最大池化操作进行下采样,从而与第一条支路的数据对齐;最终,将两条支路的输入求和作为第II阶段的输出;/n最后,数据进入第III阶段,通过批量归一化、Relu激活函数和全连接操作,利用softmax激活函数对数据进行激活,得到结果。/n
【技术特征摘要】 【专利技术属性】
1.一种基于深度卷积神经网络的换流变压器故障诊断方法,其特征在于,
将深度神经网络与卷积神经网络结合得到基于深度卷积神经网络的换流变压器故障诊断模型,利用该换流变压器故障诊断模型进行故障诊断;
所述换流变压器故障诊断模型的诊断过程如下:
输入数据后,进入第I阶段,在第I阶段中,通过卷积操作、批量归一化和Relu激活函数的非线性操作;
然后进入第II阶段,该阶段为模型核心阶段,即深度卷积网络,包括多个依次叠加的残差结构;在残差结构中,数据将通过两条支路,在第一条支路中,数据首先通过批量归一化,并且使用Relu激活函数对数据进行预激活,之后利用信息丢弃操作防止模型过拟合,最后进行卷积操作;将卷积操作后的结果再次进行批量归一化、Relu激活函数和信息丢弃操作,最后通过卷积操作得到该支路的输出;在第二条支路中,数据直接通过一层最大池化操作进行下采样,从而与第一条支路的数据对齐;最终,将两条支路的输入求和作为第II阶段的输出;
最后,数据进入第III阶段,通过批量归一化、Relu激活函数和全连接操作,利用softmax激活函数对数据进行激活,得到结果。
2.根据权利要求1所述的一种基于深度卷积神经网络的换流变压器故障诊断方法,其特征在于,模型的输入为设备在线监测数据X=(x1,x2,...,xi,...,xm),模型的输出为每条监测数据xi对应的诊断结果yi的集合Y=(y1,y2,...,yi,...,ym),yi仅能取值0或1,0代表设备异常,1代表设备正常。
3.根据权利要求2所述的一种基于深度卷积神经网络的换流变压器故障诊断方法,其特征在于,在模型训练阶段,模型损失函数为:
其中,p(·)表示模型将第i条监测数据的诊断结果映射为正确结果yi的概率。
4.根据权利要求1或2所述的一种基于深度卷积神经网络的换流变压器故障诊断方法,其特征在于,每个残差结构包含2个卷积层,每个卷积层都具有步长为16的卷积核,共32k个卷积核,其中k从1开始并且每经过四个残差结构后递增加1;每间隔1个残差结构,对其输入进行采样率为2的下采样,因此原始输入最终以采样率为24倍下采样。
技术研发人员:郑一鸣,王文浩,万梓聪,闫丹凤,毕建刚,王峰渊,袁帅,杨圆,常文治,是艳杰,王广真,邵明鑫,韩睿,杨智,姜炯挺,
申请(专利权)人:国网浙江省电力有限公司电力科学研究院,北京邮电大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。