基于深度耦合密集卷积神经网络的变压器故障诊断方法技术

本发明专利技术公开了一种基于深度耦合密集卷积神经网络的变压器故障诊断方法，包括以下步骤：获取变压器正常状态与故障状态的油中溶解气体数据集；采用自适应综合过采样方法对数据集进行扩充；将油中溶解的特征气体以二维矩阵的形式进行特征重构；搭建基于深度耦合密集卷积神经网络的变压器故障诊断模型；将数据集分为训练集和测试集，用二维矩阵作为深度耦合密集卷积神经网络的输入端，设置的标签作为输出端训练网络，得到故障诊断模型。本发明专利技术可解决油中溶解气体故障样本数不足和不均衡、特征量少，导致变压器故障诊断准确率低的问题。综合考虑故障状态特征气体的相互关系，提出深度密集卷积神经网络的搭建方法，有效缓解训练过程振荡、过拟合的现象。过拟合的现象。过拟合的现象。

【技术实现步骤摘要】
基于深度耦合密集卷积神经网络的变压器故障诊断方法


[0001]本专利技术涉及电力变压器故障诊断
，尤其涉及一种基于深度耦合密集卷积神经网络的变压器故障诊断方法。

技术介绍

[0002]电力变压器作为输变电网络中的关键设备，其发生故障时将危及整个电力系统的安全稳定运行，同时会造成巨大的经济损失。大多数在役电力变压器已经超过了预期的额定寿命，因为它们大多是在1980年之前安装的。为了确保变压器设备可靠有效地运行，对变压器故障的实时诊断就显得尤为重要。油中溶解气体分析(DGA)是一种在线监测技术，当油浸式变压器发生热故障或电故障时，油中溶解气体的含量会发生相应的变化。通过研究油中溶解气体含量与变压器故障类型之间的相互关系，判断变压器的健康状态。
[0003]传统的变压器故障诊断方法包括比率法和图像法，当故障点落在分界线上时，对故障类型的诊断具有很大的不确定，不同的诊断方法呈现不同的结果，导致故障诊断准确率率较低。采用K
‑
最邻近、支持向量机、模糊理论、人工神经网络、深度信念网络等一系列人工智能方法对DGA数据进行处理，已经取得了一些成就，但仍然存在学习能力、处理效率、特征提取等方面的不足。近年来，深度学习方法的实用越来越稳健和有效，而不是以前的替代方法。卷积神经网络在视觉识别，图像处理以及故障诊断上已经相对成熟。
[0004]油中溶解气体采用五种特征气体(H2、CH4、C2H6、C2H4、C2H2)作为特征量，输入的特征量较少，且数据不平衡，容易导致深度卷积神经网络过拟合。将深度学习技术用于油中溶解气体的变压器故障诊断时仍存在一些困难：1)变压器数据集较少且不均衡。2)特征气体较少，即输入端的特征较少。3)网络训练过程中易发生过拟合，且在训练过程中振荡。

技术实现思路

[0005]本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度耦合密集卷积神经网络的变压器故障诊断方法。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]本专利技术提供一种基于深度耦合密集卷积神经网络的变压器故障诊断方法，该方法包括以下步骤：
[0008]步骤1：获取变压器正常状态与故障状态的油中溶解气体数据集，对油中溶解气体数据集进行归一化处理，并设置标签；
[0009]步骤2：采用自适应综合过采样方法对步骤1获取的油中溶解气体数据集进行扩充，形成新的数据集；
[0010]步骤3：将油中溶解的特征气体以二维矩阵的形式进行特征重构；
[0011]步骤4：搭建基于深度耦合密集卷积神经网络的变压器故障诊断模型；
[0012]步骤5：将步骤2扩充的新的数据集分为训练集和测试集，用步骤3的二维矩阵作为深度耦合密集卷积神经网络的输入端，步骤1设置的标签作为输出端，训练深度耦合密集卷
积神经网络，并通过测试集进行准确率计算，得到训练好的变压器故障诊断模型。
[0013]进一步地，本专利技术的所述步骤1中的方法包括：
[0014]油中溶解气体数据集为：
[0015]samplei＝{x
i,1
,x
i,2
,...,x
i,j
,y
i
}i∈[1,N][0016]其中samplei为第i个样本的油中溶解气体数据，一共有N个数据样本。x
i,j
为第i个样本的第j个特征气体含量，y
i
为第i个样本的变压器状态；
[0017]归一化处理采用计算公式：
[0018][0019]设置标签是用数字序号的形式对变压器的状态进行标签设置。
[0020]进一步地，本专利技术的所述步骤2中的自适应综合过采样方法包括：
[0021]①
假定需要为少数类样本合成的数量为G，对于每个少数类样本samplei，利用n维空间中的欧式距离公式找到K个邻近点：
[0022][0023]其中x
Aj
为第A个样本点的第j个特征气体的含量，x
Bj
为第B个样本点的第j个特征气体含量，d表示样本A和样本B的欧式距离；
[0024]②
在寻找的K个邻近样本点中计算属于多数类样本所占的比例；
[0025]r
i
＝Δ
i
/K
[0026]其中K为邻近样本的个数，Δ
i
为在第i个样本邻近样本中属于多数类样本的个数,r
i
为第i个样本邻近样本中多数类样本所占的比例；
[0027]③
计算每个少数类样本samplei需要的合成样本数量：
[0028][0029]其中G为需要为少数类样本合成的总量，g
i
为第i样本需要合成样本数量；
[0030]④
从每个少数类样本samplei的K邻近样本中随机选择一个少数类样本x
zi
，生成合成数据样本：
[0031]s
i
＝x
i
+(x
zi
‑
x
i
)
×
λ
[0032]其中x
i
为第i个数据样本，λ是随机数，s
i
为第i个样本生成的新数据样本；
[0033]利用上述步骤对数据集进行扩充，使各种故障状态的数据集更加均衡。
[0034]进一步地，本专利技术的所述步骤3中的方法包括：
[0035]特征重构是将一维矩阵形式的特征气体含量通过排列组合的方式构造成二维矩阵，以此达到增加特征量的目的，综合考虑各气体含量变换与故障状态之间的关系。
[0036]进一步地，本专利技术的所述步骤4中的方法包括：
[0037]深度耦合密集卷积神经网络将前面两次卷积层计算的值在深度方向上进行融合作为下一个卷积层的输入值：
[0038]x
m
＝F
m
([x
m
‑2,x
m
‑1])
[0039]其中x
m
为第m层网络的输入值，即第m
‑
1层网络的输出值，F
m
为第m层的计算函数；
[0040]计算函数主要包括5个基本计算过程：卷积计算，标准化，激活函数，池化，舍弃；
[0041]卷积计算的简化公式为：
[0042]y＝∑wx+b
[0043]其中x为输入值，w为权重，b为偏置，y为输出；
[0044]标准化可以使数据符合以0为均值，1为标准差的标准正态分布，激活函数主要有relu函数、tanh函数以及softmax函数；卷积层采用relu函数，全连接层采用tanh函数，输出层采用softmax函数；
[0045]Relu f(x)＝max(0,x)
[0046][0047][0048]其中x为该层的输入值，f(x)为该层的输出值；
[0049]池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度耦合密集卷积神经网络的变压器故障诊断方法，其特征在于，该方法包括以下步骤：步骤1：获取变压器正常状态与故障状态的油中溶解气体数据集，对油中溶解气体数据集进行归一化处理，并设置标签；步骤2：采用自适应综合过采样方法对步骤1获取的油中溶解气体数据集进行扩充，形成新的数据集；步骤3：将油中溶解的特征气体以二维矩阵的形式进行特征重构；步骤4：搭建基于深度耦合密集卷积神经网络的变压器故障诊断模型；步骤5：将步骤2扩充的新的数据集分为训练集和测试集，用步骤3的二维矩阵作为深度耦合密集卷积神经网络的输入端，步骤1设置的标签作为输出端，训练深度耦合密集卷积神经网络，并通过测试集进行准确率计算，得到训练好的变压器故障诊断模型。2.根据权利要求1所述的基于深度耦合密集卷积神经网络的变压器故障诊断方法，其特征在于，所述步骤1中的方法包括：油中溶解气体数据集为：samplei＝{x
i,1
,x
i,2
,...,x
i,j
,y
i
}i∈[1,N]其中samplei为第i个样本的油中溶解气体数据，一共有N个数据样本。x
i,j
为第i个样本的第j个特征气体含量，y
i
为第i个样本的变压器状态；归一化处理采用计算公式：设置标签是用数字序号的形式对变压器的状态进行标签设置。3.根据权利要求1所述的基于深度耦合密集卷积神经网络的变压器故障诊断方法，其特征在于，所述步骤2中的自适应综合过采样方法包括：
①
假定需要为少数类样本合成的数量为G，对于每个少数类样本samplei，利用n维空间中的欧式距离公式找到K个邻近点：其中x
Aj
为第A个样本点的第j个特征气体的含量，x
Bj
为第B个样本点的第j个特征气体含量，d表示样本A和样本B的欧式距离；
②
在寻找的K个邻近样本点中计算属于多数类样本所占的比例；r
i
＝Δ
i
/K其中K为邻近样本的个数，Δ
i
为在第i个样本邻近样本中属于多数类样本的个数,r
i
为第i个样本邻近样本中多数类样本所占的比例；
③
计算每个少数类样本samplei需要的合成样本数量：其中G为需要为少数类样本合成的总量，g
i
为第i样本需要合成样本数量；
④
从每个少数类样本samplei的K邻近样本中随机选择一个少数类样本x
zi
，生成合成数据样本：s
i
＝x
i
+(x
zi
‑
x
i
)
×
λ其中x
i
为第i个数据样本，λ是随机数，s
i
为第i个样本生成的新数据样本；利用上述步骤对数...

【专利技术属性】
技术研发人员：何怡刚，李紫豪，王剑锋，刘晓宇，金尧，马世乾，王天昊，丁一，吕金炳，龚庆武，
申请(专利权)人：国网天津市电力公司，
类型：发明
国别省市：