基于改进CNN-PNN网络的电力变压器故障诊断方法及系统技术方案

本发明专利技术公开了一种基于改进CNN

【技术实现步骤摘要】
基于改进CNN
‑
PNN网络的电力变压器故障诊断方法及系统


[0001]本专利技术属于电力设备故障诊断
，涉及一种电力变压器故障诊断方法及系统，具体涉及一种基于改进CNN
‑
PNN网络的电力变压器故障诊断方法及系统。

技术介绍

[0002]传统的变压器诊断方法为：通过定期维护和事后检修对变压器的外观检查、关键指标参量、运行记录和缺陷记录等因素综合考量。但此方法具有一定的主观性，变压器的好坏往往决定于专家的经验正确与否，因此为了解决这一问题，国内外学者尝试开始采用一定的监测手段，获取与故障相关的关键信息，进一步提高变压器故障诊断的正确率；因此产生了超声波检测法、红外热成像检测法、脉冲电流检测法、光检测法等一系列故障诊断方法。
[0003]在所有产生的故障诊断方法中，油中溶解气体分析法(Dissolved Gas Analysis，DGA)，是现在应用最广泛、效果最好的诊断方法。由于油色谱数据具有结构化的特点，且故障类型已经确定。因此可以将变压器故障诊断问题转化为机器学习中的分类问题或聚类任务。基于此原理，许多学者开始尝试将机器学习算法与DGA相结合来解决相关难题。
[0004]例如申请号为CN202211260761.1的专利技术专利一种基于深度学习的电力变压器故障诊断方法，通过获取电力变压器的故障样本数据集，对故障样本数据集进行预处理，得到用于训练的训练数据集，构建基于CNN的预设故障诊断模型，通过训练数据集对预设故障诊断模型进行训练，得到训练后的故障诊断模型，优化训练后的故障诊断模型的超参数，得到目标故障诊断模型，获取待分析的数据，通过目标故障诊断模型对待分析的数据进行分析，输出待分析的数据对应的故障诊断结果。
[0005]在目前变压器故障诊断问题的研究中，大多学者将五种气体特征(H2、CH4、C2H2、C2H4、C2H6)作为诊断模型的输入，进行相应的电力变压器故障诊断，由于输入模型的特征太少，往往造成模型训练过拟合现象发生，导致故障诊断效果不佳，采用CNN(提取特征能力强)来进行故障诊断，由于CNN分类效果欠优，诊断效果往往欠佳。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提出了一种基于改进CNN
‑
PNN的电力变压器故障诊断方法及系统。
[0007]本专利技术的方法所采用的技术方案是：一种基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，包括以下步骤：步骤1：获取待分析的数据；步骤2：将所述待分析的数据归一化处理；步骤3：将归一化处理后的数据通过所述改进CNN
‑
PNN网络对所述待分析的数据进行分析，输出所述待分析的数据对应的故障诊断结果；所述改进CNN
‑
PNN网络，包括并行设置的Conv1_1、Conv1_2、Conv1_3和Conv1_4层，
用于将所述并行设置的Conv1_1、Conv1_2、Conv1_3与Conv1_4层输出拼接的第一拼接层，用于将第一拼接层输出的一维向量转化成二位向量的第一转化层，并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层，用于将所述并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层输出拼接的第二拼接层，并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层，用于将并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层输出拼接的第三拼接层，和用于将第三拼接层输出进行分类得到故障类型预测的全连接层。
[0008]本专利技术的系统所采用的技术方案是：一种基于改进CNN
‑
PNN网络的电力变压器故障诊断系统，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法。
[0009]本专利技术的有益效果如下：1.首先通过多次一维卷积系列操作扩大输入数据的维度，提高输入数据复杂度，减少模型训练容易过拟合的几率。
[0010]2.通过多次二维卷积系列操作将一维输入数据转化为二维图片类型数据，进一步提高输入数据复杂度，减少模型训练过拟合问题。
[0011]3.多次采用一维卷积和二维卷积操作，将两种卷积进行结合，提高模型的特征提取能力。
[0012]4.采用多步并行的二维卷积操作，采用不同大小卷积核进行操作，同时加入Resnet残差网络结构以及attention注意力机制，提升模型的特征提取能力以及减少模型训练过拟合机率。
[0013]5.将卷积操作后的数据输入到PNN模型中代替原有CNN的线性分类层，提高了模型的分类能力。
附图说明
[0014]图1为本专利技术实施例的改进CNN网络结构图；图2为本专利技术实施例的改进CNN
‑
PNN网络结构图；图3为本专利技术实施例的图1和图2中的第1部分明细图；图4为本专利技术实施例的图1和图2中的第2部分明细图；图5为本专利技术实施例的图1和图2中的第3部分明细图；图6为本专利技术实施例的图1中的第4部分明细图；
图7为本专利技术实施例的图2中的第5部分明细图。
具体实施方式
[0015]为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0016]本专利技术通过为解决传统电力变压器故障诊断问题中输入模型特征少，容易造成模型训练过拟合问题以及传统CNN模型分类能力较弱问题，提出了一种新的改进CNN
‑
PNN变压器故障诊断模型。
[0017]本专利技术提供的一种基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，包括以下步骤：步骤1：获取待分析的数据；步骤2：将本实施例的待分析的数据归一化处理；步骤3：将归一化处理后的数据通过本实施例的改进CNN
‑
PNN网络对本实施例的待分析本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：获取待分析的数据；步骤2：将所述待分析的数据归一化处理；步骤3：将归一化处理后的数据通过所述改进CNN
‑
PNN网络对所述待分析的数据进行分析，输出所述待分析的数据对应的故障诊断结果；所述改进CNN
‑
PNN网络，包括并行设置的Conv1_1、Conv1_2、Conv1_3和Conv1_4层，用于将所述并行设置的Conv1_1、Conv1_2、Conv1_3与Conv1_4层输出拼接的第一拼接层，用于将第一拼接层输出的一维向量转化成二位向量的第一转化层，并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层，用于将所述并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层输出拼接的第二拼接层，并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层，用于将并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层输出拼接的第三拼接层，和用于将第三拼接层输出进行分类得到故障类型预测的全连接层。2.根据权利要求1所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于：步骤2中，将所述待分析的数据归一化处理为向量(b,1,5)，其中，b为输入数据的个数，5为一个输入数据的长度，1为输入数据的通道数。3.根据权利要求1所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于：所述Conv1_1、Conv1_2、Conv1_3和Conv1_4层，均为由一维卷积层和Relu激活函数层组成；所述一维卷积层，输入通道大小和输出通道大小均为1，卷积核大小分别为1、3、5、1步数均为1，填充数分别为0、1、2、0。4.根据权利要求1所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于：所述Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层，均为由二维卷积层和Relu激活函数层组成；所述二维卷积层，输入通道大小和输出通道大小均为1，卷积核大小分别为(1,1)、(3,1)、(5,1)、(1,1)、(3,1)、(5,1)、(1,1)、(1,1)，步数均为1，填充数分别为0、1、2、0、1、2、0、0。5.根据权利要求1所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于：所述Conv3_1操作层，由第一二维卷积操作层、第一批归一化操作层、Relu激活函数、第一池化操作层、第二二维卷积操作层、第二批归一化操作层、Relu激活函数层、第二池化操作层组成；所述第一二维卷积操作层，输入通道大小为1，输出通道大小为16，卷积核大小为(3,3)，步数为1，填充数为0；所述第一批归一化操作层，输入通道大小为16，输出通道大小为16；所述第一池化操作层，输入通道大小为16，输出通道大小为16，卷积核大小为(2,2)，步数为2；所述第二二维卷积操作层，输入通道大小为16，输出通道大小为32，卷积核大小为
(3,3)，步数为1，填充数为0；所述第二批归一化操作层，输入通道大小为32，输出通道大小为32；所述第二池化操作层，输入通道大小为32，输出通道大小为32，卷积核大小为(2,2)，步数为2；所述Resnet1操作层，由第一blk层和第二blk层组成；所述第一blk层，输入通道大小为32，输出通道大小为32；所述第二blk层，输入通道大小为32，输出通道大小为64；所述blk代表ResNet。6.根据权利要求1所述的基于改进CNN
‑
PNN网络的电力变压器故障诊断方法，其特征在于：所述Conv3_2操作层，由第三二维卷积操作层、第三批归一化操作层、Relu激活函数、第三...

【专利技术属性】
技术研发人员：汪繁荣，张业成，方祖春，胡雨千，乔一航，刘宇航，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：