一种换流变压器故障诊断方法技术

本发明专利技术公开一种换流变压器故障诊断方法，包括：通过磷虾群优化算法对深度神经网络的超参数自适应寻优，以建立深度神经网络，其中，所述超参数包括：学习率和批尺寸；将采集的换流变压器的声纹信号通过S变换后得到的S时频谱图输入所述深度神经网络，输出所述换流变压器的故障类型。当换流变压器工作在铁心松动、绕组松动、直流偏磁这种非正常工作状态时，通过本发明专利技术实施例的方法可以基于声纹数据，有效地对故障进行高效准确地诊断，以便提醒运维人员进行检修处理，避免故障的进一步扩大，保证换流变压器的安全、可靠运行。可靠运行。可靠运行。

【技术实现步骤摘要】
一种换流变压器故障诊断方法


[0001]本专利技术涉及换流变压器故障诊断
，尤其涉及一种换流变压器故障诊断方法。

技术介绍

[0002]换流变压器作为交直输电系统中整流、逆变的核心设备，为了使工程取得发电效益，必须保障换流变压器的安全投入与正常运行。与普通电力变压器相比，换流变压器在运行过程中长期遭受交直流电压的双重冲击，运行环境恶劣，故障呈现复杂化、多样化，导致噪声加剧、损耗增大等。现阶段换流变故障诊断方法集中在油色谱、振动、红外测温、人工巡查等，油色谱监测、红外测温监测对放电性故障、过热性故障、受潮故障敏感；振动信号的采集与传感器的安装位置具有很强的相关性，不同的安装位置会对诊断结果产生影响，抗干扰能力弱。这些监测手段普遍缺乏全面性，随机性较强。

技术实现思路

[0003]本专利技术实施例提供一种换流变压器故障诊断方法，以解决现有技术对换流变压器的故障诊断的方法普遍缺乏全面性且随机性较强的问题。
[0004]本专利技术实施例公开了如下的技术方案：
[0005]一种换流变压器故障诊断方法，包括：
[0006]通过磷虾群优化算法对深度神经网络的超参数自适应寻优，以建立深度神经网络，其中，所述超参数包括：学习率和批尺寸；
[0007]将采集的换流变压器的声纹信号通过S变换后得到的S时频谱图输入所述深度神经网络，输出所述换流变压器的故障类型。
[0008]进一步，所述通过磷虾群优化算法对所述深度神经网络的超参数自适应寻优的步骤，包括：
[0009]设置磷虾个体位置为所述深度神经网络的超参数；
[0010]初始化磷虾群优化算法的参数，设置磷虾个体数量、最大迭代次数、最大引导速度、最大觅食速度、最大扩散速度、学习率的上下边界和批尺寸的上下边界；
[0011]对所述磷虾个体的位置进行迭代，每迭代一次，得到一次所述深度神经网络的超参数；
[0012]采用每次迭代得到的所述深度神经网络的超参数建立所述深度神经网络；
[0013]采用训练集和测试集对通过每次迭代得到的所述深度神经网络的超参数建立的所述深度神经网络进行训练，得到该次迭代对应的适应度函数值；
[0014]当适应度函数值收敛，并且在所述磷虾群优化算法的迭代达到所述最大迭代次数后，选择适应度函数值最小对应的一次迭代得到的所述深度神经网络的超参数建立所述深度神经网络。
[0015]进一步，所述得到该次迭代对应的适应度函数值的步骤，包括：
[0016]将训练集的每一样本分别输入通过每次迭代得到的所述深度神经网络的超参数建立的所述深度神经网络，分别输出训练集的每一样本对应的所述换流变压器的故障类型；
[0017]计算正确输出故障类型的训练集的样本的数量与所述训练集的样本的总数量的商，得到训练集准确率；
[0018]将测试集的每一样本分别输入通过每次迭代得到的所述深度神经网络的超参数建立的所述深度神经网络，分别输出测试集的每一样本对应的所述换流变压器的故障类型；
[0019]计算正确输出故障类型的测试集的样本的数量与所述测试集的样本的总数量的商，得到测试集准确率；
[0020]采用Fitness＝2
‑
accTrain
‑
accTest计算所述适应度函数值，其中，Fitness表示适应度函数值，accTrain表示训练集准确率，accTest表示测试集准确率。
[0021]进一步：所述训练集和所述测试集的样本为换流变压器的声纹信号通过S变换后得到的S时频谱图。
[0022]进一步：所述换流变压器的声纹信号在进行S变换前预先采用CEEMDAN算法对所述声纹信号进行降噪处理。
[0023]进一步：所述深度神经网络为卷积神经网络。
[0024]进一步：所述卷积神经网络包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
[0025]进一步，所述声纹信号对应的故障类型包括：正常、铁心松动、绕组松动和直流偏磁。
[0026]这样，本专利技术实施例，当换流变压器工作在铁心松动、绕组松动、直流偏磁这种非正常工作状态时，通过本专利技术实施例的方法可以基于声纹数据，有效地对故障进行高效准确地诊断，以便提醒运维人员进行检修处理，避免故障的进一步扩大，保证换流变压器的安全、可靠运行。
附图说明
[0027]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本专利技术实施例的换流变压器故障诊断方法的流程图；
[0029]图2是本专利技术实施例的换流变压器故障诊断方法的原理框图；
[0030]图3是CEEMDAN算法的流程图；
[0031]图4是各IMF分量相关系数示意图；
[0032]图5是CEEMDAN算法与传统EMD
‑
ICA算法降噪结果频谱对比图，其中，(a)为CEEMDAN算法降噪结果，(b)为EMD
‑
ICA算法降噪结果；
[0033]图6是换流变压器典型故障的S变换时频谱图，其中，(a)正常，(b)铁心松动，(c)绕组松动，(d)直流偏磁；
[0034]图7是KHA
‑
CNN模型的适应度函数值随迭代次数变化的示意图；
[0035]图8是对CNN模型的不同优化算法得到的适应度函数值的对比示意图；
[0036]图9是传统CNN方式设置的不同学习率和KHA
‑
CNN得到的学习率的对比示意图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本专利技术保护的范围。
[0038]本专利技术实施例公开了一种换流变压器故障诊断方法。如图1和2所示，本专利技术实施例的方法包括如下的步骤：
[0039]步骤S101：通过磷虾群优化算法对深度神经网络的超参数自适应寻优，以建立深度神经网络。
[0040]具体的，该步骤包括如下的过程：
[0041]1、设置磷虾个体位置为深度神经网络的超参数。
[0042]深度神经网络训练过程中，超参数的选取严重影响着其模型的准确率以及训练时间。本专利技术实施例选取的超参数包括：学习率(learning rate，LR)和批尺寸(batch size)。
[0043]2、初始化磷虾群优化算法(Krill Herd Algorithm，KHA)的参数，设置磷虾个体数量、最大迭代次数、最大引导速度、最大觅食速度、最大扩散速度、学习率的上下边界和批尺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种换流变压器故障诊断方法，其特征在于，包括：通过磷虾群优化算法对深度神经网络的超参数自适应寻优，以建立深度神经网络，其中，所述超参数包括：学习率和批尺寸；将采集的换流变压器的声纹信号通过S变换后得到的S时频谱图输入所述深度神经网络，输出所述换流变压器的故障类型。2.根据权利要求1所述的换流变压器故障诊断方法，其特征在于，所述通过磷虾群优化算法对所述深度神经网络的超参数自适应寻优的步骤，包括：设置磷虾个体位置为所述深度神经网络的超参数；初始化磷虾群优化算法的参数，设置磷虾个体数量、最大迭代次数、最大引导速度、最大觅食速度、最大扩散速度、学习率的上下边界和批尺寸的上下边界；对所述磷虾个体的位置进行迭代，每迭代一次，得到一次所述深度神经网络的超参数；采用每次迭代得到的所述深度神经网络的超参数建立所述深度神经网络；采用训练集和测试集对通过每次迭代得到的所述深度神经网络的超参数建立的所述深度神经网络进行训练，得到该次迭代对应的适应度函数值；当适应度函数值收敛，并且在所述磷虾群优化算法的迭代达到所述最大迭代次数后，选择适应度函数值最小对应的一次迭代得到的所述深度神经网络的超参数建立所述深度神经网络。3.根据权利要求2所述的换流变压器故障诊断方法，其特征在于，所述得到该次迭代对应的适应度函数值的步骤，包括：将训练集的每一样本分别输入通过每次迭代得到的所述深度神经网络的超参数建立的所述深度神经网络，分别输出训练集的每一样本对应的所述换流变压器的故障类型；计算...

【专利技术属性】
技术研发人员：柴斌，姚琪，宁复茂，李昊，韦鹏，徐辉，史磊，李辉，王海峰，刘书吉，武嘉薇，雷战斐，谢伟锋，刘廷堃，
申请(专利权)人：国网宁夏电力有限公司西安理工大学，
类型：发明
国别省市：