基于改进卷积神经网络的电力变压器在线检测系统及方法技术方案

本发明专利技术提出基于改进卷积神经网络的电力变压器在线检测系统及方法，其中，在线检测系统具体包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；基于改进卷积神经网络的电力变压器在线检测系统的方法，包括离线训练部分和在线检测部分；本发明专利技术根据变压器自身结构特点与振动原理，确定振动传感器布点，实时获取变压器振动信号；将原始信号进行数据处理转换为易于卷积神经网络识别的二维灰度图作为卷积神经网络输入；根据变压器实时振动数据噪声干扰较大的特点，改进传统卷积神经网络结构、改进卷积核尺寸，建立应用于电力变压器故障定位的改进卷积神经网络架构，并验证了该方法的合理性与优越性。

【技术实现步骤摘要】
基于改进卷积神经网络的电力变压器在线检测系统及方法
本专利技术属于电力变压器故障诊断
，具体涉及一种基于改进卷积神经网络的电力变压器在线检测系统及方法。
技术介绍
电力变压器作为电力系统安全的关键设备，也是其中造价最高、最复杂的设备之一。由于电力变压器处于电网的关键位置，运行环境繁杂，一旦发生故障，很大程度上会造成电网连锁故障、大面积停电等问题，更有甚者会引起爆炸、火灾等严重事故的发生，其带来的直接或间接经济损失可高达数亿元人民币，因此电力变压器是否能安全、可靠、稳定的运行与国民正常的生产和生活息息相关。随着电网容量的增大与“智能电网”概念的提出，智能变电站应运而生，而传感监测设备的不断发展以及在电力变压器表面和内部的大量部署和应用，对电力变压器设备监测与定位智能水平的要求也大大提高，其数据也逐渐呈现出多源、异构等典型的大数据特性，传统变压器故障监测与定位方法在大数据背景下无论在准确性还是时效性上都捉襟见肘。近年来，卷积神经网络特征提取方法在语音识别领域和图像处理领域取得了突飞猛进的发展并获得了很大成功，其强大的学习能力为电力变压器故障定位提供了全新的思路。卷积神经网络具有多层的神经网络，享有共同权值的结构大大降低了网络模型的复杂度，其优势在于可以在大数据环境下完成复杂的特征提取，此外理论上卷积神经网络可以获得分布式表示，即可以通过逐层学习的算法获取输入数据的主要驱动变量。利用卷积神经网络对变压器进行故障定位，主要利用卷积神经网络的区分性深度结构对变压器故障位置进行分类处理，判断故障发生的具体部件和位置。
技术实现思路
针对以上技术问题，本专利技术提出基于改进卷积神经网络的电力变压器在线检测系统及方法，其中，基于改进卷积神经网络的电力变压器在线检测系统具体包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；所述传感器组放置在被测试变压器箱体不同位置上，传感器组与信号放大装置相连接，信号放大装置与信号采集与存储装置相连接，信号采集与存储装置与故障定位装置相连接；所述传感器组，放置在被测试变压器箱体不同位置上，用于检测变压器箱体振动情况，并将振动信号传递给信号放大装置；所述信号放大装置，将振动信号放大，并将放大后的信号传递给信号采集与存储装置；所述信号采集与存储装置，按照时间先后顺序保存放大后的信号，并根据故障检测装置的需要提取对应时间段的放大后信号；所述故障定位装置，采用计算机实现，并编写程序用来实现基于改进卷积神经网络的电力变压器故障在线检测功能；所述传感器组放置在被测试变压器箱体不同位置上，传感器组分别位于被测试变压器的一侧的表面，从顶端到低端，传感器被放置依次在：顶端铁架中心位置处、A相5/6处、B相5/6处、C相5/6处、A相1/2处、B相1/2处、C相1/2处、A相1/6处、B相1/6处、C相1/6处；所述传感器组采用压电式加速度传感器；基于改进卷积神经网络的电力变压器在线检测系统的方法，采用基于改进卷积神经网络的电力变压器在线检测系统实现，具体包括离线训练部分和在线检测部分，包括如下步骤：离线训练部分：步骤1：采集离线数据：采集故障时段与正常时段的被测试变压器J个传感器传递出的振动波形信号，经过信号放大装置，振动波形信号转换为放大后信号；步骤2：采用灰度图转换方法将放大后信号转换为二维矩阵：在放大后信号上等距截取相同长度的采样片段，每个片段选取等距的K个采样点，采样点的纵坐标为振幅，将K个振幅值纵向依次排列为K×J的二维矩阵中，其中J为传感器个数，K为采样点数；步骤3：对灰度图转换后的二维矩阵进行归一化处理，归一化后的二维矩阵作为输入层，即输入归一化二维图：其中，L(i)表示数据灰度图转换后的二维矩阵，其中i＝1,2,...,K×J；P(k,j)(k＝1,...,K；j＝1,...,J)表示图像像素强度，round函数为循环函数，max(L)为第一个灰度图中最大的元素，min(L)为第一个灰度图中最小的元素，循环函数使所有的像素值标准化到0～255之间；步骤4：建立网络初始化参数：采用高斯初始化方法，即从均值为0，方差为1的高斯分布中采样，生成随机数，作为卷积神经网络的初始权值，卷积神经网络的权值即为卷积核；步骤5：依次经过卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、卷积层C6、全连接层F6与输出层Softmax，建立改进卷积神经网络FDL-CNN；步骤5.1：所述卷积层C1、卷积层C3、卷积层C5、卷积层C6均采用卷积操作，具体如下：K和J分别表示输入层的高度和宽度，代表J个振动信号传感器变量在时间间隔K上的监测值，改进卷积神经网络的输入层为包含K×J个点的矩阵；k和j分别表示卷积核的高和宽，执行卷积操作后的激活值，即卷积层提取的特征，如式下式所示：经过上式的卷积操作后，输出特征图尺寸缩小至大小；其中，S为步长，b为卷积神经网络偏置，wrc为卷积神经网络的权值，t为输出特征图的行坐标，m为输出特征图的列坐标，r为卷积核的行坐标，c为卷积核的列坐标，其初始值为步骤4中的随机数；输出特征图尺寸满足下式的约束条件：为了避免提取特征后，维度缺失，所述卷积层C3采用补零算法，使提取的特征没有维度缺失；步骤5.2：所述池化层(PoolingLayer)进行的是池化操作，将所述卷积层提取的特征作为输入传到池化层，通过池化层的池化操作，降低数据的维度，采用最大值池化的方法来进行池化操作，公式如下：其中，H和W分别为池化区域的高和宽。t为卷积后输出特征图的行坐标，m为卷积后输出特征图的列坐标，i为池化后输出特征图的行坐标，j为池化后输出特征图的列坐标；步骤5.3：所述全连接层是将过滤器特征提取出的特征进行分类；具体方法为，先将最后一个池化层的输出，展开成一维的特征向量，作为全连接层的输入；再将输入与输出之间组成全连接神经网络，其中隐含层使用的激活函数为ReLU函数，输出层的激活函数采用的是Softmax函数，在这里Softmax函数的目的是将输入的神经元转化为和为1的概率分布，为后续的多分类目标函数的建立基础；全连接的正向传播方法如下式所示：其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值；为第l+1层第j个神经元的输出值；为第l层所有神经元对第l+1层第j个神经元的偏置值，al(i)为第l层第i个神经元的输出值。a与z的区别在于，a表示激活后的值，z表示激活之前的值。当第l+1层为隐含层时，激活函数为ReLU函数，即：al+1(i)＝max{0,zl+1(i)}当第l+1层为输出层时，激活函数为Softmax函数，即：其中，K为Softmax函数输出的向量维数。步骤6：计算误差函数E的值，具体公式如下：其中，为卷积神经网络输入第k组数据的实际输出的第j个Softmax函数值，为目标输出值；m为样本组数；使用损失函数(ObjectiveFunction)来评价输入信号对应的输出与其应得的目标值是否一致，神经网络训练的目的是使输入信号对应的输出与其应得的目标值一致，在分类问题中，一般选择交叉熵函数作为损失函数；利用损失函数是否收敛来判断一致性，输入信号对应的输出与其应得的目标值是否一致，若收敛，则说明输入信号对应的输出与其应得的目标值是一致的，若不收敛，则说明本文档来自技高网...

【技术保护点】
1.一种基于改进卷积神经网络的电力变压器在线检测系统，其特征在于，包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；所述传感器组放置在被测试变压器箱体不同位置上，传感器组与信号放大装置相连接，信号放大装置与信号采集与存储装置相连接，信号采集与存储装置与故障定位装置相连接；所述传感器组，放置在被测试变压器箱体不同位置上，用于检测变压器箱体振动情况，并将振动信号传递给信号放大装置；所述信号放大装置，将振动信号放大，并将放大后的信号传递给信号采集与存储装置；所述信号采集与存储装置，按照时间先后顺序保存放大后的信号，并根据故障检测装置的需要提取对应时间段的放大后信号；所述故障定位装置，采用计算机实现，并编写程序用来实现基于改进卷积神经网络的电力变压器故障在线检测功能；。

【技术特征摘要】
1.一种基于改进卷积神经网络的电力变压器在线检测系统，其特征在于，包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；所述传感器组放置在被测试变压器箱体不同位置上，传感器组与信号放大装置相连接，信号放大装置与信号采集与存储装置相连接，信号采集与存储装置与故障定位装置相连接；所述传感器组，放置在被测试变压器箱体不同位置上，用于检测变压器箱体振动情况，并将振动信号传递给信号放大装置；所述信号放大装置，将振动信号放大，并将放大后的信号传递给信号采集与存储装置；所述信号采集与存储装置，按照时间先后顺序保存放大后的信号，并根据故障检测装置的需要提取对应时间段的放大后信号；所述故障定位装置，采用计算机实现，并编写程序用来实现基于改进卷积神经网络的电力变压器故障在线检测功能；。2.根据权利要求1所述一种基于改进卷积神经网络的电力变压器在线检测系统，其特征在于，所述传感器组放置在被测试变压器箱体不同位置上，传感器组分别位于被测试变压器的一侧的表面，从顶端到低端，传感器被放置依次在：顶端铁架中心位置处、A相5/6处、B相5/6处、C相5/6处、A相1/2处、B相1/2处、C相1/2处、A相1/6处、B相1/6处、C相1/6处。3.根据权利要求1所述一种基于改进卷积神经网络的电力变压器在线检测系统，其特征在于，所述传感器组采用压电式加速度传感器。4.一种基于改进卷积神经网络的电力变压器在线检测方法，采用权利要求1中所述一种基于改进卷积神经网络的电力变压器在线检测系统实现，具体包括离线训练部分和在线检测部分，包括如下步骤：离线训练部分：步骤1：采集离线数据：采集故障时段与正常时段的被测试变压器J个传感器传递出的振动波形信号，经过信号放大装置，振动波形信号转换为放大后信号；步骤2：采用灰度图转换方法将放大后信号转换为二维矩阵：在放大后信号上等距截取相同长度的采样片段，每个片段选取等距的K个采样点，采样点的纵坐标为振幅，将K个振幅值纵向依次排列为K×J的二维矩阵中，其中J为传感器个数，K为采样点数；步骤3：对灰度图转换后的二维矩阵进行归一化处理，归一化后的二维矩阵作为输入层，即输入归一化二维图：其中，L(i)表示数据灰度图转换后的二维矩阵，其中i＝1,2,...,K×J；P(k,j)(k＝1,...,K；j＝1,...,J)表示图像像素强度，round函数为循环函数，max(L)为第一个灰度图中最大的元素，min(L)为第一个灰度图中最小的元素，循环函数使所有的像素值标准化到0～255之间；步骤4：建立网络初始化参数：采用高斯初始化方法，即从均值为0，方差为1的高斯分布中采样，生成随机数，作为卷积神经网络的初始权值，卷积神经网络的权值即为卷积核；步骤5：依次经过卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、卷积层C6、全连接层F6与输出层Softmax，建立改进卷积神经网络FDL-CNN；步骤5.1：所述卷积层C1、卷积层C3、卷积层C5、卷积层C6均采用卷积操作，具体如下：K和J分别表示输入层的高度和宽度，代表J个振动信号传感器变量在时间间隔K上的监测值，改进卷积神经网络的输入层为包含K×J个点的矩阵；k和j分别表示卷积核的高和宽，执行卷积操作后的激活值，即卷积层提取的特征，如式下所示：经过上式的卷积操作后，输出特征图尺寸缩小至大小；其中，S为步长，b为卷积神经网络偏置，wrc为卷积神经网络的权值，t为输出特征图的行坐标，m为输出特征图的列坐标，r为卷积核的行坐标，c为卷积核的列坐标，其初始值为步骤4中的随机数；输出特征图尺寸满足下式的约束条件：为了避免提取特征后，维度缺失，所述卷积层C3采用补零算法，使提取的特征没有维度缺失；步骤5.2：所述池化层进行的是池化操作，将所述卷积层提取的特征作为输入传到池化层，通过池化层的池化操作，降低数据的维度，采用最大值池化的方法来进行池化操作，公式如下：其中，H和W分别为池化区域的高和宽，t为卷积后输出特征图的行坐标，m为卷积后输出特征图的列坐标，i为池化后输出特征图的行坐标，j为池化后输出特征图的列坐标；步骤5.3：所述全连接层是将过滤器特征提取出的特征进行分类；具体方法为，先将最后一个池化层的输出，展开成一维的特征向量，作为全连接层的输入；再将输入与输出之间组成全连接神经网络，其中隐含层使用的激活函数为ReLU函数，输出层的激活函数采用的是Softmax函数，在这里Softmax函数的目的是将输入的神经元转化为和为1的概率分布，为后续的多分类目标函数的建立基础；全连接的正向传播方法如下式所示：其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值；为第l+1层第j个神经元的输出值；为第l层所有神经元对第l+1层第j个神经元的偏置值，al(i)为第l层第i个神经元的输出值；a与z的区别在于，a表示激活后的值，z表示激活之前的值；当第l+1层为隐含层时，激活函数为ReLU函数，即：al+1(i)＝max{0,zl+1(i)}当第l+1层为输出层时，激活函数为Softmax函数，即：其中，K为Softmax...

【专利技术属性】
技术研发人员：杨东升，张化光，秦佳，周博文，杨珺，王智良，罗艳红，庞永恒，汤琪，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21