一种变压器故障诊断方法技术

本发明专利技术公开了一种变压器故障诊断方法，通过提取变压器的12种变压器故障诊断状态量，将变压器的热故障、电故障、老化程度结合起来，从更广的层面预测变压器的故障，能够更加准确的预测变压器故障；采用降维的方法将各参数之间的相关性去除，利用去除冗余信息后的参数能够更加准确的判断变压器的故障；采用单层训练神经网络的方式，通过训练来确定权值，而非随机分配权值，能够防止网络梯度消失现象；与其他智能方法比，该方法具有客观性，预测更加准确。

A Transformer Fault Diagnosis Method

【技术实现步骤摘要】
一种变压器故障诊断方法
本专利技术涉及变压器故障诊断领域，特别提供了一种变压器故障诊断方法。
技术介绍
目前，变压器故障诊断方法主要有超声波故障检测方法、局部放电检测方法、油中溶解气体检测方法等，由于油中溶解气体检测方法不受变压器强大电磁环境影响，因此，根据此方法应运而生的一些智能算法(如BP神经网络、贝叶斯算法、SVM等)也得到了广泛使用，然而，此方法只检测油中溶解的气体含量，过于单一化，不能较好的反应变压器故障程度，根据其产生的智能算法弊端也很多，例如，BP神经网络训练时容易出现梯度消失现象，SVM本质是二分类模型，不适合多分类，贝叶斯算法主观性较强等，另外，产生的智能算法不能进行深度挖掘各状态量之间的关系。因此，提供一种新的变压器故障诊断方法，使其能够从更多层面来反映变压器的故障程度、去除状态量之间的相关性、深度挖掘状态量的本质、准确预测变压器的故障程度，成为人们亟待解决的问题。
技术实现思路
鉴于此，本专利技术的目的在于提供一种变压器故障诊断方法，以解决现有技术中检测状态量过于单一化，产生的智能算法不能进行深度挖掘以及算法存在梯度消失和主观性强等问题。本专利技术提供的技术方案是：一种变压器故障诊断方法，包括如下步骤：S1：将变压器历史数据分为训练集和测试集，其中，每一个历史数据均包括CH4,C2H6,C2H4,C2H2,CO,CO2,H2，击穿电压，介损系数，酸值，糠醛和水，共12维变压器故障诊断状态量；S2：训练第一层神经网络，得到更新后的第一层神经网络的权值和偏置，其中，第一层神经网络的输入层包括12个神经元，分别对应12维变压器故障诊断状态量，隐藏层包括9个神经元，输出层包括12个神经元；S3：训练第二层神经网络，得到更新后的第二层神经网的权值和偏置，其中，第二层神经网络的输入层为第一层神经网络的隐藏层，第二层神经网络的隐藏层包括6个神经元，输出层包括9个神经元；S4：训练第三层神经网络，得到更新后的第三层神经网的权值和偏置，其中，第三层神经网络的输入层为第二层神经网络的隐藏层，第三层神经网络的隐藏层包括3个神经元，输出层包括6个神经元且本层神经网络的隐藏层的3个神经元分别代表电故障、热故障、老化程度对变压器故障的影响程度；S5：将第三层神经网络的隐藏层作为第四层神经网络的输入层，第四层神经网络的输出层包括4个神经元，其中，每个神经元的值通过公式(6)计算，且所述4个神经元分别对应变压器的4种状态：正常、一级劣化、二级劣化、三级劣化式中：yg表示第四层神经网络输出层第g个神经元的值，即变压器样本所处故障类别为g的概率；wfg表示第四层神经网络输入层与输出层的权值，取值为0～1的随机数；bg为第四层神经网络输出层第g个神经元的偏置值，取值为0～1的随机数；xf表示第四层神经网络输入层第f个神经元的值；S6：建立整体网络，将第一层神经网络输入层作为整体网络的输入层，第一层神经网络的隐藏层作为整体网络的第一个隐藏层，第二层神经网络的隐藏层作为整体网络的第二个隐藏层，第三层神经网络的隐藏层作为整体网络的第三个隐藏层，第四层神经网络的输出层作为整体网络的输出层；S7：利用训练集中有标签的样本对整体网络的权值与偏置值进行微调，得到变压器故障诊断模型；S8：利用测试集样本对S7中得到的变压器故障诊断模型进行验证，保证变压器故障诊断模型的准确率；S9：利用变压器故障诊断模型对实时接收到的采样数据进行处理，得到变压器故障诊断结果。优选，S2中训练第一层神经网络的方法如下：S21：通过公式(1)计算第一层神经网络隐藏层中每个神经元的值式中：hi表示第一层神经网络隐藏层第i个神经元的值；Wji表示输入层第j个神经元与隐藏层第i个神经元的权值，初始值为0～1之间的随机数；pi为隐藏层第i个神经元的偏置，初始值为0～1之间的随机数，xj表示输入层第j个神经元的值，即第j维变压器故障诊断状态量；S22：根据公式(2)计算第一层神经网络输出层中每个神经元的值式中：yk表示第一层神经网络输出层第k个神经元的值；表示隐藏层第i个神经元与输出层第k个神经元的权值，初始值为0～1之间的随机数；qk表示输出层第k个神经元的偏置，初始值为0～1之间的随机数，hi表示隐藏层第i个神经元的值；S23：构造误差函数J，并通过公式(4)和公式(5)对第一层神经网络的输入层与隐藏层的权值和隐藏层的偏置值进行更新；其中，误差函数J如公式(3)所示，式中：表示误差函数，N表示训练集样本中没有标签的样本的个数；s表示训练集样本中没有标签样本数据的集合；x表示集合s中的数据；xn表示数据第n维的值；yn表示经网络计算后输出数据第n维的值；Wji表示输入层第j个神经元与隐藏层第i个神经元的权值，表示隐藏层第i个神经元与输出层第k个神经元的权值，pi为隐藏层第i个神经元的偏置，qk表示输出层第k个神经元的偏置；式中：wji为输入层第j个神经元和隐藏层中第i个神经元的权值；α表示学习率；J表示误差函数；式中：pi为隐藏层第i个神经元的偏置值；α为学习率；J表示误差函数；S24：利用与S23相同的方式更新第一层神经网络的隐藏层与输出层的权值及输出层的偏置。进一步优选，公式4及公式5中的α的取值范围为0.05～0.2。进一步优选，公式4及公式5中的α的取值为0.1。进一步优选，S7中，利用训练集中有标签的样本对整体网络的权值与偏置值进行微调的方法如下：构造如公式(7)所示的神经网络的总损失函数Q，之后，对每一层神经网络的权值和偏置值进行微调，得到微调后的权值和偏置值，进而得到变压器故障诊断模型式中：I(y(i)＝g)为指示函数；yg表示整体网络输出层第g个神经元的值；c表示训练集中有标签样本个数。本专利技术提供的变压器故障诊断方法，通过提取变压器的12种变压器故障诊断状态量，将变压器的热故障、电故障、老化程度结合起来，从更广的层面预测变压器的故障，能够更加准确的预测变压器故障；采用降维的方法将各参数之间的相关性去除，利用去除冗余信息后的参数能够更加准确的判断变压器的故障；采用单层训练神经网络的方式，通过训练来确定权值，而非随机分配权值，能够防止网络梯度消失现象；与其他智能方法比，该方法具有客观性，预测更加准确。具体实施方式下面将结合具体的实施方案对本专利技术进行进一步的解释，但并不局限本专利技术。本专利技术提供了一种变压器故障诊断方法，包括如下步骤：S1：将变压器历史数据分为训练集和测试集，其中，每一个历史数据均包括CH4,C2H6,C2H4,C2H2,CO,CO2,H2，击穿电压，介损系数，酸值，糠醛和水，共12维变压器故障诊断状态量；上述12维状态量对变压器的电故障程度、热故障程度、老化故障程度有较大影响。本实施例中，选择的训练集包括800个变压器故障样本，测试集包括200个变压器故障样本，其中，训练集的800个样本中包括200个有标签样本，600个没有标签的样本。S2：训练第一层神经网络，得到更新后的第一层神经网络的权值和偏置，其中，第一层神经网络的输入层包括12个神经元，分别对应12维变压器故障诊断状态量，隐藏层包括9个神经元，输出层包括12个神经元；具体训练方法如下：S21：通过公式(1)计算第一层神经网络隐藏层中每个神经元的值式中：hi表示第一层神经网络隐藏层第本文档来自技高网...

【技术保护点】
1.一种变压器故障诊断方法，其特征在于，包括如下步骤：S1：将变压器历史数据分为训练集和测试集，其中，每一个历史数据均包括CH4,C2H6,C2H4,C2H2,CO,CO2,H2，击穿电压，介损系数，酸值，糠醛和水，共12维变压器故障诊断状态量；S2：训练第一层神经网络，得到更新后的第一层神经网络的权值和偏置，其中，第一层神经网络的输入层包括12个神经元，分别对应12维变压器故障诊断状态量，隐藏层包括9个神经元，输出层包括12个神经元；S3：训练第二层神经网络，得到更新后的第二层神经网的权值和偏置，其中，第二层神经网络的输入层为第一层神经网络的隐藏层，第二层神经网络的隐藏层包括6个神经元，输出层包括9个神经元；S4：训练第三层神经网络，得到更新后的第三层神经网的权值和偏置，其中，第三层神经网络的输入层为第二层神经网络的隐藏层，第三层神经网络的隐藏层包括3个神经元，输出层包括6个神经元且本层神经网络的隐藏层的3个神经元分别代表电故障、热故障、老化程度对变压器故障的影响程度；S5：将第三层神经网络的隐藏层作为第四层神经网络的输入层，第四层神经网络的输出层包括4个神经元，其中，每个神经元的值通过公式(6)计算，且所述4个神经元分别对应变压器的4种状态：正常、一级劣化、二级劣化、三级劣化...

【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，包括如下步骤：S1：将变压器历史数据分为训练集和测试集，其中，每一个历史数据均包括CH4,C2H6,C2H4,C2H2,CO,CO2,H2，击穿电压，介损系数，酸值，糠醛和水，共12维变压器故障诊断状态量；S2：训练第一层神经网络，得到更新后的第一层神经网络的权值和偏置，其中，第一层神经网络的输入层包括12个神经元，分别对应12维变压器故障诊断状态量，隐藏层包括9个神经元，输出层包括12个神经元；S3：训练第二层神经网络，得到更新后的第二层神经网的权值和偏置，其中，第二层神经网络的输入层为第一层神经网络的隐藏层，第二层神经网络的隐藏层包括6个神经元，输出层包括9个神经元；S4：训练第三层神经网络，得到更新后的第三层神经网的权值和偏置，其中，第三层神经网络的输入层为第二层神经网络的隐藏层，第三层神经网络的隐藏层包括3个神经元，输出层包括6个神经元且本层神经网络的隐藏层的3个神经元分别代表电故障、热故障、老化程度对变压器故障的影响程度；S5：将第三层神经网络的隐藏层作为第四层神经网络的输入层，第四层神经网络的输出层包括4个神经元，其中，每个神经元的值通过公式(6)计算，且所述4个神经元分别对应变压器的4种状态：正常、一级劣化、二级劣化、三级劣化式中：yg表示第四层神经网络输出层第g个神经元的值，即变压器样本所处故障类别为g的概率；wfg表示第四层神经网络输入层与输出层的权值，取值为0～1的随机数；bg为第四层神经网络输出层第g个神经元的偏置值，取值为0～1的随机数；xf表示第四层神经网络输入层第f个神经元的值；S6：建立整体网络，将第一层神经网络输入层作为整体网络的输入层，第一层神经网络的隐藏层作为整体网络的第一个隐藏层，第二层神经网络的隐藏层作为整体网络的第二个隐藏层，第三层神经网络的隐藏层作为整体网络的第三个隐藏层，第四层神经网络的输出层作为整体网络的输出层；S7：利用训练集中有标签的样本对整体网络的权值与偏置值进行微调，得到变压器故障诊断模型；S8：利用测试集样本对S7中得到的变压器故障诊断模型进行验证，保证变压器故障诊断模型的准确率；S9：利用变压器故障诊断模型对实时接收到的采样数据进行处理，得到变压器故障诊断结果。2.按照权利要求1所述的变压器故障诊断方法，其特征在于：S2中训练第一...

【专利技术属性】
技术研发人员：马胤刚，蒋辉，王巍，孙鲜明，
申请(专利权)人：沈阳天眼智云信息科技有限公司，
类型：发明
国别省市：辽宁,21