一种基于自编码网络的变压器局部放电模式识别方法技术

本发明专利技术公开了一种基于自编码网络的变压器局部放电模式识别方法，步骤包括：步骤1、对收集的局部放电信号数据进行处理；步骤2、选择自编码网络作为网络模型；步骤3、利用模拟退火‑头脑风暴混合优化算法对自编码网络的权值进行训练；步骤4、利用头脑风暴优化算法对自编码网络的隐层数和隐层节点进行优化，从而得到训练好的网络；步骤5、将待识别数据输入到训练好的网络中，利用训练好的网络对待识别数据进行分类；步骤6、计算待识别数据的识别率。本发明专利技术方法，具有较好的识别精度，还节省时间和人力，提高了网络的通用性。

A method of PD pattern recognition for transformer based on self coding network

【技术实现步骤摘要】
一种基于自编码网络的变压器局部放电模式识别方法
本专利技术属于电力设备监测
，涉及一种基于自编码网络的变压器局部放电模式识别方法。
技术介绍
电气设备是电力系统的主要组成部分，如果电气设备发生故障，就会造成巨大的损失。随着科技的发展，电力系统的功能变得复杂，实现了更高的自动化。由于电气设备的功能和性能提高，其影响因素增多，因此发生故障的可能性也随之增加。单个故障部件会引起连锁反应，从而导致电力系统不能正常运行，因此电力系统必须确保电气设备的正常运行。变压器是电力系统关键设备之一，具有电能转换和分配的功能，其造价高、结构复杂，如果变压器发生故障，会导致电力系统的不能正常运行，从而给人们生活带来不便，并且也会造成巨大的经济损失，因此变压器正常安全的运行对电力系统的正常运行具有重要的作用。变压器发生故障的原因有很多，比如人为的破坏、环境的影响、变压器自身的损耗等等，其中变压器自身的损耗即长期运行造成的绝缘劣化是变压器发生故障的主要原因。局部放电对变压器的绝缘性能危害严重，其主要表现为：带电粒子对分子结构进行撞击，破坏甚至损坏绝缘；由于粒子在撞击过程中产生大量的热，使得绝缘温度骤升；在放电过程中产生大量的氧化物，而氧化物遇水发生化学反应即产生硝酸，造成绝缘发生腐蚀现象；肖特基辖射导致油分解，从而使得其散热性能下降，这些表现都是长期缓慢的过程。变压器绝缘劣化的原因和表现形式是局部放电。然而局部放电种类不同，造成的绝缘损坏也不同，因此，对局部放电进行模式识别能够快速准确的判断局部放电的类型，对变压器的正常运行具有至关重要的意义。由于现今监测系统获取的海量数据，致使局部放电监测进入“大数据”时代，而传统的人工特征提取方法和浅层神经网络对局部放电信号的识别非常困难甚至不可实现，因此研究和利用先进的理论与方法，从局部放电大数据中提取特征，并准确进行识别成为变压器局部放电面临的新问题。
技术实现思路
本专利技术的目的在于提供一种基于自编码网络的局部放电模式识别方法，摆脱现有研究仅应用实验数据进行模式识别的桎梏，在充分利用复杂的现场局部放电数据的条件下，进行局部放电模式识别，使之更适用于当今存在海量数据的工程实践。本专利技术的技术方案为，一种基于自编码网络的变压器局部放电模式识别方法，按照以下步骤实施：步骤1、对收集的局部放电信号数据进行处理采用非线性滤波方法对原始数据进行处理，消除干扰的随机信号；确定网络的测试数据和验证数据，以及其分类的类型，即数据表示为{(x(1),X(1)),...,(x(m),X(m))}或未带标签的数据{x(1),x(2),...,x(m)}，其中m为数据个数，第i个数据为x(i)，其标签为X(i)∈{1,2,...,k}，k为类别数；确定数据的特征数即维度；步骤2、选择自编码网络作为网络模型，2.1)由于堆栈自编码机不具有分类特性，故将堆栈自编码机与分类器结合，构建新的自编码网络；2.2)确定自编码网络的目标函数；步骤3、利用模拟退火-头脑风暴混合优化算法对自编码网络的权值进行训练，具体过程如下：3.1)设置模拟退火-头脑风暴混合优化算法的参数算法参数主要包括：初始个体数NP，最大迭代次数KImax，概率参数P1、P2、P3、P4，聚类的个数n_c，初始温度t0；3.2)根据初始化隐层数、隐层节点和权值公式生成NP个满足约束条件的随机分布隐层数、隐层节点和权值；3.3)生成并更新NP个权值；步骤4、利用头脑风暴优化算法对自编码网络的隐层数和隐层节点进行优化，具体过程如下：4.1)生成并更新NP个新的隐层数和隐层节点；4.2)进行迭代搜索寻优，当达到设置好的收敛精度或最大迭代次数时，输出最优的隐层数、隐层节点和相应的权值，从而得到训练好的网络；步骤5、将待识别数据输入到训练好的网络中，利用训练好的网络对待识别数据进行分类；步骤6、计算待识别数据的识别率式(15)中，A为待识别数据的正确分类个数，s为总体待识别数据的个数，能够直观的计算出局部放电信号数据的识别率。本专利技术的有益效果是，对采集到的局部放电数据进行特征提取及分类，用以有效解决局部放电模式识别问题，具体包括：1)由于局部放电现场海量数据的复杂性，利用自编码网络对局部放电数据进行训练，提高了局部放电的识别精度。2)自编码网络在训练过程中，利用模拟退火-头脑风暴混合优化算法对网络隐层数和隐层节点和相应的权值进行训练，使得识别精度达到最优，并且还提高了网络的通用性。附图说明图1是本专利技术方法的流程图；图2是本专利技术中的自编码网络结构简图；图3是本专利技术中的单层自动编码机原理图；图4是本专利技术中的模拟退火-头脑风暴混合优化算法对权值训练的流程图；图5是本专利技术中的K-means聚类方法流程图；图6是本专利技术中的选择权值的流程图；图7是本专利技术中的头脑风暴优化算法对隐层数和隐层节点的优化流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术基于自编码网络的变压器局部放电模式识别方法，主要包括建立自编码网络模型并利用模拟退火-头脑风暴混合优化算法对网络参数进行求解，如图1所示，具体按照以下步骤实施：步骤1、对收集的局部放电信号数据进行处理，收集到的海量局部放电原始数据中包含有噪声等干扰，在分析、应用前需进行预处理以确保数据的稳定、可靠。本步骤采用非线性滤波方法对原始数据进行处理，消除干扰的随机信号。确定网络的测试数据和验证数据，以及其分类的类型，即数据表示为{(x(1),X(1)),...,(x(m),X(m))}或未带标签的数据{x(1),x(2),...,x(m)}，其中m为数据个数，第i个数据为x(i)，其标签为X(i)∈{1,2,...,k}，k为类别数；确定数据的特征数即维度；步骤2、选择自编码网络作为网络模型，2.1)由于堆栈自编码机不具有分类特性，故将堆栈自编码机与分类器结合，构建新的自编码网络，如图2所示，分类器采用softmax分类器；2.2)确定自编码网络的目标函数，如图3所示，在训练过程中，网络模型首先将输入数据x映射到隐层中，以得到隐层特征y，此部分称为编码器；然后y被下一层网络映射到输出层，得到输出数据z，此部分称为解码器；这两个部分用数学公式表示为：式(1)中，W1是输入层与隐层的权值矩阵，W2是隐层与输出层的权值矩阵，b为隐层的偏置向量，d为输出层的偏置向量，Sf、Sg均为式(2)所示的sigmoid函数，即：将输入层与隐层之间的权值矩阵W1取为隐层与输出层的权值矩阵的转置W′2，从而减少参数，即：W1＝W′2＝W(3)故自编码网络参数变成三个，分别为权值W、隐层的偏置向量b以及输出层的偏置向量d；训练目标是最小化输出与输入之间的差异，即：式(4)中，z在x给定的情况下由W、b、d来调节，c(x,z)是每个训练样本的训练目标，则总训练目标为：式(5)中，C(x,z)是总训练目标，m为训练样本的数量，本步骤中的分类器采用softmax分类器，当训练样本集合为{(x(1),X(1)),...,(x(m),X(m))}，其中m为数据个数，第i个数据为x(i)，其标签为X(i)∈{1,2,...,k}，k为类别数，则softmax回归的假设为：其中，假设向量hθ(x(i))的每一个元素p(X(i)＝j|x(i)；θ)代本文档来自技高网...

【技术保护点】
1.一种基于自编码网络的变压器局部放电模式识别方法，其特征在于，按照以下步骤实施：步骤1、对收集的局部放电信号数据进行处理，采用非线性滤波方法对原始数据进行处理，消除干扰的随机信号；确定网络的测试数据和验证数据，以及其分类的类型，即数据表示为{(x

【技术特征摘要】
1.一种基于自编码网络的变压器局部放电模式识别方法，其特征在于，按照以下步骤实施：步骤1、对收集的局部放电信号数据进行处理，采用非线性滤波方法对原始数据进行处理，消除干扰的随机信号；确定网络的测试数据和验证数据，以及其分类的类型，即数据表示为{(x(1),X(1)),...,(x(m),X(m))}或未带标签的数据{x(1),x(2),...,x(m)}，其中m为数据个数，第i个数据为x(i)，其标签为X(i)∈{1,2,...,k}，k为类别数；确定数据的特征数即维度；步骤2、选择自编码网络作为网络模型，2.1)由于堆栈自编码机不具有分类特性，故将堆栈自编码机与分类器结合，构建新的自编码网络；2.2)确定自编码网络的目标函数；步骤3、利用模拟退火-头脑风暴混合优化算法对自编码网络的权值进行训练，具体过程如下：3.1)设置模拟退火-头脑风暴混合优化算法的参数，算法参数主要包括：初始个体数NP，最大迭代次数KImax，概率参数P1、P2、P3、P4，聚类的个数n_c，初始温度t0；3.2)根据初始化隐层数、隐层节点和权值公式生成NP个满足约束条件的随机分布隐层数、隐层节点和权值；3.3)生成并更新NP个权值；步骤4、利用头脑风暴优化算法对自编码网络的隐层数和隐层节点进行优化，具体过程如下：4.1)生成并更新NP个新的隐层数和隐层节点；4.2)进行迭代搜索寻优，当达到设置好的收敛精度或最大迭代次数时，输出最优的隐层数、隐层节点和相应的权值，从而得到训练好的网络；步骤5、将待识别数据输入到训练好的网络中，利用训练好的网络对待识别数据进行分类；步骤6、计算待识别数据的识别率：式(15)中，A为待识别数据的正确分类个数，s为总体待识别数据的个数，能够直观的计算出局部放电信号数据的识别率。2.根据权利要求1所述的基于自编码网络的变压器局部放电模式识别方法，其特征在于，所述的步骤2.2)中，在训练过程中，网络模型首先将输入数据x映射到隐层中，以得到隐层特征y，此部分称为编码器；然后y被下一层网络映射到输出层，得到输出数据z，此部分称为解码器；这两个部分用数学公式表示为：式(1)中，W1是输入层与隐层的权值矩阵，W2是隐层与输出层的权值矩阵，b为隐层的偏置向量，d为输出层的偏置向量，Sf、Sg均为式(2)所示的sigmoid函数，即：将输入层与隐层之间的权值矩阵W1取为隐层与输出层的权值矩阵的转置W′2，从而减少参数，即：W1＝W′2＝W(3)故自编码网络参数变成三个，分别为权值W、隐层的偏置向量b以及输出层的偏置向量d；训练目标是最小化输出与输入之间的差异，即：式(4)中，z在x给定的情况下由W、b、d来调节，c(x,z)是每个训练样本的训练目标，则总训练目标为：式(5)中，C(x,z)是总训练目标，m为训练样本的数量，本步骤中的分类器采用softmax分类器，当训练样本集合为{(x(1),X(1)),...,(x(m),X(m))}，其中m为数据个数，第i个数据为x(i)，其标签为X(i)∈{1,2,...,k}，k为类别数，则softmax回归的假设为：其中，假设向量hθ(x(i))的每一个元素p(X(i)＝j|x(i)；θ)代表样本x(i)属于第j类的概率，向量的元素和为1，θ1,θ2,...,θk均为分类器参数向量，将这些向量写成矩阵的形式：则softmax分类器的代价函数定义为：式(8)中，m为数据个数；1{·}表示指示函数，当括号内的表达式为真，则指示函数值为1，否则为0；加号后面的计算式为权重衰减项，其中λ为权值衰减系数，自编码网络的目标函数重新设定为：E＝ηC(x，y)+βJ(θ)(9)式(9)中，η是堆栈自编码机目标函数的系数，β是softmax分类器代价函数的系数，C(x,y)是堆栈自编码机的总训练目标，J(θ)是softmax分类器的代价函数。3.根据权利要求1所述的基于自编码网络的变压器局部放电模式识别方法，其特征在于，所述的步骤3.2)中，初始化隐层数、隐层节点和权值公式为：3.2.a)初始化隐层数和隐层节点式(10)中，Li表示第i个隐层数，Ni表示第i个隐层节点数，max...

【专利技术属性】
技术研发人员：吴亚丽，王鑫睿，李国婷，付玉龙，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西,61