一种基于深度学习和DGA的变压器故障诊断方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习和DGA的变压器故障诊断方法及装置，其技术特点在于：包括如下步骤：以DGA特征气体H2、CH4、C2H6、C2H4、C2H2的体积分数为诊断样本；将待诊断样本输入微调后的用于变压器故障诊断的栈式稀疏自编码深度学习模型，输出变压器故障诊断结果。本发明专利技术可明显提高变压器故障诊断效果，并改善训练样本不平衡时诊断结果的准确率。

【技术实现步骤摘要】
一种基于深度学习和DGA的变压器故障诊断方法及装置
本专利技术属于变压器故障诊断
，涉及一种基于深度学习和DGA的变压器故障诊断方法及装置，尤其是一种基于加权综合损失优化深度学习和DGA的变压器故障诊断方法及装置。
技术介绍
电力变压器是电力系统最重要的设备之一，对变压器故障进行准确诊断及快速处置对提高电力系统安全稳定运行水平具有重要意义。然而，变压器结构及运行环境复杂，如何有效提高其故障诊断效果仍是个难题。油中溶解气体分析(dissolvedgas-in-oilanalysis,DGA)是实现变压器故障诊断重要基础，以DGA为基础形成了三比值法、改良三比值法等简单方便的变压器故障诊断方法。但上述方法存在特征气体比值界限过于绝对及编码欠完备等缺陷，影响了故障诊断效果。为解决上述缺陷，专家系统法、模糊理论法、神经网络法(ArtificialNeuralNetwork，ANN)、支持向量机(SupportVectorMachine,SVM)等人工智能及机器学习方法开始逐渐运用，并取得了较好的效果。然而，基于专家系统的变压器故障诊断方法其诊断效果受先验知识影响较大；基于模糊理论的变压器故障诊断方法学习能力有限，且故障诊断效果受初始聚类中心影响较大；ANN处理大样本数据时收敛速度较慢，且易陷入局部最优；SVM法本质上为二分类器，为实现变压器故障诊断，需多个SVM分类器，且各分类器参数设置繁琐，影响了故障诊断效果。传统基于人工智能及机器学习的变压器故障诊断方法均为浅层学习方法，存在学习能力不足、特征挖掘能力欠缺等缺点，影响了变压器故障诊断效果。相比于浅层学习方法，深度学习理论具有多隐藏层结构，可实现复杂输入的高效逼近。基于深度学习理论，可完成原始特征的深层挖掘及分析，具有高效的容错及扩展能力。深度学习在特征学习、分类预测及智能决策等方面效果突出，并迅速得到推广运用。但传统基于深度学习的故障诊断方法一般基于交叉熵损失函数实现优化，然而，该方式并未对误判概率值加以限制，影响了故障诊断效果；此外，由于设备及环境等诸多限制，变压器运行及监测过程中较难获得完备样本，训练样本不平衡易影响故障诊断效果。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于加权综合损失优化深度学习和DGA的变压器故障诊断方法及装置，能够明显提高变压器故障诊断效果，并改善训练样本不平衡时诊断结果的准确率。本专利技术解决其技术问题是采取以下技术方案实现的：一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：以DGA特征气体H2、CH4、C2H6、C2H4、C2H2的体积分数为诊断样本；将待诊断样本输入微调后的用于变压器故障诊断的栈式稀疏自编码深度学习模型，输出变压器故障诊断结果。而且，在将待诊断样本输入微调后的用于变压器故障诊断的栈式稀疏自编码深度学习模型之前还包括如下步骤：构建用于变压器故障诊断的栈式稀疏自编码深度学习模型；设置栈式稀疏自编码深度学习模型的输入层；设置栈式稀疏自编码深度学习模型的输出层；对用于变压器故障诊断的栈式稀疏自编码深度学习模型的网络参数进行预训练；对用于变压器故障诊断的栈式稀疏自编码深度学习模型的参数进行微调。而且，所述构建用于变压器故障诊断的栈式稀疏自编码深度学习模型的具体步骤包括：(1)设输入、输出层均有N个神经元，隐含层共有M个神经元；设输入x∈RN，经编码和解码后分别可表示为h∈RM及且编、解码过程分别可由式(1)及式(2)表示，即：h＝f(Wx+b)(1)式中，W、W′分别为编、解码权重矩阵；b、b′分别为编、解码偏置向量；f(·)及g(·)为编、解码过程非线性激活函数，一般可采用Sigmoid函数；(2)通过调整网络参数，实现到x重构误差最小，将h作为原始输入的内在特征，并对隐藏层进行稀疏性限制，进而构成稀疏自编码器(SparseAuto-Encoder，SAE)，SAE代价函数为：式中，β为稀疏惩罚项系数，一般可设为0.3；KL(·)为KL散度；ρ0为稀疏性参数；为隐藏层神经元平均激活量，且有(3)按栈式结构对多级SAE进行堆叠，且各SAE输入层均为上级SAE输出层，进而构建用于变压器故障诊断的栈式稀疏自编码深度学习模型。而且，所述设置栈式稀疏自编码深度学习模型的输入层的具体方法为：将用于变压器故障诊断的栈式稀疏自编码深度学习模型的输入层设置为5个神经元，并分别表示为x＝(x1,x2,x3,x4,x5)T，其元素分别代表氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2的体积分数。而且，所述设置栈式稀疏自编码深度学习模型的输出层的具体方法为：将Softmax层设置为故障诊断模型的输出层，使该层包含9个神经元，分别表示为p＝(p1,p2,p3,p4,p5,p6,p7,p8,p9)T，其元素代表诊断为各状态的概率。而且，所述对用于变压器故障诊断的栈式稀疏自编码深度学习模型的网络参数进行预训练的具体步骤包括：(1)对于训练集{(xi,yi)|i∈1,2,…,N，yi∈1,2,…K}，其中xi及yi分别为第i个训练样本特征向量及状态标签，且共有K个状态；将训练集的状态标签隐藏后，原训练集就变为无标签数据集{xi|i∈1,2,…,N}；(2)去除Softmax层，并加入解码层，基于无标签样本数据，根据SAE代价函数，采用逐层贪婪法依次实现SSAE深度学习模型各层网络参数的训练。而且，所述对用于变压器故障诊断的栈式稀疏自编码深度学习模型的参数进行微调的具体步骤包括：(1)去除SSAE深度学习模型的传统输出层，加入Softmax分类层，并基于交叉熵损失函数梯度值及BP算法实现SSAE各层网络参数的优化；(2)对于训练样本(xi,yi)，经SSAE深度学习模型后，其交叉熵损失值Ci可表示为：式中，1{k＝yi}为示性函数，若k＝yi，则其值为1，若k≠yi，其值为0；为Softmax层第k个神经元值，即为SSAE深度学习模型判断属于第k类状态的概率；(3)对于样本(xi,yi)，其综合损失函数Li为：式中，为将该样本误判为状态k(k≠yi)损失值，且有：(4)将样本(xi,yi)判定为状态k时，损失权重值为：(5)将损失权重与综合损失函数结合，可构成加权综合损失函数，如式(8)所示：(6)采用监督学习机制，加入样本故障类型，首先将预训练得到的SSAE网络参数作为初始参数，然后以各训练样本预测故障与其真实故障之间的加权损失函数值为网络收敛代价；接着对各训练样本加权损失函数值进行求和可得到总损失，以总损失最小为目标，利用BP算法梯度下降法对SSAE诊断模型网络参数进行逐层优化微调。一种基于深度学习和DGA的变压器故障诊断装置，包括：诊断样本输入模块，以DGA特征气体H2、CH本文档来自技高网...

【技术保护点】
1.一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：包括如下步骤：/n以DGA特征气体H

【技术特征摘要】
1.一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：包括如下步骤：
以DGA特征气体H2、CH4、C2H6、C2H4、C2H2的体积分数为诊断样本；
将待诊断样本输入微调后的用于变压器故障诊断的栈式稀疏自编码深度学习模型，输出变压器故障诊断结果。


2.根据权利要求1所述的一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：在将待诊断样本输入微调后的用于变压器故障诊断的栈式稀疏自编码深度学习模型之前还包括如下步骤：
构建用于变压器故障诊断的栈式稀疏自编码深度学习模型；
设置栈式稀疏自编码深度学习模型的输入层；
设置栈式稀疏自编码深度学习模型的输出层；
对用于变压器故障诊断的栈式稀疏自编码深度学习模型的网络参数进行预训练；
对用于变压器故障诊断的栈式稀疏自编码深度学习模型的参数进行微调。


3.根据权利要求2所述的一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：所述构建用于变压器故障诊断的栈式稀疏自编码深度学习模型的具体步骤包括：
(1)设输入、输出层均有N个神经元，隐含层共有M个神经元；设输入x∈RN，经编码和解码后分别可表示为h∈RM及且编、解码过程分别可由式(1)及式(2)表示，即：
h＝f(Wx+b)(1)



式中，W、W′分别为编、解码权重矩阵；b、b′分别为编、解码偏置向量；f(·)及g(·)为编、解码过程非线性激活函数，一般可采用Sigmoid函数；
(2)通过调整网络参数，实现到x重构误差最小，将h作为原始输入的内在特征，并对隐藏层进行稀疏性限制，进而构成稀疏自编码器(SparseAuto-Encoder，SAE)，SAE代价函数为：



式中，β为稀疏惩罚项系数，一般可设为0.3；KL(·)为KL散度；ρ0为稀疏性参数；为隐藏层神经元平均激活量，且有
(3)按栈式结构对多级SAE进行堆叠，且各SAE输入层均为上级SAE输出层，进而构建用于变压器故障诊断的栈式稀疏自编码深度学习模型。


4.根据权利要求2所述的一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：所述设置栈式稀疏自编码深度学习模型的输入层的具体方法为：
将用于变压器故障诊断的栈式稀疏自编码深度学习模型的输入层设置为5个神经元，并分别表示为x＝(x1,x2,x3,x4,x5)T，其元素分别代表氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2的体积分数。


5.根据权利要求2所述的一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：所述设置栈式稀疏自编码深度学习模型的输出层的具体方法为：
将Softmax层设置为故障诊断模型的输出层，使该层包含9个神经元，分别表示为p＝(p1,p2,p3,p4,p5,p6,p7,p8,p9)T，其元素代表诊断为各状态的概率。


6.根据权利要求2所述的一种基于深度学习和DGA的变压器故障诊断方法，其特征在于：所述对用于变压器故障诊断的栈式稀疏自编码深度学习模型的网络参数进行预训练的具体步骤包括：
(1)对于训练集{(xi,yi)|i∈1,2,…,N，yi∈1,2,…K}，其中xi及yi分别为第i个训练样本特征向量及状态标签，且共有K个状态；将训练集的状态标签隐藏后，原训练集就变为无标签数据集{xi|i∈1,2,…,N}；
(2)去除Softmax层，并加入解码层，基于无标签样本数据，根据SAE代价函数，采用逐层贪婪法依次实现SSAE深度学习模型各层网络参数的训练。


7.根据...

【专利技术属性】
技术研发人员：刘力卿，王伟，张鑫，张弛，郗晓光，张春晖，李琳，冯军基，马昊，魏菊芳，姚创，段明辉，文清丰，
申请(专利权)人：国网天津市电力公司电力科学研究院，国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：天津;12