【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。