一种基于深度学习的变压器故障诊断方法技术

一种基于深度学习的变压器故障诊断方法，属于变压器故障诊断领域。该方法首先对油中溶解气体分析方法采集的故障特征气体H

【技术实现步骤摘要】
一种基于深度学习的变压器故障诊断方法
本专利技术属于变压器故障诊断领域，涉及一种基于深度学习的变压器故障诊断方法。
技术介绍
变压器是电力系统运行的核心设备，准确诊断变压器内部潜伏性故障对于电网安全运行具有十分重要的意义。油中溶解气体分析(dissolvedgasanalysis，DGA)是诊断和检测变压器内部潜伏性故障的有效方法。基于DGA的电力变压器故障诊断方法主要分为传统故障诊断方法和智能诊断方法。传统方法主要有三比值法、改良三比值法，三比值法的基本原理是变压器发生故障时，从变压器油中提取的特征气体含量算出相应的三对比值并赋予相应的编码，再由编码规则，得到一组编码表，然后根据表中提供的诊断标准可找到相应的故障类型。但上述方法在实践过程中逐渐显露出编码不全、判断标准过于绝对等缺点。智能方法主要有专家系统、支持向量机、模糊理论法、人工神经网络法等，现有的这些智能方法在不同程度上提高了变压器故障诊断准确率，但是仍然存在一些问题和一定的局限性。如专家系统需要大量正确的专家经验，实际应用较困难；支持向量机法本质上是二分类算法，变压器故障诊断为多分类问题，面对多分类问题，参数设置繁琐，构造分类器过程繁琐；模糊理论法需要人为设置初始聚类中心，诊断效果受初始聚类中心限制较大；神经网络法存在着收敛速度慢，易陷入局部最优解的缺陷。
技术实现思路
本专利技术针对
技术介绍
中变压器故障诊断技术存在的缺陷，而提出一种深度学习的变压器故障诊断方法。本专利技术采用的技术方案为：一种基于深度学习的变压器故障诊断方法，包括以下步骤：步骤一，采用油中溶解气体分析方法获得变压器油中溶解的五种气体H2、CH4、C2H2、C2H4、C2H6的数据；步骤二，对步骤一采集的原始数据进行数据去重、异常值检测和缺失值填充，确定输入向量、输出向量；并对输入向量进行归一化处理，同时对变压器的故障(即输出向量)进行one_hot编码，作为类标签，取各类样本的80％组成训练样本集，各类样本的20％组成测试样本集；步骤三，在步骤二的训练样本集和测试样本集中加入高斯白噪声；步骤四，设置隐藏层的层数为3层；首个隐藏层神经元的数目根据经验公式得出，第二层和第三层神经元数目与上级神经元数目之比为2：1。步骤五，采用逐层贪婪法依次实现栈式稀疏降噪自编码器中各层网络参数的无监督预训练；步骤六，去除所述步骤四中栈式稀疏降噪自编码器的解码层，增加Softmax分类层，基于Focal损失函数梯度值和BP算法实现栈式稀疏降噪自编码器中各层网络参数有监督微调，进而得到最终变压器故障诊断模型；步骤七：将步骤三中的测试样本集输入步骤六得到的最终变压器故障诊断模型中，经最终变压器故障诊断模型诊断后，通过匹配类标签，得出故障类型，完成诊断。进一步的，所述步骤二中，所述异常值检测使用Tukey’test方法，具体方法如下：UL＝Q3+1.5IQRDL＝Q1-1.5IQR式中，UL为上边界；DL为下边界；Q1为下四分位数，即25％分位数；Q3为上四分位数，即75％分位数；IQR为上下四分位数差，即分位距。判断标准为大于上边界或小于下边界的所有值为异常值数据，删除异常值数据，将其视为为缺失值。进一步的，所述步骤二中，所述缺失值填充按类别标签将样本分为7类，并采用随机森林法对7类样本中的缺失值进行数据填充。进一步的，所述步骤三中，加入高斯白噪声，其均值为0，方差为1。进一步的，所述步骤四中，首个隐藏层神经元根据如下经验公式得出，如下式所示：式中，Nh为隐藏层神经元的数目；Ns为训练集样本数；Ni为输入神经元的数目；No为输出神经元的数目；α为任意取值变量，通常取1～5。进一步的，所述步骤五中，采用逐层贪婪法依次实现栈式稀疏降噪自编码器中各层网络参数的无监督预训练的具体步骤如下：(1)以所述步骤三中训练样本集的5种特征气体含量作为第一个稀疏自编码器的输入和输出，经过迭代训练，得到第一个稀疏自编码器模型参数。(2)以所述步骤(1)中第一个稀疏自编码器的隐藏层输出作为第二个稀疏自编码的输入和输出，经过迭代训练，得到第二个稀疏自编码器模型参数。(3)以所述步骤(2)中第二个稀疏自编码器的隐藏层输出作为第三个稀疏自编码的输入和输出，经过迭代训练，得到第三个稀疏自编码器模型参数。其中，稀疏自编码器是在自编码器的基础上对其隐藏层神经元进行稀疏性限制，即在损失函数中加入KL散度。进一步的，所述步骤六中，去除步骤五中各个稀疏自编码器的解码层，将第一个稀疏自编码器的隐藏层输出连接到第二个稀疏自编码器的输入，将第二个稀疏自编码器的隐藏层输出连接到第三个稀疏自编码器的输入，将第三个稀疏自编码器的隐藏层输出连接到Softmax分类层，使Focal损失函数取得最小值作为整个网络优化的目标，经过迭代训练，对整个模型的各个参数进行微调。进一步的，所述步骤六中，Focal损失函数为分类模型的损失函数，其公式为：式中，α为平衡参数；γ为聚焦参数；为预测标签概率。进一步的，对于聚焦参数γ的确定，取值范围为1～5；对于平衡参数α的确定，为了消除样本不平衡对结果的影响，希望各类样本对于分类器同等的重要，则加大少数样本损失的权重，减少多数样本损失的权重，具体而言，任意两个类别权重之比等于这两个类别样本数量的反比。如下式所示：式中，ni为第i类样本总数；αi为第i类样本的平衡参数；N为类别总数。本专利技术具有如下有益效果：(1)本专利技术提供的基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法，有效地提取数据的深层特征，进而提高模型的诊断准确率。(2)本专利技术提供的基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法，在输入数据中加入高斯白噪声，提高模型的泛化能力，进而提高模型的诊断精度。(3)本专利技术提供的基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法，针对样本类别不平衡，将传统分类模型的交叉熵损失函数改写为Focal损失函数，有效地提升了小样本数据的分类准确率，进而提升了整个模型的分类准确率。(4)本专利技术提供的基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法，在变压器故障诊断中，避免了人的主观因素影响，使诊断更客观，故障诊断准确率更高。附图说明图1是本专利技术基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法的结构图。图2是本专利技术基于Focal损失栈式稀疏降噪自编码器的变压器故障诊断方法的流程图。具体实施方式下面根据说明书附图对本专利技术进行更为详尽的说明。本专利技术的流程图如附图2所述，包括以下步骤：步骤一，采用油中溶解气体分析方法获得变压器油中溶解的五种气体H2、CH4、C2H2、C2H4、C2H6的浓度数据；其中，所述变压器故障特征气体为H2、CH4、C2H2、C2H4、C2H6本文档来自技高网...

【技术保护点】
1.一种基于深度学习的变压器故障诊断方法，其特征在于，包括以下步骤：/n步骤一，采用油中溶解气体分析方法获得变压器油中溶解的五种气体H

【技术特征摘要】
1.一种基于深度学习的变压器故障诊断方法，其特征在于，包括以下步骤：
步骤一，采用油中溶解气体分析方法获得变压器油中溶解的五种气体H2、CH4、C2H2、C2H4、C2H6的数据；
步骤二，对步骤一采集的原始数据进行数据去重、异常值检测和缺失值填充，并对输入向量进行归一化处理，同时对变压器的故障进行one_hot编码，作为类标签，取各类样本的80％组成训练样本集，各类样本的20％组成测试样本集；
步骤三，在步骤二的训练样本集和测试样本集中加入高斯白噪声；
步骤四，设置隐藏层的层数为3层；首个隐藏层神经元的数目根据经验公式得出，第二层和第三层神经元数目与上级神经元数目之比为2：1；
步骤五，采用逐层贪婪法依次实现栈式稀疏降噪自编码器中各层网络参数的无监督预训练，具体步骤如下：
(1)以所述步骤三中训练样本集的5种特征气体含量作为第一个稀疏自编码器的输入和输出，经过迭代训练，得到第一个稀疏自编码器模型参数；
(2)以所述步骤(1)中第一个稀疏自编码器的隐藏层输出作为第二个稀疏自编码的输入和输出，经过迭代训练，得到第二个稀疏自编码器模型参数；
(3)以所述步骤(2)中第二个稀疏自编码器的隐藏层输出作为第三个稀疏自编码的输入和输出，经过迭代训练，得到第三个稀疏自编码器模型参数；
其中，稀疏自编码器是在自编码器的基础上对其隐藏层神经元进行稀疏性限制，即在损失函数中加入KL散度；
步骤六，去除所述步骤五中栈式稀疏降噪自编码器的解码层，增加Softmax分类层，将第一个稀疏自编码器的隐藏层输出连接到第二个稀疏自编码器的输入，将第二个稀疏自编码器的隐藏层输出连接到第三个稀疏自编码器的输入，将第三个稀疏自编码器的隐藏层输出连接到Softmax分类层，使Focal损失函数取得最小值作为整个网络优化的目标，经过迭代训练，对整个模型的各个参数进行微调；最终基于Focal损失函数梯度值和BP算法实现栈式稀疏降噪自编码器中各层网络参数有监督微调，进而得到最终变压器故障诊断模型；
步骤七：将步骤三中的测试样本集输入步骤六得到的最终...

【专利技术属性】
技术研发人员：王志强，武天府，刘征，王进君，李国锋，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21