特征自动挖掘和参数自动寻优的配电变压器故障诊断方法技术

本发明专利技术涉及一种特征自动挖掘和参数自动寻优的配电变压器故障诊断方法。包括：将振动信号采集装置安装在配电变压器上，并从振动信号采集装置中采集配电变压器运行时的振动波形；构建基于二次调优后的堆栈自编码器的配电变压器故障特征提取模型；利用二次调优后的堆栈自编码器提取振动信号特征向量yn，并对相应的特征打上标签，建立一个包含正常及各类故障的数据库；分割数据集，即将数据集按X1：X2的比例拆分为训练集和测试集；利用训练集训练随机森林分类器；基于训练的随机森林分类器的网络参数，建立配电变压器故障诊断模型，实现配电变压器故障诊断。本发明专利技术能够显著提高配电变压器故障诊断的准确性，并具有良好的鲁棒性和突出的诊断性能。出的诊断性能。出的诊断性能。

【技术实现步骤摘要】
特征自动挖掘和参数自动寻优的配电变压器故障诊断方法


[0001]本专利技术涉及一种特征自动挖掘和参数自动寻优的配电变压器故障诊断方法。

技术介绍

[0002]配电系统中的变压器是我国电力系统变电传输环节中一个极为重要的输变电设备，而用户使用的配电变压器就是面向用户的一种终端输变电设备，数量多应用范围广，其可靠的运行对整个电网的稳定和安全运行至关重要，一旦变压器发生了故障就有可能给用户造成巨大的经济损失。而根据相关的统计显示,变压器绕组的故障在我国变压器总事故中约占一半以上。因此极为有必要对配电系统变压器绕组的正常工作运行状态和可靠性进行实时有效地的监测，及时发现可能造成故障的原因和隐患。
[0003]目前，电力变压器的运行状态检测的方法可以大致分为两个主要的大类：分别是离线运行状态检测和在线运行状态监测。离线监测的方法主要有频率响应法、短路阻抗法和低压脉冲法等；在线监测的方法很多，但目前研究最多的是油色谱分析法和振动分析法，且对油色谱分析法的研究更加成熟，应用也更加广泛。但油色谱分析法能检测的故障类型主要是过热和放电等引起的绝缘油性质发生变化的故障，对变压器的机械故障反应比较迟钝甚至无法检测，且用于油色谱分析的设备大多价格昂贵、安装不便。因此，相对于油色谱分析法，基于振动分析法的变压器在线检测方法不仅对变压器主要部件的机械结构变化或故障反应灵敏(主要是变压器铁芯、绕组以及分接开关等部件发生位移、松动、磨损、变形等)，而且基于振动分析法的变压器检测系统与整个电力系统之间没有电气连接，可以再电力系统正常运行时进行监测，从而可以快速高效、安全可靠地达到变压器在线状态检测、故障诊断以及潜伏性故障诊断的目的。振动信号主要有时域特征量和频域特征量这两类特征量。时域上的特征量包括波形平均值、方差、幅值、波形相似度、动态时间距离等：频域上的特征量包括频谱包络、时频能量熵、能-频分布等。这些特征量在一定程度上能够刻画振动信号的形态特征，但实际应用的效果不理想，易受扰动和噪声等因素的影响。
[0004]多年来经过研究人员的努力，已经在振动信号获取、特征信号提取和故障检测模型建立等方面取得了一些进展，但是基于振动分析法的变压器在线检测方法尚不成熟，仍然需要做更深入的研究。
[0005]为有效解决配电变压器故障诊断中面临的数据特征提取、局部最优、实时故障分类等问题，本专利技术提出了一种基于自动调参的堆栈自编码器(auto-encoders,SAE)和随机深林(Random Forest,RF)分类器的配电变压器故障诊断方法。

技术实现思路

[0006]本专利技术的目的在于提供一种特征自动挖掘和参数自动寻优的配电变压器故障诊断方法，能够显著提高配电变压器故障诊断的准确性，并具有良好的鲁棒性和突出的诊断性能。
[0007]为实现上述目的，本专利技术的技术方案是：一种特征自动挖掘和参数自动寻优的配
电变压器故障诊断方法，包括如下步骤：
[0008]步骤S1、将振动信号采集装置安装在配电变压器上，并从振动信号采集装置中采集配电变压器运行时的振动波形；
[0009]步骤S2、构建基于二次调优后的堆栈自编码器的配电变压器故障特征提取模型；
[0010]步骤S3、利用二次调优后的堆栈自编码器提取振动信号特征向量yn，并对相应的特征打上标签，建立一个包含正常及各类故障的数据库；
[0011]步骤S4、分割数据集，即将数据集按X1：X2的比例拆分为训练集和测试集；
[0012]步骤S5、利用训练集训练随机森林分类器；
[0013]步骤S6、基于步骤S5训练的随机森林分类器的网络参数，建立配电变压器故障诊断模型，实现配电变压器故障诊断。
[0014]在本专利技术一实施例中，所述步骤S2具体实现如下：
[0015]S21、创建一个堆栈自编码器模型，利用测量得到的振动数据逐层学习数据，提取数据特征，得到每层自编码器的偏差和权重；再通过前馈反向神经网络来缩小网络损失值，从而不断更新权重和偏差，得到堆栈自编码器中每个编码器的权重和偏差，具体实现方式如下：
[0016]假设一训练样本x＝[x1,x2,...,x
n
]T
∈R
n
，由公式(1)可将其向隐含层进行映射，映射后的隐含层表示为y1＝[y1,y2,...,y
m
]T
∈R
m
；
[0017]y1＝f
θ
(x)＝s
e
(Wx+b)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0018]其中，s
e
(
·
)为编码阶段的激活函数；θ＝{W,b}为编码阶段的参数，其中包含权值矩阵W∈R
m
×
n
、偏置矩阵b∈R
m
；
[0019]接着，采用解码器公式(2)将隐含表示变换回x的重构向量
[0020][0021]其中，s
d
(
·
)为解码阶段的激活函数；为解码阶段的参数，包含权值矩阵偏置矩阵偏置矩阵近似于x的程度越高，自编码器网络的性能越优良；因此，要不断最小化和x之间的误差，即最小化损失函数：
[0022][0023]对于网络参数的调整，同BP神经网络的调节机制，采用梯度下降法来最小化平均重构误差；具体的损失函数为：
[0024][0025]其中，为交叉熵，用于度量输入向量与重构向量之间的差异，两者差异越小，交叉熵的值越小，即损失函数的值越小；
[0026]随后将此编码器提取出的隐含层表示特征y1作为下一个编码器的输入，同样利用公式(1)可得y1映射后的隐含层表示为y2；再采用公式(2)可得y2的重构向量此时同样利用公式(4)来不断最小化y1和之间的误差；利用此步骤依次对n个编码器进行训练，可得每个自编码器的权重和偏差；
[0027]S22、设置堆栈自编码器特征提取网络中的迭代次数和学习率为可调超参数，并设
定可调超参数调整范围，将这些可调超参数传递给步骤S23；
[0028]S23、利用贝叶斯优化进行超参数自动寻优，贝叶斯优化公式表示为：
[0029][0030]其中，D＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}表示已采集样本点，p(f)为f的先验概率，p(f|D)为f的后验概率，f表示目标函数或模型中的参数，后验概率分布是通过已采集样本点对先验概率进行修正后目标函数或模型中参数的置信度；采用高斯过程作为概率代理模型，该过程是多元高斯概率分布的泛化，由协方差函数和均值函数构成，表达式为：
[0031]y＝gp(m(x),k(x,x'))
ꢀꢀꢀꢀꢀꢀꢀ
(6)
[0032]其中，m(x)为均值函数，k(x,x')为协方差函数，该过程对一系列离散数据点(x
i
,y
i
)进行函数拟合，得到一个逼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征自动挖掘和参数自动寻优的配电变压器故障诊断方法，其特征在于，包括如下步骤：步骤S1、将振动信号采集装置安装在配电变压器上，并从振动信号采集装置中采集配电变压器运行时的振动波形；步骤S2、构建基于二次调优后的堆栈自编码器的配电变压器故障特征提取模型；步骤S3、利用二次调优后的堆栈自编码器提取振动信号特征向量yn，并对相应的特征打上标签，建立一个包含正常及各类故障的数据库；步骤S4、分割数据集，即将数据集按X1：X2的比例拆分为训练集和测试集；步骤S5、利用训练集训练随机森林分类器；步骤S6、基于步骤S5训练的随机森林分类器的网络参数，建立配电变压器故障诊断模型，实现配电变压器故障诊断。2.根据权利要求1所述的特征自动挖掘和参数自动寻优的配电变压器故障诊断方法，其特征在于，所述步骤S2具体实现如下：S21、创建一个堆栈自编码器模型，利用测量得到的振动数据逐层学习数据，提取数据特征，得到每层自编码器的偏差和权重；再通过前馈反向神经网络来缩小网络损失值，从而不断更新权重和偏差，得到堆栈自编码器中每个编码器的权重和偏差，具体实现方式如下：假设一训练样本x＝[x1,x2,...,x
n
]
T
∈R
n
，由公式(1)可将其向隐含层进行映射，映射后的隐含层表示为y1＝[y1,y2,...,y
m
]
T
∈R
m
；y1＝f
θ
(x)＝s
e
(Wx+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，s
e
(
·
)为编码阶段的激活函数；θ＝{W,b}为编码阶段的参数，其中包含权值矩阵W∈R
m
×
n
、偏置矩阵b∈R
m
；接着，采用解码器公式(2)将隐含表示变换回x的重构向量接着，采用解码器公式(2)将隐含表示变换回x的重构向量其中，s
d
(
·
)为解码阶段的激活函数；为解码阶段的参数，包含权值矩阵偏置矩阵偏置矩阵近似于x的程度越高，自编码器网络的性能越优良；因此，要不断最小化和x之间的误差，即最小化损失函数：对于网络参数的调整，同BP神经网络的调节机制，采用梯度下降法来最小化平均重构误差；具体的损失函数可表示为：事实上，是交叉熵，用于度量输入向量与重构向量之间的差异，两者差异越小，交叉熵的值越小；随后将此编码器提取出的隐含层表示特征y1作为下一个编码器的输入，同样利用公式(1)可得y1映射后的隐含层表示为y2；再采用公式(2)可得y2的重构向量此时同样利用公式(4)来不断最小化y1和之间的误差；利用此步骤依次对n个编码器进行
训练，可得每个自编码器的权重和偏差；S22、设置堆栈自编码器特征提取网络中的迭代次数和学习率为可调超参数，并设定可调超参数调整范围，将这些可调超参数传递给步骤S23；S23、利用贝叶斯优化进行超参数自动寻优，贝叶斯优化公式表示为：其中，D＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}表示已采集样本点，p(f)为f的先验概率，p(f|D)为f的后验概率，f表示目标函数或模型中的参数，后验概率分布是通过已采集样本点对先验概率进行修正后目标函数或模型中参数的置信度；采用高斯过程作为概率代理模型，该过程是多元高斯概率分布的泛化，由协方差函数和均值函数构成，表达式为：y＝gp(m(x...

【专利技术属性】
技术研发人员：陈锦锋，张军财，董芳针，范贤盛，陈明辉，葛晶，高伟，唐捷，陈致远，
申请(专利权)人：国网福建省电力有限公司上海宏力达信息技术股份有限公司，
类型：发明
国别省市：