基于回声网络和深度残差神经网络的变压器状态评估方法技术

本发明专利技术公开了一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，包括以下步骤：采集各变电站中的监测信息；对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；结合实际测试数据进行健康状态评估和网络更新。本发明专利技术考虑深度学习神经网络需要大量数据，利用泄露积分回声网络生成人工训练数据。并引入深度残差网络和压缩激励网络构建深度学习神经网络，提高神经网络的特征提取能力。该评估方法具备较高的准确率和较强的鲁棒性。确率和较强的鲁棒性。确率和较强的鲁棒性。

【技术实现步骤摘要】
基于回声网络和深度残差神经网络的变压器状态评估方法


[0001]本专利技术涉及电力变压器健康状态评估
，尤其涉及一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法。

技术介绍

[0002]电力变压器是电力系统中进行电能转换的电气设备，是电网安全稳定运行的关键环节。变压器经过多年运行，存在绝缘老化、部件松动等各种故障隐患，发生故障的几率不断增加，对变压器进行健康状态评估意义重大。因此，人工智能、数据清洗等先进技术对高压大容量电力变压器的健康状态在线评估，是指导变压器运行维护的相关工作的一大研究内容。
[0003]健康状态能够通过采集的信息反映变压器运行时状态。传统的健康状态评估方法需要很多测试参数来评估变压器的状态，加上部分测试参数没有明确的分级定义，导致该技术无法在实际应用发挥优势。随着深度学习神经网络的发展，残差网络、泄露积分回声网络、压缩激励网络等算法被应用于健康状态评估中，然而因为训练数据质量不高、学习能力不足、特征提取效果差等原因，上述方法在电力变压器的健康状态评估中应用存在一定的局限性。近年来，深度学习理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，该方法包括以下步骤：步骤1、采集各变电站中的监测信息，包括：各变电站油测试、油中溶解气体和呋喃含量监测信息；步骤2、对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；步骤3、将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；步骤4、构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；步骤5、结合实际测试数据进行健康状态评估和网络权值更新。2.根据权利要求1所述的基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，所述步骤1中采集的监测信息具体为：运行中变压器以及电力公司测试台账记录，其中每一组数据都包括九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔、呋喃含量，及其对应的变压器的健康状态。3.根据权利要求1所述的基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，所述步骤2的方法具体为：对步骤1中采集到的数据进行滑动平均滤波，消除数据中存在的噪声；滑动平均滤波器的表达式为：其中；Y(t)是滤波器的输出，y(t)是滤波器的输入，t为输入数据的长度，T
w
为滑动窗长度，其值的选取决定滤波性能；然后进行数据清洗，包括：对数据进行纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量操作，保证数据的一致性；最后，对处理后的数据进行归一化，运用极差变换法，其公式为：其中，max(x)为样本数据的最大值，min(x)为样本数据的最小值，x
i
为样本中第i个数据，y
i
为归一化后的第i个数据。4.根据权利要求1所述的基于最小二乘法的泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，所述步骤3的方法具体为：泄露积分回声网络模型分为模型建立和训练算法两步：首先，建立泄露积分回声网络，状态方程如下：x(t+1)＝(1
‑
γ)x(t)+γf(W
in
u(t+1)+W
res
x(t)+W
back
y(t))其中，W
in
是输入的权值矩阵，W
res
是储备池状态的权值矩阵,W
back
为输出对储备池状态的权值矩阵，γ为泄露率，t表示时刻，x(t)是来自存储池前一个状态，u(t+1)是输入层，x(t+1)为储存池的下一个状态；网络的输出方程如下:
y(t)＝g(W
out
[x(n)；u(n)])其中，W
out
为网络的输出权值矩阵，f(
·
)为神经元的激活函数，g(
·
)为输出层的激活函数；对建立的泄露积分回声网络进行训练：在训练过程中，利用最小二乘法对泄露积分回声网络的权值进行动态调整，并且在最小二乘法的目标函数中加入L1范数约束项，公式如下：其中，λ是n时刻遗忘因子，e(m)是误差信号，γ是正则化参数；最后，根据训练获得的网络权值，得到泄露积分回声网络；输入原始数据到泄露积分回声网络，获得生成的数据。5.根据权利要求1所述的基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，所述步骤3中将人工数据集划分为两部分，其中，80％作为训练集，对深度残差网络进行训练，20％作为测试集验证网络对变压器健康状态评估效果。6.根据权利要求1所述的基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，其特征在于，所述步骤4的方法具体为：首先构建一个残差模块，包括归一化层、全连接层、压缩激励层、阈值层，残差模块由八层网络组成；第一层为归一化层，运用正则化方法对数据进行归一化，该层的数据维度为m
...

【专利技术属性】
技术研发人员：何怡刚，邢致凯，王枭，杜博伦，何鎏璐，王传坤，
申请(专利权)人：武汉大学，
类型：发明
国别省市：