一种基于长短期记忆网络的智能化变压器故障诊断方法技术

本发明专利技术涉及变压器故障诊断领域，提供了一种基于长短期记忆网络的智能化变压器故障诊断方法，采用少数类样本过采样的方法对收集到的变压器故障溶解气体特征样本进行扩充，并借助L1正则化理论确定样本扩充至何时结束。变压器溶解气体为特征样本输入至长短期记忆网络，变压器的故障类别作为长短期记忆网络的输出。基于贝叶斯优化算法以最小训练样本错误率为目标函数确定长短期记忆网络隐藏层神经元个数、初始学习率以及L2正则化因子三个超参数，在此基础上训练并建立长短期记忆网络变压器故障诊断模型。故障诊断模型。故障诊断模型。

An intelligent transformer fault diagnosis method based on long-term and short-term memory network

【技术实现步骤摘要】
一种基于长短期记忆网络的智能化变压器故障诊断方法


[0001]本专利技术涉及变压器故障诊断领域，尤其是利用变压器溶解气体含量来分析的领域，具体为一种基于长短期记忆网络的智能化变压器故障诊断方法。

技术介绍

[0002]电力变压器在当今的电力系统中扮演着举足轻重的角色，直接影响着电力系统的安全稳定与经济运行。因此变压器的故障诊断越来越受到重视，其诊断方法也多种多样，利用变压器绝缘油中溶解气体含量分析变压器故障(DGA)是最佳的方法之一。采用DGA诊断方法不仅可以在变压器运行过程中及时诊断出存在的故障，而且能够在检修维护过程中进行隐患故障排查以提高检修效率。目前，改良三比值法与特征气体法等是DGA变压器故障诊断方法的几种数据处理方式。
[0003]近些年来，随着智能算法的逐渐应用，传统的诊断算法被取代，智能算法在准确率与可靠性上体现出了其优越性。智能算法包括专家系统、支持向量机、模糊理论与神经网络等。基于神经网络的模型在特征样本、参数优化上存在诸多瓶颈，应用效果不佳。

技术实现思路

[0004]针对现有技术中存在各故障类别收集到的样本不均衡的问题以及长短期记忆网络的可调超参数寻优问题，本专利技术提供一种基于长短期记忆网络的智能化变压器故障诊断方法，使各故障样本数量达到均衡，使变压器故障准确率达到最高。
[0005]本专利技术是通过以下技术方案来实现：
[0006]一种基于长短期记忆网络的智能化变压器故障诊断方法，包括如下步骤：
[0007]采集变压器溶解气体特征样本，对采集的变压器溶解气体特征样本进行扩充；
[0008]判定变压器溶解气体特征样本数量的扩充是否完毕，当变压器溶解气体特征样本数量完毕时，将扩充后的变压器溶解气体特征样本作为训练样本，反之继续扩充特征样本；
[0009]建立长短期记忆网络模型，并训练长短期记忆网络模型，确定网络超参数、系数矩阵与偏置矩阵；
[0010]将训练样本输入至长短期记忆网络模型中，得到需要诊断的变压器故障类型。
[0011]优选的，变压器溶解气体特征样本包括氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4和乙炔C2H2。
[0012]优选的，采用少数类样本过采样的方法对采集到的特征样本进行扩充。
[0013]进一步的，少数类样本过采样的方法如下：
[0014]将两个现有样本生成新样本，x
i
为合成新样本的选依据的根样本，搜索得到x
i
的k个最近邻样本，并从中随机选取一个样本作为根样本的辅助样本，在两样本间通过线性插值得到新样本，公式为：
[0015]x
new,attr
＝x
i,attr
+(x
ij,attr
‑
x
i,attr
)
×
γ；
[0016]其中，x
i
∈R
d
，x
i,attr
为样本中第attr个特征值，attr＝1，2，
…
，d；γ为0至1间的随
机数；x
ij
为x
i
的第j个最近邻样本；x
new,attr
为第attr个特征的新样本。
[0017]优选的，通过L1正则化定义判定样本数量扩充是否完毕，当L1正则化损失函数小于所设定的阈值时，则将扩充后的特征样本作为训练样本，反之继续扩充特征样本。
[0018]进一步的，L1正则化损失函数的计算公式如下：
[0019][0020]其中，E
in
为无正则化的样本训练误差；w
j
为各特征权重参数；λ为正则化参数；L为L1正则化损失函数。
[0021]优选的，长短期记忆网络模型的建立的方法如下：
[0022]利用贝叶斯算法对LSTM网络神经元个数、L2正则化因子以及初始学习率三个超参数寻优，以目标值最小状态下对应三个超参数值为最优，目标值取训练集分类错误率或测试集分类错误率。
[0023]优选的，在长短期记忆网络模型结构中，信息的向后传递依赖于细胞状态C(t)，其值在每个隐藏单元中完成更新并传递给下一个隐藏单元；每个隐藏单元输入信息的处理与隐藏状态的更新由三个门控结构实现，所述是三个门控结构包括遗忘门、输入门和输出门。
[0024]优选的，变压器故障类型包括高温过热、局部放电、中温过热、低温过热、低能放电和高能放电。
[0025]与现有技术相比，本专利技术具有以下有益的技术效果：
[0026]本专利技术提供了一种基于长短期记忆网络的智能化变压器故障诊断方法，采用少数类样本过采样的方法对收集到的变压器故障溶解气体特征样本进行扩充，并借助L1正则化理论确定样本扩充至何时结束。变压器溶解气体为特征样本输入至长短期记忆网络，变压器的故障类别作为长短期记忆网络的输出。基于贝叶斯优化算法以最小训练样本错误率为目标函数确定长短期记忆网络隐藏层神经元个数、初始学习率以及L2正则化因子三个超参数，在此基础上训练并建立长短期记忆网络变压器故障诊断模型。
附图说明
[0027]图1为本专利技术中基于长短期记忆网络的智能化变压器故障诊断方法的流程图；
[0028]图2为本专利技术中长短期记忆网络结构图；
[0029]图3为本专利技术中少数类样本过采样方法示意图。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0031]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]下面结合附图对本专利技术做进一步详细描述：
[0033]变压器故障诊断以长短期记忆网络算法为基础，变压器溶解气体为特征样本输入至长短期记忆网络，变压器的故障类别作为长短期记忆网络的输出。本专利技术提供一种基于长短期记忆网络的智能化变压器故障诊断方法，针对各故障类别收集到的样本不均衡的问题，少数量样本扩充的方法可基于收集到的特征样本进行样本扩充，使各故障样本数量达到均衡。针对长短期记忆网络的可调超参数寻优问题，贝叶斯优化的方法可找到可调超参数寻优最佳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆网络的智能化变压器故障诊断方法，其特征在于，包括如下步骤：采集变压器溶解气体特征样本，对采集的变压器溶解气体特征样本进行扩充；判定变压器溶解气体特征样本数量的扩充是否完毕，当变压器溶解气体特征样本数量完毕时，将扩充后的变压器溶解气体特征样本作为训练样本，反之继续扩充特征样本；建立长短期记忆网络模型，并训练长短期记忆网络模型，确定网络超参数、系数矩阵与偏置矩阵；将训练样本输入至长短期记忆网络模型中，得到需要诊断的变压器故障类型。2.根据权利要求1所述的一种基于长短期记忆网络的智能化变压器故障诊断方法，其特征在于，变压器溶解气体特征样本包括氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4和乙炔C2H2。3.根据权利要求1所述的一种基于长短期记忆网络的智能化变压器故障诊断方法，其特征在于，采用少数类样本过采样的方法对采集到的特征样本进行扩充。4.根据权利要求3所述的一种基于长短期记忆网络的智能化变压器故障诊断方法，其特征在于，少数类样本过采样的方法如下：将两个现有样本生成新样本，x
i
为合成新样本的选依据的根样本，搜索得到x
i
的k个最近邻样本，并从中随机选取一个样本作为根样本的辅助样本，在两样本间通过线性插值得到新样本，公式为：x
new,attr
＝x
i,attr
+(x
ij,attr
‑
x
i,attr
)
×
γ；其中，x
i
∈R
d
，x
i,attr
为样本中第attr个特征值，attr＝1，2，

【专利技术属性】
技术研发人员：栾丛超，吴涛，杜保华，吴智群，黄廷辉，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：