基于长短时记忆神经网络的变压器的绝缘评估方法技术

本发明专利技术涉及配电网区段故障定位的技术领域，特别是涉及基于长短时记忆神经网络的变压器的绝缘评估方法；包括如下步骤：1）收集近年现场实测的变压器回复电压数据序列，形成数据集；2）对输入的回复电压特征量组成的序列矩阵进行预处理和归一化数据处理；3）建立基于LSTM神经网络原理和多参数回归理论的变压器油纸评估模型；4）利用深度学习框架TensorFlow构建五维输出的网络模型；5）对LSTM网络模型参数初始化，通过参数调试训练网络模型，若达到准确率或最大训练次数，则保存模型，否则继续训练；6）将数据序列输入已经训练完的LSTM网络模型计算糠醛含量，再通过变压器的绝缘状态分级策略对绝缘状态进行有效评估。略对绝缘状态进行有效评估。略对绝缘状态进行有效评估。

【技术实现步骤摘要】
基于长短时记忆神经网络的变压器的绝缘评估方法


[0001]本专利技术涉及配电网区段故障定位的
，特别是涉及基于长短时记忆神经网络的变压器的绝缘评估方法。

技术介绍

[0002]电力变压器是最核心、价值最高的电气设备之一。电力变压器的非正常运行，将降低电力系统的稳定性和可靠性。为解决变压器事故而产生的长时间、高成本的维修将耗费大量的人力和财力，引起的大停电事故将造成难以计量的直接及间接损失。因此，研究变压器的绝缘特性，了解其绝缘状态，对寿命预测、故障预防具有重要的理论意义和实际意义，是保障电力系统安全、稳定、可靠运行的必要条件。
[0003]相较于繁琐的物理化学变压器绝缘评估方法，电气测量法有着便捷、操作简易、检测信息量大等优势，更易于对绝缘系统的剩余寿命进行评估。电气诊断法主要包括时域和频域诊断，时域诊断法有极化/去极化电流法、回复电压法，频域测试法有频域谱法，国内目前相关研究正处于初步阶段，大多位于理论研究层面，相关研究成果及研制设备成果较少。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供基于长短时记忆神经网络的变压器的绝缘评估方法，用于对变压器绝缘状态进行有效评估，从而预防变压器因绝缘问题引发的击穿等事故。
[0005]本专利技术的基于长短时记忆神经网络的变压器的绝缘评估方法，包括如下步骤：1）收集近年现场实测的变压器回复电压数据序列，形成数据集；2）对输入的回复电压特征量组成的序列矩阵进行预处理和归一化数据处理；3）建立基于LSTM神经网络原理和多参数回归理论的变压器油纸评估模型；4）利用深度学习框架TensorFlow构建五维输出的网络模型；5）对LSTM网络模型参数初始化，通过参数调试训练网络模型，若达到准确率或最大训练次数，则保存模型，否则继续训练；6）将数据序列输入已经训练完的 LSTM 网络模型计算糠醛含量，再通过变压器的绝缘状态分级策略对绝缘状态进行有效评估。
[0006]本专利技术作进一步改进，所述2）中序列矩阵进行预处理和归一化数据处理包括以下步骤：21）确定回复电压特征量：所述回复电压特征量主要包含主时间常数、最大初始斜率、极化谱峰值、绝缘电阻和几何电容，与变压器绝缘油中的糠醛含量Q；22）输入的序列数据以矩阵的形式存在，除将变压器绝缘油中的糠醛含量Q单独作为绝缘状态评估的基本特征量，其余五个特征值作为一组输入的数据矩阵x
i
，有式：
。本专利技术作进一步改进，所述3）中通过LSTM神经网络原理和多参数回归理论得到变压器油纸评估模型包括以下步骤：31）所述LSTM神经网络包含：输入门、输出门、遗忘门三个门控制单元；其中，输出门用来过滤单元输出内容，遗忘门用来选择保留单元中的重要信息，输入门用来筛查输入单元信息；32）所述多参量回归分析理论是确定两种或两种以上变量间相互依赖定量关系的一种统计分析方法，常用于预测计算；有因变量y，影响因变量的n个自变量x1,x2,
…
,x
n
，则每个自变量对y的影响称为总体回归模型，如下式所示：
[0007]其中：0,1,
…
,
n
称为回归参数，称为随机误差，代替总体回归函数扰动项；当有m个样本数量，第i次测量值x
i1
,x
i2
,
…
,x
in
和y
i
，则得到下式：基于上述多参数回归法及x
i
，建立基于LSTM模型的变压器油纸评估模型：。
[0008]本专利技术作进一步改进，所述4）中深度学习框架TensorFlow构建五维输出的网络模型包括以下步骤：41）使用Pandas及 Numpy 库对数据整合成矩阵形式并进一步统一处理，将数据集分为训练集和测试集两部分，调整模型参数后训练模型；42）当模型达到预设准确值或最大训练次数时，使用TensorFlow中的 train.Saver()函数对模型进行保存，后调用测试集对模型准确率和计算效果进行测试。
[0009]本专利技术作进一步改进，所述5）中LSTM网络模型参数初始化及参数调试训练包括以下步骤：51）首先通过一组预设训练参数实现模型的运算功能，对模型的可用性进行测试；需要设定的参数有：网络隐藏层hidden_layer，每层隐藏神经元 lstm_unit，设定一个适中的学习率learning_rate，每次输入序列数据时间步长time_step，每次网络权值更新过程批尺寸batch_size，训练过程使用训练集训练总次数 epoch；应用控制变量法，对非实验对比调试参数保持不变，使用同一输入数据集，保持系统环境不变，每次选取一个网络模型参数进行调整对比；52）引用均方误差MSE作为模型损失函数，表征模型计算值与真实值之间的差异程度，损失函数越小，模型精度越高，公式如下：其中，m为测试样本数，为计算值，为实际值；通过不同参数实验对比，对模型训练速度和预测精度进行研究分析，调试得到优化的 LSTM 网络模型；当模型达到预设准确值或最大训练次数时，使用TensorFlow中的 train.Saver()函数对模型进行保存。
[0010]本专利技术作进一步改进，所述6）中通过变压器的绝缘状态分级策略对绝缘状态进行有效评估包括以下步骤：61）以绝缘纸纤维素聚合度DP为评估标准，对变压器的绝缘寿命区间做出如下表所示的划分；变压器寿命分为五个阶段，从绝缘状态良好到绝缘纸失去机械强度，寿命终止；62）通过绝缘纸DP与糠醛含量的相关性研究制定绝缘状态的糠醛分级策略；具体步骤为按下式计算将变压器油纸绝缘状态划分为5级；
[0011] 其中，Q为糠醛含量计算值(mg/L)，DP为绝缘纸的聚合度，划分方式为：第一级：糠醛含量计算值Q∈ [0,0.0037],DP∈[1200,1800]；第二级：糠醛含量计算值Q∈[0.0037,0.7586), DP∈(500,1200]；第三级：糠醛含量计算值Q∈[0.7586,5.0699)，DP∈(250,500]；第四级：糠醛含量Q∈[5.0699,10.8393)，DP∈(150,250]；第五级：糠醛含量计算值Q∈(10.8393,33.8844)，DP∈(0,150)。
[0012]本专利技术作进一步改进，所述1）中，收集的测试数据涵盖不同变压器型号、等级和绝缘状态，具有普适性。
[0013]与现有技术相比本专利技术的有益效果为：提高变压器油中糠醛含量计算的精度，进而提高变压器油纸绝缘状态诊断的可靠性，提供较为有效的评估参考依据。
附图说明
[0014]图1是本专利技术的LSTM神经网络原理；图2是本专利技术模型训练流程图。
具体实施方式
[0015]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0016]本专利技术的基于长短时记忆神经网络的变压器的绝缘评估方法，具体包括以下步骤：步骤1）收集近年现场实测的变压器回复电压数据序列，形成具有26本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于长短时记忆神经网络的变压器的绝缘评估方法，其特征在于，包括如下步骤：1）收集近年现场实测的变压器回复电压数据序列，形成数据集；2）对输入的回复电压特征量组成的序列矩阵进行预处理和归一化数据处理；3）建立基于LSTM神经网络原理和多参数回归理论的变压器油纸评估模型；4）利用深度学习框架TensorFlow构建五维输出的网络模型；5）对LSTM网络模型参数初始化，通过参数调试训练网络模型，若达到准确率或最大训练次数，则保存模型，否则继续训练；6）将数据序列输入已经训练完的 LSTM 网络模型计算糠醛含量，再通过变压器的绝缘状态分级策略对绝缘状态进行有效评估。2.如权利要求1所述的基于长短时记忆神经网络的变压器的绝缘评估方法，其特征在于，所述2）中序列矩阵进行预处理和归一化数据处理包括以下步骤：21）确定回复电压特征量：所述回复电压特征量主要包含主时间常数、最大初始斜率极化谱峰值绝缘电阻和几何电容，与变压器绝缘油中的糠醛含量Q；22）输入的序列数据以矩阵的形式存在，除将变压器绝缘油中的糠醛含量Q单独作为绝缘状态评估的基本特征量，其余五个特征值作为一组输入的数据矩阵x
i
，有式：。3.如权利要求2所述的基于长短时记忆神经网络的变压器的绝缘评估方法，其特征在于，所述3）中通过LSTM神经网络原理和多参数回归理论得到变压器油纸评估模型包括以下步骤：31）所述LSTM神经网络包含：输入门、输出门、遗忘门三个门控制单元；其中，输出门用来过滤单元输出内容，遗忘门用来选择保留单元中的重要信息，输入门用来筛查输入单元信息；32）所述多参量回归分析理论是确定两种或两种以上变量间相互依赖定量关系的一种统计分析方法，常用于预测计算；有因变量y，影响因变量的n个自变量x1,x2,
…
,x
n
，则每个自变量对y的影响称为总体回归模型，如下式所示：其中：0,1,
…
,
n
称为回归参数，称为随机误差，代替总体回归函数扰动项；当有m个样本数量，第i次测量值x
i1
,x
i2
,
…
,x
in
和y
i
，则得到下式：基于上述多参数回归法及x
i
，建立基于LSTM模型的变压器油纸评估模型：。4.如权利要求3所述的基于长短时记忆神经网络的变压器的绝缘评估方法，其特征在于，所述4）中深度学习框架TensorFlow构建五维输出的网络模型包括以下步骤：
41）使用Pandas及 Numpy 库对数据整合成矩阵形式并进...

【专利技术属性】
技术研发人员：范建伦，康立欣，
申请(专利权)人：环宇集团南京有限公司，
类型：发明
国别省市：