【技术实现步骤摘要】
本专利技术主要涉及，具体涉及一种基于卷积神经网络和声学特征变量预测的电抗器状态评价方法及系统。
技术介绍
1、干式空心电抗器具有结构简单、电感值稳定、便于运行维护等特点，常用于限流、无功补偿以及改善线路电压分布等。干式空心电抗器正常运行时，电动力呈现挤压电抗器的趋势，其包封端部振动速度大于包封中部；除承受电、热应力之外，还承受持续的交变电磁力作用，因而长期处于振动状态。在多种应力共同作用下振动还会持续加剧，严重时干式空心电抗器的设备内部大概率会出现过热、放电等缺陷，干式空心电抗器极易发生匝间短路故障。一旦干式空心电抗器的匝间短路发生时，由于短路匝中巨大的感应电流，受短路电流及短路匝附近畸变磁场的影响，短路匝上（及附近）的电动力也会急剧增大，导致短路匝附近的振动速度增加，短路电流将会导致其内部及表面温升急剧升高。为此，近年来引发了多起电抗器损坏、故障乃至起火烧毁的事故，所以传统干式空心电抗器在工作过程中实际上存在严重的安全隐患，这就需要研究对干式空心电抗器安全的监测方法。
2、基于电力设备的振动与噪声，缺陷检测分析方法常常包含有基于解析模型分析、基于信号处理分析和基于人工智能分析的三类方法。其中，基于解析模型的方法是出现最早、研究最为系统的一种故障诊断方法，这种方法需要建立研究对象的数学模型，在此基础上利用数学方法处理研究对象的信息特征，由此可以基于研究对象的理论基础和系统本质，对未出现的故障也具有较强的理论支撑和固有的敏感性，但该方法存在一定的劣势是通常难以消除数学模型的建模误差和环境干扰去完全替代工况复杂的系统模型
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种原理简单、智能化程度高、评价精准度高的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法及系统。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其包括：
4、步骤s1：获取电抗器箱壁振动信号和噪声信号作为数据；
5、步骤s2：采用离群点和连续插值法对数据进行剔除和补全；
6、步骤s3：构建基于卷积神经网络的干式电抗器的声振特征预测模型；
7、步骤s4：构建评价指标，完成状态评价，最终得到基于卷积神经网络和声学特征变量预测的电抗器状态评价结果。
8、作为本专利技术方法的进一步改进：所述步骤s2中包括：
9、步骤s201：提取箱壁振动信号序列x和噪声信号序列m，得到信号矩阵，如下式所示：
10、
11、其中，数据列x表示箱壁振动信号，数据列m表示噪声信号，n表示采集到的数据长度；
12、步骤s202：计算信号矩阵中每一列的均值和标准差，如下式所示：
13、，
14、其中，和表示振动信号均值和标准差，和表示噪声信号均值和标准差；
15、步骤s203：将均值和标准差作为新的序列，计算序列内各数据点之间的欧氏距离，如下式所示：
16、
17、其中，k从1到n；第一行表示振动信号均值和标准差作为新的序列，第二行表示噪声信号均值和标准差作为新的序列；
18、步骤s204：计算数据点x的第k距离：将该点与其他点的距离从小到大排序，第k个即为第k距离；
19、步骤s205：k距离领域：该领域内的所有点到x点的距离小于等于第k距离，记为n(x,k)；若大于则为异常点；
20、步骤s206：若作为异常点剔除以后，利用连续插值法进行补充，利用剔除数据的前后两位数据的平均值进行替代与补全。
21、作为本专利技术方法的进一步改进：所述步骤s3中包括：
22、步骤s301：振动信号数据获取和处理；
23、步骤s302：构建卷积神经网络模型并进行初始化；初始化卷积神经网络模型的迭代次数nmax、卷积核大小、全连接层权值、注意力机制权值；
24、步骤s303：模型训练与参数调优；在整个训练过程中不断保存验证集上的最小损失模型参数，直至训练结束，最终的最小损失模型即为最优网络模型。
25、作为本专利技术方法的进一步改进：按照7:2:1的比例将数据集划分为训练集、验证集和测试集；所述训练集用于训练模型拟合参数，所述验证集用于调整网络模型的超参数。
26、作为本专利技术方法的进一步改进：所述卷积神经网络模型中包括：
27、卷积层：使用多个卷积核对输入数据进行卷积运算，并对卷积后的输出进行处理；卷积运算公式如下：
28、
29、其中代表输入的第i个数据，为该卷积层中第k个卷积核参数，为对应的偏置参数，gk为第k个卷积核提取第i个样本的特征；
30、最大池化层：分为下采样层和上采样层；经过卷积运算后，得到很多不同的特征映射；最大池化的表达式为：
31、
32、其中，表示当前层的第i个神经元的输出，是一个下采样函数，该函数是在一定范围内取最大值的函数，是池化的范围，是池化的步长大小；
33、全连接层：特征经过卷积层和池化层后，输入到全连接层；在全连接层中，采用softmax分类器；公式表示为：
34、
35、其中， l表示网络的层数，表示全连接层的输出，表示全连接层的输入，表示权重系数，表示偏置。
36、作为本专利技术方法的进一步改进：在上述步骤s303中，训练模型是以信号的幅值平均绝对误差最小为损失函数进行预测，判断模型是否收敛；若模型迭代次数达到最大迭代次数，则结束训练，输出预测结果。
37、作为本专利技术方法的进一步改进：在所述步骤s3中还包括步骤s304：模型评估；即，加载最优网络模型，输入测试集数据对模型的诊断效果进行评估，计算整个测试集上的损失和准确率，记录若干次实验结果取其平均值作为最终结果，实现特征预测。
38、作为本专利技术方法的进一步改进：所述步骤s4设定的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差三种评价指标中的一种或多种，即为：
39、
40、
41、
42、其中，分别表示预测值和理想值，三种指标的范围处于区间[0,+)，三种指标值越小，说明模型预测精度越高，预测效果越理想。
43、作为本专利技术方法的进一步改进：在所述步骤 s1中，获取电抗器箱壁振动信号和噪声信号时，采用多通道采集的检测装置，各测点分散开，采用远程获取的方式来获取油箱不同部位的声学振动信号。
44、本专利技术进一步提供一种基于卷积神经网络和声学特征变量预测的电抗器状态评价系统，其包括：
45、采集单元，用来获取本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述步骤S2中包括：
3.根据权利要求1所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述步骤S3中包括：
4.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，按照7:2:1的比例将数据集划分为训练集、验证集和测试集；所述训练集用于训练模型拟合参数，所述验证集用于调整网络模型的超参数。
5.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述卷积神经网络模型中包括：
6.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，在上述步骤S303中，训练模型是以信号的幅值平均绝对误差最小为损失函数进行预测，判断模型是否收敛；若模型迭代次数达到最大迭代次数，则结束训练，输出预测结果。
7.根据权利要求3
8.根据权利要求1-7中任意一项所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述步骤S4设定的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差三种评价指标中的一种或多种，即为：
9. 根据权利要求1-7中任意一项所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，在所述步骤 S1中，获取电抗器箱壁振动信号和噪声信号时，采用多通道采集的检测装置，各测点分散开，采用远程获取的方式来获取油箱不同部位的声学振动信号。
10.一种基于卷积神经网络和声学特征变量预测的电抗器状态评价系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述步骤s2中包括：
3.根据权利要求1所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述步骤s3中包括：
4.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，按照7:2:1的比例将数据集划分为训练集、验证集和测试集；所述训练集用于训练模型拟合参数，所述验证集用于调整网络模型的超参数。
5.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，所述卷积神经网络模型中包括：
6.根据权利要求3所述的基于卷积神经网络和声学特征变量预测的电抗器状态评价方法，其特征在于，在上述步骤s303中，训练模型是以信号的幅值平均绝对误差最小为损失函数进行预测，判断模型是否收敛；若模型迭代次数达到最大迭代...
【专利技术属性】
技术研发人员：张国帆，王晓，刘功能，李文志，赵劲枫，阳应伟，李威，唐星昱，熊富强，朱娟，谭禹，李俊龙，张彪，
申请(专利权)人：国网湖南省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。