[發(fā)明專利]一種基于深度卷積神經網絡的換流變壓器故障診斷方法

在審

• 申請?zhí)枺?/td>: 201911120136.5
• 申請日: 2019-11-15
• 公開（公告）號: CN110929847A
• 公開（公告）日: 2020-03-27
• 發(fā)明（設計）人: 鄭一鳴;王文浩;萬梓聰;閆丹鳳;畢建剛;王峰淵;袁帥;楊圓;常文治;是艷杰;王廣真;邵明鑫;韓睿;楊智;姜炯挺
• 申請（專利權）人: 國網浙江省電力有限公司電力科學研究院;北京郵電大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01N33/00
• 代理公司: 浙江翔隆專利事務所(普通合伙) 33206
• 代理人: 張建青

1.一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，

將深度神經網絡與卷積神經網絡結合得到基于深度卷積神經網絡的換流變壓器故障診斷模型，利用該換流變壓器故障診斷模型進行故障診斷；

所述換流變壓器故障診斷模型的診斷過程如下：

輸入數(shù)據(jù)后，進入第I階段，在第I階段中，通過卷積操作、批量歸一化和Relu激活函數(shù)的非線性操作；

然后進入第II階段，該階段為模型核心階段，即深度卷積網絡，包括多個依次疊加的殘差結構；在殘差結構中，數(shù)據(jù)將通過兩條支路，在第一條支路中，數(shù)據(jù)首先通過批量歸一化，并且使用Relu激活函數(shù)對數(shù)據(jù)進行預激活，之后利用信息丟棄操作防止模型過擬合，最后進行卷積操作；將卷積操作后的結果再次進行批量歸一化、Relu激活函數(shù)和信息丟棄操作，最后通過卷積操作得到該支路的輸出；在第二條支路中，數(shù)據(jù)直接通過一層最大池化操作進行下采樣，從而與第一條支路的數(shù)據(jù)對齊；最終，將兩條支路的輸入求和作為第II階段的輸出；

最后，數(shù)據(jù)進入第III階段，通過批量歸一化、Relu激活函數(shù)和全連接操作，利用softmax激活函數(shù)對數(shù)據(jù)進行激活，得到結果。

2.根據(jù)權利要求1所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，模型的輸入為設備在線監(jiān)測數(shù)據(jù)X＝(x₁,x₂,...,x_i,...,x_m)，模型的輸出為每條監(jiān)測數(shù)據(jù)x_i對應的診斷結果y_i的集合Y＝(y₁,y₂,...,y_i,...,y_m)，y_i僅能取值0或1，0代表設備異常，1代表設備正常。

3.根據(jù)權利要求2所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，在模型訓練階段，模型損失函數(shù)為：

其中，p(·)表示模型將第i條監(jiān)測數(shù)據(jù)的診斷結果映射為正確結果y_i的概率。

4.根據(jù)權利要求1或2所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，每個殘差結構包含2個卷積層，每個卷積層都具有步長為16的卷積核，共32k個卷積核，其中k從1開始并且每經過四個殘差結構后遞增加1；每間隔1個殘差結構，對其輸入進行采樣率為2的下采樣，因此原始輸入最終以采樣率為2⁴倍下采樣。

5.根據(jù)權利要求1或2所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，所述的殘差結構有8個。

6.根據(jù)權利要求3所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，訓練模型時，初始化卷積層的權重，使用Adam優(yōu)化器對模型參數(shù)進行調優(yōu)，當模型在驗證集上的損失函數(shù)值停止降低時，將學習率降低為當前的1/10；在優(yōu)化過程中保存在驗證集上評估的最佳模型，最終得到1個隱藏層有17層的卷積結構，輸出層為使用softmax激活函數(shù)的全連接層的換流變壓器故障診斷模型。

7.根據(jù)權利要求4所述的一種基于深度卷積神經網絡的換流變壓器故障診斷方法，其特征在于，為更容易地優(yōu)化模型，提升網絡收斂速度，采用ResNet中類似方式即快捷連接模塊；當殘差結構對輸入進行下采樣時，相應的快捷連接模塊也使用相同采樣率的最大池化操作對其輸入進行下采樣。