[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

本發(fā)明公開了一種基于深度卷積神經網絡的換流變壓器故障診斷方法。本發(fā)明將深度卷積神經網絡模型應用于電網設備故障檢測中，既改善了基于統計學和概率論的機器學習算法中參數多、調參過程繁瑣、模型性能十分依賴數據預處理和特征工程的不足，也在淺層人工神經網絡基礎上將數據擴展至更高維度，使模型對復雜函數的擬合能力進一步提高，同時，將殘差網絡和批量歸一化算法應用于深度卷積神經網絡，使模型收斂速度和泛化能力得到提高，模型對電網設備故障診斷的準確率相比淺層神經網絡有很大提升。

技術領域

本發(fā)明屬于輸變電設備故障診斷領域，具體地說是一種基于深度卷積神經網絡的換流變壓器故障診斷方法。

背景技術

目前，大型變壓器多為油浸式變壓器，采用油紙絕緣結構。變壓器正常運行時，其內部的油紙絕緣材料受到熱和電的作用，會逐漸老化并分解，產生少量溶解氣體。通過分析變壓器中的溶解氣體H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂的含量和產氣率，可以檢測出故障，防止故障惡化。通過對大量DGA結果的統計分析，專家試圖建立一個油中溶解氣體含量的注意值標準，即認為油中溶解氣體含量高于此標準的設備內部可能存在著引發(fā)事故的早期潛伏性故障。

在變壓器故障診斷中，單靠電氣試驗方法很難發(fā)現某些局部故障和發(fā)熱缺陷，而通過變壓器油中氣體的色譜分析，對發(fā)現變壓器內部的某些潛伏性故障及其發(fā)展程度的早起診斷非常靈敏且有效，這已被大量故障診斷的實踐所證明。在國家頒布執(zhí)行的電力設備預防性試驗規(guī)程DL/T596-1996中，將DGA方法放在了首要位置。

但實踐表明很難把判斷有無故障這樣一個復雜的問題簡化為僅由一個數值界限去機械地進行判斷。基于此，Dornenburg提出氣體三比值法進行變壓器故障的診斷。三比值法避免了油的體積效應，提高了對電力變壓器故障診斷的準確率，國內外統計表明，三比值法對油浸式電力設備故障診斷的可靠率在80％左右，在我國國家標準中推薦使用基于DGA結果的三比值法對油浸式設備進行故障診斷。但在實踐過程中發(fā)現，三比值法存在編碼盲點問題，有相當一部分的DGA分析結果落在了三比值法所提出的編碼之外，以至于對某些情況無法進行診斷。

基于統計學和概率論的機器學習方法對大規(guī)模數據有更強的處理和學習能力。當前場景中，油中溶解氣體的監(jiān)測數據多為非線性數據(即溶解氣體數據的變化規(guī)律難以用線性函數擬合)，且油中溶解氣體中各類氣體的含量相互影響，存在一定相關性。基于此，基于樹模型的機器學習模型對電網系統中產生的大規(guī)模油色譜監(jiān)測數據的擬合能力更有優(yōu)勢。

目前，基于樹模型的算法中，性能最高的算法是XGBosot算法(僅在2015年Kaggle各類競賽獲勝的29個算法中，有17個使用了XGBoost)。XGBoost是Boosting算法的其中一種。Boosting算法的思想是將許多弱分類器集成在一起形成一個強分類器。XGBoost中使用的基樹(弱分類器)為CART回歸樹模型，CART回歸樹是假設樹為二叉樹，通過不斷將特征進行分裂。例如，當前樹結點是基于第j個特征值進行分裂的，設該特征值小于s的樣本劃分為左子樹，大于s的樣本劃分為右子樹。

XGBoost算法思想就是不斷地添加樹，不斷地進行特征分裂來生長一棵樹，每次添加一個樹，其實是學習一個新函數，去擬合上次預測的殘差。當訓練完成得到k棵樹，要預測一個樣本的分數，其實就是根據這個樣本的特征，在每棵樹中會落到對應的一個葉子節(jié)點，每個葉子節(jié)點就對應一個分數，最后只需要將每棵樹對應的分數加起來就是該樣本的預測值。