[發(fā)明專利]變壓器油中溶解氣體的深度并行故障診斷方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010134616.3
• 申請日: 2020-03-02
• 公開（公告）號: CN111337768B
• 公開（公告）日: 2021-01-19
• 發(fā)明（設(shè)計）人: 何怡剛;吳曉欣;段嘉珺;熊元新;張慧;時國龍
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G01R31/00
• 分類號: G01R31/00;G01N33/00;G06N3/04;G06N3/08
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 張宇

本發(fā)明公開了一種變壓器油中溶解氣體的深度并行故障診斷方法及系統(tǒng)，屬于變壓器故障診斷領(lǐng)域。采集各變電站油中溶解氣體監(jiān)測信息，并對數(shù)據(jù)進(jìn)行歸一化處理；用油中溶解氣體構(gòu)建特征參量作為LSTM診斷模型的輸入，并進(jìn)一步將數(shù)據(jù)進(jìn)行圖像化處理作為CNN診斷模型的輸入；分別構(gòu)建LSTM診斷模型和CNN診斷模型，并按比例用數(shù)據(jù)集分別對診斷模型進(jìn)行訓(xùn)練及驗證；利用DS證據(jù)理論算法對兩種深度學(xué)習(xí)模型的softmax層輸出進(jìn)行深度并行融合。本發(fā)明綜合考慮不同深度學(xué)習(xí)方法對復(fù)雜非線性關(guān)系的提取能力，構(gòu)建了基于CNN?LSTM深度并行融合的變壓器故障診斷模型。該模型不需要經(jīng)過復(fù)雜的特征設(shè)計，便能得到較高的準(zhǔn)確率，因而模型具有較高的可移植性。

技術(shù)領(lǐng)域

本發(fā)明屬于電力變壓器故障診斷領(lǐng)域，更具體地，涉及一種變壓器油中溶解氣體的深度并行故障診斷方法及系統(tǒng)。

背景技術(shù)

隨著計算機(jī)存儲及傳感器技術(shù)的不斷發(fā)展，電力變壓器的在線監(jiān)測數(shù)據(jù)將呈現(xiàn)出爆炸式增長態(tài)勢。作為電力系統(tǒng)的樞紐性裝備，電力變壓器的健康狀態(tài)直接影響著整個電網(wǎng)的安全穩(wěn)定。因此，綜合運(yùn)用人工智能、大數(shù)據(jù)等先進(jìn)技術(shù)對大容量電力變壓器的在線監(jiān)測數(shù)據(jù)進(jìn)行故障診斷與狀態(tài)預(yù)測，是指導(dǎo)變壓器運(yùn)維檢修相關(guān)工作的一大研究熱點。油中溶解氣體分析(Dissolved Gas Analysis，DGA)是一項對變壓器絕緣油中溶解氣體成分及含量進(jìn)行分析的在線監(jiān)測技術(shù)。目前基于DGA數(shù)據(jù)的傳統(tǒng)診斷方法已進(jìn)行了大量的研究。傳統(tǒng)的比值方法(例如IEC比率法，Rogers比率法和Doernenburg比率法)簡單易行，并已在工程實踐中廣泛使用。但是，仍然存在一些問題，例如診斷邊界過于絕對和缺碼漏碼等。傳統(tǒng)智能方法因?qū)W習(xí)能力、處理效率、特征提取等方面的不足，在推廣應(yīng)用時仍存在一定的局限性，如神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解，K近鄰法在高維空間中計算效率低下，支持向量機(jī)本質(zhì)是一個二分類器，處理多分類問題較麻煩等等。傳統(tǒng)比值方法與傳統(tǒng)智能方法的組合診斷也有相關(guān)的研究，但效果仍然不夠理想。近年來，由于深度學(xué)習(xí)對復(fù)雜非線性特征具有強(qiáng)大的提取能力，因此將其引入變壓器故障診斷領(lǐng)域，其故障診斷準(zhǔn)確率相較傳統(tǒng)機(jī)器學(xué)習(xí)的診斷模型有了顯著提升。如目前的以DGA數(shù)據(jù)的無編碼比值作為輸入矩陣的基于ReLU-DBN的新型故障診斷方法，相較傳統(tǒng)方法，準(zhǔn)確率大大提高。也有基于CNN的變壓器內(nèi)部故障診斷，將CNN用于增強(qiáng)差動保護(hù)性能，并通過不同的可靠性指標(biāo)來驗證該方法的有效性。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)是深度學(xué)習(xí)中兩種應(yīng)用最為廣泛的框架。CNN在視覺辨識、圖像處理、故障診斷等領(lǐng)域已經(jīng)應(yīng)用得較為成熟。而LSTM作為RNN的改進(jìn)模型，用以彌補(bǔ)RNN模型在反饋信息過程中出現(xiàn)的長期記憶缺失、梯度消散或爆炸的缺陷，如今，在語音辨識、視頻分類和股票預(yù)測等各個領(lǐng)域得到廣泛應(yīng)用，也取得了不錯的效果。

因此，如何將CNN及LSTM引進(jìn)變壓器DGA故障診斷建模，進(jìn)而提高故障診斷準(zhǔn)確率是目前亟需解決的技術(shù)難題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提出了一種變壓器油中溶解氣體的深度并行故障診斷方法及系統(tǒng)，由此解決如何將CNN及LSTM引進(jìn)變壓器DGA故障診斷建模，進(jìn)而提高故障診斷準(zhǔn)確率的技術(shù)問題。

為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種變壓器油中溶解氣體的深度并行故障診斷方法，包括：

(1)獲取各變壓器油中溶解氣體的若干組監(jiān)測數(shù)據(jù)，對各組所述監(jiān)測數(shù)據(jù)中的溶解氣體含量進(jìn)行分析，獲取對應(yīng)的故障類型標(biāo)簽，對各組所述監(jiān)測數(shù)據(jù)進(jìn)行歸一化處理后與對應(yīng)的故障類型標(biāo)簽組成目標(biāo)數(shù)據(jù)集；

(2)將所述目標(biāo)數(shù)據(jù)集劃分為第一訓(xùn)練集和第一驗證集，由所述第一訓(xùn)練集對LSTM診斷模型進(jìn)行訓(xùn)練，由所述第一驗證集對訓(xùn)練后的LSTM診斷模型進(jìn)行驗證；