[發明專利]基于圖譜信息融合的卷積神經網絡的變壓器故障診斷系統

在審

• 申請號: 202110670329.9
• 申請日: 2021-06-17
• 公開（公告）號: CN113392773A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 戴金林
• 申請（專利權）人: 齊豐科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

基于圖譜信息融合的卷積神經網絡的變壓器故障診斷系統。該方法包括以下步驟：步驟1，采集變壓器不同故障狀態的振動信號，并計算對應的快速譜峭圖、平方包絡信息譜和平方包絡譜信息譜；步驟2，利用卷積算法對信息圖譜進行特征提取以獲得特征圖；步驟3，利用提出的平方近鄰加權算法對步驟2的特征圖進行信息融合以獲得信息融合圖譜；步驟4，確定得到的信息融合圖譜對應的標簽，接著作為樣本訓練改進的CNN模型并使其收斂；步驟5，將步驟1～步驟4得到的診斷模型安裝于上位機程序中，實時處理信號采集系統上傳的振動信號，若檢測到故障則通過信息交互系統發出警報。本發明所述模型可以準確有效的檢測出變壓器存在的故障，具有良好的實際應用價值。

技術領域

本發明涉及變壓器故障診斷領域，特別是涉及基于圖譜信息融合的卷積神經網絡的變壓器故障診斷系統。

背景技術

電力變壓器是電力系統中的關鍵設備，其可靠性直接影響電力系統的運行安全。電力變壓器故障主要有繞組變形、鐵芯松動、分接頭故障、油紙絕緣老化等。其中繞組變形約占總故障的15％，鐵芯松動約占總故障的45％。繞組變形會使振動進一步加劇，導致匝間絕緣性能劣化，若不能及時檢修，在下次短路電流沖擊下，繞組變形將進一步增加，最終在不太大的短路電流和過電壓作用下，會出現嚴重損壞；鐵芯松動時會使空載損耗增加，鐵芯過熱，導致鐵芯絕緣層老化脫落甚至鐵芯燒毀事故。因此，電力變壓器繞組和鐵芯故障的早期識別對于保障電力系統的安全運行具有重要意義。

從目前的研究來看，在變壓器設備故障診斷領域中，利用信號處理和深度學習模型進行故障診斷有著較廣的應用。針對信號處理技術而言，環境中的噪聲干擾、故障信號的微弱特征等因素都會帶來很大的干擾；對深度學習技術而言，訓練樣本特征差異和模型的泛化性能不足等問題也進一步限制了模型的應用。

國內涉及變壓器故障診斷的專利有“一種基于深度森林模型的變壓器故障診斷方法”(202010621042.2)，該專利首先以變壓器油中溶解氣體分析數據的無編碼比值作為深度森林模型的特征參量，然后構建深度森林模型DF，深度森林模型DF通過多粒度掃描對變壓器故障的多維數據提取更多特征信息，再經過級聯森林的訓練達到診斷識別變壓器的故障類型的效果最優，但該專利未考慮模型的泛化性問題。國家發明專利“一種基于振動頻譜矩陣的變壓器鐵心松散缺陷診斷方法”(201910468382.3)，該專利首先將振動信號轉換為頻域信號，而后通過頻率信號構成頻率行矩陣，接著利用頻譜圖中的幅值信號形成幅值列矩陣，將兩矩陣相乘以得到第二鐵心系數，接著計算第二鐵心系數相對于第一鐵心系數的變化率作為判斷鐵心松散程度的判定因子，最終將判定因子與預設的缺陷閾值進行對比，實現對鐵心是否松散的判斷，但該專利僅能夠對變壓器鐵芯故障進行判斷，不夠全面。

發明內容

為解決上述問題，本發明在信息圖譜及其融合算法和CNN模型的基礎上，提出了基于圖譜信息融合的卷積神經網絡的變壓器故障診斷系統。鑒于信息圖譜中含有豐富的頻段信息，本發明利用快速譜峭圖、平方包絡信息譜和平方包絡譜信息譜提取故障信號所含的頻域信息，而后提出平方近鄰加權算法對三種信息圖進行融合以獲得信息融合圖譜，從而增強了模型輸入的圖像特征；另外，針對傳統CNN模型容易過擬合和泛化性不足的問題，本專利提出了改進的CNN模型，其中提出了LEU激活函數，同時提出了動態dropout層和解決樣本不平衡、稀疏性的損失函數，提高了模型的泛化性。為達此目的，本發明提供基于圖譜信息融合的卷積神經網絡的變壓器故障診斷系統，具體步驟如下，其特征在于：

步驟1，信息圖譜獲取：采集變壓器不同故障狀態的振動信號，并計算對應的快速譜峭圖、平方包絡信息譜和平方包絡譜信息譜，其中PCB加速度傳感器選用608A11，數據采集卡選用NI9234；

步驟2，卷積特征提取：利用卷積算法對信息圖譜進行特征提取以獲得特征圖；

步驟3，特征信息融合：利用提出的平方近鄰加權算法對步驟2的特征圖進行信息融合以獲得信息融合圖譜；