CN107063349A - 一种诊断变压器故障的方法及装置 - Google Patents

Abstract

本申请公开了一种诊断变压器故障的方法及装置，涉及电力系统技术领域，尤为解决变压器故障诊断准确率低的问题而发明。采用的方法主要包括：获取变压器的绝缘油中溶解的气体浓度，所述变压器是存在确定故障类型的变压器；建立所述变压器的故障类型和所述气体浓度的故障对照表；将所述故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络；将待诊断变压器绝缘油中溶解的待检测气体浓度输入到所述神经网络，诊断所述待诊断变压器的故障类型。本发明主要应用于诊断变压器故障。

Description

一种诊断变压器故障的方法及装置

技术领域

本申请涉及电力系统技术领域，尤其涉及一种诊断变压器故障的方法及装置。

背景技术

变压器的运行状态是影响整个电能传输可靠性的重要因素，而实际操作中因为一些偶然或者非偶然的原因变压器会出现各种故障，其中变压器最容易出现的故障是绝缘故障。绝缘故障主要是由于绝缘老化或者绝缘弱化引起的，其中，局部放电现象是变压器绝缘水平降低的重要标志，因此将局部放电测试的结果导入仿真系统中对放电类型加以分类识别，就能够准确、快速地判断变压器内部潜在的绝缘故障，以便及时对变压器的故障进行排查，确保变压器能持续可靠地运行，以此保证整个电网的正常运行。

一般来说，判断变压器运行状态方法主要有：油中气体分析法、温度测量法、绕阻直流电阻测量法、吸收比测量法、介质损耗测量法以及局部放电等。在使用变压器的过程中，变压器油不可避免的会暴露在空气当中，空气中的存在大量的水分和杂质就会部分溶解于变压器油中。那么变压器绝缘故障就可以通过分析油中各气体的含量和成分来进行分析确定。油中气体分析法需要到气相色谱分析器，通过观察各气体的类型和含量来就可以确定变压器是否存在异常，如果有异常是属于哪种故障类型，已存在的故障程度如何。由于有溶解气体分析的方法不收各种电磁干扰的影响，可靠性高，技术成熟，应用在发现变压器内部潜在故障及其严重程度方面十分有效，且定性、定量分析都已积累了相当多的经验，被认为是监测及诊断油浸式变压器早期故障、预防灾难性事故发生的最佳方法之一。

在现有技术中，变压器故障诊断的方法具体为：首先将变压器在运行中可能产生的故障规格进行分类；其次将分类等到的故障类型进行编码，将每一类故障用唯一的编码标识，采集特征气体数据；然后对采集到的特征气体数据根据色谱分析导则进行筛选；再次提取判别特征量，进行判别分析；最后基于贝叶斯理论进行故障判别。上述变压器故障诊断的方法，涉及到的特征参数较少，不能完全体现出数据的全部信息量，所以有时的诊断结果的准确度不高。

发明内容

本申请提供了一种诊断变压器故障的方法及装置，以解决变压器故障诊断准确率低的问题。

第一方面，本申请提供了一种诊断变压器故障的方法，该方法包括：获取变压器的绝缘油中溶解的气体浓度，所述变压器是存在确定故障类型的变压器；建立所述变压器的故障类型和所述气体浓度的故障对照表；将所述故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络；将待诊断变压器绝缘油中溶解的待检测气体浓度输入到所述神经网络，诊断所述待诊断变压器的故障类型。

结合第一方面，在第一方面第一种可能的实现方式中，所述构建并训练神经网络，包括：确定所述气体浓度为所述神经网络的输入数据；确定所述气体浓度对应的确定故障类型为所述神经网络的输出数据；构建所述神经网络的学习率和动量系数；根据所述学习率和所述动量系数，训练所述神经网络。采用本实现方式，通过设置学习率和动量系数，能够提高神经网络的全局收敛性。

结合第一方面，在第一方面的第二种可能的实现方式中，所述构建所述神经网络的学习率和动量系数，包括：设置评价函数，其中n是迭代次数，y_pj是所述神经网络在L层j节点的输出，O_pj是所述神经网络L-1层i节点的输出；计算评价函数的评价变化量，其中n是迭代次数；如果评价变化量小于零，则学习率为动量系数为其中u∈(0,1)，v∈(0,1)；如果评价变化量大于或者等于零，则学习率为动量系数为其中u∈(0,1)，v∈(0,1)。

结合第一方面，在第一方面的第三种可能的实现方式中，所述神经网络，选取的激活函数为且其中，是指在L层j节点的偏差，o_pj是指在L-1层i节点的输出。采用本实现方式，可以避免神经网络在训练过程中陷入局部最小值。

结合第一方面，在第一方面的第四种可能的实现方式中，所述根据所述学习率和所述动量系数，训练所述神经网络，包括：步骤1，初始化权值和偏置参数；步骤2，将所述气体浓度输入所述神经网络的输入节点；步骤3，根据所述权值和所述偏置参数，计算隐含层节点输出值；步骤4，根据所述隐含层节点输出值，计算隐含层节点误差项；步骤5，根据所述隐含层节点误差项，更新所述隐含层节点的第一权值和第一偏置参数；步骤6，根据所述隐含层节点输出值，计算输出层节点输出值；步骤7，根据所述输出层节点输出值，计算所述输出层节点误差项；步骤8，根据所述输出层节点误差项，更新所述输出层节点的第二权值和第二偏置参数；步骤9，根据所述输出节点误差项，计算所述输出层节点的总误差；步骤10，如果所述总误差大于预置阈值，则返回步骤2；步骤11，如果所述总误差小于或等于预置阈值，则训练结束。

第二方面，本申请还提供了一种诊断变压器故障的装置，所述诊断变压器故障的装置包括用于执行第一方面各种实现方式中方法步骤的模块。

第三方面，本申请还提供了一种终端，包括：处理器及存储器；所述处理器可以执行所述存储器中所存储的程序或指令，从而实现以第一方面各种实现方式所述的诊断变压器故障的方法。

第四方面，本申请还提供了一种存储介质，该计算机存储介质可存储有程序，该程序执行时可实现包括本申请提供的诊断变压器故障的方法各实施例中的部分或全部步骤。

本申请提供的一种诊断变压器故障的方法及装置，通过获取变压器的绝缘油中溶解的气体浓度，然后建立变压器的故障类型和气体浓度的故障对照表，再将故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络，最后将待诊断变压器绝缘油中溶解的待检测其他浓度输入到神经网络，诊断待诊断变压器的故障类型。与现有技术相比，本申请能够显著加快神经网络的学习速度，使得神经网络具有更好的全局收敛性，减少神经网络的训练时间，能够避免神经网络陷入局部极小值，能够更准确地捕捉各种复杂的气体浓度和故障类型之间的关系，提高故障诊断的准确性。对于有效提高电力变压器故障诊断效率，提高配电变压器品质，维护配电网安全运行具有重要意义和工程使用价值。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例一提供的一种诊断变压器故障的方法流程图；

图2为本申请实施例三提供的一种神经网络拓扑结构示意图；

图3为本申请实施例三提供的构建并训练神经网络的过程的示例性流程图；

图4为本申请实施例四提供的根据学习率和动量系数，训练神经网络的方法流程图；

图5为本申请实施例五提供的一种诊断变压器故障的装置结构示意图；

图6为本申请实施例六提供的一种训练单元的结构示意图；

图7为本申请实施例七提供的一种训练模块的结构示意图。

具体实施方式

在变压器中最容易出现的故障是短路故障。变压器的故障诊断方法，包括短路试验、直流电阻测量、有溶解气体成分分析、局部放电诊断、绝缘介质聚合度分析、频率响应等等。在使用变压器的过程中，变压器油不可避免的会暴露在空气当中，空气中的存在大量的水分和杂质就会部分溶解于变压器油中。那么变压器绝缘故障就可以通过分析油中各气体的含量和成分来进行分析确定。油中气体分析法需要到气相色谱分析器，通过观察各气体的类型和含量来就可以确定变压器是否存在异常，如果有异常是属于哪种故障类型，已存在的故障程度如何。由于有溶解气体分析的方法不收各种电磁干扰的影响，可靠性高，技术成熟，应用在发现变压器内部潜在故障及其严重程度方面十分有效，且定性、定量分析都已积累了相当多的经验，被认为是监测及诊断油浸式变压器早期故障、预防灾难性事故发生的最佳方法之一。

参见图1，为本申请实施例一提供的一种诊断变压器故障的方法流程图，该方法包括如下步骤：

步骤101，获取变压器的绝缘油中溶解的气体浓度。

油浸式变压器主要由铁芯、绕阻、邮箱、油枕、绝缘套管、分接开关和其他继电器组成。油浸式变压器的绕组及铁芯都装在充满绝缘油的油箱中，在运行时依靠绝缘油作冷却介质。运行中的油浸式变压器，发生外部故障时，能够观察到，但是对于其内部发生的故障很难监控，但是变压内部的绝缘油是可以采集到的。但变压器发生过热、放电故障时会加速气体产生的速度和数量。所以分析油中溶解气体对尽早发现变压器内部的潜伏性故障有重要意义，有助于检测出早期故障。

绝缘油是由天然石油经过蒸馏，精炼而获得的一种矿物油，绝缘油是有各种碳氢化合物组成的混合物。绝缘油在变压器运行中受到温度、电场、氧气及水分和铜铁等材料的催化作用会形成某些氧化物及其油泥、氢、低分子烃类气体等，这就是绝缘油也就是绝缘油的老化和裂化作用。在正常的老化和劣化情况下，绝缘油中仅能产生少量的气体，如果存在潜伏性故障，绝缘油随着故障类型的不同分解产生大量的气体。所以本申请通过绝缘油中溶解的气体浓度，判断变压器存在的故障类型。

为了通过本申请的方法能够准确判断变压器的故障类型，需要先获取气体浓度和与之对应的故障类型。所以获取的绝缘油是存在确定故障类型的变压器，也就是变压器是存在确定故障类型的变压器。

首先取出存在确定故障类型的变压器的绝缘油，然后从绝缘油中脱出溶解气体，在利用气相色谱仪测定各种溶解气体的气体浓度。这里的气体浓度是指溶解气体中，各种溶解气体对应的各自的气体浓度。具体的气体浓度包括哪些种类与当前变压器的故障类型有关，在本发明实施例中对气体浓度中包括的气体种类不做限定，对应的气体浓度大小是有气相色谱仪测量得到的气体浓度。

为了能够准确的诊断变压器的故障类型，所以在本步骤中，需要获取多个多种故障类型的变压器绝缘油中溶解的气体浓度。示例性的，分别收集已知的，由于高温过热、中低温度过热，电弧放电和局部放电四种故障下的配电变压器各5台，共20台，并提取这20台配电变压器油箱里的变压器绝缘油。

步骤102，建立变压器的故障类型和气体浓度的故障对照表。

由于变压器是存在确定故障类型的变压器，所以能够确定变压器的故障类型与绝缘油中溶解气体的气体浓度之间的对应关系。如下表所示，故障对照表，就是气体浓度与对应的故障类型的对应关系表。为了后续诊断其他变压器的故障类型，可以将相同故障类型的气体浓度存储到相邻的位置。本步骤中的故障对照表，为后续训练神经网络提供样本数据，所以故障对应表的除了必须包括的气体浓度和故障类型，还可以包括其他辅助相关内容，如序号、浓度单位、有效数据位数等等，在本发明实施例中均不作限定。

表1神经网络输入变量(ppm)

步骤103，将故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络。

神经网络，这里是指人工神经网络，或者称作连接模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。通过依靠习题的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。

神经网络因为其优越的学习能力、泛化能力和内置的容错能力，被提出用于解决变压器故障诊断中。因为现有的神经网络，在实际解决问题的过程中，存在着局部缺陷，所以提出了改进的神经网络算法。例如现有神经网络中存在网络隐含层节点数选择的盲目性，还提出能够选择隐含层节点数的神经网络算法。无论是基础的神经网络算法，还是改进的神经网络算法，其他训练样本和测试样本的选取，及其构建和训练过程相同，本发明实施例中对神经网络类型选取为BP神经网络。

从步骤102的故障对照表中选取训练样本和测试样本，训练样本用于训练神经网络，测试样本用于测试神经网络的准确性。构建神经网络，建立如图3所示的神经网络的拓扑结构。将故障对照表中的气体浓度作为输入，将故障类型作为输出，训练神经网络。例如，选择故障气体氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙炔(C₂H₂)、乙烯(C₂H₄)的单位气体浓度作为改进的BP神经网络的输入；选择故障类型：高温过热故障(1，0，0，0)、中低温度过热故障(0，1，0，0)，电弧放电故障(0，0，1，0)和局部放电故障(0，0，0，1)作为改进的BP神经网络的输出。再将测试样本输入神经网络，校验神经网络的准确性，并修正神经网络，提高神经网络的诊断准确度。

步骤104，将待诊断变压器绝缘油中溶解的待诊断气体浓度输入到神经网络，诊断待诊断变压器的故障类型。

步骤101至步骤103，是诊断变压器故障类型的前期必要的步骤，是步骤104能够实现诊断变压器故障的基础。待诊断变压器，是需要诊断故障的变压器，是未知故障的变压器。获取待诊断变压器绝缘油中溶解的待检测气体浓度，将待检测气体输入到神经网络中。需要说明的是这里的待检测气体浓度，是指该气体浓度对应的变压器故障类型待诊断。经神经网络的计算，最终输出待诊断变压器的故障类型。

为了更详细的描述诊断变压器故障的方法，下面举例说明。选择故障气体氢气、甲烷、乙烷、乙炔、乙烯作为神经网络的输入，故障类型有高温过热、中低温过热、电弧放电和局部放电，作为神经网络的输出，采用20组原始数据作为训练数据，对神经网络进行训练。在图2中，n是输入层中输入神经节点的个数，k是隐藏层中隐藏神经模式的数目，m是输出层中输出神经节点的个数，P是给定的训练模式数目。各种向量定义如下：输入层故障诊断特征量为I＝{i₁,…,i_n,…,i_N}；隐含层矢量H＝{h₁,…,h_k,…,h_K}；输出层故障诊断向量O＝{o₁,…,o_m,…,o_M}；教师信号T＝{T₁,…,T_m,…,T_M}。(I^P,T^P)(p＝1,2,…,P)，输入和目标成对输出。为了诊断变压器故障类型，需要经过两个阶段，一是训练阶段，二是诊断阶段。

从上述实施例可以看出，本申请提供的一种诊断变压器故障的方法，通过获取变压器的绝缘油中溶解的气体浓度，然后建立变压器的故障类型和气体浓度的故障对照表，再将故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络，最后将待诊断变压器绝缘油中溶解的待检测其他浓度输入到神经网络，诊断待诊断变压器的故障类型。与现有技术相比，本申请能够显著加快神经网络的学习速度，使得神经网络具有更好的全局收敛性，减少神经网络的训练时间，能够避免神经网络陷入局部极小值，能够更准确的捕捉各种复杂的气体浓度和故障类型之间的关系，提高故障诊断的准确性。对于有效提高电力变压器故障诊断效率，提高配电变压器品质，维护配电网安全运行具有有重要意义和工程使用价值。

实施例二

本实施例基于实施例一，是对实施例一的进一步完善，在实施例一，获取变压器的绝缘油中的溶解的气体浓度步骤中，变压器存在的确定故障类型包括高温过热、中低温过热、电弧放电和局部放电故障类型；气体浓度包括：氢气、甲烷、乙烷、乙炔和乙烯的单位气体浓度。

变压器的常见故障类型被分为外部故障和内部故障两种。内部故障不能通过观察得出故障类型的结论，而且通常内部故障的现象只有在变压器运行中才能产生，所以对没有处于正在运行状态的变压器故障的检测十分重要，也可以应用于变压器使用之前的质检。内部故障的类型包括热故障和电故障两大类。在本发明实施例中，将热故障被分为高温故障和中低温故障，可以以700℃作为两种热故障的分界，也可以选取其他温度值。电故障通常指变压器内部在高电场强度的作用下，造成绝缘性能下降或劣化的故障，根据放电能量密度不同，分为电弧放电和局部放电两种类型。为了提高诊断效率，在本发明实施例中确定故障类型的变压器选取四种故障类型，也就是最终能够检测出的故障类型也只有这四种。

通常变压器的绝缘油中，除了含有少量的空气和二氧化碳以外，不应含有其他成分。在变压器正常运行时，随着使用时间的增加，变压器老化，会缓慢产生一少量的氧化碳气体。在故障情况下，绝缘油发生裂解，产生多达2900多种的气体，在本发明实施例中选取氢气、甲烷、乙烷、乙炔和乙烯的气体浓度，诊断变压器的故障类型。

在变压器出现故障时，绝缘油中溶解的气体浓度发生变化的主要气体都包括在上述五种气体中，以这五种气体的含量变化能够表征出现的故障类型，在保证能够诊断出故障类型的前提下，减少需要获取的数据量，以节约数据存储空间，提高计算速度。

实施例三

图3为本申请实施例一中对构建并训练神经网络的过程的示例性流程图。本实施例基于实施例一，是对实施例一的进一步完善。参见图3所示，在本实施例中，构建并训练神经网络，包括：

步骤301，确定气体浓度为神经网络的输入数据。

神经网络，需要通过构建神经网络、输入数据、输出结果，才能开始训练神经网络。由于神经网络算法或者改进的神经网络算法都是通用的人工智能算法，在本发明实施例中对神经网络的构建不做详述。以故障对照表中的气体浓度作为输入数据。

步骤302，确定气体浓度对应的确定故障类型为神经网络的输出数据。

确定气体浓度为神经网络的输入数据后，以气体浓度对应确定故障类型作为神经网络的输出数据。

步骤303，构建神经网络的学习率和动量系数。

神经网络在解决变压器故障诊断的过程中，局部收敛和收敛速度慢是影响诊断结果准确性的关键。其中学习率和动量系数是影响神经网络性能的重要因素。设置评价函数，通过评价函数的变化量，动态的调整学习率和动量系数。

其中，设置评价函数，其中n是迭代次数，y_pj是所述神经网络在L层j节点的输出，O_pj是所述神经网络L-1层i节点的输出；计算评价函数的评价变化量，其中n是迭代次数；如果评价变化量小于零，则学习率为动量系数为其中u∈(0,1)，v∈(0,1)；如果评价变化量大于或者等于零，则学习率为动量系数为其中u∈(0,1)，v∈(0,1)。

步骤304，根据学习率和动量系数，训练神经网络。

在训练神经网络过程中，选取的激活函数为且其中，是指在L层j节点的偏差，o_pj是指在L-1层i节点的输出。

本申请实施例中学习率和动量系数是自适应的，可以通过迭代改变，能够显著加快神经网络的学习速度，具有更好的全局收敛性，减少训练时间并避免陷入局部极小值，能够提高变压器故障诊断的效率和准确性。

实施例四

图4为本申请实施例三中对根据学习率和动量系数，训练神经网络的过程的示例性流程图。本实施例基于实施例三，是对实施例三的进一步完善。参见图4所示，在本实施例中，根据学习率和动量系数，训练神经网络，包括：

步骤401，初始化权值和偏置参数。

步骤402，将气体浓度输入神经网络的输入节点。

步骤403，根据权值和偏置参数，计算隐含层节点输出值。

步骤404，根据隐含层节点输出值，计算隐含层节点误差项。

步骤405，根据隐含层节点误差项，更新隐含层节点的第一权值和第一偏置参数。

步骤406，根据隐含层节点输出值，计算输出层节点输出值。

步骤407，根据输出层节点输出值，计算输出层节点误差项。

步骤408，根据输出层节点误差项，更新输出层节点的第二权值和第二偏置参数。

步骤409，根据输出节点误差项，计算输出层节点的总误差。

在计算输出层节点总误差之前，方法还包括：获取初始化权值、第一权值和第二权值；根据初始化权值、第一权值和第二权值，生成权值矩阵；保存权值矩阵。

在计算输出层节点总误差之前，方法还包括：获取初始化偏置参数、第一偏置参数和第二偏置参数；根据初始化偏置参数、第一偏置参数和第二偏置参数，生成偏置参数矩阵；保存偏置参数矩阵。

步骤410，如果总误差大于预置阈值，则返回步骤402。

步骤411，如果总误差小于或等于预置阈值，则训练结束。

对于上述步骤进行详细说明，设置权值w_ji、w_kj，设置偏置参数q_j、q_k，将权值和偏置参数初始化到大于零且小于1之间的任意值。选取故障对照表中，一个确定故障类型对应的五种气体的气体浓度，计算隐含层节点的输出o_pj＝f(∑w_jix_i+q_j)，根据隐含层节点的输出值，计算隐含层节点误差项根据隐含层节点误差项，更新输出层节点的第一权值和第一偏置参数，其更新方法分别为

根据隐含层节点输出值，计算输出层节点输出值o_pk＝f(∑w_kjo_pj+q_k)，根据输出层节点输出值，计算输出层节点误差项d_pk＝o_pk(1-o_pk)(y_pk-o_pk)。根据输出层节点误差项，更新隐含层节点的第二权值和第二偏置参数，其更新方法分别为最后计算输出层节点的总误差然后将总误差和预置阈值比较，根据比较结果确定继续训练还是结束训练。

在本申请实施例中学习率和动量系数是自适应的，可以通过迭代改变，能够显著加快神经网络的学习速度，具有更好的全局收敛性，减少训练时间并避免陷入局部极小值，能够提高变压器故障诊断的效率和准确性。

实施例五

参见图5，为本申请提供的一种诊断变压器故障的装置结构示意图。该装置用于执行图1所对应的诊断变压器故障的方法。

如图5所示，该装置包括：获取单元51，建立单元52、训练单元53和诊断单元54。

其中，获取单元51，用于获取变压器的绝缘油中溶解的气体浓度，变压器是存在确定故障类型的变压器；

建立单元52，用于建立变压器的故障类型和气体浓度的故障对照表；

训练单元53，用于将故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络；

诊断单元54，用于将待诊断变压器绝缘油中溶解的待检测气体浓度输入到神经网络，诊断待诊断变压器的故障类型。

从上述实施例可以看出，本申请提供的一种诊断变压器故障的装置，通过获取变压器的绝缘油中溶解的气体浓度，然后建立变压器的故障类型和气体浓度的故障对照表，再将故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络，最后将待诊断变压器绝缘油中溶解的待检测其他浓度输入到神经网络，诊断待诊断变压器的故障类型。与现有技术相比，本申请能够显著加快神经网络的学习速度，使得神经网络具有更好的全局收敛性，减少神经网络的训练时间，能够避免神经网络陷入局部极小值，能够更准确的捕捉各种复杂的气体浓度和故障类型之间的关系，提高故障诊断的准确性。对于有效提高电力变压器故障诊断效率，提高配电变压器品质，维护配电网安全运行具有有重要意义和工程使用价值。

实施例六

与本申请实施例三的构建并训练神经网络的过程相对应，本申请还提供了训练单元。参见图5，为本申请提供的一种训练单元的结构示意图。训练单元用于执行图2所对应的构建并训练神经网络的方法。

如图6所示，训练单元53包括：

第一确定模块61，用于确定气体浓度为神经网络的输入数据；

第二确定模块62，用于确定气体浓度对应的确定故障类型为神经网络的输出数据；

构建模块63，用于构建神经网络的学习率和动量系数；

训练模块64，用于根据学习率和动量系数，训练神经网络。

其中，构建模块63，包括：

设置子模块631，用于设置评价函数，其中n是迭代次数，y_pj是所述神经网络在L层j节点的输出，O_pj是所述神经网络L-1层i节点的输出；

计算子模块632，用于计算评价函数的评价变化量，其中n是迭代次数；

确定子模块633，用于如果评价变化量小于零，则确定学习率为动量系数为其中u∈(0,1)，v∈(0,1)；

确定子模块633，用于如果评价变化量大于或者等于零，则确定学习率为动量系数为其中u∈(0,1)，v∈(0,1)。

神经网络，选取的激活函数为且其中，是指在L层j节点的偏差，o_pj是指在L-1层i节点的输出。

本申请实施例提供的训练单元，提出自适应的学习率和动量系数，可以通过迭代改变，能够显著加快神经网络的学习速度，具有更好的全局收敛性，减少训练时间并避免陷入局部极小值，能够提高变压器故障诊断的效率和准确性。

实施例七

与本申请实施例四的根据学习率和动量系数，训练神经网络的过程相对应，本申请还提供了训练模块。参见图7，为本申请提供的一种训练模块结构示意图。训练模块用于执行图4所对应的根据学习率和动量系数，训练神经网络的方法。

如图7所示，训练模块64，包括：

初始化子模块71，用于初始化权值和偏置参数；

输入子模块72，用于将气体浓度输入神经网络的输入节点；

计算子模块73，用于根据权值和偏置参数，计算隐含层节点输出值；

计算子模块73，用于根据隐含层节点输出值，计算隐含层节点误差项；

更新子模块74，用于根据隐含层节点误差项，更新隐含层节点的第一权值和第一偏置参数；

计算子模块73，用于根据隐含层节点输出值，计算输出层节点输出值；

计算子模块73，用于根据输出层节点输出值，计算输出层节点误差项；

更新子模块74，用于根据输出层节点误差项，更新输出层节点的第二权值和第二偏置参数；

计算子模块73，用于根据输出层节点输出值，计算输出层节点的总误差；

返回子模块75，用于如果总误差大于预置阈值，则返回步骤2；

结束子模块76，用于如果总误差小于或等于预置阈值，则训练结束。

如图7所示，训练模块64，还包括：

获取子模块77，用于在计算输出层节点总误差之前，获取初始化权值、第一权值和第二权值；

生成子模块78，用于根据初始化权值、第一权值和第二权值，生成权值矩阵；

保存子模块79，用于保存权值矩阵。

如图7所示，训练模块64，还包括：

获取子模块77，用于在计算输出层节点总误差之前获取初始化偏置参数、第一偏置参数和第二偏置参数；

生成子模块78，用于根据初始化偏置参数、第一偏置参数和第二偏置参数，生成偏置参数矩阵；

保存子模块79，用于保存偏置参数矩阵。

本申请实施例提供的训练单元，提出自适应的学习率和动量系数，可以通过迭代改变，能够显著加快神经网络的学习速度，具有更好的全局收敛性，减少训练时间并避免陷入局部极小值，能够提高变压器故障诊断的效率和准确性。

具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的诊断变压器故障的方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例五-七而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种诊断变压器故障的方法，其特征在于，所述方法包括：

获取变压器的绝缘油中溶解的气体浓度，所述变压器是存在确定故障类型的变压器；

建立所述变压器的故障类型和所述气体浓度的故障对照表；

将所述故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络；

将待诊断变压器绝缘油中溶解的待检测气体浓度输入到所述神经网络，诊断所述待诊断变压器的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述变压器存在的确定故障类型包括高温过热、中低温过热、电弧放电和局部放电故障类型。

3.根据权利要求1所述的方法，其特征在于，所述气体浓度包括：氢气、甲烷、乙烷、乙炔和乙烯的单位气体浓度。

4.根据权利要求1所述的方法，其特征在于，所述构建并训练神经网络，包括：

确定所述气体浓度为所述神经网络的输入数据；

确定所述气体浓度对应的确定故障类型为所述神经网络的输出数据；

构建所述神经网络的学习率和动量系数；

根据所述学习率和所述动量系数，训练所述神经网络。

5.根据权利要求4所述的方法，其特征在于，所述构建所述神经网络的学习率和动量系数，包括：

设置评价函数，其中n是迭代次数，y_pj是所述神经网络在L层j节点的输出，O_pj是所述神经网络L-1层i节点的输出；

计算评价函数的评价变化量，其中n是迭代次数；

如果所述评价变化量小于零，则确定所述学习率为所述动量系数为其中u∈(0,1)，v∈(0,1)；

如果所述评价变化量大于或者等于零，则确定所述学习率为所述动量系数为其中u∈(0,1)，v∈(0,1)。

6.根据权利要求1所述的方法，其特征在于，所述神经网络，选取的激活函数为且其中，是指在L层j节点的偏差，o_pj是指在L-1层i节点的输出。

7.根据权利要求4所述的方法，其特征在于，所述根据所述学习率和所述动量系数，训练所述神经网络，包括：

步骤1，初始化权值和偏置参数；

步骤2，将所述气体浓度输入所述神经网络的输入节点；

步骤3，根据所述权值和所述偏置参数，计算隐含层节点输出值；

步骤4，根据所述隐含层节点输出值，计算隐含层节点误差项；

步骤5，根据所述隐含层节点误差项，更新所述隐含层节点的第一权值和第一偏置参数；

步骤6，根据所述隐含层节点输出值，计算输出层节点输出值；

步骤7，根据所述输出层节点输出值，计算所述输出层节点误差项；

步骤8，根据所述输出层节点误差项，更新所述输出层节点的第二权值和第二偏置参数；

步骤9，根据所述输出节点误差项，计算所述输出层节点的总误差；

步骤10，如果所述总误差大于预置阈值，则返回步骤2；

步骤11，如果所述总误差小于或等于预置阈值，则训练结束。

8.根据权利要求7所述的方法，其特征在于，在所述计算输出层节点总误差之前，所述方法还包括：

获取所述初始化权值、所述第一权值和所述第二权值；

根据所述初始化权值、所述第一权值和所述第二权值，生成权值矩阵；

保存所述权值矩阵。

9.根据权利要求7所述的方法，其特征在于，在所述计算输出层节点总误差之前，所述方法还包括：

获取所述初始化偏置参数、所述第一偏置参数和所述第二偏置参数；

根据所述初始化偏置参数、所述第一偏置参数和所述第二偏置参数，生成偏置参数矩阵；

保存所述偏置参数矩阵。

10.一种诊断变压器故障的装置，其特征在于，所述装置包括：

获取单元，用于获取变压器的绝缘油中溶解的气体浓度，所述变压器是存在确定故障类型的变压器；

建立单元，用于建立所述变压器的故障类型和所述气体浓度的故障对照表；

训练单元，用于将所述故障对照表中的数据作为训练样本和测试样本，构建并训练神经网络；

诊断单元，用于将待诊断变压器绝缘油中溶解的待检测气体浓度输入到所述神经网络，诊断所述待诊断变压器的故障类型。