CN108170994A - 一种基于双向深度网络的油浸式电抗器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：构建基于双向深度网络模型的电抗器故障诊断模型；选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；划分电抗器故障状态，并对其进行编码；采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。优点：基于双向深度网络的油浸式电抗器故障诊断方法适用于大数据量样本的训练，可操作性强，与神经网络等传统故障诊断方法相比，故障诊断的正确率更高，诊断所得的最终结果有很强的可靠性。

Description

一种基于双向深度网络的油浸式电抗器故障诊断方法

技术领域

本发明涉及一种基于双向深度网络的油浸式电抗器故障诊断方法，属于电力设备状态检测与故障诊断技术领域。

背景技术

随着电力市场的需求量增大，系统对电力设备的运行可靠性要求也愈来愈高。电抗器具有改善电力系统无功功率有关运行状况等多种功能，是电力系统中常见的、重要的电力设备，它的安全稳定运行是电力系统可靠供电的前提条件。

油浸式电抗器油中溶解气体的类型和含量对应着不同的故障类型。油色谱分析法(Dissolved Gas Analysis,DGA)是指通过分析已经溶解在油中的特征气体，监测出设备早期故障。目前，基于DGA的设备故障诊断方法可分为传统和智能两大类型。传统的方法有三比值法和无编码比值法，这类方法比较简单，但其诊断正确率较低；智能方法包括模糊理论、专家系统、神经网络等，虽然在一定程度上提高了诊断正确率，但其大部分方法仍存在一些问题，例如模糊理论凭借经验选取隶属函数处理诊断问题，该方法受主观因素影响较强，误差较大；专家系统依赖于丰富的专家知识，这种知识的获取依靠人工移植且维护困难，系统推理能力也较弱，难以满足实时监测的要求；神经网络不适用于大数据量样本，对有标签样本依赖性较高，学习能力有较大的局限性，且难以进一步提高自身诊断的正确率。

深度学习是机器学习领域的一个新的热点研究方向，其算法建立模型模拟人类大脑的神经连接结构，通过对信号进行多个分层变换，给出了数据的分层变换特征。深度学习算法与传统的智能诊断方法相比，克服了传统方法对诊断经验的依赖性和大数据下模型诊断泛化能力的不足。

双向深度网络(bi-directional deep networks,BDDN)是由深度学习所得到的深度网络结构中的一类，由多个编码器层和解码器层叠加形成。双向网络的学习结合了前馈网络和反馈网络的训练方法，克服了传统神经网络不适用于多层网络训练的问题。本发明将深度学习算法应用于对油浸式电抗器的故障诊断方面，提出了一种基于双向深度网络的油浸式电抗器故障诊断方法。经实例分析证明，该方法的诊断正确率比现有的诊断方法高，可操作性强。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于双向深度网络的油浸式电抗器故障诊断方法。

为解决上述技术问题，本发明提供一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：

1)构建基于双向深度网络模型的电抗器故障诊断模型；

2)选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；

3)划分电抗器故障状态，并对其进行编码；

4)采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；

5)保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。

进一步的，所述电抗器故障诊断模型由多个受限玻尔兹曼机堆叠构成的双向深度网络，模型的输入为油色谱在线监测的7种特征气体含量值，最终经顶层分类器处理后的输出值为相应样本分别属于不同故障状态的概率值，概率值最大的状态即为诊断的结果。

进一步的，所述受限玻尔兹曼机分为隐层和可见层，隐层和可见层的节点通过权值连接，两层节点之间为全连接，同层节点之间互不相连，将若干个受限玻尔兹曼机堆叠，上一层的输出及为下一层的输入，构成了双向深度网络。

进一步的，所述训练样本数据，选取若干个工程现场记录的相同型号电抗器在故障发生前后较短一段时间内的油色谱在线监测数据，这些数据包含正常数据和故障类数据，均是无标签数据，用作预训练样本，搜集同型号电抗器测试实验数据作为微调阶段所用的少量标签样本；所述特征变量，根据工程现场油色谱在线监测数据特点，选取CO、CO₂、H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这7种特征气体的含量值作为双向深度网络的输入。

进一步的，所述步骤2)中的一定比例采用工程现场搜集到的相同型号故障电抗器实验数据按2:1比例用作微调集和测试集。

进一步的，所述步骤4)中，电抗器故障诊断模型的连接权值W及各层的偏置向量的初始化过程分为预训练和微调两个过程：

预训练过程即采用对比离差学习算法对网络进行若干次吉布斯采样的迭代过程；

微调过程即采用BP算法(反向传播算法)运用有标签数据集即同型号电抗器正常运行下采集的数据集对网络参数微调，使得模型的识别性能达到最优。

本发明所达到的有益效果：

基于双向深度网络的油浸式电抗器故障诊断方法适用于大数据量样本的训练，可操作性强，与神经网络等传统故障诊断方法相比，故障诊断的正确率更高，诊断所得的最终结果有很强的可靠性；在基于双向深度网络的油浸式电抗器故障诊断方法的实施中，由于模型输入数据差异较大，采用归一化方法对模型输入数据进行处理，能够减小模型输入数据差值，降低误差；预训练过程采用对比离差学习算法对网络进行无监督训练，提高了无标签样本的利用率，克服了传统的智能诊断方法对有标签样本依赖性较高的缺点，通过微调得到的网络参数，能获得比单纯的使用BP算法对初始权重进行训练更好的效果。

附图说明

图1是本发明实施例的一种基于双向深度网络的油浸式电抗器故障诊断方法的流程示意图；

图2是本发明的双向深度网络的结构图；

图3是本发明的双向深度网络逐层学习过程图；

图4是本发明具体的基于分类深度自编码网络的电抗器故障诊断模型图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种基于双向深度网络的油浸式电抗器故障诊断方法，如图1所示，执行如下步骤：

1、构建基于双向深度网络的油浸式电抗器故障诊断模型

首先构建了双向深度网络(bi-directional deep networks,BDDN)模型，它是一种由多个受限玻尔兹曼机(RBM)连接构成的，其中受限玻尔兹曼机分为隐层h和可见层v，隐层和可见层的节点通过权值w连接，两层节点之间为全连接，同层节点之间互不相连。将若干个受限玻尔兹曼机堆叠，上一层的输出及为下一层的输入，构成了双向深度网络，如附图2所示。

网络高层表示数据类别或属性代表期望输出变量的最后层，底层表示原始数据的浅层特征。该网络从底层到高层逐层特征变换，可以自动获得层次化的特征表示，识别数据内部的本质特征；最终在高层获取比低层更具特征识别能力且更抽象的输出编码y。然后通过RBM按照编码的方式反向进行解码，由原来的高层的输出编码y得到重构的解码x，编码和解码过程构成了BDDN模型的逐层学习过程，该过程如附图3所示。

基于双向深度网络的电抗器故障诊断模型如附图4所示，模型的输入为油色谱在线监测的7种特征气体含量值(经归一化处理)，由于模型输入数据差异较大，采用归一化方法对模型输入数据进行处理，减小模型输入数据差值，降低误差。模型中每一层RBM实质上由一层输入数据层即可见层v和一层隐层h构成。假设每个节点只取0、1两种状态，全概率分布p(v,h)满足Boltzmann分布(玻尔兹曼分布)，模型中一个RBM的能量可以表示为：

其中，W表示隐含层和可视层之间的连接权重，a表示可视层的偏置向量，b表示隐含层的偏置向量，i表示可见层单元，j表示隐含层单元。

隐层h和可见层v之间的联合概率分布为：

其中e为自然常数，z为配分函数，表示在所有节点可能取值下e^-E(v,h)的和。

可见层v对于隐层h的条件概率为：

其中m表示可见层单元个数，

隐层h对于可见层v的条件概率为：

其中n表示隐含层单元个数，

模型中单个节点的激活概率为：

其中，σ代表逻辑函数。

最终经顶层分类器后的输出为相应样本分别属于不同故障状态的概率值，概率值最大的状态即为诊断的结果。

2、选取训练样本数据和特征变量，对样本数据进行标准化处理后按一定比例将其分为训练集和测试集

根据工程现场油色谱在线监测数据特点，选取CO、CO₂、H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这7种特征气体的含量值作为双向深度网络的输入。在若干个工程现场记录相同型号电抗器在发生故障前后较短一段时间内的油色谱在线监测数据，这些无标签数据包含故障类或近似故障类数据，选取共1000条样本数据用作预训练样本，示例如表1所示。搜集同型号电抗器在实验室模拟故障运行状态下的200组数据作为微调阶段的有标签样本，示例如表2所示。

表1

表2

由于油中溶解气体分析数据差异大，为了减小数据差值，降低误差，采用式对7各气体含量进行归一化处理，以提高故障诊断结果正确率。

其中，为归一化处理后的变量值；x_i为原始数据；x_min为数据集中最小值；x_max为数据集中最大值。

3、对电抗器的故障状态进行编码

电抗器故障诊断属于多分类任务，其诊断结果可以分为：无故障、低能局部放电、高能局部放电、低能量放电、高能量放电、低温过热<150℃、低温过热150-300℃、中温过热300-700℃、高温过热>700℃这9种类型，下面分别对其进行编码，如表3所示。

表3

4、预训练和微调过程

预训练过程的实质即对层与层之间的连接权值W及各层的偏置向量进行初始化。

预训练步骤如下：

1)采用贪婪算法(Greedy algorithm)逐层无监督的训练每层网络参数的初始值，并设置受限玻尔兹曼机的训练迭代次数。

2)将训练好的每层RBM叠加成DBM(深度玻尔兹曼机)，采用对比离差(contrastivedivergence,CD)学习算法对网络进行无监督训练即迭代若干次吉布斯采样过程：

a)由条件分布概率P(h|v)计算隐层h，其中隐层h的节点h_0j∈{0,1}。

b)根据隐层节点，再一次利用P(h|v)计算可见层v，其中可见层v的节点v_0j∈{0,1}。

c)按下列各式更新连接权值W及各层的偏置向量：

a←a+ρ(v₀-v₁) (9)

b←b+ρ(P(h₀＝1|v₀)-P(h₁＝1|v₁)) (10)

其中ρ表示逻辑系数、T表示转置。

直到可见层v和隐层h达到平稳分布，就完成了对模型的预训练。

双向深度网络结构中各层网络结构预训练后，再通过反向迭代误差对整个网络进行权值微调，采用BP算法运用有标签数据集即同型号电抗器正常运行下采集的数据集对网络参数微调，使得模型的识别性能达到最优。

5、保存训练好的模型，在若干个工程现场记录相同型号电抗器在发生故障前后较短一段时间内的油色谱在线监测数据，选取1000条样本数据作为预训练集并在相同的电抗器油色谱样本数据集下测试了BDDN法与传统的三比值法、EBP神经网络法的故障诊断性能，诊断结果如表4所示。

表4

基于双向深度网络的油浸式电抗器故障诊断方法适用于大数据量样本的训练，可操作性强，与神经网络等传统故障诊断方法相比，故障诊断的正确率更高，诊断所得的最终结果有很强的可靠性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：

1）构建基于双向深度网络模型的电抗器故障诊断模型；

2）选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；

3）划分电抗器故障状态，并对其进行编码；

4）采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；

5）保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。

2.根据权利要求1所述的一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，所述电抗器故障诊断模型由多个受限玻尔兹曼机堆叠构成的双向深度网络，模型的输入为油色谱在线监测的7种特征气体含量值，最终经顶层分类器处理后的输出值为相应样本分别属于不同故障状态的概率值，概率值最大的状态即为诊断的结果。

3.根据权利要求2所述的一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，所述受限玻尔兹曼机分为隐层和可见层，隐层和可见层的节点通过权值连接，两层节点之间为全连接，同层节点之间互不相连，将若干个受限玻尔兹曼机堆叠，上一层的输出及为下一层的输入，构成了双向深度网络。

4.根据权利要求1所述的一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，所述训练样本数据，选取若干个工程现场记录的相同型号电抗器在故障发生前后较短一段时间内的油色谱在线监测数据，这些数据包含正常数据和故障类数据，均是无标签数据，用作预训练样本，搜集同型号电抗器测试实验数据作为微调阶段所用的少量标签样本；所述特征变量，根据工程现场油色谱在线监测数据特点，选取CO、CO₂、H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这7种特征气体的含量值作为双向深度网络的输入。

5.根据权利要求1所述的一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，所述步骤2）中的一定比例采用工程现场搜集到的相同型号故障电抗器实验数据按2:1比例用作微调集和测试集。

6.根据权利要求1所述的一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，所述步骤4）中，电抗器故障诊断模型的连接权值W及各层的偏置向量的初始化过程分为预训练和微调两个过程：

预训练过程即采用对比离差学习算法对网络进行若干次吉布斯采样的迭代过程；

微调过程即采用BP算法运用有标签数据集即同型号电抗器正常运行下采集的数据集对网络参数微调，使得模型的识别性能达到最优。