CN108896857B - 一种基于深度学习的变压器复杂工况识别方法 - Google Patents

一种基于深度学习的变压器复杂工况识别方法 Download PDF

Info

Publication number
CN108896857B
CN108896857B CN201810763241.XA CN201810763241A CN108896857B CN 108896857 B CN108896857 B CN 108896857B CN 201810763241 A CN201810763241 A CN 201810763241A CN 108896857 B CN108896857 B CN 108896857B
Authority
CN
China
Prior art keywords
data
transformer
working condition
neural network
complex working
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810763241.XA
Other languages
English (en)
Other versions
CN108896857A (zh
Inventor
张利强
刘刚
焦邵华
白淑华
葛亮
张天侠
王立敏
许翠娟
杨常府
谢晓冬
赵纪元
詹庆才
徐延明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sifang Automation Co Ltd
Original Assignee
Beijing Sifang Automation Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sifang Automation Co Ltd filed Critical Beijing Sifang Automation Co Ltd
Priority to CN201810763241.XA priority Critical patent/CN108896857B/zh
Publication of CN108896857A publication Critical patent/CN108896857A/zh
Application granted granted Critical
Publication of CN108896857B publication Critical patent/CN108896857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于深度学习的变压器复杂工况识别方法，包括以下步骤：S1：获取原始样本数据；S2：将原始样本数据构建为有类标、无类标和测试数据的数据集；S3：按照一定时间窗口对构建的数据集进行取窗与分组；S4：将窗内电压电流序列信号进行处理得到频谱数据；S5：对频谱数据进行循环神经网络训练；S6：对训练后的循环神经网络进行测试并优化；S7：将现场数据输入优化完成的循环神经网络，进行变压器复杂工况的识别和精确定位。该方法采用循环网络可对复杂混合故障进行准确判断与精确定位，提高了变压器复杂工况辨识的鲁棒性和实用水平。

Description

一种基于深度学习的变压器复杂工况识别方法
技术领域
本发明属于自动化领域，具体属于应用于故障信息系统中的一种变压器复杂工况的智能识别方法。
背景技术
据统计，2005年之前，变压器保护正确动作率仅70％～80％，远远低于发电机保护和线路保护的正确动作率(约99％)，之后，国内外学者及工程人员在此方面开展了大量理论技术和仿真试验研究，并取得了一定进步，使得变压器保护误动、拒动的次数显著降低，如2009年我国220kV以上变压器差动保护正确动作率达到97.83％。尽管如此，变压器保护仍然处于一个相对较低的水平，因此，作为影响其动作性能的关键——快速可靠识别涌流与内部故障就显得尤为重要。
为了有效识别变压器复杂工况(包括变压器空载合闸时的励磁涌流、切除外部故障时的恢复性涌流及相邻变压器空投时在运变压器的和应涌流)和内部故障，近几十年来，国内外专家学者提出了许多识别方法，其中具有代表性的有：二次谐波制动原理、间断角原理、波形对称原理、基于磁通特性的识别方法、等值电路法识别原理、电压谐波制动原理、功率差动原理、参数辨识原理及新型技术原理等等。当前用于识别涌流和内部故障的方法(工程上多以二次谐波和波形对称原理为主)各有优劣，最终并没形成一种完善的方案，在一些复杂场景：如变压器空投于内部故障或发生严重区内故障、直流偏磁、铁芯具有某种程度饱和、干扰噪声等情况下，会造成变压器保护的误动或拒动。因此，对变压器励磁涌流的准确识别甚至预测进行研究变得十分有必要。
发明内容
为了能够准确识别变压器复杂工况，本发明提供了一种基于深度学习的变压器复杂工况识别方法，该方法包括以下步骤：
S1.获取原始样本数据，样本数据为涵盖现场各种工况的变压器录波数据，该数据可以为各种型号的变压器从投运以来所有的保护启动数据和保护动作录波数据。对应的工况包括但不限于：涌流、内部故障、混合类型。其中涌流包括变压器空载合闸时的励磁涌流、切除外部故障时的恢复性涌流及相邻变压器空投时在运变压器的和应涌流等；内部故障包括但不限于：单相短路、两相短路、相间短路、三相短路、匝间故障、匝地故障等；混合类型为变压器空投于各种内部故障、外部故障切除、空投于串/并联变压器等。
S2.将原始样本数据构建为有类标、无类标和测试数据的数据集，无类标的数据集为涵盖现场各种工况的录波数据，有类标的录波数据为少量经过专家确认具体工况类型的录波数据。
S3.按照设定时间窗口和步长对构建的数据集进行取窗分段，将窗内电压电流序列信号进行短时傅里叶变换，得到处理过的频谱数据，其中时间窗大小设定为50ms、时间步长为10ms、频率分辨率为10hz。
S4.将处理过的无类标数据集用深度堆栈网络进行预训练，获得网络状态达到平衡时的网络模型。
S5.复用预训练的网络模型构建循环神经网络，采用有类标的数据集进行循环神经网络的训练，其中循环神经网络为多对多循环网络，横向循环次数为8。
S6.采用测试数据集对循环神经网络进行性能测试，当测试精度低于设定阈值thresh_acc时，则转到步骤S4，在原来的基础上进行增量迭代训练，直到其测试精度优于设定阈值thresh_acc，获得优化后的循环神经网络，其中阈值thresh_acc设定为90％。
S7.在线识别阶段，接入连续电压、电流电气量时序数据，按照设定的时间窗和步长对电压、电流电气量时序数据进行取窗，并对窗内的数据进行短时傅里叶变换，转换为分段频谱数据。
S8.将上一步骤的分段频谱数据输入优化完成的循环神经网络，进行变压器复杂工况的并行识别。
本发明具有以下有益效果：基于现实中无法获取足够带有标签的样本数据的实际情况，从无标签的录波数据入手，采用深度学习方法结合少量带标签的样本数据，自动训练得到辨识模型，克服了以往人工设计特征提取算法、设定特征区间进行判定的主观性，也克服了当前基于机器学习和深度学习中过度依赖带标签的海量训练样本带来的实施方面的困难，同时采用大量无标签样本进行参数初始化抑制梯度弥散，采用循环网络可对复杂混合故障进行准确判断与精确定位，提高了变压器复杂工况辨识的鲁棒性和实用水平。
附图说明
图1为基于深度学习的变压器复杂工况识别原理图。
图2为构建的循环神经网络结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的描述。一种基于深度学习的变压器复杂工况识别方法，该变压器复杂工况识别方法主要包括以下步骤：
S1.获取原始样本数据，样本数据为涵盖现场各种工况的变压器录波数据，该数据可以为各种型号的变压器从投运以来所有的保护启动数据和保护动作录波数据。对应的工况包括但不限于：涌流、内部故障、混合类型。其中涌流包括变压器空载合闸时的励磁涌流、切除外部故障时的恢复性涌流及相邻变压器空投时在运变压器的和应涌流等；内部故障包括但不限于：单相短路、两相短路、相间短路、三相短路、匝间故障、匝地故障等；混合类型为变压器空投于各种内部故障、外部故障切除、空投于串/并联变压器等。
S2.将原始样本数据构建为有类标、无类标和测试数据的数据集，无类标的数据集为涵盖现场各种工况的录波数据，有类标的录波数据为少量经过专家确认具体工况类型的录波数据。有类标、无类标的训练数据及测试数据分别记为：
Figure BDA0001721454410000031
整个数据集大小为T1+T2+E。
S3.按照设定时间窗口和步长对原始录波进行取窗分段，将窗内电压电流序列信号进行短时傅里叶变换，得到处理过的频谱数据；
对原始电气量时间序列数据S进行加窗傅里叶变换：
P＝STFT(S,nfft,w,h,fs)
S为原始电气量时间序列数据，STFT对S进行加窗傅里叶变换，S的数据点数为T，nfft为傅立叶变换长度，w为选择窗口包含的数据点个数，h为窗口与窗口之间的数据点重叠个数，fs为录波原始采样率；
对S进行加窗傅里叶变换后的输出P为对原始信号分解后的矩阵，有N行M列，其中，N＝(T-w)/h，为窗口数；M＝nfft/2，为频率段数；
S4.将处理过的无类标数据用深度堆栈网络进行预训练，获得网络状态达到平衡时的网络模型，具体如下：
在特征学习阶段，具有L个隐层，每个隐层上节点的个数为node_numl(l＝1,2,...L)，每个隐层上的激活函数为σl(·)。在分类设计阶段，采用支持向量机、逻辑斯蒂等分类器进行精调。
特征学习阶段：
Figure BDA0001721454410000041
其中l＝1,2,...L.每一层的初始化自编码网络模型为：
Figure BDA0001721454410000042
其中权重Wl＝Wl a、偏置参数
Figure BDA0001721454410000043
激活函数
Figure BDA0001721454410000044
中的角标“a”和“s”分别表示参数为分析阶段和合成阶段的参数。
其优化目标函数为：
Figure BDA0001721454410000045
分类设计阶段。假设类别个数为K，那么：
Figure BDA0001721454410000046
带训练的参数为θk(k＝1,2,...K)。
利用无类标训练数据
Figure BDA0001721454410000047
得到此优化函数的优化求解后的参数Wl＝Wl a，
Figure BDA0001721454410000048
然后保留每一自编码层的分析阶段的参数：Wl a和和
Figure BDA0001721454410000049
舍弃合成阶段的参数：Wl s和
Figure BDA00017214544100000410
即利用自编码层的分析层构建深度学习网络进行精调学习。
在精调阶段，用有类标训练数据
Figure BDA00017214544100000411
进行训练学习。目标函数为：
Figure BDA00017214544100000412
其中损失函数由交叉熵构造：
Figure BDA00017214544100000413
其中δ(y(k)＝1)为示性函数，即y(k)＝1为1，否则为0，正则项约束选择为L2范数的平方：
Figure BDA0001721454410000051
S5.复用预训练的网络模型构建循环神经网络，采用有类标训练数据集进行循环神经网络的训练。
构建的循环神经网络如图2所示，网络的初始参数采用S4步骤所得的参数，另外在网络中间层新建立神经元链接，进而对于循环神经网络，其训练数据集为：
Figure BDA0001721454410000052
其中，T2为有类标训练数据集的个数，M为循环神经网络的循环次数。
其中中间层的网络模型发生改变，中间l层的输出变为：
Figure BDA0001721454410000054
目标函数变为：
Figure BDA0001721454410000055
其中正则项约束
Figure BDA0001721454410000056
损失函数变为：
Figure BDA0001721454410000057
其中
Figure BDA0001721454410000058
表示时序输入中第m个输入对应的输出，k同之前定义仍为第k类别。
S6.采用测试数据集
Figure BDA0001721454410000059
对深度神经网络进行性能测试，当测试精度低于设定阈值thresh_acc，则转到S4，在原来的基础上进行增量迭代训练，直到其测试精度优于设定阈值thresh_acc。
S7.在线识别阶段，接入连续电压、电流电气量时序数据，按照设定的时间窗和步长对电压、电流电气量时序数据进行取窗，并对窗内的数据进行短时傅里叶变换，转换为分段频谱数据[X1,X2,...XM]
S8.将上一步骤的分段频谱数据序列[X1,X2,...XM]输入训练完成的循环神经网络，实现对每一个窗口进行并行的工况识别和定位。
在步骤S3中，时间窗大小设定为50ms、时间步长为10ms、频率分辨率为10hz；
在步骤S5中，循环神经网络为多对多循环网络，横向循环次数为8。
在S6步骤中，阈值thresh_acc设定为90％。
结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了有助于更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的变压器复杂工况识别方法，其特征在于，所述变压器复杂工况识别方法包括以下步骤：
S1.获取原始样本数据，样本数据涵盖现场各种工况的变压器录波数据，该数据为各种型号的变压器从投运以来所有的保护启动数据和保护动作录波数据；
S2.将原始样本数据构建为有类标、无类标和测试数据的数据集，无类标的数据集为涵盖现场各种工况的录波数据，有类标的数据集为少量经过专家确认具体工况类型的录波数据；其中，有类标、无类标的训练数据及测试数据分别记为：
Figure FDA0002606213300000011
整个数据集大小为T1+T2+E；
S3.按照设定时间窗口和步长对构建的数据集进行取窗分段，将窗内电压电流序列信号进行短时傅里叶变换，得到处理过的频谱数据；
S4.对处理过的有类标和无类标数据集的频谱数据进行训练，获得循环神经网络；其中，在特征学习阶段，具有L个隐层，每个隐层上节点的个数为node_numl(l＝1,2,...L)，每个隐层上的激活函数为σl(·)，特征学习阶段：
Figure FDA0002606213300000012
其中l＝1,2,...L，每一层的初始化自编码网络模型为：
Figure FDA0002606213300000013
其中权重Wl＝Wl a、偏置参数
Figure FDA0002606213300000017
激活函数
Figure FDA0002606213300000014
中的角标“a”和“s”分别表示参数为分析阶段和合成阶段的参数；
利用无类标训练数据
Figure FDA0002606213300000015
得到优化求解后的参数，并用有类标训练数据
Figure FDA0002606213300000016
进行训练学习；
S5.对训练后的循环神经网络进行测试并优化；
S6.在线识别阶段，将现场数据输入优化完成后的循环神经网络，进行变压器复杂工况的识别和定位。
2.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S4具体包括：将处理过的无类标数据集进行预训练，获得网络状态达到平衡时的网络模型；复用预训练的网络模型构建循环神经网络，采用有类标的数据集进行循环神经网络的训练。
3.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S5具体包括：采用测试数据集对训练后的循环神经网络进行性能测试，当测试精度低于设定阈值thresh_acc时，则转到步骤S4，在原来的基础上进行增量迭代训练，直到其测试精度高于阈值thresh_acc，获得优化后的循环神经网络。
4.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S6具体包括：接入现场连续电压、电流电气量时序数据，按照设定的时间窗和步长对电压、电流电气量时序数据进行取窗，并对窗内的数据进行短时傅里叶变换，转换为分段频谱数据，将上述分段频谱数据，输入优化完成后的循环神经网络。
5.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S1中，对应的工况包括：涌流、内部故障、混合类型，其中涌流包括变压器空载合闸时的励磁涌流、切除外部故障时的恢复性涌流及相邻变压器空投时在运变压器的和应涌流；内部故障又包括单相短路、两相短路、相间短路、三相短路、匝间故障、匝地故障；混合类型为变压器空投于各种内部故障、外部故障切除、空投于串/并联变压器。
6.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S3中，时间窗大小设定为50ms、时间步长为10ms、频率分辨率为10hz。
7.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S4中，循环神经网络为多对多循环网络，横向循环次数为8。
8.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中阈值thresh_acc设定为90％。
CN201810763241.XA 2018-07-06 2018-07-06 一种基于深度学习的变压器复杂工况识别方法 Active CN108896857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810763241.XA CN108896857B (zh) 2018-07-06 2018-07-06 一种基于深度学习的变压器复杂工况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810763241.XA CN108896857B (zh) 2018-07-06 2018-07-06 一种基于深度学习的变压器复杂工况识别方法

Publications (2)

Publication Number Publication Date
CN108896857A CN108896857A (zh) 2018-11-27
CN108896857B true CN108896857B (zh) 2020-12-01

Family

ID=64349486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810763241.XA Active CN108896857B (zh) 2018-07-06 2018-07-06 一种基于深度学习的变压器复杂工况识别方法

Country Status (1)

Country Link
CN (1) CN108896857B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362437B (zh) * 2019-07-16 2023-07-07 张家港钛思科技有限公司 基于深度学习的嵌入式设备缺陷追踪的自动化方法
CN110687473B (zh) * 2019-09-27 2021-08-03 国网四川省电力公司电力科学研究院 一种智能变电站继电保护测试故障定位方法及系统
CN110909784B (zh) * 2019-11-15 2022-09-02 北京奇艺世纪科技有限公司 一种图像识别模型的训练方法、装置及电子设备
CN110824385B (zh) * 2019-11-22 2022-03-08 国网福建省电力有限公司 基于低频激励响应的变压器系统电流相量测试系统及方法
CN110974213A (zh) * 2019-12-20 2020-04-10 哈尔滨理工大学 基于深度堆栈网络的心电信号识别方法
CN114199785B (zh) * 2021-11-18 2023-09-26 国网浙江省电力有限公司诸暨市供电公司 基于gan数据增强的回音壁微腔传感方法
CN117009775A (zh) * 2023-09-28 2023-11-07 苏州元脑智能科技有限公司 模型训练数据获取方法、模型训练方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2431726A (en) * 2005-10-27 2007-05-02 Korea Electric Power Corp Identification of partial discharge using a neural network
CN104699772A (zh) * 2015-03-05 2015-06-10 孟海东 一种基于云计算的大数据文本分类方法
CN105425076A (zh) * 2015-12-11 2016-03-23 厦门理工学院 一种基于bp神经网络算法进行变压器故障识别的方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN107561352A (zh) * 2017-09-28 2018-01-09 山东科技大学 一种基于网格分形的变压器励磁涌流判别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2431726A (en) * 2005-10-27 2007-05-02 Korea Electric Power Corp Identification of partial discharge using a neural network
CN104699772A (zh) * 2015-03-05 2015-06-10 孟海东 一种基于云计算的大数据文本分类方法
CN105425076A (zh) * 2015-12-11 2016-03-23 厦门理工学院 一种基于bp神经网络算法进行变压器故障识别的方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN107561352A (zh) * 2017-09-28 2018-01-09 山东科技大学 一种基于网格分形的变压器励磁涌流判别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波神经网络的变压器励磁涌流和内部故障电流识别;王莉丽等;《继电器》;20030715;第31卷(第7期);第20-22页 *

Also Published As

Publication number Publication date
CN108896857A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108896857B (zh) 一种基于深度学习的变压器复杂工况识别方法
Wilson et al. Deep learning-aided cyber-attack detection in power transmission systems
CN109884459B (zh) 一种电力变压器绕组变形智能在线诊断定位方法
CN105046279B (zh) 一种模拟电路故障模式分类方法
CN110780146A (zh) 基于多阶段迁移学习的变压器故障辨识与定位诊断方法
CN107909118A (zh) 一种基于深度神经网络的配电网工况录波分类方法
CN106980073A (zh) 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法
CN106548013B (zh) 利用改进不完全s变换的电压暂降源识别方法
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
CN111679158A (zh) 基于同步量测数据相似度的配电网故障辨识方法
CN111639579B (zh) 一种基于红外图像的电力变压器套管智能油位识别方法
CN113159077A (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN110808580B (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
CN111553112A (zh) 一种基于深度置信网络的电力系统故障辨识方法及装置
CN106203382A (zh) 一种基于核函数极限学习机的励磁涌流和故障电流识别方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN108154223A (zh) 基于网络拓扑及长时序信息的配电网工况录波分类方法
CN104778348B (zh) 低压脱扣器的电压暂降动作特性建模方法
CN111478314A (zh) 一种电力系统暂态稳定评估方法
CN112200694A (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN107765065B (zh) 一种基于基波衰减因子的配电网励磁涌流识别方法
CN113219328A (zh) 一种基于信息融合的断路器操作机构故障智能诊断方法
CN111275204A (zh) 一种基于混合采样和集成学习的变压器状态识别方法
Parvin et al. A comprehensive inter-turn fault severity diagnosis method for permanent magnet synchronous motors based on transformer neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant