CN109829916A - 一种基于cnn的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于CNN的变压器故障诊断方法，包括以下步骤：步骤1，获取变压器的监测图像；步骤2，将所述监测图像输入CNN判断模型，获取所述监测图像为正常状态变压器的概率值；步骤3，判断所述概率值是否低于设置的概率阈值，若是，则判断所述变压器为故障状态。本发明通过利用深度神经网络对变压器的监测图像进行故障状态判断和诊断，降低了传统故障诊断的计算复杂度，能够有效提高了变电站内变压器故障识别诊断的效率以及诊断结果的精确度，并且具备较强的鲁棒性，可以处理不同变电站背景的监测图像。

Description

一种基于CNN的变压器故障诊断方法

技术领域

本发明涉及变电站关键设备诊断识别领域，具体涉及一种基于CNN的变压器故障诊断方法。

背景技术

为了实现变电站主要电力设备的智能化管理，保障电力系统安全可靠运行，电力公司加强了对电力设备运行监测方法和手段。但目前主要采用的仍然是人工分析的方式处理主要设备的各项问题，这种方式会导致大量人力资源的浪费，而且在很多情况下无法做到实时性。

卷积神经网络(Convolutional Neural Network,CNN)是深度学习技术中极具代表的网络结构之一。

发明内容

为解决上述背景技术中提出的问题，本发明提供一种基于CNN的变压器故障诊断方法，通过深度神经网络对监测图像中变压器状态进行判断，有效提高了变电站内变压器故障识别诊断的效率。

本发明提供的一种基于CNN的变压器故障诊断方法包括以下步骤：

步骤1，获取变压器的监测图像；步骤2，将所述监测图像输入CNN判断模型，获取所述监测图像为正常状态变压器的概率值；步骤3，判断所述概率值是否低于设置的概率阈值，若是，则判断所述变压器为故障状态。

作为一种可选方案，所述步骤3之后还包括：步骤4，获取所述监测图的故障特征，通过所述故障特征判断所述变压器的故障类型。

作为一种可选方案，所述步骤1之后步骤2之前还包括：步骤1a，对所述监测图像进行预处理，所述预处理包括图像噪声处理或/和图像增强处理或/和图像尺寸处理。

作为一种可选方案，所述方法还包括建立CNN模型训练图像库，通过所述图像库对所述CNN判断模型进行网络训练；所述图像库包括图像预处理后的正常图像和故障图像。

作为一种可选方案，所述CNN模型训练图像库的网络训练误差函数为：

其中n为总样本数，y为样本标签，a为输入样本通过CNN模型后得到的输出。λ取值范围为0到1，Loss值为1代表正常样本，为0则代表故障样本。

作为一种可选方案，所述通过所述故障特征判断所述变压器的故障类型具体为：通过模拟K均值聚类算法的聚类过程获取各类故障的故障特征中心，通过计算故障特征到故障特征中心之间的距离判断所述变压器的故障类型。

作为一种可选方案，所述CNN判断模型包括多个卷积神经层和多个全连接层，所述故障特征选用CNN判断模型中的全连接层的输出值。

作为一种可选方案，所述通过模拟K均值聚类算法的聚类过程建立各类故障的故障特征中心具体为：计算每个特征到同类别其他特征的欧氏距离：

其中C_i代表特征F_i所在的故障类别，F_j表示与特征F_i属于同一故障类别的图像CNN特征，D_i则为特征F_i与同类其他故障特征之间的距离之和；

Euclidean为：

其中V₁ ^(p)代表向量V₁的第p个元素；

对应故障的故障特征中心为：

作为一种可选方案，所述概率阈值为0.8。

作为一种可选方案，所述故障特征包括导流回路过热，导磁回路过热和散热系统故障。

作为一种可选方案，所述监测图像为红外图像。

本发明的优点在于：本发明提供的一种基于CNN的变压器故障诊断方法，通过利用深度神经网络对变压器的监测图像进行故障状态判断和诊断，降低了传统故障诊断的计算复杂度，能够有效提高了变电站内变压器故障识别诊断的效率以及诊断结果的精确度，并且具备较强的鲁棒性，可以处理不同变电站背景的监测图像。

附图说明

图1为本发明实施例提供的一种基于CNN的变压器红外图像故障诊断方法框架图；

图2为本发明实施例提供的一种基于CNN的变压器红外图像故障诊断方法的另一框架图；

图3为本发明实施例提供的特征聚类过程。

具体实施方式

下面参照附图并结合具体的实施例，对本发明作进一步的详细说明。

请参照图1至3，本发明实施例提供一种基于CNN的变压器红外图像故障诊断方法，该方法包括

步骤1，获取变压器的监测图像；

步骤2，将所述监测图像输入CNN判断模型，获取所述监测图像为正常状态变压器的概率值；

步骤3，判断所述概率值是否低于设置的概率阈值，若是，则判断所述变压器为故障状态。

在此之前，需要对对所述监测图像进行预处理，此外，为了建立能自动对变压器红外监测图像进行诊断的模型，本方法在初始阶段需要构建完整统一的图像库，由于待处理对象均为变压器红外监测图像，所以数据均存在细节模糊和噪声大的问题。因此需先针对采集到红外图像进行去噪和增强，同时，为了统一图像的规模、方便深度神经网络模型的读取，还需要对采集图像进行尺寸放缩处理。最后对上述预处理后的红外监测图像按照故障与正常状态进行分类，便获得了相应的模型训练图像库。

可选的，所述方法还包括建立CNN模型训练图像库，通过所述图像库对所述CNN判断模型进行迭代训练；所述图像库包括图像预处理后的正常图像和故障图像。

本实施例构建一个深度CNN模型从而完成对监测图像的故障判断，而在建立模型的过程中，首先需要初始化一个深度CNN结构。本方法中的判断模型由6个卷积层、5个池化层和3个全连接层组成，且最后的输出层只输出一个数值，也即该模型接收监测图像为输入并输出该图像为正常状态的概率值。模型初始化完成之后，便利用训练图像库完成对该CNN模型的迭代训练，最终训练完成的模型将具备判断输入监测红外图像的状态的能力。

在CNN判断网络训练的过程中，由于训练图像库中的故障状态图像样本数量远小于正常状态的样本数量，为了使最终的CNN判断模型能正常判断故障状态的监测图像，本方法提出在设置网络的训练误差时采取加权的方法，即将本方法的网络训练误差函数：

其中n为总样本数，y为某个样本的标签，它的值为1代表正常样本，为0则代表故障样本，a为输入样本通过CNN模型后得到的输出。为了增加故障样本在损失函数中的比重，使模型参数在调整的过程中对于正常和故障状态的监测图像敏感度保持一致，本模型的损失函数在原交叉熵中故障样本误差上加入放缩系数λ，这个系数的取值范围为0到1之间。当输入样本为故障样本时，网络在这个样本上面的损失为-λ*log(1-a)，由于放缩系数λ为0到1之间的数，所以该损失的值会变大。

CNN模型训练完成之后，需要确定不同故障状态下的代表特征，因此应该选取最合适的监控图像低维特征。由于上述判断CNN模型为多个卷积神经层和全连接层搭建而成，其中卷积神经层的输出特征为二维多通道特征并保存了部分像素点位置相关信息。而全连接层的输出特征为一维单通道特征，它不仅确保深度网络将监测图像由原本的像素空间降维到了更低维空间，从而使得欧氏距离更能准确反映数据之间的相似度，还代表了监控图像语义层面上的意义。因此，监测图像的故障特征将选用CNN模型中的最后一个全连接层的输出值，也即每幅监测图像对应一个一维特征。

由于CNN模型在判断监测图像状态的过程中，首先会提取监测图像的各项特征，然后根据该特征计算图像中变压器为正常状态的概率，因此可直接提取CNN网络的中间层输出作为故障特征。而在计算确定每种过热故障的特征中心时，需要按照以下公式计算每个特征到同类别其他特征的欧氏距离：

其中C_i代表特征F_i所在的故障类别，F_j表示与特征F_i属于同一故障类别的图像CNN特征，D_i则为特征F_i与同类其他故障特征之间的距离之和。公式中函数Euclidean的表达式表示为：

上述公式中V₁ ^(p)代表向量V₁的第p个元素，在获得了同一类故障特征中每个特征对应的D_i值之和之后，可根据以下公式计算该故障类别的故障特征中心：

最后，为了对变压器监测图像进行智能化诊断，本方法将模拟K均值聚类算法的聚类过程选取各类过热故障的特征中心，从而以该特征中心作为该类故障的代表特征，以便后续处理待测图像时可直接进行对比分类。

根据上述步骤得到训练完成的CNN状态判断模型和故障特征中心之后，便可以直接用于处理诊断待诊断监测图像。处理过程是：首先将待处理监测红外图像通过上述相同的方法进行预处理，然后将该图像输入已训练好的CNN判断模型中，并输出该检测图像为正常状态变压器的概率，由于实际监测图像采集过程中的故障监测图像较少，这就导致训练图像库并不完备，虽然训练CNN判断模型时加大了故障样本的训练误差比重，但是网络对故障的红外监测图像的识别能力仍然较差。为了尽可能增强CNN模型对故障监测图像的识别敏感度，本方法设置的概率阈值为0.8，当CNN识别输出的概率值低于该阈值则认为监测中的变压器出现了故障。测试图像若为故障状态，则提取其在CNN模型的一维特征，然后再根据如图3所示的聚类处理方式。聚类过程中首先计算出测试监测图像故障特征与3个故障特征中心之间的欧氏距离，然后搜索其中最小的距离，并将该监测图像分类为该类型故障问题并输出诊断结果。

本实施例通过采集已有的变压器红外监测图像，并对所有图像进行去噪、增强和尺寸放缩等预处理；将采集图像按照正常与故障两种状态进行分类形成图像库，并利用该图像库训练状态识别网络CNN，使之具备智能判断变压器是否故障的能力；然后将故障变压器的红外检测图像按照导流回路过热，导磁回路过热和散热系统故障分为3类，并且分别选取这三类图像的特征中心作为该类型故障特征代表；最后利用CNN模型测试待诊断变压器红外监测图像，若判断为故障状态，则计算该图像的CNN特征到上述3类特征中心的距离并根据最小距离进行分类，降低了传统故障诊断的计算复杂度，能够有效提高了变电站内变压器故障识别诊断的效率以及诊断结果的精确度，并且具备较强的鲁棒性，可以处理不同变电站背景的监测图像。

本发明实施例提供的上述技术方案及附图，用于对本发明的进一步说明而非限制，另外应当说明的是，本领域普通技术人员应当知晓，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (11)

1.一种基于CNN的变压器故障诊断方法，其特征在于，所述诊断方法包括以下步骤：

步骤1，获取变压器的监测图像；

步骤2，将所述监测图像输入CNN判断模型，获取所述监测图像为正常状态变压器的概率值；

步骤3，判断所述概率值是否低于设置的概率阈值，若是，则判断所述变压器为故障状态。

2.根据权利要求1所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述步骤3之后还包括：

步骤4，获取所述监测图的故障特征，通过所述故障特征判断所述变压器的故障类型。

3.根据权利要求2所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述步骤1之后步骤2之前还包括：

步骤1a，对所述监测图像进行预处理，所述预处理包括图像噪声处理或/和图像增强处理或/和图像尺寸处理。

4.根据权利要求3所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述方法还包括建立CNN模型训练图像库，通过所述图像库对所述CNN判断模型进行网络训练；

所述图像库包括图像预处理后的正常图像和故障图像。

5.根据权利要求4所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述CNN模型训练图像库的网络训练误差函数为：

其中n为总样本数，y为样本标签，a为输入样本通过CNN模型后得到的输出；λ取值范围为0到1，Loss值为1代表正常样本，为0则代表故障样本。

6.根据权利要求2所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述通过所述故障特征判断所述变压器的故障类型具体为：

通过模拟K均值聚类算法的聚类过程获取各类故障的故障特征中心，通过计算故障特征到故障特征中心之间的距离判断所述变压器的故障类型。

7.根据权利要求6所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述CNN判断模型包括多个卷积神经层和多个全连接层，所述故障特征选用CNN判断模型中的全连接层的输出值。

8.根据权利要求7所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述通过模拟K均值聚类算法的聚类过程建立各类故障的故障特征中心具体为：

计算每个特征到同类别其他特征的欧氏距离：

其中C_i代表特征F_i所在的故障类别，F_j表示与特征F_i属于同一故障类别的图像CNN特征，D_i则为特征F_i与同类其他故障特征之间的距离之和；Euclidean为：

其中V₁ ^(p)代表向量V₁的第p个元素；

对应故障的故障特征中心为：

9.根据权利要求1至8任一项所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述概率阈值为0.8。

10.根据权利要求2至8任一项所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述故障特征包括导流回路过热，导磁回路过热和散热系统故障。

11.根据权利要求1至8任一项所述的一种基于CNN的变压器故障诊断方法，其特征在于，所述监测图像为红外图像。