CN110514924B - 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 - Google Patents

Abstract

本发明公开了深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，包括1)将电力变压器等效为二端口网络，建立绕组等值电路，并计算其传递函数；2)对电路参数正常状态下的电路，在电力变压器绕组一端设置频率变化的正弦波激励源，获取正常状态下的各段绕组节点的幅频特性曲线；3)对各种故障状态下的电路进行扫频响应分析提取幅频特性，计算得到各段绕组节点的幅频特性；4)将获取的幅频特性建立特征矩阵；5)对待诊断的电力变压器进行扫频响应分析，形成特征矩阵；6)将特征矩阵转化为图像，并将仿真和历史检测数据作为训练集，故障类别与故障位置作为标签，输入深度卷积神经网络进行训练；7)对待诊断变压器进行故障分类定位。

Description

深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位 方法

技术领域

本发明涉及一种电力变压器故障诊断定位的方法，尤其是涉及深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法。

背景技术

变压器是电力系统中最重要的设备，其安全可靠运行至关重要。随着我国电网建设的不断发展，变压器运行环境越来越错综复杂，一旦其出现微小的故障都可能导致无法估量的损失。据国际大电网工作组的统计数据显示，变压器故障的因素中，绕组变形占30％，成为变压器故障最主要的因素。变压器绕组故障初期不会对设备运行造成明显的影响，但如果不及时处理可能导致严重后果。因此，国内外工程人员大量开展了针对变压器绕组故障检测工作的研究。其中FRA受到了很大关注，因为它是一种非侵入式测试，且对故障的发生非常敏感，即使很小参数的变化也可以显示在频率响应曲线上。

目前鲜有研究关注变压器绕组的故障分类，其故障定位方法的研究更几乎仍是空白。2018年由Sajad Bagheri等人建立了一个融合决策树与ANN的故障分类模型，以区分变压器绕组机械故障、内/外部故障和浪涌电流。重庆大学的邹林等人在2017年通过有限元仿真建立了变压器的绕组模型，研究了绕组不同变形情况下对参数的影响，并获得了对应的频率响应曲线。显然在实际检测过程中，不仅要识别故障的存在，还应当尽可能地为智能监控网络提供故障的位置信息。一种有效的故障定位方法是将不同节点的FRA仿真特征与监测响应曲线进行比较，根据计算结果与运行经验标定出故障类型。Hanif Tavakoli在他的博士学位论文中尝试引入更高的扫频频率(2MHz)以及一种结合FRA和TDR(时域反射技术)的新方法来加强对故障位置信息的特征提取。此外还有另一种FRA定位方法：MahdiKhanali等人在2017年提出通过人为设置变压器绕组的内部短路故障位置，并研究不同故障位置对其频率响应曲线的影响规律，从而获得不同故障类型的分类。但这些方法不仅需要对特定的变压器的不同故障状况进行测试，对于故障位置的趋势分析需要通过不确定的统计参数来定量计算，这严重限制了故障诊断方法的适用性。

基于深度学习的特征提取方法能够智能识别故障特征，通过多层卷积神经网络和监测样本不断进行训练，其准确度也不断提高。变压器FRA检测十分敏感，能够反映微小的参数变化。若采用统计参数来定量标识故障特征，可能存在较大的误差，而深度卷积神经网络的多层结构能够很好地克服这一问题。此外，将检测响应波形转化为特征图像，能够突出幅值变化特性，且便于针对卷积神经网络的输入特性进行调整。故障检测方法的深层次与智能化，是未来装备检测的发展趋势。

发明内容

为了克服上述背景技术中存在的缺陷，本发明提供一种故障定位准确性高且更加智能化的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法。

本发明提供的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，包括以下步骤：

1)将电力变压器等效为二端口网络，建立绕组等值电路，并计算其传递函数；

2)对电路参数正常状态下的绕组等值电路，在电力变压器绕组一端设置频率变化的正弦波激励源，获取正常状态下的各段绕组节点的幅频特性曲线；

3)对各种故障状态下，即不同元件参数有偏差情况下的电路进行扫频响应分析提取幅频特性，计算得到不同故障状态下的各段绕组节点的幅频特性；

4)将步骤2)和3)中获取的幅频特性以横坐标为频率变化量，纵坐标为扫频输入端至输出端的不同绕组节点序号，建立特征矩阵；

5)对待诊断的电力变压器进行扫频响应分析，获取幅频特性，并收集它的历史检测数据，按照步骤4)中的方法形成特征矩阵；

6)将步骤4)和步骤5)获得的特征矩阵转化为图像，并将仿真和历史检测数据作为训练集，故障类别与故障位置作为标签，输入深度卷积神经网络进行训练；

7)使用训练好的网络对待诊断变压器进行故障分类定位。

接上述技术方案，所述步骤1)中的计算传递函数的过程主要包括以下步骤：

①选取各匝绕组的首末节点电压V_i与电流I_i作为状态变量，C是匝间的电容值，L是匝间电感值，C_g为对地电容，对于第i个及相邻节点，运用基尔霍夫定律有：

②将步骤①扩展到所有节点，令T，Γ为变压器绕组参数矩阵，则有；

③令节点1为输入电压V₁，求传递函数时要将其提取出来，O为C去掉第1行的列向量，P为Γ对应的列向量，则有：

④简化得到：jωE·X＝AX+BV₁，其中

且

将其转换为频域，有

接上述技术方案，所述步骤2)-3)中变压器绕组等值电路的幅值响应特性计算过程为：

输入变压器的电路参数后，根据步骤④中的公式设置循环，首先计算得到参数正常状态下输入端电压频率从1变化到1MHz的传递函数值，而当故障状态变化时，电路幅值响应曲线是略微不同的，通过两层循环语句计算得到不同故障类型、不同故障位置的幅值响应。

接上述技术方案，所述步骤4)中建立特征矩阵的过程具体为：

根据输出端监测节点的位置进行编号，将第i号节点的幅频特性记作TF_i(ω)，故障类型根据实际情况定义，用下标m表示；故障位置为绕组不同节点位置，用下标n表示，则故障类型m故障位置n的特征矩阵为：

记正常状态下的特征矩阵为TF₀₀。

接上述技术方案，所述步骤6)中通过深度卷积神经网络对数据集进行训练，利用深度卷积神经网络模型学习数据特征；

通过最后的一个池化层后得到的特征图作为全连接层的输入，并将(故障类型m)×(故障位置n)+1替换为全连接层的输出总数(少数网络例如SqueezeNet的最后一层为卷积层，则将其替换为新的卷积层，新卷积层的filter数量等于诊断标签类别数)进行融合计算；

通过分类器进行故障的辨识，不同故障类别的标签即不同故障位置以及故障类型。

接上述技术方案，正弦波激励源的频率变化为1～1MHz。

接上述技术方案，故障包括纵向电容故障、纵向电感故障、对地电容异常等。实际操作中一般只要检测故障是否存在以及故障位置即可，可根据需要重点关注的故障类型设置故障标签。

接上述技术方案，在特征矩阵转化为图像后，根据网络训练要求对图像做包含添加噪声、切割变换、旋转、镜像、灰度的图像处理，以扩充待训练数据集。

接上述技术方案，对特征矩阵中的数值进行对数处理，若特征矩阵中的任意元素数值为x_k,，则处理后的数值为：

x’_k＝20log₁₀(x_k)。

接上述技术方案，步骤6)中将特征矩阵按照颜色条绘制成彩色图像，并统一大小。

使用本发明的有益效果：本发明采用深度卷积神经网络融合视觉辨识方法对电力变压器绕组故障特征进行提取和分类，可实现故障检测、故障类型辨识、以及故障分类的综合诊断。只要获取变压器的标准参数即可仿真各种故障状态，为诊断提供相应的数据支持，而其余参数能够在网络训练过程中智能优化。

此外，本发明对频率响应曲线的图像化表示能够突出特征，提高定位准确率且更加直观。

进一步地，图像的处理方法更加多样，通过添加噪声、切割变换、旋转、镜像、灰度等操作扩展数据集、优化训练的拟合度；利用位置信息的标签化，可将定位问题转化为分类问题，方便卷积神经网络进行故障诊断；结合迁移学习进行分布式的网络训练，仿真数据训练底层网络，检测响应数据进一步精细化训练，能够有效补偿实际运行条件下，变压器绕组扫频响应测试样本不足的问题。

附图说明

图1为本发明实施例深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位流程框图；

图2为本发明实施例的变压器绕组参数等效方法：

图3(a)为本发明的在正常运行状态下的变压器频率响应图像；

图3(b)为本发明的纵向电容C故障时的变压器绕组频率响应图(故障位置n＝6)；

图3(c)为本发明的对地电容C_g出现异常时的变压器绕组频率响应图(故障位置n＝6)；

图3(d)为本发明的纵向电感L故障时的变压器绕组频率响应图(故障位置n＝6)；

图4为本发明的变压器绕组故障诊断深度卷积神经网络训练与验证过程；

图5为本发明的随机验证数据的故障辨识与定位结果及其概率值。

具体实施方式

接下来结合附图与实施例对本发明作进一步说明。

本发明能够有效实现变压器绕组故障辨识及定位；克服传统扫频响应分析判断故障过于依赖专家经验且无统一标准的缺点；利用卷积神经网络进行智能分类能够简化应用难度，提高可靠性、适用性和定位准确率。本发明提出将检测波形转换为图像，并使用卷积神经网络进行故障诊断的电力视觉方法，能直观反映故障特征，使数据类型适合卷积神经网络的输入要求，输出结果方便观察校验。

如图1所示，本发明实施例深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法包括以下步骤：

1)将电力变压器等效为二端口网络，建立绕组等值电路模型，推导其传递函数；

2)对电路参数正常状态下的电路，在变压器绕组一端设置频率变化(1～1MHz)的正弦波激励源，获取各段绕组节点的幅频特性曲线；

3)对各种故障状态下，即不同元件参数有偏差情况下电路进行扫频响应分析提取幅频特性，计算得到各段绕组节点的幅频特性；

4)将2)-3)步获取的幅频特性以横坐标为频率变化量，纵坐标为扫频输入端至输出端的不同绕组节点序号，建立特征矩阵；

5)对待诊断的电力变压器进行扫频响应分析，获取幅频特性，并收集它的历史检测数据，按照步骤4)中的方法形成特征矩阵；

6)将步骤4)和步骤5)获得的特征矩阵转化为图像，并将仿真和历史检测数据作为训练集，故障类别与故障位置作为标签，输入深度卷积神经网络进行训练；

7)使用训练好的网络对待诊断变压器进行故障分类定位。

所述步骤1)中的计算传递函数的过程主要包括以下步骤：

①首先求解出变压器绕组的传递函数。选取各匝绕组的首末节点电压V_i与电流I_i作为状态变量。C是匝间的电容值，L是匝间电感值，C_g为对地电容。对于第i个及相邻节点，运用基尔霍夫定律有：

②将步骤①扩展到所有节点，令T，Γ为变压器绕组参数矩阵，则有；

③令节点1为输入电压V₁，求传递函数时要将其提取出来，O为C去掉第1行的列向量，P为Γ对应的列向量，则有：

④简化得到：jωE·X＝AX+B₁V，其中

且

将其转换为频域，有

设定初始参数：将变压器厂商提供的参数或正常运行状态下的实测参数作为初始值，计算得到初始的传递函数值；然后不断增加频率(一般取1到1MHz)，每次对频率参数更新后，计算该频率值下的传递函数；最终将所有频率下、所有监测点的传递函数值合并，形成初始状态的传递函数矩阵。

本发明中采取迁移学习的方法进行补偿。根据上述转移函数公式编写代码，变压器绕组FRA的频率响应曲线可通过仿真获得。首先使用仿真数据进行网络训练，在此基础上可以不断利用实际测量响应曲线在原本训练好的网络上精细化训练，从而通过迁移学习的方法不断提高准确性。

所述步骤2)-3)中变压器绕组等值电路的幅值响应特性可由matlab程序进行计算。输入变压器的电路参数后，与上述步骤1)中的方法相同，通过两层循环语句计算能够得到不同故障类型、不同故障位置的幅值响应。设置不同故障类型，不同故障位置，并相应的修改变压器绕组参数。每次循环更新频率参数为零，计算得到各个故障状态下输入端电压频率从1变化到1MHz的传递函数矩阵。若对诊断精度要求较高，对于同一故障位置和类型，进一步设置循环细分故障的大小。

所述步骤4)-5)中将检测波形转换为图像，并使用卷积神经网络进行特征提取、模式识别的故障诊断方法，其特征矩阵的建立方法及图像处理方法如下：首先根据输出端监测节点的位置进行编号，将第i号节点的幅频特性记作TF_i(ω)。故障类型根据实际情况定义，例如纵向电容故障、纵向电感故障、对地电容异常等，用下标m表示；故障位置为绕组不同节点位置，用下标n表示。则故障类型m故障位置n的特征矩阵为：

记正常状态下的特征矩阵为TF₀₀。为了提高故障特征的辨识度，将数值进行对数处理。设特征矩阵TF_mn的任意元素数值为x_k,，则处理后的数值为x_k’＝20log₁₀(x_k)。将该数值矩阵按照颜色条绘制成彩色图像，并统一大小为224×224×3。为了防止深度卷积神经网络训练过程中的过拟合问题，对监测图像数据集进行随机的添加噪声、切割变换、旋转、镜像、灰度等操作，从而扩充待训练数据集。监测传感器放置在绕组节点k上，k是TF_mn的部分行，即TF_{mn_k}表示TF_mn矩阵的第k行。在实际运用中根据传感器分布情况，使用该部分图像作为最终的训练测试数据集。

所述步骤6)中通过深度卷积神经网络对数据集进行训练。深度卷积神经网络具有较好的泛化能力，且能够自动调整优化参数，适合用于细微特征的提取问题，判断电力设备状态属于哪种故障类型。因此，将故障位置转化为故障标签，可以采用深度卷积神经网络来实现变压器绕组的故障辨识；利用卷积神经网络模型提取数据特征。通过最后的一个池化层后得到的特征图作为全连接层的输入，并将(故障类型m)×(故障位置n)+1替换为全连接层的输出总数(少数网络例如SqueezeNet的最后一层为卷积层，则将其替换为新的卷积层，新卷积层的filter数量等于诊断标签类别数)进行融合计算。最后通过分类器进行故障的辨识，不同故障类别的标签即不同故障位置以及故障类型，从而实现故障的检测与定位。

本发明的应用实施例如下所示：

首先按照图2所示的变压器绕组等效方法，将待诊断变压器的绕组部分平均分割为n块。在本实例中n＝7。根据待检测变压器的参数，建立了考虑互感、变压器油、铁芯以及高压套管的绕组模型，并根据步骤1)推导出其传递函数TF(ω)＝(jωE-A)^-1B。在实际测量绕组中，n块绕组同一参数数值的不均匀分布对整体频率响应的影响几乎没有，因此其正常状态可设置为相同值。计算得到变压器绕组正常状态下不同检测节点的频率响应，并根据步骤4)-5)建立特征矩阵以及图像处理方法表示出来，如图3(a)所示。

进一步设置故障参数以获取大量响应图像，构建底层学习信息数据集。此实施例设置以下三种故障类型：纵向电容C故障，相应电容值设置为原来的1.5倍；对地电容C_g故障，相应绕组的对地电容设置为原本的1.5倍，电感L故障，设置为1.2倍。根据测量，标准状态下的纵向电容值为C＝1089.8pF，对地电容C_g为76.18pF，纵向电感为L＝1043.6μH，输入输出电阻为50Ω。在实际使用中，根据具体情况设置故障类型和故障变化值进行仿真。设置故障变化值样本越多则分类效果越精确。选取部分响应样本如图3(a)(n＝6时的纵向电容C故障)、图3(b)(n＝6时的对地电容C_g故障)、图3(c)(n＝6时的纵向电容L故障)所示。

为了防止过拟合、补充数据集以便进行深度卷积神经网络的图像分类方法，需要进一步进行图像处理扩充数据集。因此，将原图像进行随机的添加噪声、切割变换、旋转、镜像、灰度等操作，保持变化后的标签不变。将所有处理后的图像与原始数据一起作为训练数据集加入深度卷积神经网络中，网络训练和验证过程如图4所示。可以看出，随着训练迭代次数的不断增加，定位的准确率不断提高，该方法能够正确区分故障的类别以及故障位置。随机选取10个验证图片，显示其故障分类以及故障定位结果，如图5所示，并显示属于该类型的概率值。最后，冻结部分网络参数，再使用实测数据以及相应标签进行训练，对深度卷积神经网络进行精调。

采用深度卷积神经网络对电力变压器绕组故障进行诊断时得到的网络训练曲线(参见图4)，网络经过440步迭代训练后达到收敛，且能够达到99.8％的故障分类与定位准确率。本应用实例中将分类与定位结果标注为两位数字标签。实际操作中一般只要检测故障是否存在以及故障位置即可，可根据需要重点关注的故障类型设置故障标签。将故障分类类别设置为：1表示纵向电容C故障，2表示对地电容Cg故障，3表示电感L故障，故障类别作为标签的第一位；故障位置所在的变压器绕组分段编号为1-7。例如，12表示2号绕组处的纵向电容出现异常，00表示运行在正常状态。通过图5随机选取的10张验证图片可以看出，本方案能够准确给出故障的类型以及故障的位置。最后，将待诊断变压器的实时监测数据输入该网络中进行验证，对于正常状态与故障状态都能够正确辨别。该方法难以对所有故障类型都进行模拟和训练，但对于未训练过的故障类型，其故障位置的识别准确率达到了90％。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，包括以下步骤：

1)将待诊断的电力变压器等效为二端口网络，建立绕组等值电路，并计算其传递函数；

2)对电路参数正常状态下的电路，在电力变压器绕组输入端设置频率变化的正弦波激励源，计算变化频率下的传递函数值，获取正常状态下的各段绕组节点的幅频特性曲线；

3)对各种故障状态下，不同元件参数有偏差情况下的电路进行扫频响应分析提取幅频特性，计算得到不同故障状态下的各段绕组节点的幅频特性；

4)将步骤2)和3)中获取的幅频特性以横坐标为频率变化量，纵坐标为扫频输入端至输出端的不同绕组节点序号，建立特征矩阵；

5)对待诊断的电力变压器进行扫频响应分析，获取幅频特性，并收集它的历史检测数据，按照步骤4)中的方法形成特征矩阵；

6)将步骤4)和步骤5)获得的特征矩阵转化为图像，并将仿真和历史检测数据作为训练集，故障类别与故障位置作为标签，输入深度卷积神经网络进行训练；

7)使用训练好的网络对待诊断变压器进行故障分类定位。

2.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，所述步骤1)中的计算传递函数的过程主要包括以下步骤：

①选取各匝绕组的首末节点电压V_i与电流I_i作为状态变量，C是匝间的电容值，L是匝间电感值，C_g为对地电容，对于第i个及相邻节点，运用基尔霍夫定律有：

②将步骤①扩展到所有节点，令T，Γ为变压器绕组参数矩阵，则有；

③令节点1为输入电压V₁，求传递函数时要将其提取出来，O为C去掉第1行的列向量，P为Γ对应的列向量，则有：

④简化得到：jωE·X＝AX+BV₁，其中

且

将其转换为频域，有

3.根据权利要求2所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，所述步骤2)-3)中变压器绕组等值电路的幅值响应特性计算过程为：

输入变压器的电路参数后，根据步骤④中的公式设置循环，首先计算得到参数正常状态下输入端电压频率从1Hz变化到1MHz的传递函数值，而当故障状态变化时，通过两层循环语句计算得到不同故障类型、不同故障位置的幅值响应。

4.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，所述步骤4)中建立特征矩阵的过程具体为：

根据输出端监测节点的位置进行编号，将第i号节点的幅频特性记作TF_i(ω)，故障类型根据实际情况定义，用下标m表示；故障位置为绕组不同节点位置，用下标n表示，则故障类型m故障位置n的特征矩阵为：

记正常状态下的特征矩阵为TF₀₀。

5.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，所述步骤6)中通过深度卷积神经网络对数据集进行训练，利用深度卷积神经网络学习数据特征；

通过最后的一个池化层后得到的特征图作为全连接层的输入，并将(故障类型m)×(故障位置n)+1替换为全连接层的输出总数进行融合计算；

通过分类器进行故障的辨识，不同故障类别的标签即不同故障位置以及故障类型。

6.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，正弦波激励源的频率变化为1～1MHz。

7.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，故障包括纵向电容故障、纵向电感故障、对地电容异常。

8.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，在特征矩阵转化为图像后，根据网络训练要求对图像做包含添加噪声、切割变换、旋转、镜像、灰度的图像处理，以扩充待训练数据集。

9.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，对特征矩阵中的数值进行对数处理，若特征矩阵中的任意元素数值为x_k,则处理后的数值为：

x_k’＝20log₁₀(x_k)。

10.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在于，步骤6)中将特征矩阵按照颜色条绘制成彩色图像，并统一大小。

Images