CN110780146A - 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 - Google Patents

Abstract

本发明公开了一种基于多阶段迁移学习理论的变压器故障辨识与定位诊断方法。首先设置仿真，计算待测变压器的绕组参数，从而建立绕组等效电路。针对等效电路设置不同的故障，仿真获取大量样本数据集。然后对待测变压器进行扫频响应测试，获取检测数据集。利用迁移学习方法，仿真数据集进行初步网络训练，检测数据集在此基础上进一步训练。最后将经过诊断获取的故障支持度矩阵进行融合。本发明提出了多阶段迁移学习理论，并运用其二阶段迁移学习的特殊情形，将CNN强大的图像特征提取能力引入到数据量匮乏的变压器故障诊断领域。通过公共数据、仿真数据和少量实验数据的递进关系，完成深度学习的网络训练，可以帮助实现极少量数据集训练达到较高诊断精度的目标。

Description

基于多阶段迁移学习的变压器故障辨识与定位诊断方法

技术领域

本发明涉及一种电力变压器故障诊断方法，尤其是涉及基于迁移学习和深度卷积神经网络的变压器绕组扫频响应测试数据的故障诊断方法。

背景技术

电力设备将不断朝着智能化、高集成度的方向不断发展，其故障诊断方法的先进性和设备间的关联性问题愈加重要。电力变压器等关键输变电设备的故障诊断是电力系统安全、经济运行的重要保障。绕组故障占变压器故障的主要比例，且频率响应分析(Frequency Response Analysis,FRA)对于故障诊断的灵敏度较高，对其特征提取方法的深入研究具有重要的现实意义。

深度学习能够实现异常状态的自动甄别和快速处理，是未来故障诊断邻域的发展趋势。深度卷积神经网络(Convolutional Neural Network,CNN)在图像处理领域表现出极大的优势，能够提取深层次特征，处理大量非结构化数据。但变压器等电力设备具有较高可靠性，缺陷或故障属于小概率事件，设备异常的数据稀少，而卷积神经网络(CNN)等深度学习方法均需要大量训练数据，有效异常数据的缺失严重限制了其在变压器故障诊断中的应用。迁移学习能够从现有域中获得知识特征，然后将其运用到目标域。而电力设备的仿真数据正是一个易获取、数量大的重要参考，它在电力设备的深度学习训练中能够起到过渡作用。

发明内容

本发明提出一种多阶段迁移学习的智能故障诊断方法，其目的是为提高变压器等电力设备故障诊断方法的智能化程度或准确率，补偿电力设备故障数据量少、难以进行深度学习训练的问题。

为达上述发明目的，本发明所采用的技术方案是：

提供一种基于多阶段迁移学习的变压器故障辨识与定位诊断方法，包括以下步骤：

1)根据待测变压器的结构和材料特性构建有限元模型，仿真计算其绕组参数；

2)对待测变压器进行扫频响应测试，模拟变压器的不同故障情形；如果存在多个抽头，则选取多个抽头作为扫频响应测试的检测点，获取包含多检测点信息的检测数据集；如果有该待测变压器的历史检测数据，将其加入到检测数据集中；

3)建立变压器的绕组等效电路，将计算得到的绕组参数输入等效电路中，编写程序实现对该等效电路的扫频响应分析；

4)在程序中设置循环，针对2)中的检测点与故障情形，仿真获取大量的仿真数据集；

5)搭建二阶段迁移学习的卷积神经网络，对仿真数据集和检测数据集分别各自划分训练集和验证集，并对所有数据进行数据增强；

6)利用迁移学习方法，对仿真数据集进行初步网络训练；

7)保留一阶段训练好的网络，将检测数据集在此基础上进行多阶段训练；

8)用训练好的网络对待测变压器进行诊断，对于包含多检测点信息的检测数据集，最后将经过网络诊断获取的故障支持度矩阵进行融合。

接上述技术方案，步骤1)中的变压器结构包括待测变压器的轴向高度、绕组厚度、绕组径向宽度、铁芯厚度、铁芯外径、绕组内径、绝缘纸外径、端圈厚度、垫块厚度、撑条厚度；变压器的材料特性包括绝缘纸、垫块、撑条、端圈、酚醛纸筒的相对介电常数；仿真获取变压器参数主要针对正常状况；取3D模型中的1饼计算电阻、自感；取2饼计算互感和电容；取铁芯和一饼绕组计算对地电容Cg；取3饼绕组计算2阶的互感，在等效电路中，近似等效每阶的绕组参数相同。

接上述技术方案，步骤2)中模拟不同故障情形的方法为：在不同绕组间或绕组与铁芯间增加垫块，模拟绕组间距故障、绕组接地故障；如果存在多个抽头，则将抽头并联电阻、电容或电感模拟故障；对于多个抽头的情形，选取多个抽头作为扫频响应测试的检测点，获取包含多检测点信息的检测数据集。

接上述技术方案，步骤3)中的变压器的绕组等效电路为N阶的集总参数等效电路，将步骤1)中计算获得的电路参数：接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R代入等效电路中，通过程序实现扫频响应分析。

接上述技术方案，步骤4)中获取仿真样本集的过程为：在正常状态值的基础上，设置循环，根据检测内容选取等效电路的参数接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R，令其为正常值的1-2倍；循环步长和异常参数的选择根据数据集的数量要求和需要检测的故障类型而定。

接上述技术方案，步骤5)中基于多阶段迁移学习原理构建卷积神经网络为二阶段迁移学习时，具体步骤如下：

1)将公共数据集记为D₁，仿真数据集为D₂(第一阶段迁移的时候是目标域，第二阶段则作为源域之一)，检测数据为D₃(第二阶段作为目标域)。因此，对于第一阶段的迁移学习有：

Source:

Target:

X_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn1}∈χ_ξ|_ξ＝1，2；

Y_ξ＝{y_ξ1,…,y_ξn2}_ξ＝1，2；

其中定源域D_S、源域上的学习任务T_S；目标域D_T、目标域上的学习任务T_T。其中D_S≠D_T、T_S≠T_T，χ表示特征空间，P(X)表示边界概率分布，X＝{x₁，…，x_n1}∈χ；Y表示标记空间，Y＝{y₁，…，y_n2}，n1表示特征空间大小，n2表示标记空间大小，n1＝n2＝n；预测函数f(·)无法观测，且域和标签必须成对学习；D₁＞＞D₂，D₁不相似于D₂；第一阶段的迁移学习由D1迁移到D2，冻结预训练模型的靠近输入端的部分卷积层，训练剩下的靠近输出端的卷积层和全连接层；

2)对于第二阶段的迁移过程，有：

Source:

Target:

X_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn}∈χ_ξ|_ξ＝1∪2,3；

Y_ξ＝{y_ξ1,…,y_ξn}|_ξ＝1∪2,3；

其中下标ξ＝“1∪2”表示第一次迁移之后新的域/任务/特征空间/标记空间/概率分布/预测函数；且有D_1∪2＞D₃，D_1∪2∽D₃；第二阶段的迁移学习由D_1∪2迁移到D₃，冻结上一步迁移获得的网络模型的大部分卷积层，训练剩下的卷积层和全连接层。

接上述技术方案，步骤5)中采取数据增强方法扩充数据集，其具体处理包括以下类别：颜色变换*6倍、添加随机的噪声*5倍、缩放*4倍、翻转*1倍、旋转*3倍、裁剪*5倍。

接上述技术方案，步骤6)-7)中的网络训练过程需将仿真数据集与检测数据集都各自划分为测试集和验证集，依次输入到二阶段卷积神经网络中的第一阶段与第二阶段迁移过程进行训练验证；测试集和验证集的划分比例根据实际需要决定；第一阶段输入仿真数据集的测试集和验证集，第二阶段输入检测数据集的测试集和验证集；逐步更新网络参数，最终得到训练好的网络诊断模型。

接上述技术方案，步骤8)中的多检测点诊断信息融合方法采用包括证据理论的多源信息融合算法来综合多检测点的诊断结果。

本发明还提供了一种计算机存储介质，其内存储有上述技术方案中的基于二阶段迁移学习的变压器故障辨识与定位诊断方法。

本发明产生的有益效果是：通过多阶段迁移学习，充分挖掘电力设备仿真数据信息，减少对设备测试数据的需求，充分利用电力设备仿真数据。在极少量测试数据的情形下，提高诊断准确率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的基于二阶段迁移学习进行故障诊断的流程图；

图2为本发明的仿真数据集获取方法示意图；

图3为本发明的检测数据集获取方法示意图；

图4为本发明的基于二阶段迁移诊断的验证准确率；

图5为本发明的诊断数据集基于普通卷积网络训练方法的验证效果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明不仅适用于变压器绕组扫频响应分析的故障诊断方法，还可以推广至其他诊断领域。

本发明利用迁移学习方法，综合考虑不同数据集的特征所具备的递进关系，在公共数据集预训练网络的基础上，将仿真数据集用于初步网络训练，再利用检测数据集进一步训练网络。对于多检测点的诊断情形，将经过诊断获取的故障支持度进行融合，从而提高准确率。

流程图如图1所示，以二阶段迁移诊断为例，本发明实施例基于二阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，包括以下步骤：

S1、根据待测变压器的结构和材料特性构建有限元模型，设置仿真计算其绕组参数；

S2、对待测变压器进行扫频响应测试，通过绕组并联电感电容等模拟不同故障情形。如果存在多个抽头，则选取多个扫频响应测试的检测点，获取包含多检测点信息的检测数据集。如果有该设备历史检测数据，可以加入到检测数据集中；

S3、建立变压器的绕组等效电路，将计算得到的绕组参数输入等效电路中，编写程序实现对该等效电路的扫频响应分析；

S4、在程序中设置循环，根据S2中的测试与故障情形，仿真获取大量的仿真数据集；

S5、搭建二阶段迁移学习的卷积神经网络。对仿真数据集和检测数据集分别各自划分为训练集和验证集，并对所有数据进行数据增强处理；

S6、利用迁移学习方法，对仿真数据集进行初步网络训练；

S7、保留一阶段训练好的网络，用检测数据集在此基础上进行第二步训练。

S8、用训练好的网络对待测变压器进行诊断。对于包含多检测点信息的检测数据集，最后将经过网络诊断获取的故障支持度矩阵进行融合。

进一步地，步骤S1中的变压器结构包括待测变压器的轴向高度、绕组厚度、绕组径向宽度、铁芯厚度、铁芯外径、绕组内径、绝缘纸外径、端圈厚度、垫块厚度、撑条厚度等。变压器的材料特性包括绝缘纸、垫块、撑条、端圈、酚醛纸筒等的相对介电常数。仿真获取变压器参数主要针对正常状况。取3D模型中的1饼计算电阻、自感；取2饼计算互感和电容；取铁芯和一饼绕组计算对地电容Cg；取3饼绕组计算2阶的互感，在等效电路中，近似等效每阶的绕组参数相同。

进一步地，步骤S2中模拟不同故障情形的方法为：在不同绕组间或绕组与铁芯间增加垫块，模拟绕组间距故障、绕组接地故障；如果存在多个抽头，则将抽头并联电阻、电容或电感等模拟故障。对于多个抽头的情形，可以选取多个抽头作为扫频响应测试的检测点，获取包含多检测点信息的检测数据集。

进一步地，步骤S3中的变压器的绕组等效电路为N阶的集总参数等效电路，将步骤1)中计算获得的电路参数：接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R等代入等效电路中，通过程序实现扫频响应分析。

进一步地，步骤S4中获取仿真样本集的过程为：在正常状态值的基础上，设置循环，根据检测内容选取等效电路的参数C_g、C_s、L_s、M_i(i+1)、R等，令其为正常值的1-2倍。循环步长和异常参数的选择根据数据集的数量要求和需要检测的故障类型而定。

本发明的多阶段迁移学习模型的原理如下：

首先给定源域D_S、源域上的学习任务T_S；目标域D_T、目标域上的学习任务T_T。其中D_S≠D_T、T_S≠T_T，有：

D＝{χ,P(X)}；

T＝{Y,f(·)}；

其中χ表示特征空间(Feature space)，P(X)表示边界概率分布(Marginalprobability distribution)，有X＝{x₁，…，x_n}∈χ；Y表示标记空间(label space)，有Y＝{y₁，…，y_n}，预测函数f(·)无法观测，且域和标签必须成对学习。

对于有多步迁移学习的情况，令数据集为D_ξ，ξ表示不同的数据集，ξ≥3。

则有：

whereX_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn}∈χ_ξ；

Y_ξ＝{y_ξ1,…,y_ξn}；

进一步地，步骤S5中基于二阶段迁移学习原理构建卷积神经网络时，前面的层能够提取一般特征，与目标关系不大。后面的层则提取特定特征，只需针对该部分层参数训练数据集即可。其具体步骤如下所示：

1)将公共数据集记为D₁，仿真数据集为D₂(第一阶段迁移的时候是目标域，第二阶段则作为源域之一)，检测数据为D₃(第二阶段作为目标域)。因此，对于第一阶段的迁移学习有：

Source:

Target:

X_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn1}∈χ_ξ|_ξ＝1，2；

Y_ξ＝{y_ξ1,…,y_ξn2}|_ξ＝1，2；

其中，源域D_S、源域上的学习任务T_S；目标域D_T、目标域上的学习任务T_T。其中D_S≠D_T、T_S≠T_T，χ表示特征空间，P(X)表示边界概率分布，X＝{x₁，…，x_n1}∈χ；Y表示标记空间，Y＝{y₁，…，y_n2}，n1表示特征空间大小，n2表示标记空间大小，一般有n1＝n2＝n；预测函数f(·)无法观测，且域和标签必须成对学习；其中D₁＞＞D₂，D₁不相似于D₂。因此，第一阶段的迁移学习由D1迁移到D2，冻结预训练模型的部分卷积层(靠近输入端)，训练剩下的卷积层(靠近输出端)和全连接层。

2)对于第二阶段的迁移过程，有：

Source:

Target:

X_ξ＝{χ_ξ1,χξ₂,…,χ_ξn}∈χ_ξ|_ξ＝1∪2,3；

Y_ξ＝{y_ξ1,…,y_ξn}|_ξ＝1∪2,3；

其中下标ξ＝“1∪2”表示第一次迁移之后新的域/任务/特征空间/标记空间/概率分布/预测函数等。且有D_1∪2＞D₃，D_1∪2∽D₃。因此，第二阶段的迁移学习由D_1∪2迁移到D₃，冻结第1)步迁移获得的网络模型的大部分卷积层(靠近输入端)，训练剩下的卷积层(靠近输出端)和全连接层。

进一步地，步骤S5中可采取数据增强方法扩充数据集，防止训练过程中的过拟合。其具体处理包括以下类别：颜色变换*6倍(灰度+5种随机RGB通道叠加)、添加随机的噪声*5倍、缩放*4倍(0.8,0.9,1.1,1.2倍)、翻转*1倍、旋转*3倍(90°,180°,270°度)、裁剪*5倍。

进一步地，步骤S6、S7中的网络训练过程需将仿真数据集与检测数据集都各自划分为测试集和验证集，依次输入到二阶段卷积神经网络中的第一阶段与第二阶段迁移过程进行训练验证。测试集和验证集的划分比例根据实际需要决定。第一阶段输入仿真数据集的测试集和验证集，第二阶段输入检测数据集的测试集和验证集。逐步更新网络参数，最终得到训练好的网络诊断模型。

进一步地，步骤S8中的多检测点诊断信息融合方法可采用证据理论等多源信息融合算法来综合多检测点的诊断结果，显著提高诊断准确率。

本发明的一个优选实施例中，具体的实施步骤如下：

根据待诊断变压器的结构参数和材料特性，建立3D有限元模型，如图2所示。取3D模型中的1饼计算电阻、自感；取2饼计算互感和电容；取铁芯和一饼绕组计算对地电容C_g；取3饼绕组计算2阶的互感(如等效电路中的图中M₁₃)。通过仿真获取待诊断变压器正常状态下的主要参数。

然后对待测变压器进行扫频响应测试，记录FRA的波形，方法示意图如图3所示。通过绕组并联电感、并联电容、绕组间增加垫块等方式模拟不同的故障情形。如果只需要判断是否有故障，则将标签设置为“有”和“无”两个；如果需要进行故障类型判断、故障位置诊断等，则需要设置多个标签。例如：将测故障类型j和故障区域i合并写做‘ji’，作为相应的标签H_γ，并记正常状态下的标签为‘00’，即：H_γ＝{00,11,12,…,ji}，(γ＝1,2,…,l)，l为标签总数。当存在多个抽头时，则选取多个扫频响应测试的检测点，获取包含多检测点信息的测试数据集。本实施例共设置3个检测点e_k(检测点k＝A,B,C)，3种故障类型j(j＝1,2,3)和7个故障区域i(i＝1,2,…,7)，其中故障类型j＝{1(饼间间距)，2(饼间短路)，3(变形)}，故障区域的划分方式为将变压器绕组平均分为7个部分，从扫频信号输入端到输出端分别为第1至第7部分。对于绕组饼间间距故障(绕组为很多匝包起来作为一饼，很多饼组合成完整的线圈)，通过在两饼绕组间并联电容进行模拟；对于绕组饼间短路故障，则通过导线将对应螺母相连模拟；对于绕组变型故障，则通过并联电容和电感进行模拟。对每种故障类型设置不同的故障程度，分别进行扫频响应测试，得到检测数据集。

步骤S3中的变压器的绕组等效电路为N阶的集总参数等效电路，将步骤1)中计算获得的电路参数：接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R等代入等效电路中，通过程序实现扫频响应分析。

在确定了检测数据集的故障特征、故障区域等信息之后，需要进行大量仿真以便获取仿真数据集。将仿真获得的正常状态下等效电路参数代入到绕组等效电路中，通过matlab编写程序，针对检测数据集所模拟的故障类型与故障区域，设置循环实现对该等效电路在不同故障程度/不同故障位置/不同故障类型下的扫频响应分析，从而获取仿真数据集。

然后采取数据增强方法扩充数据集(包括仿真数据集和检测数据集)，防止训练过程中的过拟合。具体的数据集类别和数量如表1所示。本发明实施例的变压器仿真数据集包含11000组数据，检测样本集则包括2200组数据。将仿真数据集的80％(8800)用于训练，20％(2200)用于测试，测试集和训练集的比例可以根据需要进行设置；检测数据集的5％(110)用于训练，95％(2090)用于测试。用于训练各种CNN的变压器监测图像数据集见表1。可以看出，检测数据集数量是极其稀少的，本实施例中仅使用了110个进行训练。具体类别包括：颜色变换*6(灰度+5种随机RGB通道叠加)、旋转*3(90°,180°,270°度)、缩放*4(0.8,0.9,1.1,1.2倍)、镜像翻转*1、裁剪*5、添加随机的噪声*5。

表1用于二阶段迁移学习诊断的数据集

注：表中不同标签数据量相同，故标签“11/21/31”的数量为标签“00”的三倍。

接下来搭建二阶段迁移学习的卷积神经网络：通过公共数据集预训练网络，掌握底层特征；然后利用迁移学习方法，对仿真数据集进行初步网络训练，获取待测变压器特定特征，即第一阶段迁移学习过程；利用检测数据集进行精细化训练，即第二阶段迁移学习过程。最后用训练好的网络对待测变压器进行诊断，即可实现二阶段迁移的变压器绕组故障辨识定位。

本实施例中，检测数据集的验证准确率即等于诊断的效果，其训练过程中的验证准确率如图4所示。将其与仅通过一步迁移学习方法的诊断结果对比，如图5所示，可以看出，二阶段迁移学习的准确率和稳定性更高。对于包含多监测点信息的测试数据集，最后将经过网络诊断获取的故障支持度矩阵通过DS证据理论进行融合。将不同监测点的信息归入同一识别框架下，计算它们的基本可信度分配(BPA)，合成最终的可信度分配，并进行归一化处理。由于变压器可靠性较高，本实施例仅采用5％的检测数据进行训练。若直接通过常规的迁移学习方法和卷积神经网络进行训练，各个检测的诊断精度为30.5％，35.5％，39.5％，如图5所示。而采取二阶段迁移学习的诊断精度分别为67.3％，56.0％，49.5％。经过融合后，本发明的方法能够使诊断精度从79.6％上升到89.5％。

本发明的第二个实施例，针对3阶段的迁移学习任务。当待诊断设备的仿真结果与实测结果仍存在较大误差时，可以考虑利用其他同型号设备或类似设备、三相设备的其余相位等进行迁移。具体的实施步骤如下：首先通过公共数据集训练底层网络特征，该模型可以使用已经训练好的通用网络模型。接下来进行第一阶段的迁移，将上一步训练好的网络的部分参数冻结。通过计算机仿真获取待诊断数据的仿真数据集，将仿真数据集作为迁移的目标域对上一步训练好的网络进行训练。然后进行第二步迁移过程，与实施例1类似地，首先冻结上一步训练好的网络的部分参数，将待诊断设备的类似设备、同型号其他设备，(对于三相电力设备)以及待诊断相的另外两相的检测信息作为过渡数据集进行第二步的迁移训练。最后再将待诊断设备的实测数据集用于进行第三步的迁移训练。通过该3阶段迁移学习过程，实现了样本数据从公共数据集，到仿真数据集，到类似设备数据集，最后到待诊断设备数据的迁移过程。

进一步地，根据需要以及多阶段迁移学习模型，可以进行第4阶段、第5阶段…….第n阶段的迁移训练。多阶段迁移学习通过提取每一步数据集的特征，形成满足待诊断数据的完整特征集合，并通过一步步地网络训练将所有特征按照底层到顶层的逻辑顺序整合起来。多阶段迁移学习可以将待诊断数据的特征分解为特征模块，不同模块可能属于不同的层次，也可能同属一个层次。通过寻找含有每个模块、较易于获得的数据集，以模块层次由低到高为逻辑顺序进行多阶段迁移训练。该分解、融合的多阶段迁移方式能够扩大样本的搜索范围，从而解决原本包含所有特征的待诊断数据集匮乏的问题。该多阶段迁移学习的具体应用情形需尽量满足以下要求：1)数据集特征的完整性，不同数据集所含有的特征之和应该包括待诊断数据的所有特征；2)数据集之间具有特征上的递进关系，且学习的顺序应当按照逻辑顺序进行，从普适性的、底层的特征逐步过渡到具体的、精细的特征：例如实施例1中的公共图像特征(图像纹理特点)、仿真数据集的设备特征(待诊断设备原理模式)、待诊断设备测试特征(待诊断精细样本)；实施例2中公共图像特征(图像纹理特点)、仿真数据集的设备特征(待诊断设备原理模式)、待检测类似设备实测特征(类似精细测试样本)、待诊断设备测试特征(待诊断精细样本)；3)分解后数据集的样本易得性：能够获取有代表性、带标签的大量样本进行网络训练。对于多阶段迁移学习的情形，将数据集记作D_ξ，其中ξ表示不同的数据集(ξ≥3)。则根据下式进行迁移：

whereX_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn1}∈χ_ξ；

Y_ξ＝{y_ξ1,…,y_ξn2}；

本发明还提供了一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述实施例的基于二阶段迁移学习的变压器故障辨识与定位诊断方法。

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)

1.一种基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，包括以下步骤：

1)根据待测变压器的结构和材料特性构建有限元模型，仿真计算其绕组参数；

2)对待测变压器进行扫频响应测试，模拟变压器的不同故障情形；如果存在多个抽头，则选取多个抽头作为扫频响应测试的检测点，获取包含多检测点信息的检测数据集；如果有该待测变压器的历史检测数据，将其加入到检测数据集中；

3)建立变压器的绕组等效电路，将计算得到的绕组参数输入等效电路中，编写程序实现对该等效电路的扫频响应分析；

4)在程序中设置循环，针对2)中的检测点与故障情形，仿真获取大量的仿真数据集；

5)搭建多阶段迁移学习的卷积神经网络，对仿真数据集和检测数据集分别各自划分训练集和验证集，并对所有数据进行数据增强；

6)利用迁移学习方法，对仿真数据集进行初步网络训练；

7)保留一阶段训练好的网络，将检测数据集在此基础上进行多阶段训练；

8)用训练好的网络对待测变压器进行诊断，对于包含多检测点信息的检测数据集，最后将经过网络诊断获取的故障支持度矩阵进行融合。

2.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤1)中的变压器结构包括待测变压器的轴向高度、绕组厚度、绕组径向宽度、铁芯厚度、铁芯外径、绕组内径、绝缘纸外径、端圈厚度、垫块厚度、撑条厚度；变压器的材料特性包括绝缘纸、垫块、撑条、端圈、酚醛纸筒的相对介电常数；仿真获取变压器参数主要针对正常状况；取3D模型中的1饼计算电阻、自感；取2饼计算互感和电容；取铁芯和一饼绕组计算对地电容Cg；取3饼绕组计算2阶的互感，在等效电路中，近似等效每阶的绕组参数相同。

3.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤2)中模拟不同故障情形的方法为：在不同绕组间或绕组与铁芯间增加垫块，模拟绕组间距故障、绕组接地故障；如果存在多个抽头，则将抽头并联电阻、电容或电感模拟故障；对于多个抽头的情形，选取多个抽头作为扫频响应测试的检测点，获取包含多检测点信息的检测数据集。

4.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤3)中的变压器的绕组等效电路为N阶的集总参数等效电路，将步骤1)中计算获得的电路参数：接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R代入等效电路中，通过程序实现扫频响应分析。

5.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤4)中获取仿真样本集的过程为：在正常状态值的基础上，设置循环，根据检测内容选取等效电路的参数接地电阻C_g、绕组间电容C_s、自感L_s、互感M_i(i+1)、电阻R，令其为正常值的1-2倍；循环步长和异常参数的选择根据数据集的数量要求和需要检测的故障类型而定。

6.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤5)中基于多阶段迁移学习原理构建卷积神经网络进行两阶段迁移学习时，具体步骤如下：

1)将公共数据集记为D₁，仿真数据集为D₂，检测数据为D₃。因此，对于第一阶段的迁移学习有：

Source:

Target:

X_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn1}∈χ_ξ|_ξ＝1，2；

Y_ξ＝{y_ξ1,…,y_ξn2}|_ξ＝1，2；

其中，源域D_S、源域上的学习任务T_S；目标域D_T、目标域上的学习任务T_T。其中D_S≠D_T、T_S≠T_T，χ表示特征空间，P(X)表示边界概率分布，X＝{x₁，…，x_n1}∈χ；Y表示标记空间，Y＝{y₁，…，y_n2}，n1表示特征空间大小，n2表示标记空间大小，n1＝n2＝n；预测函数f(·)无法观测，且域和标签必须成对学习；D₁＞＞D₂，D₁不相似于D₂；第一阶段的迁移学习由D1迁移到D2，冻结预训练模型的靠近输入端的部分卷积层，训练剩下的靠近输出端的卷积层和全连接层；

2)对于第二阶段的迁移过程，有：

Source:

Target:

X_ξ＝{χ_ξ1,χ_ξ2,…,χ_ξn1}∈χ_ξ|_ξ＝1∪2,3；

Y_ξ＝{y_ξ1,…,y_ξn2}|_ξ＝1∪2,3；

其中下标ξ＝“1∪2”表示第一次迁移之后新的域/任务/特征空间/标记空间/概率分布/预测函数；且有D_1∪2＞D₃，D_1∪2∽D₃；第二阶段的迁移学习由D_1∪2迁移到D₃，冻结上一步迁移获得的网络模型的大部分卷积层，训练剩下的卷积层和全连接层。

7.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤5)中采取数据增强方法扩充数据集，其具体处理包括以下类别：颜色变换*6倍、添加随机的噪声*5倍、缩放*4倍、翻转*1倍、旋转*3倍、裁剪*5倍。

8.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤6)-7)中的网络训练过程需将仿真数据集与检测数据集都各自划分为测试集和验证集，依次输入到二阶段卷积神经网络中的第一阶段与第二阶段迁移过程进行训练验证；测试集和验证集的划分比例根据实际需要决定；第一阶段输入仿真数据集的测试集和验证集，第二阶段输入检测数据集的测试集和验证集；逐步更新网络参数，最终得到训练好的网络诊断模型。

9.根据权利要求1所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法，其特征在于，步骤8)中的多检测点诊断信息融合方法采用包括证据理论的多源信息融合算法来综合多检测点的诊断结果。

10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行如权利要求2-8中任一项所述的基于多阶段迁移学习的变压器故障辨识与定位诊断方法。

Images