CN111539486A - 一种基于Dropout深度置信网络的变压器故障诊断方法 - Google Patents
一种基于Dropout深度置信网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN111539486A CN111539486A CN202010400931.6A CN202010400931A CN111539486A CN 111539486 A CN111539486 A CN 111539486A CN 202010400931 A CN202010400931 A CN 202010400931A CN 111539486 A CN111539486 A CN 111539486A
- Authority
- CN
- China
- Prior art keywords
- dbn
- fault diagnosis
- dropout
- model
- fault
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000007789 gas Substances 0.000 claims description 34
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 14
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical group C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 12
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 8
- 238000013021 overheating Methods 0.000 claims description 5
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 4
- 239000005977 Ethylene Substances 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 40
- 210000002569 neuron Anatomy 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Power Engineering (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于Dropout深度置信网络的变压器故障诊断方法，包括步骤：收集多组油浸式变压器特征气体数据及对应的故障类别，处理后划分为训练样本和测试样本；构建基于深度置信网络DBN的故障诊断模型；在最优的故障诊断模型的DBN中引入Dropout，使用训练样本构建DBN‑Dropout模型；采集油浸式变压器当前的特征气体数据，处理得到诊断样本，输入DBN‑Dropout模型，以softmax分类器得到的概率最大的类别为故障诊断类别。本发明的有益效果是：考虑到深度置信网络在数据较少、模型较复杂时存在容易过拟合的问题，在原始的DBN中引入Dropout，构建了DBN‑Dropout变压器故障诊断模型，以提高网络的泛化能力，能有效提高变压器故障诊断的准确率。
Description
技术领域
本发明涉及变压器故障诊断的技术领域，特别是一种基于Dropout深度置信网络的变压器故障诊断方法。
背景技术
在电力系统中，电力变压器是升降电压和分配电能的重要设备，它的正常运行关系到整个电网的安全稳定。目前国内在役的电力变压器多为油浸式变压器，运行过程中在内部电和热的作用下，固体绝缘材料和绝缘油会被分解，从而产生气体，气体组分和产气速率与故障类型及严重程度息息相关，因此可建立变压器油中溶解气体与其内部故障类型之间的对应关系。变压器故障诊断是指根据其故障状态特征明确故障类型、具体故障部位及故障程度的过程，我国目前主要基于油中溶解气体分析技术(DGA)进行故障诊断，实践证明该技术可以实现对变压器的及时检测，从而减少变压器的故障概率。
国内外学者对变压器故障诊断进行了大量研究，提出的方法主要可归纳为传统的故障诊断方法和智能诊断方法两种。传统的故障诊断方法主要有特征气体判别法和基于特征气体的比值法。变压器在不同故障时产生的气体类型和含量不尽相同，特征气体判别法依据此原理进行故障判别，优点是简单易行，但识别精度过低，没有明确定量的概念，实用价值不高。基于特征气体的比值法主要包括IEC三比值法、改良三比值法、Rogers比值法等，这些方法一定程度上解决了实际中的变压器故障诊断问题，但同时也存在一些不足之处：编码不够全面，当出现某些编码时无法判定故障类型；编码过于绝对，当所得编码在不同故障编码分界线附近时易出现误判；诊断性能欠佳，难以体现变压器故障类型和特征气体间的联系。由于传统故障诊断方法存在以上不足，为了提高提高诊断性能，多种智能算法被引入到变压器故障诊断领域，主要包括专家系统、模糊理论、人工神经网络、支持向量机、深度学习等。相较于传统的故障诊断方法，智能诊断方法具有更高的准确率，但仍存在各自的问题和局限性，如专家系统所需的专家经验知识难以获取，人工神经网络容易陷入局部最优，支持向量机属于二分类算法，应用于多分类问题时存在分类重叠或不可分的情况，且分类效率不高。而深度学习方法如深度置信网络(DBN)、卷积神经网络(CNN)等比浅层机器学习方法具有更强的特征提取能力和容错特性，可达到更好的分类效果，在故障诊断领域应用前景十分广阔。
发明内容
本发明针对现有诊断方法存在的不足，提出一种基于Dropout深度置信网络的变压器故障诊断方法，针对深度神经网络在数据较少、模型较复杂时容易过拟合的问题，引入Dropout算法，构建了DBN-Dropout故障诊断模型，相较原始的DBN故障诊断模型有效提高了网络的泛化能力。
实现本发明目的的技术方案如下：
一种基于Dropout深度置信网络的变压器故障诊断方法，包括
步骤1：收集多组油浸式变压器特征气体数据及对应的故障类别；所述特征气体数据包括甲烷CH4、乙烯C2H4、乙烷C2H6、乙炔C2H2和氢气H2的含量；将特征气体数据处理为9组无编码气体比值，即CH4/H2、C2H4/C2H2、C2H4/C2H6、C2H2/TH、H2/(H2+TH)、C2H4/TH、CH4/TH、C2H6/TH、(CH4+C2H4)/TH，其中TH为总烃含量，然后进行归一化；所述故障类别为正常、中低温过热、高温过热、高能放电、低能放电和局部放电；将收集和处理后多组数据划分为训练样本和测试样本；
步骤2：构建基于深度置信网络DBN的故障诊断模型，包括：
构建故障诊断模型：所述故障诊断模型包括DBN和softmax分类器，分别在DBN设置不同的隐含层数、激活函数和梯度下降算法；将训练样本中特征气体数据归一化后的无编码气体比值输入到DBN，DBN的输出通过softmax分类器得到的概率最大的类别判定为特征气体数据对应的故障类别；
将测试样本分别代入训练样本构建的故障诊断模型，验证故障类别的分类准确率，通过对比故障诊断效果得到最优的故障诊断模型；
步骤3：在最优的故障诊断模型的DBN中引入Dropout，使用训练样本构建DBN-Dropout模型；
步骤4：采集油浸式变压器当前的特征气体数据，按照步骤1的方法处理得到诊断样本，输入DBN-Dropout模型，以softmax分类器得到的概率最大的类别为故障诊断类别。
本发明的有益效果是：考虑到深度置信网络在数据较少、模型较复杂时存在容易过拟合的问题，在原始的DBN中引入Dropout，构建了DBN-Dropout变压器故障诊断模型，以提高网络的泛化能力，能有效提高变压器故障诊断的准确率。
附图说明
图1为RBM结构图。
图2为基于DBN的变压器故障诊断框架图。
图3为标准神经网络原理图。
图4为Dropout神经网络原理图。
图5为基于DBN-Dropout的变压器故障诊断框架图。
图6为网络层数与诊断准确率的关系图。
图7为不同激活函数和梯度下降算法时训练集的函数损失和迭代次数的曲线图。
图8为不同激活函数和梯度下降算法测试集的准确率曲线图。
图9为有、无Dropout时训练集的函数损失和迭代次数的曲线图。
图10为有、无Dropout时训练集准确率曲线图。
图11为有、无Dropout时测试集准确率曲线图。
图12为无Dropout的准确率曲线图。
图13为有Dropout的准确率曲线图。
具体实施方式
下面结合附图对本发明进一步说明。
一种基于Dropout深度置信网络的变压器故障诊断方法，包括
步骤一：数据处理
收集油浸式变压器特征气体相关数据及对应的故障信息构成数据集，并将特征气体数据处理为无编码比值形式，作为输入特征参量。其中，特征气体包括甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)和氢气(H2)，无编码比值包括9组气体比值，分别是CH4/H2、C2H4/C2H2、C2H4/C2H6、C2H2/TH、H2/(H2+TH)、C2H4/TH、CH4/TH、C2H6/TH、(CH4+C2H4)/TH，TH表示总烃含量。故障模式分为正常、中低温过热、高温过热、高能放电、低能放电、局部放电6类并进行编码。
将收集的变压器特征气体数据处理为无编码比值形式，然后进行归一化处理，将数据映射到[0,1]之间，并按7:3比例划分为训练集和测试集。归一化公式如式(1)所示：
其中，x′为归一化数值，x为归一化前的数值，xmax为每个特征数据中的最大值，xmin为每个特征数据中的最小值。
步骤二：构建基于深度置信网络的故障诊断模型
受限玻尔兹曼机(RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络，为两层结构，层间为全连接状态，而层内无连接，两层结构分别是可视层v和隐藏层h，其中v由可见单元组成，用于输入训练数据，h由隐单元组成，用作特征检测器，wij表示神经元间的连接权重。RBM网络结构如图1所示。若一个RBM由n个可见单元和m个隐单元组成，对于一组给定的状态(v,h)，该RBM系统具有的能量定义为：
其中，vi为可见单元的状态，hj为隐单元的状态，θ＝{wij,ai,bj}为RBM模型的参数，其中wij为可见单元i与隐单元j的连接权重，ai为可见单元i的偏置，bj为隐单元j的偏置。若参数已确定，基于式(2)所描述的能量函数，可得(v,h)的联合概率分布：
其中Zθ为归一化因子，表示所有情况下的能量和。
由式(3)定义的联合概率分布Pθ(v,h)，计算其边缘分布即可得到观测数据v的分布Pθ(v)：
同样可得到式(5)。
由RBM的结构可知，各隐单元的激活状态在可见单元的状态确定时是条件独立的，第j个隐单元的激活概率表示为：
同样，各可见单元的激活概率在隐单元的状态确定时也条件独立，第i个可见单元的激活概率表示为：
其中，σ为激活函数。
RBM在训练过程中逐步调参，使其可最大概率的复现训练数据，通过使得RBM在训练集上的对数似然函数最大化学习可得到参数θ，即：
其中，S为训练样本集合，ns为训练样本个数。
一般通过随机梯度上升法求式(8)，如式(9)所示。
其中，< >P表示分布P的数学期望。
深度置信网络(DBN)由若干个RBM堆叠组成，顶部是一层有监督的反向传播(BP)网络，DBN中上一个RBM的隐藏层即为下一个RBM的可视层，上一个RBM的输出即为下一个RBM的输入，其训练过程分为预训练和反向微调两部分。假设DBN由n个RBM组成，在预训练过程中，首先将步骤一的9组气体比值归一化处理后作为第一层RBM可视层v0的特征向量，将提取到的特征传送给隐藏层h0，通过上述过程更新参数θ0；第一层RBM训练完成后，将h0作为第二层RBM的v1，并与h1组成第二层RBM，通过训练更新参数θ1；依次训练完n个RBM后，就完成了DBN的预训练。将预训练的输出结果作为顶部BP网络的输入，然后将得到的误差信号自上而下反向传播，采用梯度下降法更新网络的权重和偏置参数，每一层的RBM参数进一步更新，从而实现整个DBN的反向微调过程。
DBN属于深度神经网络，相较于浅层机器学习方法，具有更强的特征提取能力和容错特性，可达到更好的分类效果，因此本发明基于深度置信网络构建故障诊断模型，将训练好的参数输入softmax分类器计算样本被判定为各类的概率，最终将样本判定为概率最大的类别。建立好DBN故障诊断模型后，通过训练数据获得网络参数，将测试数据代入已训练好的DBN诊断模型，验证分类准确率，通过对比故障诊断效果确定网络的隐含层数、激活函数、梯度下降算法等。基于DBN的故障诊断框架如图2所示。
步骤三：将Dropout方法引入DBN，构成DBN-Dropout模型
Dropout是一种防止过拟合的方法，其工作原理为在每次前向传播过程中，以一定概率使某个神经元停止工作，来减弱特征检测器间的相互作用，从而提升模型的泛化性能。
假设深层神经网络层数为L，l∈(1,2,…,L)表示网络的第l层，z(l)为第l层的输入，y(l)为第l层的输出，y(0)＝x为最开始的输入。w(l)为第l层的权值，b(l)为第l层的偏置，标准神经网络如图3所示，输入输出公式如下所示：
其中，i表示第l+1层的第i个神经元，f(·)为激活函数。
引入Dropout方法后，神经网络如图4所示。输入输出公式如下：
式(12)中，j表示第l层的第j个神经元，Bernoulli函数用于生成概率r向量，使得神经元以概率1-p停止工作。
在DBN中引入Dropout，即在每一个RBM上增加二进制随机变量r∈(0,1)F，各随机变量rj取值为1的概率为p，若rj取值为1，隐单元就被保留，反之将被冻结。
DBN-Dropout模型的联合概率分布为：
P(r,h,v；p)＝P(r；p)P(h,v|r) (16)
其中，P(r；p)表示为式(17)，P(h,v|r)表示为式(18)。
其中，j∈1,2,…,F表示第l层的第j个神经元，Z′(r)是归一化因子，g(hj,rj)表示为式(19)。
g(hj,rj)＝1(rj＝1)+1(rj＝0)1(hj＝0) (19)
g(hj,rj)存在一个限制条件，即rj＝0时必存在hj＝0。
基于DBN-Dropout的故障诊断框架如图5所示。在训练过程中，保持输入输出神经元不变，首先临时以一定概率随机冻结隐藏层中的部分神经元，即图5中的虚线部分。训练过程中，通过梯度下降算法在有效的神经元上更新参数。单次训练结束后，恢复被冻结的神经元，此时这些神经元保持原样，而其余神经元已经更新，所有神经元做好下次训练的准备。
引入Dropout后，隐藏层神经元均以特定的概率随机出现，并不能保证两个神经元一定会同时出现在网络中，权值更新即可不再依赖于特定隐单元之间的共同作用，避免了某些特征仅在特定特征存在时才有效果，这样可提高网络对丢失特定神经元连接的鲁棒性。
步骤四：使用DBN-Dropout模型对变压器进行故障诊断。
具体实施例如下：
1、数据处理
收集变压器故障样本数据，数据分布下表所示。
变压器特征气体包括甲烷(CH4)、乙烯(C2H4)、乙烷(C2H6)、乙炔(C2H2)和氢气(H2)，以CH4/H2、C2H4/C2H2、C2H4/C2H6、C2H2/TH、H2/(H2+TH)、C2H4/TH、CH4/TH、C2H6/TH、(CH4+C2H4)/TH等无编码比值作为输入特征参量，TH表示总烃含量。
将收集的变压器特征气体数据处理为无编码比值形式，然后进行归一化处理，将数据映射到[0,1]之间，并按7:3比例划分为训练集和测试集。归一化公式如式(1)所示：
其中，x′为归一化数值，x为归一化前的数值，xmax为每个特征数据中的最大值，xmin为每个特征数据中的最小值。
将变压器故障状态分为0-正常、1-中低温过热、2-高温过热、3-高能放电、4-低能放电、5-局部放电6种状态并编码，各状态对应的输出编码如下表所示。
2、构建基于深度置信网络的故障诊断模型，确定网络参数
本发明采用python实现DBN故障诊断编程；
针对网络层数对DBN网络模型的诊断性能影响进行了讨论，将隐含层数从1层增加到7层，得到网络层数与诊断准确率的关系如图6所示。
由图6可知，当网络隐含层数从1层增加到4层时，模型的诊断准确率明显提升，增加到4层时达到准确率达到最高，由4层增加到7层时，准确率反而有小幅度下降。因此，确定网络隐含层数为4层。
分别对比激活函数为sigmoid或tanh，梯度下降算法为Rmsp或Adam的4种不同组合方案下的诊断效果，得到结果如图7、图8所示。
四种不同组合方案的诊断准确率对比如表1所示。
表1测试集不同的激活函数与梯度下降方法组合方案诊断准确率对比(％)
由于tanh函数的输出以0为中心，所以收敛速度比sigmoid函数快，由图7、图8可知差异较小，而根据上表可知，sigmoid+Adam方案在测试集上具有较好的表现。于是，本实施例选取了4种方案中最优的sigmoid+Adam，再进行进一步的测试。
3、将Dropout方法引入DBN，构成DBN-Dropout模型
为了验证在模型中引入Dropout的有效性，本节将迭代次数增加至300，设置p＝0.85，将有无Dropout的实验结果作对比，如图9、图10、图11所示。
有、无Dropout时，各故障类型的诊断准确率对比如表2所示。
表2故障诊断准确率对比(％)
由此可知，在训练阶段，引入Dropout的网络诊断准确率低于未使用Dropout的网络，但在测试阶段，引入Dropout的网络准确率高于未使用Dropout的网络。
将有无Dropout的网络训练集和测试集准确率曲线对比，得到结果如图12、图13所示。
由图12、图13可知，未引入Dropout时，训练集的准确率总是高于测试集，存在过拟合现象；引入Dropout后，测试集的准确率总是高于训练集，解决了过拟合问题。
说明在DBN故障诊断模型中引入Dropout虽然一定程度上牺牲了训练阶段的准确率，但反而提高了诊断准确率，增强了模型的泛化能力，可有效避免模型过拟合。
综上所述，本实施例最终确定的故障诊断模型网络层数为4层，激活函数为sigmiod函数，梯度下降方法为Adam算法，并引入Dropout方法，记为SA-DDBN模型。
4、故障诊断结果对比
为了分析本文故障诊断模型的有效性，本发明分别将IEC三比值、Rogers比值、无编码比值作为SVM、KNN、SA-DDBN故障诊断模型的输入特征参量进行计算。故障诊断结果见表3。
表3不同特征参量的诊断准确率(％)
由上表可知，SA-DDBN方法的诊断准确率总是最高，其中以无编码比值为输入特征向量的SA-DDBN诊断模型具有最佳诊断效果。
可见对于常见的6种变压器故障类型，本发明所提出的故障诊断模型的精度高于常见的SVM模型、KNN模型和未引入Dropout的DBN模型，验证了在DBN中引入Dropout对提高诊断精度的有效性和可靠性。
Claims (1)
1.一种基于Dropout深度置信网络的变压器故障诊断方法，其特征在于，包括
步骤1：收集多组油浸式变压器特征气体数据及对应的故障类别；所述特征气体数据包括甲烷CH4、乙烯C2H4、乙烷C2H6、乙炔C2H2和氢气H2的含量；将特征气体数据处理为9组无编码气体比值，即CH4/H2、C2H4/C2H2、C2H4/C2H6、C2H2/TH、H2/(H2+TH)、C2H4/TH、CH4/TH、C2H6/TH、(CH4+C2H4)/TH，其中TH为总烃含量，然后进行归一化；所述故障类别为正常、中低温过热、高温过热、高能放电、低能放电和局部放电；将收集和处理后多组数据划分为训练样本和测试样本；
步骤2：构建基于深度置信网络DBN的故障诊断模型，包括：
构建故障诊断模型：所述故障诊断模型包括DBN和softmax分类器，分别在DBN设置不同的隐含层数、激活函数和梯度下降算法；将训练样本中特征气体数据归一化后的无编码气体比值输入到DBN，DBN的输出通过softmax分类器得到的概率最大的类别判定为特征气体数据对应的故障类别；
将测试样本分别代入训练样本构建的故障诊断模型，验证故障类别的分类准确率，通过对比故障诊断效果得到最优的故障诊断模型；步骤3：在最优的故障诊断模型的DBN中引入Dropout，使用训练样本构建DBN-Dropout模型；步骤4：采集油浸式变压器当前的特征气体数据，按照步骤1的方法处理得到诊断样本，输入DBN-Dropout模型，以softmax分类器得到的概率最大的类别为故障诊断类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400931.6A CN111539486A (zh) | 2020-05-12 | 2020-05-12 | 一种基于Dropout深度置信网络的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400931.6A CN111539486A (zh) | 2020-05-12 | 2020-05-12 | 一种基于Dropout深度置信网络的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111539486A true CN111539486A (zh) | 2020-08-14 |
Family
ID=71979338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400931.6A Pending CN111539486A (zh) | 2020-05-12 | 2020-05-12 | 一种基于Dropout深度置信网络的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539486A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
| TWI739634B (zh) * | 2020-10-16 | 2021-09-11 | 國立中興大學 | 電力變壓器之故障診斷監控系統 |
| CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
| CN117437218A (zh) * | 2023-12-18 | 2024-01-23 | 长沙矿冶研究院有限责任公司 | 一种采矿输送带托辊智能检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
| CN110647911A (zh) * | 2019-08-13 | 2020-01-03 | 南京航空航天大学 | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 |
-
2020
- 2020-05-12 CN CN202010400931.6A patent/CN111539486A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190243735A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Deep belief network feature extraction-based analogue circuit fault diagnosis method |
| CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN110647911A (zh) * | 2019-08-13 | 2020-01-03 | 南京航空航天大学 | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 |
| CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| YUQIN WEI等: "Research on TE process fault diagnosis method based on DBN and dropout", 《THE CANADIAN JOURNAL OF CHEMICAL ENGINEERING》 * |
| 代杰杰: "基于深度学习的变压器状态评估技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 苏冠华: "基于深度学习的滚动轴承智能故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163619A (zh) * | 2020-09-27 | 2021-01-01 | 北华大学 | 一种基于二维张量的变压器故障诊断方法 |
| TWI739634B (zh) * | 2020-10-16 | 2021-09-11 | 國立中興大學 | 電力變壓器之故障診斷監控系統 |
| CN113624466A (zh) * | 2021-07-08 | 2021-11-09 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
| CN113624466B (zh) * | 2021-07-08 | 2023-10-03 | 中南民族大学 | 汽轮机转子故障诊断方法、装置、设备及存储介质 |
| CN117437218A (zh) * | 2023-12-18 | 2024-01-23 | 长沙矿冶研究院有限责任公司 | 一种采矿输送带托辊智能检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539486A (zh) | 一种基于Dropout深度置信网络的变压器故障诊断方法 | |
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN109214416A (zh) | 一种基于深度学习的多维信息融合变压器故障诊断方法 | |
| CN109670553B (zh) | 基于自适应神经模糊推理系统的光伏阵列故障诊断方法 | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| CN113705615B (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 | |
| CN108170994A (zh) | 一种基于双向深度网络的油浸式电抗器故障诊断方法 | |
| CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
| CN117312939A (zh) | 基于深度学习的sofc系统工况辨识方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| CN116756939B (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
| CN112308208B (zh) | 基于深度学习模型的变压器故障诊断方法 | |
| CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
| CN116304918A (zh) | 一种基于深度森林算法的变电站设备故障辨识方法及系统 | |
| CN115169428A (zh) | 一种人工智能驱动的变压器故障诊断方法 | |
| CN115130562A (zh) | 一种基于对抗式学习融合聚类的车辆电池异常识别方法及系统 | |
| Zhang et al. | Research on intelligent evaluation and monitoring method for cost of transmission and transformation project | |
| CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
| Lee et al. | Dissolved gas analysis of power transformer using fuzzy clustering and radial basis function neural network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200814 |
|
| WD01 | Invention patent application deemed withdrawn after publication |