CN111638427B - 一种基于核胶囊神经元覆盖的变压器故障检测方法 - Google Patents

Abstract

本发明公开了一种基于核胶囊神经元覆盖的变压器故障检测方法，以电力系统中变压器的故障检测为背景，针对实际监测得到的变压器油色谱数据存在缺失、冗余以及维度不定等情况，解决了变压器故障检测因上述情况产生识别效率低下甚至无法得以正确识别的问题；通过引入核思想对油色谱数据进行有效的特征提取，然后在超香肠神经元构建方法的基础上加以改进，在流形覆盖神经元的创建过程中引入关联关系和伸缩率等概念，运用优化的核胶囊覆盖算法对油色谱特征数据进行识别，进而使变压器故障检测达到更高的精度。

Description

一种基于核胶囊神经元覆盖的变压器故障检测方法

技术领域

本发明属于电力电网故障检测方法技术领域，具体涉及一种基于核胶囊神经元覆盖的变压器故障检测方法。

背景技术

电力企业健康长远的发展离不开电力系统的正常运行，而电力系统的正常运行更离不开变压器的正常运作。变压器作为电力系统中的重要设备之一，它在运行过程中出现故障时，变压器绝缘油会伴随着出现化学反应使得绝缘油的颜色和低分子气体浓度发生变化，因而变压器绝缘油的颜色和特征气体都与变压器故障有一定的关联性。

传统的色谱分析法可以用来甄别变压器的故障原因，以便排除变压器的故障，但是无法对存在数据缺失、维数不定和大量冗余的电力变压器监测数据进行良好的故障识别。

发明内容

针对现有技术中的上述不足，本发明提供的基于核胶囊神经元覆盖的变压器故障检测方法以电力系统中变压器的故障检测为背景，针对实际监测得到的变压器油色谱数据存在缺失、冗余以及维度不定等情况，解决了变压器故障检测因上述情况产生识别效率低下甚至无法得以正确识别的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于核胶囊神经元覆盖的变压器故障检测方法，包括以下步骤：

S1、获取各种类型的变压器油色谱数据，并对其进数据行预处理；

S2、利用核函数将预处理后的数据映射到高维特征空间，在高维空间进行特征提取并构建特征样本训练集；

S3、利用特征样本训练集对改进的核胶囊神经元算法进行训练，得到训练好的分类覆盖模型；

S4、将待检测变压器油色谱数据对应的特征样本输入到训练好的分类覆盖模型中，根据特征样本被分类覆盖模型中各流形区域覆盖的情况，确定当前待检测变压器的故障类型，实现故障检测。

进一步地，所述步骤S1具体为：

获取各种类型的变压器油色谱数据，对所有变压器油色谱数据进行数据集成、交换处理，并对集成数据中的异常值和缺失值进行数据清洗处理，得到变压器对应的正常运行、局部放电和低能放电三类数据。

进一步地，所述步骤S2具体为：

通过径向基核函数将预处理后的三类数据映射到高维特征空间，并在高维特征空间对三类数据进行PAC分析，实现特征降维得到对应的特征样本，利用各类数据对应的所有特征样本构建特征样本训练集。

进一步地，所述步骤S3具体为：

S31、在核胶囊神经元算法中的超香肠神经元构建过程中引入先验参数Δk；

S32、计算当前特征样本训练集中两两特征样本点之间的欧氏距离，确定其中最小距离对应的两个特征样本点；

S33、基于先验参数Δk确定的当前识别系数k_new，构造当前最小距离对应的超香肠神经元p_i；

其中，i为超香肠神经元编号，i＝1,2,3,...,m，m为训练好的分类覆盖模型中的超香肠神经元总数；

S34、遍历当前特征样本训练集中的所有特征样本点，将其中被超香肠神经元p_i覆盖的特征样本点从特征样本训练集中删除；

S35、重复步骤S32-S34，将处理所有特征样本点得到的流形作为改进的核胶囊神经元算法中所有胶囊神经元的组合体，即训练好的分类覆盖模型P。

进一步地，所述步骤S31中的先验参数Δk为伸缩率，用于表示每次训练构建一个超香肠神经元后识别系数k的保留情况，其与识别系数k的关系式为：

k_new＝k_old×Δk

式中，k_new为当前训练构建超香肠神经元时的识别系数k，k_old为前一次训练构建上一个超香肠神经元时的识别系数，Δk∈(0,1]；构建第一个超香肠神经元p_i时的识别系数为特征样本训练集中剩余所有特征样本点到第一个最小距离对应的两个样本特征点的欧氏距离的均值。

进一步地，所述步骤S33具体为：

A1、获取当前训练构建超香肠神经元时的识别系数k；

A2、基于识别系数k，对当前最小距离对应的两个特征样本点采用直线段覆盖法构造超香肠神经元p_i；

式中，θ_i为当前最小距离对应的两个特征样本点之间的连线，即为当前流形区域的中心连线，s为同类样本集距离中当前最小距离对应的两个特征样本点最近的点，

为s到θ_i的距离，Rⁿ为实数域。

进一步地，所述步骤S35中，分类覆盖模型P为：

进一步地，所述步骤S4中：

当特征样本被正常运行数据对应的流形区域覆盖时，当前待检测变压器无故障；当特征样本被局部放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为局部放电故障；当特征样本被低能放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为低能放电故障。

本发明的有益效果为：

(1)在特征提取过程中，引入核思想，通过径向基核函数将原始数据嵌入到高维特征空间中，使得原始空间下不能线性可分的点变得线性可分，通过核变换后不同类别数据之间的重叠情况得到明显改善，孤立点也有所减少，进而提高了提取特征的准确性；

(2)在实际的识别过程中，引入仿生模式识别的思想构建新的改进算法，其训练过程是在特征空间中依次绘制一类类覆盖流形，具备与人类认知过程类似的学习能力；

(3)本发明方法与传统模式识别的不同之处在于它在测试未知类的样本点时，不会将它“划分”到与其最相近的已训练类别中，而是能够实现正确地“拒识”，并且该算法在学习新的类别数据时不会影响现有的最优分类边界，故在增加新类时不需要重新训练原来的样本点；同时，在具体的算法中引入覆盖半径伸缩率能够减小不同类别流形之间的重叠区域，进而有效降低系统的误识率从而提高故障识别率。

附图说明

图1为本发明提供的基于核胶囊神经元覆盖的变压器故障检测方法流程图。

图2为本发明提供的变压器油色谱原始数据的散点分布图。

图3为本发明提供的核变换后得到的散点分布图。

图4为本发明提供的超香肠神经元构建原理示意图。

图5为本发明提供的引入“伸缩率”前后效果对比图。

图6为本发明提供的改进算法覆盖后得到的三维训练模型图。

图7为本发明提供的原始超香肠神经网络算法下得到的识别混淆矩阵。

图8为本发明提供的核胶囊神经元覆盖算法下获得的识别混淆矩阵。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

如图1所示，一种基于核胶囊神经元覆盖的变压器故障检测方法，包括以下步骤：

S1、获取各种类型的变压器油色谱数据，并对其进数据行预处理；

S2、利用核函数将预处理后的数据映射到高维特征空间，在高维空间进行特征提取并构建特征样本训练集；

S3、利用特征样本训练集对改进的核胶囊神经元算法进行训练，得到训练好的分类覆盖模型；

S4、将待检测变压器油色谱数据对应的特征样本输入到训练好的分类覆盖模型中，根据特征样本被分类覆盖模型中各流形区域覆盖的情况，确定当前待检测变压器的故障类型，实现故障检测。

本实施例的步骤S1具体为：获取各种类型的变压器油色谱数据，对所有变压器油色谱数据进行数据集成、交换处理，并对集成数据中的异常值和缺失值进行数据清洗处理，得到变压器对应的正常运行、局部放电和低能放电三类数据；通过变压器油色谱数据进行预处理，通过补全缺失值、标准化数据和平滑噪声进而一定程度上消除噪声的误差，进而得到更为准确的三类样本数据。

本实施例的步骤S2具体为：通过径向基核函数将预处理后的三类数据映射到高维特征空间，并在高维特征空间对三类数据进行PAC分析，实现特征降维得到对应的特征样本，利用各类数据对应的所有特征样本构建特征样本训练集。

其中，核函数通常的选用顺序为径向基核函数、多项式核函数、神经网络核函数等，一般都是根据需要处理的数据集选用合适的核函数，本实施例中选用通常情况下使用的径向基核函数，径向基核函数的作用是将原始空间下不可分的数据映射到特征空间，是后续实现主元分析提取特征和降维的步骤之一；PAC分析是主成分分析法，又称主元分析，在特征降维提取过程中较为常用。

预处理后的数据在原始空间中仍难以进行有效的线性区分，若是直接进行后续的超香肠神经元覆盖会存在严重的流形重叠问题，会削弱最后的故障诊断效果，因此本发明实施例引用核思想，通过径向基核函数(某种非线性映射)将原始数据嵌入到高维特征空间，使得原始空间下不能线性可分的点变得线性可分。

本发明实施例中，在步骤S2的特征提取的过程中，使用核方法前后不同类别数据分布状态发生明显变化，如图2为包括三种类型的变压器油色谱原始数据的散点分布图，图3为对应的经过高维特征空间特征提取后的散点分布图，可以看出核变换后不同类别数据之间的重叠情况得到明显改善，孤立点也有所减少。

本实施例中的步骤S3运用利用特征样本训练集对改进的核胶囊神经元算法进行训练，将依据端点构建的多个“超香肠神经元”首尾连接起来，完成流形绘制并得到训练集的分类覆盖模型三维图，进而利用该分类覆盖模型进行变压器的故障检测；本实施例中的步骤S3具体为：

S31、在核胶囊神经元算法中的超香肠神经元构建过程中引入先验参数Δk；

S32、计算当前特征样本训练集中两两特征样本点之间的欧氏距离，确定其中最小距离对应的两个特征样本点；

S33、基于先验参数Δk确定的当前识别系数k_new，构造当前最小距离对应的超香肠神经元p_i；

其中，i为超香肠神经元编号，i＝1,2,3,...,m，m为训练好的分类覆盖模型中的超香肠神经元总数；

S34、遍历当前特征样本训练集中的所有特征样本点，将其中被超香肠神经元p_i覆盖的特征样本点从特征样本训练集中删除；

S35、重复步骤S32-S34，将处理所有特征样本点得到的流形作为改进的核胶囊神经元算法中所有胶囊神经元的组合体，即训练好的分类覆盖模型P。

上述步骤S31中的先验参数Δk为伸缩率，用于表示每次训练构建一个超香肠神经元后识别系数k的保留情况，即在同类样本点覆盖的过程中，根据覆盖顺序样本点之间的关联度逐渐降低，Δk也随之减小，其与识别系数k的关系式为：

k_new＝k_old×Δk

式中，k_new为当前训练构建超香肠神经元时的识别系数k，k_old为前一次训练构建上一个超香肠神经元时的识别系数，Δk∈(0,1]。

在训练构建超香肠神经元过程中，一个超香肠神经元构建原理如图4所示，其中B_i与B_i+1分别代表在高维特征空间中同类型的两个样本点，X表示待识别的数据点。不同于传统模式识别，认知模式识别认为B_i与B_i+1之间存在渐变性，也就是说其连线及连线附近一定范围内的特征空间都属于该类样本点所覆盖围。在三维空间中，如图4所示的覆盖神经元可看成是以B_i与B_i+1之间的线段作为中线的圆柱体1、分别以两个样本点B_i和B_i+1为球心，以识别系数k为半径的半球2、半球3共同构成的一个新的空间区域，因其在三维空间中酷似一根香肠而被称为“超香肠神经元”，而后引入伸缩率得到的超香肠神经元构建效果如图5所示(a为引入后，b为引入前)，通过两图对比可看出引入伸缩率后覆盖流形区域面积减小，在不同类样本覆盖过程中能够有效减少重叠区域，通过最后的混淆矩阵评价结果可看出，识别率也得到改善；

将伸缩率Δk假定值为1，即按照图5(b)的原理构建单个覆盖流形，根据对覆盖原理的理解认为设定的，在样本点覆盖的过程中伸缩率依次减小(根据距离度量，后续覆盖的样本点与前面已覆盖的样本点之间的关联度逐渐降低)，由图5的对比也可看出样本点流形覆盖更加精确，减少了不必要的覆盖区域，引申到后面一类类样本的覆盖，也能相应地减少不同类样本覆盖区域的重叠。

上述步骤S33具体为：

A1、获取当前训练构建超香肠神经元时的识别系数k；

A2、基于识别系数k，对当前最小距离对应的两个特征样本点采用直线段覆盖法构造超香肠神经元p_i；

式中，θ_i为当前最小距离对应的两个特征样本点之间的连线，即为当前流形区域的中心连线，s为同类样本集距离中当前最小距离对应的两个特征样本点最近的点，

为s到θ_i的距离，Rⁿ为实数域。

上述步骤S35中，分类覆盖模型P为：

图6为本发明改进算法后得到的三维分类覆盖模型图，三种覆盖流形分别代表变压器油色谱正常、局部放电故障和低能放电故障数据的三类样本点覆盖流形，根据此训练模型识别测试样本点的故障类别，若样本点落在流形区域内，就将其归为该流形代表的类别，否则就拒识。

本实施例的步骤S4中根据待检测的特征样本是否被训练集中各种数据对应的流形区域覆盖情况，作为变压器故障检测的依据；因此上述步骤S4中：

当特征样本被正常运行数据对应的流形区域覆盖时，当前待检测变压器无故障；当特征样本被局部放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为局部放电故障；当特征样本被低能放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为低能放电故障。

图7为原始超香肠神经网络算法下得到的识别混淆矩阵，图8为核胶囊神经元覆盖算法下获得的识别混淆矩阵。从结果对比可知，不仅正常数据和故障6(低能放电)的识别效果有所改善，故障5(局部放电)也能得到正确识别，最后大大提高了对变压器油色谱数据的整体识别率。

Claims (6)

1.一种基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，包括以下步骤：

S1、获取各种类型的变压器油色谱数据，并对其数据进行预处理；

S2、利用核函数将预处理后的数据映射到高维特征空间，在高维特征空间进行特征提取并构建特征样本训练集；

S3、利用特征样本训练集对改进的核胶囊神经元算法进行训练，得到训练好的分类覆盖模型；

S4、将待检测变压器油色谱数据对应的特征样本输入到训练好的分类覆盖模型中，根据特征样本被分类覆盖模型中各流形区域覆盖的情况，确定当前待检测变压器的故障类型，实现故障检测；

所述步骤S3具体为以下步骤：

S31、在核胶囊神经元算法中的超香肠神经元构建过程中引入先验参数Δk；

S32、计算当前特征样本训练集中两两特征样本点之间的欧氏距离，确定其中最小距离对应的两个特征样本点；

S33、基于先验参数Δk确定当前训练构建超香肠神经元时的识别系数k_new，构造当前最小距离对应的超香肠神经元p_i；

其中，i为超香肠神经元编号，i＝1,2,3,...,m，m为训练好的分类覆盖模型中的超香肠神经元总数；

S34、遍历当前特征样本训练集中的所有特征样本点，将其中被超香肠神经元p_i覆盖的特征样本点从特征样本训练集中删除；

S35、重复步骤S32-S34，将处理所有特征样本点得到的流形作为改进的核胶囊神经元算法中所有核胶囊神经元的组合体，即训练好的分类覆盖模型P；

所述步骤S31中的先验参数Δk为伸缩率，用于表示每次训练构建一个超香肠神经元后识别系数k的保留情况，其与当前训练构建超香肠神经元时的识别系数k_new的关系式为：

k_new＝k_old×Δk

式中，k_new为当前训练构建超香肠神经元时的识别系数，k_old为前一次训练构建上一个超香肠神经元时的识别系数，Δk∈(0,1]；构建第一个超香肠神经元p₁时的识别系数为特征样本训练集中剩余所有特征样本点到第一个最小距离对应的两个特征样本点的欧氏距离的均值。

2.根据权利要求1所述的基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，所述步骤S1具体为：

获取各种类型的变压器油色谱数据，对所有变压器油色谱数据进行数据集成、交换处理，并对集成数据中的异常值和缺失值进行数据清洗处理，得到变压器对应的正常运行、局部放电和低能放电三类数据。

3.根据权利要求2所述的基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，所述步骤S2具体为：

通过径向基核函数将预处理后的三类数据映射到高维特征空间，并在高维特征空间对三类数据进行PAC分析，实现特征降维得到对应的特征样本，利用各类数据对应的所有特征样本构建特征样本训练集。

4.根据权利要求1所述的基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，所述步骤S33具体为：

A1、获取当前训练构建超香肠神经元时的识别系数k_new；

A2、基于当前训练构建超香肠神经元时的识别系数k_new，对当前最小距离对应的两个特征样本点采用直线段覆盖法构造超香肠神经元p_i；

式中，θ_i为当前最小距离对应的两个特征样本点之间的连线，即为当前流形区域的中心连线，s为同类特征样本训练集距离中当前最小距离对应的两个特征样本点最近的点，

为s到θ_i的距离，Rⁿ为实数域。

5.根据权利要求1所述的基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，所述步骤S35中，分类覆盖模型P为：

6.根据权利要求1所述的基于核胶囊神经元覆盖的变压器故障检测方法，其特征在于，所述步骤S4中：

当特征样本被正常运行数据对应的流形区域覆盖时，当前待检测变压器无故障；当特征样本被局部放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为局部放电故障；当特征样本被低能放电数据对应的流形区域覆盖时，当前待检测变压器的故障类型为低能放电故障。

Images