CN113191429A - 一种电力变压器套管故障诊断方法及装置 - Google Patents
一种电力变压器套管故障诊断方法及装置 Download PDFInfo
- Publication number
- CN113191429A CN113191429A CN202110475765.0A CN202110475765A CN113191429A CN 113191429 A CN113191429 A CN 113191429A CN 202110475765 A CN202110475765 A CN 202110475765A CN 113191429 A CN113191429 A CN 113191429A
- Authority
- CN
- China
- Prior art keywords
- data set
- training
- fault
- sample
- training data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 40
- 230000006870 function Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种电力变压器套管故障诊断方法及装置。方案包括：读取多张套管红外样本图像；对套管红外样本图像进行预处理，得到训练数据集与测试数据集；采用训练数据集对CWGAN‑GP中的判别器进行预训练，训练数据集包括故障样本的类别标签；对判别器与生成器进行交替训练，生成人工故障样本集；采用人工故障样本集对训练数据集进行扩充，得到增强后的训练数据集；基于增强后的训练数据集对CNN分类器进行训练；利用训练好的CNN分类器对测试数据集进行诊断测试，根据测试结果对训练好的CNN分类器的参数进行调整；采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。本方案能够有效改善诊断模型对于多数类的分类偏好问题。
Description
技术领域
本申请涉及电力变压器和计算机技术领域，尤其涉及一种电力变压器套管故障诊断方法及装置。
背景技术
作为电力系统中电压转换及电能输送的主要设备，电力变压器的稳定可靠运行直接影响着电网的安全稳定。套管作为变压器的重要组成部分，承担着固定引线并确保其与外界绝缘的功能，同时也是故障多发部位。在实际运行中，套管常因其绝缘受损或局部过热等缺陷引起变压器停运甚至烧毁爆炸等严重事故。故而针对变压器套管的故障诊断与评估显得尤为重要。为确保其健康稳定的工作状态，常常需要在变压器停运的条件下进行预防性试验，这大大降低了设备可靠性和监测时效性。
目前，带电检测技术的应用已经比较成熟与广泛。红外测温技术因其具有非接触式测量、精度高且不受电磁干扰等诸多优点，常用于检测变压器套管的缺油故障以及局部过热故障等。由于人为提取描述特征的适应性差，对设备运行状态的判断过于主观且给出的结论模糊、不完全等缺陷，检测人员对套管故障的误判情况时有发生。同时，非结构化图像数据存储量巨大，人工检查和识别不仅会影响判断结果的准确度，更会导致效率低下，从而影响电力设备监测自动化的程度。
发明内容
为了解决上述问题，本申请实施例提供了一种电力变压器套管故障诊断方法及装置。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种电力变压器套管故障诊断方法，包括：
读取多张套管红外样本图像；
对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
对判别器与生成器进行交替训练，生成人工故障样本集；
采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
基于所述增强后的训练数据集对CNN分类器进行训练；
利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
可选的，所述对所述套管红外样本图像进行预处理，具体包括：
调整套管红外样本图像的大小为32cm×32cm，得到符合要求的套管红外样本数据集；
采用分层抽样方法对所述套管红外样本数据集进行划分。
可选的，所述训练数据集与所述测试数据集中的样本类别分布一致。
可选的，将故障样本的类别标签作为条件生成对抗网络(CGAN)的附加条件变量。
可选的，所述采用调整后的CNN分类器对电力变压器套管进行故障诊断，具体包括：
向输入层输入一个32cm×32cm大小的套管红外样本图像；
对所述套管红外样本图像进行卷积处理，得到二维特征图；
对所述二维特征图进行转化处理，得到一维特征向量；
对所述一维特征向量进行分类。
可选的，所述CNN分类器的网络结构为：首先将一维或多维数组从输入层输入，然后通过第一卷积层进行特征提取、第一采样层进行抽样处理，第二卷积层进行的操作与第一卷积层一致，第二采样层进行的操作与第一采样层一致，最后由全连接层将第二采样层的输出结果展开成一维向量并经过激活函数传递至输出层输出。
可选的，所述生成器通过将噪声向量与类别条件进行拼接组合，形成隐含表示；在所述判别器中，实际故障样本或人工样本均与类别条件共同输入以进行判别。
可选的，在CGAN的基础上，选用Wasserstein距离来度量实际分布与生成分布之间的差异，构成CWGAN模型。
可选的，所述采用所述训练数据集对CWGAN-GP中的判别器进行预训练，具体包括：
在损失函数中添加梯度惩罚项以修正判别器网络的损失函数，使其满足1-Lipschitz条件限制。
本说明书实施例提供的一种电力变压器套管故障诊断装置，包括：
数据读取模块，用于读取多张套管红外样本图像；
预处理模块，用于对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
判别器预训练模块，用于采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
交替训练模块，用于对判别器与生成器进行交替训练，生成人工故障样本集；
数据增强模块，用于采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
分类器训练模块，用于基于所述增强后的训练数据集对CNN分类器进行训练；
模型诊断测试模块，用于利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
故障诊断模块，用于采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
(1)通过CWGAN-GP数据增强方法可以实现变压器套管红外图像样本的扩充，因此避免了深度学习模型在训练过程中因训练数据集样本量不够导致欠拟合的问题，同时能够有效改善诊断模型对于多数类的分类偏好问题，可作为电力变压器套管故障诊断的重要数据预处理环节。
(2)本发明提出的结合CWGAN-GP和CNN的故障诊断法算法为电力设备智能状态评估的发展提供了一种新的思路，同时该算法并不局限于非结构化数据，还可推广应用至结构化数据及半结构化数据。
(3)结合CWGAN-GP和CNN算法不仅适合于故障诊断，同样也适用于不均衡数据情况下的其它分类应用领域，具有较强的普适性和泛化性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种电力变压器套管故障诊断方法的流程示意图；
图2为条件式生成对抗网络基本结构示意图；
图3为卷积神经网络基本结构；
图4为基于CNN的套管故障诊断框图；
图5为结合CWGAN-GP数据增强和CNN的变压器套管故障诊断技术框架；
图6为本说明书实施例提供的对应于图1的一种电力变压器套管故障诊断装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
近年来在工业界和学术界兴起的智能巡检技术和深度学习技术，以较强的目标检测能力和图像处理能力，解决了长期以来需要依靠人工处理电力设备非结构化数据导致的利用率低、转化率弱的问题，为电网智能巡检提供了良好的应用价值。
卷积神经网络(Convolutional Neural Network，CNN)不同于反向传播(backpropagation，BP)神经网络和和支持向量机(Support Vector Machine，SVM)等传统算法。作为深度学习的典型代表，卷积神经网络通过隐藏地学习训练数据，有效避免了人工提取特征的缺陷，从而更加全面地反映图像特征。同时利用其局部感知野、权值共享和下采样等特性，能够保证对各种形如平移、倾斜、比例缩放等类型的变化均保持高度不变性，已广泛应用在图像分割、图像增强和图像检测等方面。
综上，采用深度学习算法对变压器套管红外图片样本进行自动特征学习与模式识别，规避了传统方法需要人工提取特征的缺陷，为变压器套管的运行维护和管理提供了一种新方法。
在搭建深度学习模型的过程中，常遇到因训练数据集样本量不够导致欠拟合的问题，同时训练集样本足量且类别分布均衡是确保深度学习算法具有出色分类性能的重要前提。然而，由于电力变压器极小概率会发生异常，加之现场记录信息的缺失和不完善，导致实际收集的套管故障样本集中正常样本与故障样本的比例十分悬殊。针对此类非均衡数据集，若采用上述智能算法，由于样本数量存在较大差异，当模型以最小化经验风险为训练目标时，分类模型将偏向于正常样本，导致故障样本的漏判率远高于正常样本。因此，如何在非均衡数据的基础上提升模型的故障识别性能是设备故障诊断领域亟待解决的关键问题。
解决该问题除了在算法层面的优化，还需拓展训练集样本数量。常用的数据增强方法有形状变换、监督式抠取、生成式对抗网络(generative adversarial network，GAN)等。GAN能够在不依赖任何先验假设的情况下，通过无监督学习获得数据间的潜在分布规律并生成新的人工样本。目前，包括Wasserstein生成对抗网络(Wasserstein GAN，WGAN)、条件生成对抗网络(conditional GAN，CGAN)以及深度卷积生成对抗网络(deepconvolutional GAN，DCGAN)等在内的多种变体模型已在图像处理与语音识别等多个领域取得了优异的应用效果。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
如图1所示，该流程可以包括以下步骤：
步骤101：读取多张套管红外样本图像；
步骤102：对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
步骤103：采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
步骤104：对判别器与生成器进行交替训练，生成人工故障样本集；
步骤105：采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
步骤106：基于所述增强后的训练数据集对CNN分类器进行训练；
步骤107：利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
步骤108：采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
可选的，所述对所述套管红外样本图像进行预处理，具体包括：
调整套管红外样本图像的大小为32cm×32cm，得到符合要求的套管红外样本数据集；
采用分层抽样方法对所述套管红外样本数据集进行划分。
可选的，所述训练数据集与所述测试数据集中的样本类别分布一致。
可选的，将故障样本的类别标签作为条件生成对抗网络(CGAN)的附加条件变量。
可选的，所述采用调整后的CNN分类器对电力变压器套管进行故障诊断，具体包括：
向输入层输入一个32cm×cm32大小的套管红外样本图像；
对所述套管红外样本图像进行卷积处理，得到二维特征图；
对所述二维特征图进行转化处理，得到一维特征向量；
对所述一维特征向量进行分类。
可选的，所述CNN分类器的网络结构为：首先将一维或多维数组从输入层输入，然后通过第一卷积层进行特征提取、第一采样层进行抽样处理，第二卷积层进行的操作与第一卷积层一致，第二采样层进行的操作与第一采样层一致，最后由全连接层将第二采样层的输出结果展开成一维向量并经过激活函数传递至输出层输出。
可选的，所述生成器通过将噪声向量与类别条件进行拼接组合，形成隐含表示；在所述判别器中，实际故障样本或人工样本均与类别条件共同输入以进行判别。
可选的，在CGAN的基础上，选用Wasserstein距离来度量实际分布与生成分布之间的差异，构成CWGAN模型。
可选的，所述采用所述训练数据集对CWGAN-GP中的判别器进行预训练，具体包括：
在损失函数中添加梯度惩罚项以修正判别器网络的损失函数，使其满足1-Lipschitz条件限制。
本发明提出了一种结合CWGAN-GP数据增强和CNN的电力变压器套管故障诊断方法。首先介绍了基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型(conditionalWasserstein generative adversarial network with gradient penalty，CWGAN-GP)的变压器套管故障红外图像增强方法的基本原理和实现步骤；然后介绍了卷积神经网络(convolutional neural network，CNN)的基本结构和模型构建；最后以变压器套管红外图像为样本集，结合CWGAN-GP和CNN算法构建了基于CWGAN-GP图像增强方法的变压器套管故障诊断技术框架。
1.基于CWGAN-GP的变压器套管故障红外图像增强方法
GAN的主要组成部分包括生成器与判别器，其中，生成器的职责是学习真实数据的潜在分布特性，并合成新的人工样本；判别器的职责是甄别真实数据与生成数据，并最大化判别准确率。生成器与判别器通过对抗训练持续提升各自的生成能力与判别能力，优化的最终目标是达到二者间的纳什均衡点。条件生成对抗网络(conditional generativeadversarial network，CGAN)是一种带条件约束的GAN变体模型，其通过在生成器与判别器的构建过程引入附加信息条件，以指导样本的生成过程，从而解决传统GAN无法控制生成数据模式的缺陷。考虑到电力变压器故障原因的复杂性，本文将故障样本的类别标签作为CGAN的附加条件变量，使模型具备了生成多类故障数据的能力，同时也在一定程度上降低了训练的时间开销。
结合类别信息的CGAN模型的基本结构如图2所示。相较于传统GAN模型，生成器通过将噪声向量z与类别条件c进行拼接组合，形成了全新的隐含表示；而在判别器中，实际故障样本x或人工样本G(z)均会与类别条件c共同输入以进行判别。其中D(x)为判别器函数，G(x)为生成器函数，E(x)为期望函数。因此，CGAN的训练目标函数如式(1)所示。
为避免出现传统GAN与CGAN模型出现梯度消失和模式坍塌问题，在CGAN的基础上，选用Wasserstein距离来度量实际分布Pr与生成分布Pg之间的差异，构成了CWGAN模型。其定义如式(2)所示。Wasserstein距离愈小，表明两种分布间的相似程度愈高。
式中：Π(Pr，Pg)表示以Pr与Pg为边缘分布的联合概率分布γ的集合；W(Pr，Pg)表示γ(x，y)期望的下确界。
由于Wasserstein距离中的下确界无法直接求解，故采用其Kantorovich-Rubinstein对偶形式，如式(3)所示。在此基础上，通过进一步将类别条件c代入式(2)中，可得到在CGAN模型中Wasserstein距离的表示形式，如式(4)所示。
式中：||D||L≤1表明判别器网络需要满足1-Lipschitz条件限制，即在训练时约束网络参数的变化幅度在一定范围内，以保证正常的梯度优化。
本文通过修正判别器网络的损失函数，来使其满足1-Lipschitz条件限制，具体的实现方式是在原有的损失函数中添加梯度惩罚项，其形式如式(5)所示。
式中：||·||p表示p范数；λ表示正则项系数；
是通过在真实样本x与生成样本G(z)间的连线上随机插值采样获得，计算公式为
其中ε服从[0，1]上的均匀分布。
根据上述内容，在基于梯度惩罚优化的条件式Wasserstein生成对抗网络模型中，生成器与判别器的损失函数分别如式(6)与式(7)所示。
应用CWGAN实现变压器套管故障红外图像增强的具体流程为：
已知故障样本服从的实际分布为Pr，且存在一组服从高斯分布Pz的噪声向量z，通过建立起Pz与Pr间的映射关系模型，便可实现基于随机噪声生成满足真实数据分布关系的人工样本。
(1)输入生成器通过先验分布Pz采样得到的随机噪声z，经由多层神经元的运算获得与套管故障样本维度一致的输出向量；
(2)输入判别器既包含真实的套管故障样本，也包含生成器合成的人工样本，同样经由多层神经元的运算获得输入数据是否为真实样本的概率；
(3)基于式(6)和式(7)的损失函数训练生成器与判别器，生成器的训练目标是使人工样本的分布规律Pg尽可能逼近实际分布Pr；判别器的训练目标则是尽可能准确地甄别出输入数据的来源属性；
(4)通过对生成器与判别器进行交替式的迭代优化训练。理论上可达到二者间的纳什均衡点，即生成器可合成判别器难以甄别的人工样本，此时可用该算法实现变压器套管故障样本的扩充。
2.基于CNN的变压器套管故障诊断方法
作为一种有监督学习算法，CNN和传统神经网络一样，都必须利用有标签的数据来进行模型训练，从而通过该模型来预测待识别样本。作为一个多层的神经网络，CNN的基本网络结构如图4所示。首先将一维或多维数组从输入层输入，然后通过卷积层C1和采样层S1进行特征提取和抽样处理，之后的卷积层C2和采样层S2进行的操作与C1和S1一致，最后由全连接层将其展开成一维向量F3并经过激活函数传递至输出层输出。
CNN应用于套管故障诊断的具体流程为：
(1)向输入层输入一个32cm×32cm大小的套管红外样本图；
(2)卷积层C1采用5cm×5cm大小的卷积核分别对输入层的图像进行卷积处理，卷积后一共得到20个28cm×28cm大小的二维特征图；
(3)采样层S1分别对上一层C1中所有2cm×2cm大小的子块进行池化处理，得到20个14×14大小的特征图(数目不变，大小变为原来的一半)；
(4)接下来的卷积层C2和采样层S2的操作步骤及原理与C1和S1一致。最终可以获得50个5cm×5cm大小的二维特征图；
(5)全连接层对S2输出的二维图像矩阵进行转化处理，得到一维特征向量F3；
(6)最后将一维特征向量F3与输出层的3个神经元(套管诊断结果有3类)全连接进行分类。
3.结合CWGAN-GP数据增强和CNN的电力变压器套管故障诊断方法
为解决电力变压器套管实际红外图像库所存在的类别非均衡问题，本发明提出了一种结合CWGAN-GP数据增强和CNN的设备智能故障诊断技术，其具体流程框架如图5所示。
(1)参数解析器和一些参数的初始化；
(2)读取套管红外图像，并对其进行预处理，调整套管红外样本图的大小为32cm×32cm；
(3)采用分层抽样方法对数据集进行划分，保证训练集与测试集中样本类别分布的一致性；
(4)对CWGAN-GP中的判别器进行预训练，以提升其甄别性能，促进生成器的优化能力；
(5)对判别器与生成器进行交替博弈训练，以达到二者间的纳什均衡点；
(6)使用生成器合成的人工故障样本集对原始训练集进行扩充，并基于增强后的训练集对CNN分类器进行训练；
(7)利用训练好的CNN分类器对测试集进行诊断测试，并基于相关评价指标对数据增强前后的模型分类效果进行对比分析。
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图6为本说明书实施例提供的对应于图1的一种电力变压器套管故障诊断装置的结构示意图。如图6所示，该装置可以包括：
数据读取模块601，用于读取多张套管红外样本图像；
预处理模块602，用于对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
判别器预训练模块603，用于采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
交替训练模块604，用于对判别器与生成器进行交替训练，生成人工故障样本集；
数据增强模块605，用于采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
分类器训练模块606，用于基于所述增强后的训练数据集对CNN分类器进行训练；
模型诊断测试模块607，用于利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
故障诊断模块608，用于采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种电力变压器套管故障诊断方法，其特征在于，包括：
读取多张套管红外样本图像；
对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
对判别器与生成器进行交替训练，生成人工故障样本集；
采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
基于所述增强后的训练数据集对CNN分类器进行训练；
利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
2.如权利要求1所述的方法，其特征在于，所述对所述套管红外样本图像进行预处理，具体包括：
调整套管红外样本图像的大小为32cm×32cm，得到符合要求的套管红外样本数据集；
采用分层抽样方法对所述套管红外样本数据集进行划分。
3.如权利要求1所述的方法，其特征在于，所述训练数据集与所述测试数据集中的样本类别分布一致。
4.如权利要求1所述的方法，其特征在于，将故障样本的类别标签作为条件生成对抗网络(CGAN)的附加条件变量。
5.如权利要求1所述的方法，其特征在于，所述采用调整后的CNN分类器对电力变压器套管进行故障诊断，具体包括：
向输入层输入一个32cm×32cm大小的套管红外样本图像；
对所述套管红外样本图像进行卷积处理，得到二维特征图；
对所述二维特征图进行转化处理，得到一维特征向量；
对所述一维特征向量进行分类。
6.如权利要求1所述的方法，其特征在于，所述CNN分类器的网络结构为：首先将一维或多维数组从输入层输入，然后通过第一卷积层进行特征提取、第一采样层进行抽样处理，第二卷积层进行的操作与第一卷积层一致，第二采样层进行的操作与第一采样层一致，最后由全连接层将第二采样层的输出结果展开成一维向量并经过激活函数传递至输出层输出。
7.如权利要求1所述的方法，其特征在于，所述生成器通过将噪声向量与类别条件进行拼接组合，形成隐含表示；在所述判别器中，实际故障样本或人工样本均与类别条件共同输入以进行判别。
8.如权利要求1所述的方法，其特征在于，在CGAN的基础上，选用Wasserstein距离来度量实际分布与生成分布之间的差异，构成CWGAN模型。
9.如权利要求1所述的方法，其特征在于，所述采用所述训练数据集对CWGAN-GP中的判别器进行预训练，具体包括：
在损失函数中添加梯度惩罚项以修正判别器网络的损失函数，使其满足1-Lipschitz条件限制。
10.一种电力变压器套管故障诊断装置，其特征在于，包括：
数据读取模块，用于读取多张套管红外样本图像；
预处理模块，用于对所述套管红外样本图像进行预处理，得到训练数据集与测试数据集；
判别器预训练模块，用于采用所述训练数据集对CWGAN-GP中的判别器进行预训练，所述训练数据集包括故障样本的类别标签；
交替训练模块，用于对判别器与生成器进行交替训练，生成人工故障样本集；
数据增强模块，用于采用所述人工故障样本集对所述训练数据集进行扩充，得到增强后的训练数据集；
分类器训练模块，用于基于所述增强后的训练数据集对CNN分类器进行训练；
模型诊断测试模块，用于利用训练好的CNN分类器对所述测试数据集进行诊断测试，根据测试结果对所述训练好的CNN分类器的参数进行调整；
故障诊断模块，用于采用调整后的CNN分类器对电力变压器套管进行故障诊断，生成故障类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475765.0A CN113191429A (zh) | 2021-04-29 | 2021-04-29 | 一种电力变压器套管故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110475765.0A CN113191429A (zh) | 2021-04-29 | 2021-04-29 | 一种电力变压器套管故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191429A true CN113191429A (zh) | 2021-07-30 |
Family
ID=76980802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110475765.0A Pending CN113191429A (zh) | 2021-04-29 | 2021-04-29 | 一种电力变压器套管故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191429A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021455A (zh) * | 2021-11-03 | 2022-02-08 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
| CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
| CN115587975A (zh) * | 2022-09-28 | 2023-01-10 | 国网湖北省电力有限公司超高压公司 | 充油设备套管积污缺陷诊断系统、方法和介质 |
| WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
| CN117853847A (zh) * | 2024-03-07 | 2024-04-09 | 南京邮电大学 | 一种基于StyleGAN的变压器故障图像样本生成方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
| CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
| WO2019210303A1 (en) * | 2018-04-27 | 2019-10-31 | Carnegie Mellon University | Improved generative adversarial networks having ranking loss |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
| CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| CN111914256A (zh) * | 2020-07-17 | 2020-11-10 | 华中科技大学 | 一种机器学习训练数据受投毒攻击的防御方法 |
| CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学（保定） | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
-
2021
- 2021-04-29 CN CN202110475765.0A patent/CN113191429A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019210303A1 (en) * | 2018-04-27 | 2019-10-31 | Carnegie Mellon University | Improved generative adversarial networks having ranking loss |
| CN109214460A (zh) * | 2018-09-21 | 2019-01-15 | 西华大学 | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 |
| CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
| CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
| CN111832431A (zh) * | 2020-06-23 | 2020-10-27 | 杭州电子科技大学 | 一种基于cnn的情绪脑电分类方法 |
| CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学（保定） | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
| CN111914256A (zh) * | 2020-07-17 | 2020-11-10 | 华中科技大学 | 一种机器学习训练数据受投毒攻击的防御方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘云鹏等: "基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术", 电网技术, vol. 44, no. 04, pages 1 - 3 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021455A (zh) * | 2021-11-03 | 2022-02-08 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
| CN114021455B (zh) * | 2021-11-03 | 2024-04-30 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
| WO2023097774A1 (zh) * | 2021-11-30 | 2023-06-08 | 深圳先进技术研究院 | 工业机器人故障数据生成方法、系统、终端以及存储介质 |
| CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
| CN115587975A (zh) * | 2022-09-28 | 2023-01-10 | 国网湖北省电力有限公司超高压公司 | 充油设备套管积污缺陷诊断系统、方法和介质 |
| CN117853847A (zh) * | 2024-03-07 | 2024-04-09 | 南京邮电大学 | 一种基于StyleGAN的变压器故障图像样本生成方法及系统 |
| CN117853847B (zh) * | 2024-03-07 | 2024-05-24 | 南京邮电大学 | 一种基于StyleGAN的变压器故障图像样本生成方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
| CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
| Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
| CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| Fang et al. | Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning | |
| CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN112766140A (zh) | 一种基于核函数极限学习机的变压器故障辨识方法 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN111428772B (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
| An et al. | Rolling bearing fault diagnosis algorithm using overlapping group sparse-deep complex convolutional neural network | |
| Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
| CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
| Ndjakomo Essiane et al. | Faults detection and identification in PV array using kernel principal components analysis | |
| Bai et al. | Fault diagnosis method research of mechanical equipment based on sensor correlation analysis and deep learning | |
| Gao et al. | Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network | |
| CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
| Kolodenkova et al. | Selection of basic parameters for the diagnosis of industrial electrical equipment using computer technology | |
| Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network | |
| Yu et al. | Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches | |
| Zhao et al. | Dimension reduction graph‐based sparse subspace clustering for intelligent fault identification of rolling element bearings |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |