CN113326881B - 一种电力变压器故障诊断方法 - Google Patents

一种电力变压器故障诊断方法 Download PDF

Info

Publication number
CN113326881B
CN113326881B CN202110602904.1A CN202110602904A CN113326881B CN 113326881 B CN113326881 B CN 113326881B CN 202110602904 A CN202110602904 A CN 202110602904A CN 113326881 B CN113326881 B CN 113326881B
Authority
CN
China
Prior art keywords
fault
data
network
training
power transformer
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.)
Active
Application number
CN202110602904.1A
Other languages
English (en)
Other versions
CN113326881A (zh
Inventor
景晨英
邢敬创
乔匡华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Si'an Yunchuang Technology Co ltd
Original Assignee
Xi'an Si'an Yunchuang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Si'an Yunchuang Technology Co ltd filed Critical Xi'an Si'an Yunchuang Technology Co ltd
Priority to CN202110602904.1A priority Critical patent/CN113326881B/zh
Publication of CN113326881A publication Critical patent/CN113326881A/zh
Application granted granted Critical
Publication of CN113326881B publication Critical patent/CN113326881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的是提供一种电力变压器故障诊断方法，将深度学习中的DBN、SAE网络与D‑S证据推理相结合，将待测数据经过DBN、SAE网络得到的网络输出结果视为两个不同的证据，并将其视为变压器类别的概率结果，将该结果转换成对应的基本概率假设函数后再进行D‑S证据融合，从而确定故障的部位和原因。以解决现有故障诊断方法中依赖专家经验和历史数据、适应性差、无法做到实时高效的问题。

Description

一种电力变压器故障诊断方法
【技术领域】
本发明属于变压器技术领域，具体涉及一种电力变压器故障诊断方法。
【背景技术】
电力变压器是整个电网正常稳定运行必不可少的设备之一，处于电网中输配电系统的核心位置，其运行状态直接影响着电力系统的生产安全与经济效益，由于电力变压器工作在较为恶劣的环境，再加上其复杂的内部构造等因素，发生故障的几率较大，及时准确地定位故障发生的部位，了解故障发生的原因，进而进行维修是确保电力变压器安全稳定运行的关键，故障诊断方法的研究与应用则为其提供了重要的基础和保障。
目前，电力变压器故障诊断方法的研究还存在不足与局限，比如1.考虑因素较为单一，并未充分利用电力变压器的检修历史、缺陷信息、家族质量史以及全面运行工况等状态信息；2.数据监测技术的局限性以及知识的不精确性等原因致使信息具有模糊性、随机性等特征，进而导致电力变压器故障诊断的准确性和时效性未达到实际应用的要求；3.现有研究方法主要有人工神经网络、模糊理论、支持向量机等，这些方法弥补了传统DGA方法的不足，但都属于浅层机器学习的一种，有部分学者将深度学习引入到故障诊断中，但是单单依靠DBN网络和历史经验数据很难做到高准确率、高适应性，这个方法对历史经验数据有很大的依赖性，且需要相关专家经验才能得到相应结果，很难得到准确快速的结果。
【发明内容】
本发明的目的是提供一种电力变压器故障诊断方法，以解决现有故障诊断方法中依赖专家经验和历史数据、适应性差、无法做到实时高效的问题。
本发明采用以下技术方案：一种电力变压器故障诊断方法，按照以下步骤实施：
步骤1、第一层融合：对第一训练数据进行预处理、归一化，分别构建第一DBN网络和第一SAE网络，并对两个网络进行训练，分别得到第一DBN网络和第一SAE网络训练好的第一训练参数；
其中，第一训练数据为变压器的历史故障部位数据样本集，包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与运行参数相对应的电力变压器的故障部位的标签数据集，包括绕组故障、油纸绝缘故障、铁芯故障三种故障；
步骤2、基于两个所述第一训练参数，将第一待测数据分别经过第一DBN网络和第一SAE网络计算得到两个第一网络输出结果；
其中，第一待测数据为电力变压器的九种运行参数真实值的数据矩阵m×9，第一网络输出结果为对应第一待测数据的三种故障部位的数据矩阵m×3；m为待测数据的个数；
步骤3、将两个所述第一网络输出结果、视为电力变压器故障部位的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值，判定得到第一待测数据中所有数据对应的故障部位；
步骤4、对步骤3中确定出的每个故障部位分别进行第二层融合：
选取第二训练数据进行预处理、归一化，分别构建第二DBN网络和第二SAE网络，分别构建第二DBN网络和第二SAE网络，并对两个网络进行训练，分别得到第二DBN网络和第二SAE网络训练好的第二训练参数；
其中，第二训练数据包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与故障部位相对应的故障原因的标签数据集；
步骤5，基于两个所述第二训练参数，将第二待测数据分别经过第二DBN网络和第二SAE网络计算得到两个第二网络输出结果；
其中，根据第一待测数据经过第一层融合得到的故障部位的不同，将第一待测数据分为三类，此时分类后的第一待测数据即为第二待测数据；第二网络输出结果为对应第二待测数据的故障原因的矩阵。
步骤6，将步骤5得到的两个第二网络输出结果视为电力变压器第一层融合得到的故障下的故障原因的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值，判定得到第二待测数据中每个故障部位对应的故障原因。
进一步的，步骤3中，对于故障部位的D-S融合过程为：设e1为第一DBN网络模型的网络输出结果，e2为第一SAE网络模型的网络输出结果，分别计算关于证据e1和e2对三个故障部位F1，F2，F3的基本概率分配函数，分别计算关于证据e1和e2的不确定度；对e1,e2两个证据进行融合得到证据ε，计算融合后的基本概率分配函数，进而根据最大值确定出第一待测数据中的m个数据所对应的故障部位。
进一步的，步骤6中，对于第一层融合得到的故障下的故障原因的D-S融合过程：
设e3为第二DBN网络模型的网络输出结果，e4为第二SAE网络模型的网络输出结果，分别计算关于证据e3和e4对第一层融合得到的故障下的故障原因的基本概率分配函数，对e3,e4两个证据进行融合得到证据α，计算融合后的基本概率分配函数，则由基本概率分配函数的最大值得到第二待测数据分别属于第一层融合得到的故障下的某个故障原因。
进一步的，步骤4中，所述运行参数分为三类，第一类为与绕组故障对应的运行参数，第二类为与油纸绝缘故障对应的运行参数，第三类为与铁芯故障对应的运行参数；标签数据集分为三类：第一类为与绕组故障对应的标签数据集，第二类为与油纸绝缘故障对应的标签数据集，第三类为与铁芯故障对应的标签数据集。
进一步的，步骤4中，与故障部位相对应的故障原因的标签数据集包括：
故障部位为绕组故障的故障原因分别用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)表示绕组过热、绕组变形、绕组断线、绕组匝间短路；
故障部位为油纸绝缘故障的故障原因分别用(1，0)、(0,1)表示液体绝缘油故障、固体绝缘纸故障；
故障部位为铁芯故障的故障原因分别用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)表示铁芯过热、铁芯片短路、铁芯松动及噪声、铁芯多点接地。
本发明的有益效果是：本发明将深度学习中的DBN网络、SAE网络得到的变压器类别概率的结果通过D-S证据推理进行融合，可以在变压器错综复杂的数据特征中提取出潜在的有价值的信息特征，很好的解决了故障诊断方法中高维数据的处理、有效特征的提取以及存在的各种不确定性等问题，不用考虑专家经验，更好的实现了高效、实时的故障诊断，弥补了传统故障诊断方法的不足，考虑了更加全面的影响因素，提高了变压器故障诊断结果的准确性，为电力系统的安全提供了保障。
【附图说明】
图1为本发明一种电力变压器故障诊断方法中DBN网络结构图；
图2为本发明一种电力变压器故障诊断方法中SAE网络结构图；
图3为本发明一种电力变压器故障诊断方法的诊断模型；
图4为本发明一种电力变压器故障诊断方法中D-S证据推理理论不确定性描述图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种电力变压器故障诊断方法。
图1为DBN网络结构图，本质上来说DBN是在无标签数据和标签之间建立一个联合概率分布，是一个概率生成模型，从其结构来看，DBN主要是由多个受限玻尔兹曼机RBM堆栈构成。具体分为两步，第一步为预训练，预训练的作用是计算得到模型参数的初始值，其基本思想是：自底层向上无监督地学习每层RBM，单次只训练一层RBM，然后将该层RBM输出的结果作为其高一层的输入。预训练所需要获得的模型参数是层间连接权值矩阵以及每层各神经元的偏置值。第二步为微调，调优的基本思想是自顶层而下的监督学习过程，利用已添加标签的数据进行训练，利用BP神经网络算法对DBN模型的连接权值和偏置值进行反向微调，最终使网络达到全局最优。
图2为SAE网络结构图，自编码器AE是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络，由输入层、隐含层、输出层3个网络组成，将前一层稀疏AE的输出作为后一层稀疏AE的输入时，多层稀疏AE则构成了SAE网络。对SAE网络采用逐层贪婪训练法进行训练，然后利用反向传播算法及批量梯度下降法迭代更新连接权值和偏置值，便可得到SAE网络模型的最优解。
图4为D-S证据推理理论不确定性描述，D-S证据理论在概率的基础上对概率论的概念进行了扩展，把概率论中的事件扩展成了命题，把事件的集合扩展成了命题的集合，并提出了基本概率分配、信任函数Bel和似然函数Pl的概念，建立了命题和集合之间的一一对应关系，从而把命题的不确定性问题转化为集合的不确定性问题。
图3为本发明一种电力变压器故障诊断方法的诊断模型，将深度学习中的DBN、SAE网络与D-S证据推理相结合，将待测数据经过DBN、SAE网络得到的网络输出结果视为两个不同的证据，并将其视为变压器类别的概率结果，将该结果转换成对应的基本概率假设函数后再进行D-S证据融合，从而确定故障的部位和原因。
首先，本发明的一种电力变压器故障诊断方法中涉及，九组运行参数：油中溶解气体(H2,CH4,C2H6,C2H4,C2H2,CO,CO2)体积分数、局部放电量、套管介质耗损因数；
三种故障部位：绕组故障、油纸绝缘故障、铁芯故障；
故障原因包括：4种绕组故障原因：绕组过热、绕组变形、绕组断线、绕组匝间短路；2种油纸绝缘故障原因：液体绝缘油故障和固体绝缘纸故障；4种铁芯故障原因：铁芯过热、铁芯片短路、铁芯松动及噪声、铁芯多点接地。
本发明的一种电力变压器故障诊断方法具体按照以下步骤实施：
该故障诊断模型可认为有两层融合，第一层融合是确定故障部位，第二层融合是确定故障原因，该故障原因是与第一层融合得到的故障部位相对应的故障原因，根据第一层融合得到的不同的故障部位分别进行第二层融合来确定每个故障部位下对应的故障原因。
步骤1，首先进行第一层融合。选取第一训练数据进行预处理、归一化，分别构建DBN网络和SAE网络，将第一训练数据作为训练数据对DBN网络和SAE网络进行训练，保存第一DBN网络模型和第一SAE网络模型训练好的参数。
表2给出了故障部位的标签以及当故障部位为绕组故障时的故障原因的标签。
表1.故障类型标签
Figure BDA0003093528260000071
第一训练数据分为网络输入训练数据集和网络输出训练数据集，网路输入训练数据集为多个影响电力变压器运行的参数数据集，网络输出训练数据集为与所述网路输入训练数据集相对应的电力变压器的故障部位的标签数据集。
取电力变压器典型的油中溶解气体(H2,CH4,C2H6,C2H4,C2H2,CO,CO2)的体积分数、局部放电量、套管介质耗损因数9组影响参数，如表1所示，则表1中每一行数据为一个网络输入数据，则有n个数据样本的网路输入训练数据集为一个n×9的矩阵；
如表1所示，变压器故障部位的历史数据中有3种故障部位类别，则(1，0，0)、(0,1，0)、(0，0，1)分别为绕组故障、油纸绝缘故障、铁芯故障的标签，则该n个数据样本的网路输出训练数据集为一个n×3的矩阵。
DBN模型的建立主要包括预训练和调优两个过程，DBN是由多个RBM和一层BP神经网络组合而成，通过预训练可以获得DBN模型的初始参数值，其训练过程的思路是从输入层开始逐层向上的以非监督形式学习各层RBM，每次只针对一个RBM进行训练，并将训练后该RBM的输出结果用于相邻高层的输入。完成预训练后，可以得到DBN模型的相关参数，包括层与层之间的连接权重矩阵以及各层内每个神经元的偏置值。一个RBM包含两层，由一个可视层V和一个隐含层H构成，假设一个两层RBM的可视层V有n个可视神经元，隐含层H有m个隐含神经元，则RBM的能量计算公式为：
Figure BDA0003093528260000081
式中，vi为第i个可视神经元的状态，hj为第j个隐含神经元的状态，参数θ为θ＝{Wij,ai,bj}，Wij为第i个可视神经元与第j个隐含神经元之间的连接权重，ai为第i个可视神经元的偏置值，bj为第j个隐含神经元的偏置值。
可用以下函数实现归一化处理，
Figure BDA0003093528260000091
表示归一化因子，
Figure BDA0003093528260000092
给定隐含单元h的状态时，第i个可视单元的函数表达式为：
Figure BDA0003093528260000093
给定可视单元v的状态时，第j个隐含单元的函数表达式为：
Figure BDA0003093528260000094
其中，σ为sigmoid激活函数
Figure BDA0003093528260000095
完成非监督形式的预训练后，能够计算得出RBM的初始参数值，再通过调优过程对各层网络的参数进行优化，调优的算法思路是从输出层开始，逐层向下的进行监督式学习的过程。这里用到的是带标签数据，通过使用带标签数据进行训练，采用反向传播BP算法对DBN模型参数(即连接权重和偏置)进行反向微调，直到实现整个网络全局最优为止。
SAE网络是AE的深层模型，是通过将多个AE按一定的形式堆叠而成，SAE的训练方式为逐层贪心训练算法，由n个AE组成的SAE的结构，其编码操作可以由以下公式描述：
Figure BDA0003093528260000096
其中，
Figure BDA0003093528260000097
和
Figure BDA0003093528260000098
分别表示第k个编码器的权值和偏置值；ak为第k个编码器的编码值；f(·)代表激活函数。
其解码操作可以用以下公式描述：
Figure BDA0003093528260000101
其中，Wd和bd表示解码器的权值和偏置，ck为第k个解码器的解码值。
AE通过调整网络参数，最终实现解码器输出的重构序列
Figure BDA0003093528260000102
尽可能等于输入序列s，即代价函数达到最小，其中，代价函数可表示为
Figure BDA0003093528260000103
其中，
Figure BDA0003093528260000104
和si分别为AE的第i个输入和输出，
Figure BDA0003093528260000105
为第l层第i单元与l+1层第j单元之间的连接权值，nl和sl分别为网络层数和第l层的神经元数，λ为权值惩罚参数。
稀疏AE通过对网络的权值增加稀疏性限制，使AE具有了更强的特征表达能力。将前一层稀疏AE的输出作为后一层稀疏AE的输入时，多层稀疏AE可组成SAE。对SAE采用逐层贪婪训练法进行训练，然后利用反向传播算法及批量梯度下降法迭代更新参数W和b，便可得到SAE网络模型的最优解。为提高SAE学习过程收敛速度和达到更好的特征区分效果，在无监督预训练完成后，通常利用有标签数据集，采用有监督学习算法对网络的全部参数进行调优。利用softmax分类器对SAE进行微调，通过丢掉SAE的解码层部分，直接把最后一个隐含层的输出作为特征输入到softmax分类器进行分类。
Softmax分类器通过计算特征量vi对应类别ci的概率，对应概率最大的类别为其所属类别，其概率表达式为：
Figure BDA0003093528260000106
式中，θ为sofemax分类器待估计参数矩阵。
利用分类结果与输入样本的标签构建代价函数，通过反向传播算法，训练得到最优模型参数θ。
步骤2，基于步骤1得到的第一DBN网络模型和第一SAE网络模型的训练参数，将第一待测数据分别经过第一DBN网络模型和第一SAE网络模型计算得到第一DBN网络模型和第一SAE网络模型的网络实际输出结果。
第一待测数据与第一训练数据里的网络输入训练数据集类似，为一个m×9的矩阵，m为待测数据的个数，则经过网络运算得到的第一DBN网络模型和第一SAE网络模型的网络实际输出结果与第一训练数据里的网络输出训练数据集类似，都是一个m×3的矩阵。如第一待测数据中的某一个数据为(i1,i2,i3,i4,i5,i6,i7,i8,i9)，则该数据的第一DBN网络模型和第一SAE网络模型的网络实际输出结果分别为(o1,o2,o3)和(t1,t2,t3)，其中i，o和t分别代表真实的数据值。
步骤3，将步骤2得到的网络的实际输出结果视为电力变压器故障部位的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值所对应的故障部位判定得到第一待测数据中所有数据的故障部位；
D-S证据理论在概率的基础上对概率论的概念进行了扩展，把概率论中的事件扩展成了命题，把事件的集合扩展成了命题的集合，并提出了基本概率分配函数、信任函数Bel和似然函数Pl的概念，建立了命题和集合之间的一一对应关系，从而把命题的不确定性问题转化为集合的不确定性问题。
设Θ辨识框架，R是辨识框架幂集2Θ中的一个集类，A为2Θ的子集，如有集合映射函数m:R→[0,1]满足下列条件：
a.
Figure BDA0003093528260000111
b.
Figure BDA0003093528260000121
则称m为辨识框架Θ上的基本概率分配函数。m(A)表示证据支持命题A本身发生的程度。
设Θ辨识框架，R是辨识框架幂集2Θ中的一个集类，A为2Θ的子集，m为2Θ上的基本概率分配函数，映射函数Bel:R→[0,1]，且满足：
Figure BDA0003093528260000122
则称Bel为辨识框架Θ上的信任函数，Bel(A)称为A的置信度。Bel(A)表示给予命题A的全部置信程度，为属于A的所有子集B对应的基本概率数之和。
设Θ辨识框架，R是辨识框架幂集2Θ中的一个集类，A为2Θ的子集，m为2Θ上的基本概率分配函数，映射函数Pl:R→[0,1]，且满足：
Figure BDA0003093528260000123
则称Pl为辨识框架Θ上的似然函数，Pl(A)称为A的似真度。Pl(A)表示不反对命题A的程度，为2Θ中所有与A的交集不为空的子集B对应的基本概率数之和。
[Bel(A),Pl(A)]构成证据不确定区间，表示证据的不确定程度。
辨识框架Θ上，不同证据的基本概率分配函数分别为m1，m2，…，mn，则证据合成规则为：
Figure BDA0003093528260000124
其中，K为冲突系数，
Figure BDA0003093528260000131
Figure BDA0003093528260000132
为融合后的基本概率分配函数。，由
Figure BDA0003093528260000133
得出融合结果，
Figure BDA0003093528260000134
值越大则认为结果属于该类。
对于第一层融合中故障部位的D-S融合来说，证据空间为E＝{e1,e2}，e1为第一DBN网络模型的网络实际输出结果，e2为第一SAE网络模型的网络实际输出结果。
两个证据的基本概率分配函数的计算方法为：
Figure BDA0003093528260000135
其中，y(Ri)为第一DBN网络模型和第一SAE网络模型的网络实际输出结果；En为网络训练的误差，
Figure BDA0003093528260000136
tn、yn分别为网络模型的期望输出值和实际输出值，期望值为故障部位对应的类别标签(1，0，0)、(0,1，0)、(0，0，1)，实际值为两个网络模型的网络实际输出结果；Ri为故障类别，其中i＝1,2,...,n，且n为总故障部位类别数，即n＝3。
第一待测数据中某个数据的第一DBN网络模型和第一SAE网络模型的网络实际输出结果分别为(o1,o2,o3)和(t1,t2,t3)，根据式(12)，计算得出关于证据e1对故障部位F1，F2，F3(绕组故障、油纸绝缘故障、铁芯故障)的基本概率分配函数(m1(F1),m1(F2),m1(F3),U1)和关于证据e2对故障部位F1，F2，F3的基本概率分配函数(m2(F1),m2(F2),m2(F3),U2)。
其中U1为关于证据e1的不确定度，且U1＝1-(m1(F1)+m1(F2)+m1(F3))；U2为关于证据e2的不确定度，且U2＝1-(m2(F1)+m2(F2)+m2(F3))。
对e1,e2两个证据进行融合得到新证据ε，根据式(11)计算融合后新证据的的基本概率分配函数(mε(F1),mε(F2),mε(F3),Uε)，则由mε(F1),mε(F2),mε(F3)的最大值判定得到该数据的故障部位。则第一待测数据中的m个数据均可得到其相应的故障部位。
步骤4，确定故障部位后，对不同的故障部位(绕组故障、油纸绝缘故障、铁芯故障)分别进行第二层融合，选取第二训练数据进行预处理、归一化，分别构建DBN网络和SAE网络，将第二训练数据作为训练数据对DBN网络和SAE网络进行训练，保存第二DBN网络模型和第二SAE网络模型训练好的参数。
其中，第二训练数据包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数，其分为三类，第一类为与绕组故障对应的运行参数，第二类为与油纸绝缘故障对应的运行参数，第三类为与铁芯故障对应的运行参数；二是与故障部位相对应的故障原因的标签数据集，分为三类：第一类为与绕组故障对应的标签数据集，第二类为与油纸绝缘故障对应的标签数据集，第三类为与铁芯故障对应的标签数据集。此处与第一训练数据一样都是包括影响参数和标签，只不过按照三类故障位置分开进行融合。
在进行第二层融合时，选取的第二训练数据是根据第一层融合得到的故障部位进行选取，选取第一层融合结果得到的故障部位下的故障原因的历史数据样本，即针对3种不同的故障部位，第二训练数据有三类，第一类为与绕组故障对应的训练数据，第二类为与油纸绝缘故障对应的训练数据，第三类为与铁芯故障对应的训练数据。
第二训练数据分为网络输入训练数据集和网络输出训练数据集，则对于三类故障部位分别有ni个数据样本的网络输入训练数据集为一个ni×9的矩阵，ni为第i类故障部位的训练样本数据的个数；
网络输出训练数据集为与网络输入训练数据集相对应的标签数据集，如表2所示，故障部位为绕组故障的故障原因有4类，用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)分别表示绕组过热、绕组变形、绕组断线、绕组匝间短路；故障部位为油纸绝缘故障的故障原因有2类，用(1，0)、(0,1)分别表示液体绝缘油故障、固体绝缘纸故障；故障部位为铁芯故障的故障原因有4类，用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)分别表示铁芯过热、铁芯片短路、铁芯松动及噪声、铁芯多点接地。则对于三类故障部位分别有ni个数据样本的网络输出训练数据集分别为一个n1×4、n2×2、n3×4的矩阵。
步骤5，基于步骤4得到的第二DBN网络模型和第二SAE网络模型的训练参数，将第二待测数据分别经过第二DBN网络模型和第二SAE网络模型计算得到第二DBN网络模型和第二SAE网络模型的网络实际输出结果。
根据第一待测数据经过第一层融合得到的故障部位的不同，第一待测数据分为3类，此时分类后的第一待测数据即为第二待测数据，则对于三类故障部位分别有mi个待测数据样本的网络输入训练数据集为一个mi×9的矩阵，mi为第i类故障部位的待测样本数据的个数，其中m1+m2+m3＝m；则经过网络运算得到的第二DBN网络模型和第二SAE网络模型的网络实际输出结果分别为一个m1×4、m2×2、m3×4的矩阵。如第一待测数据中的某一个数据为(i1,i2,i3,i4,i5,i6,i7,i8,i9)，该数据第一层融合结果为绕组故障，则该数据的第二DBN网络模型和第二SAE网络模型的网络实际输出结果分别为(o1,o2,o3,o4)和(t1,t2,t3,t4)，其中i，o和t分别代表真实的数据值。
步骤6，将步骤5得到的两个第二网络输出结果视为电力变压器第一层融合得到的故障下的故障原因的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值所对应的故障原因判定得到第二待测数据中所有数据的故障原因；
对于第二层融合，不同的故障部位下的故障原因的D-S融合来说，证据空间均为两个，即第二DBN网络模型的网络实际输出结果和第二SAE网络模型的网络实际输出结果。计算方法与步骤3方法类同。
对于绕组故障下的故障原因的D-S融合来说，证据空间为E＝{e3,e4}，e3为第二DBN网络模型的网络实际输出结果，e4为第二SAE网络模型的网络实际输出结果。
对于第二待测数据中绕组故障类下的每一个数据，根据式(12)，计算得出关于证据e3对绕组故障的故障原因N1，N2，N3，N4(绕组过热、绕组变形、绕组断线、绕组匝间短路)的基本概率分配函数和关于证据e4对绕组故障的故障原因N1，N2，N3，N4的基本概率分配函数分别为：(m3(N1),m3(N2),m3(N3),m3(N4),U3)，(m4(N1),m4(N2),m4(N3),m4(N4),U4)。
其中U3为关于证据e3的不确定度，且U3＝1-(m3(N1)+m3(N2)+m3(N3)+m3(N4))；U4为关于证据e4的不确定度，且U4＝1-(m4(N1)+m4(N2)+m4(N3)+m4(N4))。
对e3,e4两个证据进行融合得到证据α，根据式(11)计算融合后的基本概率分配函数(mα(N1),mα(N2),mα(N3),mα(N4),Uα)，则由mα(N1),mα(N2),mα(N3),mα(N4)的最大值得到每个数据绕组故障下的原因。
对于油纸绝缘故障和铁芯故障下的故障原因分别进行步骤6后可得第二待测数据中所有数据对应的故障部位下的故障原因。
由以上步骤得到的故障部位和故障原因最终总结给出故障诊断的结果。
实施例
步骤1、对第一训练数据进行预处理、归一化，分别构建第一DBN网络和第一SAE网络，并对两个网络进行训练，分别得到第一DBN网络和第一SAE网络训练好的第一训练参数；其中，第一训练数据包括：电力变压器典型的油中溶解气体H2,CH4,C2H6,C2H4,C2H2,CO,CO2的体积分数、局部放电量、套管介质耗损因数，以及与运行参数相对应的电力变压器的故障部位的标签数据集，故障部位包括绕组故障、油纸绝缘故障、铁芯故障三种故障，用(1，0，0)、(0,1，0)、(0，0，1)分别表示绕组故障、油纸绝缘故障、铁芯故障的标签数据。
步骤2，基于两个第一训练参数，将第一待测数据分别经过第一DBN网络和第一SAE网络计算得到两个第一网络输出结果；其中，第一待测数据为电力变压器的九种运行参数真实值的数据矩阵m×9，第一网络输出结果为对应第一待测数据的三种故障部位的数据矩阵m×3；m为待测数据的个数；
步骤3，将步骤2得到的两个第一网络输出结果视为电力变压器故障部位的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值所对应的故障部位、判定得到第一待测数据中所有数据的故障部位；
步骤4，比如确定故障部位为绕组故障，对该故障部位进行第二层融合，选取第二训练数据进行预处理、归一化，分别构建第二DBN网络和第二SAE网络，将第二训练数据作为训练数据对第二DBN网络和第二SAE网络进行训练，保存第二DBN网络和第二SAE网络训练好的第二训练参数；
其中，第二训练数据包括绕组故障部位下的故障原因的历史数据样本，如表2所示；还包括与绕组故障部位相对应的故障原因的标签数据集。用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)分别表示绕组故障的四种故障原因：绕组过热、绕组变形、绕组断线、绕组匝间短路，则输出为一个n×4的矩阵。
表2.绕组故障部分历史数据样本
Figure BDA0003093528260000181
步骤5，基于步骤4得到的两个第二训练参数，将第二待测数据分别经过第二DBN网络和第二SAE网络计算得到两个第二网络输出结果；第二网络输出结果为对应第二待测数据的故障原因的矩阵。步骤6，将步骤5得到的两个第二网络输出结果视为电力变压器绕组故障下的故障原因的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据决策判定得到第二测数据2在绕组故障下的故障原因，比如判定得到绕组故障原因为绕组过热。
本发明将深度学习中的DBN网络、SAE网络得到的变压器类别概率的结果通过D-S证据推理进行融合，可以在变压器错综复杂的数据特征中提取出潜在的有价值的信息特征，很好的解决了故障诊断方法中高维数据的处理、有效特征的提取以及存在的各种不确定性等问题，不用考虑专家经验，更好的实现了高效、实时的故障诊断，弥补了传统故障诊断方法的不足，考虑了更加全面的影响因素，提高了变压器故障诊断结果的准确性，为电力系统的安全提供了保障。

Claims (5)

1.一种电力变压器故障诊断方法，其特征在于，按照以下步骤实施：
步骤1、第一层融合：对第一训练数据进行预处理、归一化，分别构建第一DBN网络和第一SAE网络，并对两个网络进行训练，分别得到第一DBN网络和第一SAE网络训练好的第一训练参数；
其中，第一训练数据为变压器的历史故障部位数据样本集，包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与运行参数相对应的电力变压器的故障部位的标签数据集，包括绕组故障、油纸绝缘故障、铁芯故障三种故障；
步骤2、基于两个所述第一训练参数，将第一待测数据分别经过第一DBN网络和第一SAE网络计算得到两个第一网络输出结果；
其中，第一待测数据为电力变压器的九种运行参数真实值的数据矩阵m×9，第一网络输出结果为对应第一待测数据的三种故障部位的数据矩阵m×3；m为待测数据的个数；
步骤3、将两个所述第一网络输出结果、视为电力变压器故障部位的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值，判定得到第一待测数据中所有数据对应的故障部位；
步骤4、对步骤3中确定出的每个故障部位分别进行第二层融合：
选取第二训练数据进行预处理、归一化，分别构建第二DBN网络和第二SAE网络，并对两个网络进行训练，分别得到第二DBN网络和第二SAE网络训练好的第二训练参数；
其中，第二训练数据包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与故障部位相对应的故障原因的标签数据集；
步骤5，基于两个所述第二训练参数，将第二待测数据分别经过第二DBN网络和第二SAE网络计算得到两个第二网络输出结果；
其中，根据第一待测数据经过第一层融合得到的故障部位的不同，将第一待测数据分为三类，此时分类后的第一待测数据即为第二待测数据；第二网络输出结果为对应第二待测数据的故障原因的矩阵；
步骤6，将步骤5得到的两个第二网络输出结果视为电力变压器第一层融合得到的故障下的故障原因的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值，判定得到第二待测数据中每个故障部位对应的故障原因。
2.如权利要求1所述的一种电力变压器故障诊断方法，其特征在于，所述步骤3中，对于故障部位的D-S融合过程为：设e1为第一DBN网络模型的网络输出结果，e2为第一SAE网络模型的网络输出结果，分别计算关于证据e1和e2对三个故障部位F1，F2，F3的基本概率分配函数，分别计算关于证据e1和e2的不确定度；对e1,e2两个证据进行融合得到证据ε，计算融合后的基本概率分配函数，进而根据最大值确定出第一待测数据中的m个数据所对应的故障部位。
3.如权利要求1或2所述的一种电力变压器故障诊断方法，其特征在于，所述步骤6中，对于第一层融合得到的故障下的故障原因的D-S融合过程：
设e3为第二DBN网络模型的网络输出结果，e4为第二SAE网络模型的网络输出结果，分别计算关于证据e3和e4对第一层融合得到的故障下的故障原因的基本概率分配函数，对e3,e4两个证据进行融合得到证据α，计算融合后的基本概率分配函数，则由基本概率分配函数的最大值得到第二待测数据分别属于第一层融合得到的故障下的某个故障原因。
4.如权利要求1或2所述的一种电力变压器故障诊断方法，其特征在于，所述步骤4中，所述运行参数分为三类，第一类为与绕组故障对应的运行参数，第二类为与油纸绝缘故障对应的运行参数，第三类为与铁芯故障对应的运行参数；标签数据集分为三类：第一类为与绕组故障对应的标签数据集，第二类为与油纸绝缘故障对应的标签数据集，第三类为与铁芯故障对应的标签数据集。
5.如权利要求1或2所述的一种电力变压器故障诊断方法，其特征在于，所述步骤4中，与故障部位相对应的故障原因的标签数据集包括：
故障部位为绕组故障的故障原因分别用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)表示绕组过热、绕组变形、绕组断线、绕组匝间短路；
故障部位为油纸绝缘故障的故障原因分别用(1，0)、(0,1)表示液体绝缘油故障、固体绝缘纸故障；
故障部位为铁芯故障的故障原因分别用(1，0，0，0)、(0,1，0，0)、(0，0，1，0)、(0，0，0，1)表示铁芯过热、铁芯片短路、铁芯松动及噪声、铁芯多点接地。
CN202110602904.1A 2021-05-31 2021-05-31 一种电力变压器故障诊断方法 Active CN113326881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110602904.1A CN113326881B (zh) 2021-05-31 2021-05-31 一种电力变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110602904.1A CN113326881B (zh) 2021-05-31 2021-05-31 一种电力变压器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113326881A CN113326881A (zh) 2021-08-31
CN113326881B true CN113326881B (zh) 2023-02-14

Family

ID=77422861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110602904.1A Active CN113326881B (zh) 2021-05-31 2021-05-31 一种电力变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113326881B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196143A (zh) * 2017-12-11 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力变压器故障深度诊断方法及终端设备
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
CN111914897A (zh) * 2020-06-30 2020-11-10 电子科技大学 一种基于孪生长短时间记忆网络的故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9366451B2 (en) * 2010-12-24 2016-06-14 Commonwealth Scientific And Industrial Research Organisation System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation
CN108647716B (zh) * 2018-05-09 2021-08-06 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110334740A (zh) * 2019-06-05 2019-10-15 武汉大学 人工智能推理融合的电力设备故障检测定位方法
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108196143A (zh) * 2017-12-11 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力变压器故障深度诊断方法及终端设备
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
CN111914897A (zh) * 2020-06-30 2020-11-10 电子科技大学 一种基于孪生长短时间记忆网络的故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A bearing fault and severity diagnostic technique using adaptive deep belief networks and Dempster–Shafer theory;Kun Yu等;《Structural Health Monitoring》;20190415;全文 *
Multisensor Feature Fusion for Bearing Fault Diagnosis Using Sparse Autoencoder and Deep Belief Network;Zhuyun Chen等;《IEEE Transactions on Instrumentation and Measurement》;20170320;全文 *
基于多模态堆叠自动编码器的感应电机故障诊断;蒋爱国等;《电子测量与仪器学报》;20180815(第08期);全文 *

Also Published As

Publication number Publication date
CN113326881A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
Liao et al. Fault diagnosis of power transformers using graph convolutional network
CN113283027B (zh) 一种基于知识图谱和图神经网络的机械故障诊断方法
CN112632972B (zh) 一种电网设备故障报告内故障信息的快速提取方法
CN109490814B (zh) 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法
CN108320043A (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
CN116679211B (zh) 一种锂电池健康状态的预测方法
CN114661905B (zh) 一种基于bert的电网故障诊断方法
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN115146739A (zh) 基于堆叠时间序列网络的电力变压器故障诊断方法
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN115345379A (zh) 一种变电设备运维辅助决策方法
CN116502123A (zh) 一种航空发动机剩余使用寿命无监督跨域预测方法
CN115129019A (zh) 生产线故障分析模型的训练方法及生产线故障分析方法
CN118035866A (zh) 基于专家网络的铝挤压设备故障诊断方法
CN113326881B (zh) 一种电力变压器故障诊断方法
CN112163474A (zh) 一种基于模型融合的齿轮箱智能诊断方法
CN116029295A (zh) 一种电力文本实体抽取方法、缺陷定位方法及故障诊断方法
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
CN112598186B (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
CN115564075A (zh) 一种城市电网主配一体故障协同诊断方法、系统
CN110837932A (zh) 基于dbn-ga模型的太阳能集热系统热功率预测方法
CN118520944B (zh) 一种基于大语言模型的知识图谱三元组可信性验证方法
Liu et al. Transformer Fault Synthetic Diagnosis Method Based on Fusion of Multi-Neural Networks and Evidence Theory in Cloud Computing
Li Construction of Transformer Fault Diagnosis and Prediction Model Based on Deep Learning

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
GR01 Patent grant
GR01 Patent grant