CN113782113B - 一种基于深度残差网络下的变压器油中气体故障识别方法 - Google Patents
一种基于深度残差网络下的变压器油中气体故障识别方法 Download PDFInfo
- Publication number
- CN113782113B CN113782113B CN202111093886.5A CN202111093886A CN113782113B CN 113782113 B CN113782113 B CN 113782113B CN 202111093886 A CN202111093886 A CN 202111093886A CN 113782113 B CN113782113 B CN 113782113B
- Authority
- CN
- China
- Prior art keywords
- fault
- gas
- threshold
- network
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 141
- 238000005315 distribution function Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 56
- 230000008859 change Effects 0.000 description 11
- 238000009792 diffusion process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 238000009413 insulation Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010891 electric arc Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009421 internal insulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提出了一种基于深度残差网络下的变压器油中气体故障识别方法，其步骤为：首先，将气体浓度、采样时间和采样点温度组合成新的气体特征向量，并对气体特征向量进行数据增强和故障评估，得到训练集和测试集；其次，利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；最后，利用子通道阈值深度残差收缩网络分别对训练集和测试集进行训练和测试，并利用自适应可变权重的交叉熵函数对识别结果进行评价，根据评价结果判断是否更新故障阈值，以更好的识别故障类型。本发明利用半软阈值函数进行替换后解决了软阈值信号重构出现的恒定偏差问题，并利用交叉熵函数获取更准确、更具时效性的故障阈值判定标准。
Description
技术领域
本发明涉及变压器故障识别技术领域，特别是指一种基于深度残差网络下的变压器油中气体故障识别方法。
背景技术
国内大多数变压器为油纸组合绝缘型，在日常运行当中会出现各种类型的故障，例如运行温度异常、电弧放电、局部放电、绝缘降低等。当内部发生故障时，不同类型的放电或者温度会导致绝缘油出现裂解产生多种烷烃类气体和其他气体。由于变压器的封装程度高，检修人员无法直观的观测到变压器内部情况，而不同类型的故障恶化和危害程度也不同，如果依据准确度较低的事故诊断结果采取维修措施有可能会带来人员伤亡，因此变压器的故障识别做到高效、准确也更有必要。
通过对故障气体成分和浓度的分析可以判断事故大致点位和严重程度，目前来讲，基于DGA方法基础之上的三比值法、罗杰斯比率、Dornenburg诊断法、Duval Triangle方法等传统方法精度有限，部分方法对DGA气体数据不敏感无法做出准确诊断。为了有效提高变压器油中气体故障诊断识别准确率，已有学者利用统计分析法、机器学习等方法开展了变压器故障识别研究。文献[Benhamed K,Mooman A,Younes A,et al.Feature Selectionfor Effective Health Index Diagnoses of Power Transformers[J].IEEETransactions on Power Delivery,2017:1-1.]通过模拟分析与模具相结合，在子系统的基础上利用GRNN方法，获取了影响变压器健康状态的多个关键因素，能够较为准确的判断变压器的故障点位和事故类型。文献[G.K.Irungu,A.O.Akumu and J.L.Munda,“A NewFault Diagnostic Technique in Oil-Filled Electrical Equipment；the Dual ofDuval Triangle,”IEEE Transactions on Dielectrics and Electrical Insulation,vol.23,no.6,pp.3405-3410,Dec 2016.]则采用了杜瓦尔三角形的对偶，来诊断油浸式变压器的故障情况，但是该方法会出现事故识别结果相互冲突的情况。文献[Bacha,Khmais；Souahlia,Seifeddine；Gossa,Moncef,“Power transformer fault diagnosis based ondissolved gas analysis by supportvector machine,”Electric Power SystemsResearch,vol.83,no.1,pp.73-79,Feb 2012.]提出用支持向量机对溶解气体进行分类来分析变压器故障，将比值与图像结合起来作为输入量，选择合适的气体指标来进行训练，能够有效的识别出变压器故障，但是该方案在小样本数据的模拟训练下有不错的效果，如果数据量变大可能会导致识别冲突、模糊；文献[Li,Jinzhong；Zhang,Qiaogen；Wang,Ke,etal.“Optimal Dissolved Gas Ratios Selected by Genetic Algorithm for PowerTransformer Fault Diagnosis Based on Support Vector Machine,”IEEETransactions on Dielectrics and Electrical Insulation,vol.23,no.2,pp.1198-1206,Apr 2016.]则利用遗传算法来获取最佳的气体溶解比例，并且兼顾到DGA比率和优化后的参数，也可以获得不错的诊断率；可见这些算法都能在变压器油中气体故障识别中起到一定的作用，在一定程度上可以解决传统基于DGA方法出现冲突的问题，但是某些关键阈值参数的设定需要依靠大量的数据统计和专家经验，具有一定的局限性，而且，部分机器学习和分类器的诊断方法在参数阈值不准确的情况下会导致其识别准确率大大降低。同时，DGA方法仅仅依靠获取气体浓度来做出判断，会带来较大的误差，因为不同气体在不同情况下(温度、故障类型)，其浓度和增长速率的变化情况也是不同的。例如，当温度低于150℃时，如果出现局部放电，CH4的浓度变化增高，并随着温度上升逐渐增高；当温度超过500℃时，局部放电恶化导致电弧故障此时会裂解产生一定量的C2H2，而CH4依旧存在且浓度持续增长，当温度继续升高，超过某一值时，CH4浓度会出现下降。此外，随着变压器长时间运行老化会出现绝缘降低等情况，油箱内会有一定浓度的故障气体持续存在，那么之前设定的阈值就不再具有完全的可靠性，针对绝缘降低或者局部放电这种亚健康故障以及混合故障，如果能在前期及时识别发现，那么就能够快速阻止事故恶化，而且这些方法在一定程度上也忽略了变压器相互之间自身差异性所带来的影响。
深度残差收缩网络作为深度学习网络的改良版本，它能够快速的识别处样本的特征信息，还能够避免网络层数大带来的训练难和梯度消失等问题。文献[S.Ma,F.Chu,andQ.Han,“Deep residual learning with demodulated time-frequency features forfault diagnosis of planetary gearbox under nonstationary running conditions,”Mech.Syst.Signal Process.,vol.127,pp.190–201,2019.]便利用了深度残差网络诊断齿轮运行中的故障。这些学者验证了深度残差网络的优势，该网络能够通过训练从大量噪声干扰中识别出关键信息，而变压器油中气体在进行数据采集时，往往伴随着多种气体成分的输入，受到外界信息干扰时，传统的深度残差网络会将目标特征与其他干扰项的特征混淆，无法做到准确识别。因此，能够在大量干扰信息中准确提取到目标气体的浓度特征信息对于本发明有着重要意义。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于深度残差网络下的变压器油中气体故障识别方法，解决了软阈值存在恒定偏差会导致部分数据遗漏、信噪比较低的技术问题。
本发明的技术方案是这样实现的：
一种基于深度残差网络下的变压器油中气体故障识别方法，其步骤如下：
步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；
步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；
步骤三：利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；
步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；
步骤五：设置初始故障阈值，将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用自适应可变权重的交叉熵函数对识别结果进行评价，判断是否存在误差；
步骤六：若存在误差，利用权重系数对测试集中各类故障中气体的影响权重进行赋值，进而更新故障阈值，返回步骤五，若不存在误差，保留最新的故障阈值，输出故障识别类型。
优选地，所述溶解气体包括CO、CO2、H2、CH4、C2H2、C2H4和C2H6七种气体。
优选地，所述根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量的方法为：将CO、CO2、H2、CH4、C2H2、C2H4和C2H6这七种气体的浓度作为图像的特征通道，将采样点温度和采样时间分别作为图像的高度和宽度，得到维度为C×W×I的气体特征向量，其中，C表示气体的种类，I表示温度间隔，既温度每变化I度，取一组气体浓度数据，W表示每个采样时间内对应的采样点数。
优选地，所述对气体特征向量进行数据增强的方法为：将某工况下的同型号变压器的溶解气体的浓度以及各种气体的浓度的平均值作为补充数据随机加入气体特征向量内，同时在气体特征向量内添加噪声信息得到输入向量。
优选地，所述对输入向量进行故障评估也即对输入向量进行故障类型的标注，故障类型包括低温故障、中温过热故障、低能放电、高能放电、局部放电、高温过热故障、过热故障与放电故障混合、潮湿故障和正常状态。
优选地，所述半软阈值函数的表达式为：
其中，X代表输入特征，Y代表输出特征，λ是正参数阈值，sgn(·)为符号函数。
优选地，所述利用自适应可变权重的交叉熵函数对识别结果进行评价的方法为：
定义交叉熵函数：
其中，p表示离散状态下的概率向量，q表示连续状态下的概率分布函数，pi表示对应的第i个状态的概率向量，qi表示对应的第i个状态的概率分布函数，c表示根据实际工况的底数，n表示状态总数；
根据子通道阈值深度残差收缩网络模型的识别误差满足正态分布，pn(x)代表第n个故障下识别误差的概率密度函数：
其中，μn是平均值，σn是方差；
则p(x)代表某一故障下七种特征气体的识别误差概率密度函数：
其中：
si代表支持向量s＝[s1,s2,…sn]中的隶属度因子；
建立隶属度因子对应的优化目标函数：
其中，pi(x)表示第i个状态故障下识别误差的概率密度函数；
构建交叉熵最小的目标函数为：
其中，P表示支持向量s中元素的总和，D[·]表示对各状态误识别的交叉熵函数；
利用构造的权重系数修正误识别导致的误差，可变系数
如下：
其中，
为状态A的误识别概率，vi表示状态样本；
构建综合评价函数：
其中，Lt表示综合评价损失，Rt表示交叉熵损失，
表示交叉熵损失权重值，Wi A表示误识别损失。
优选地，所述方差σn的计算公式为：
其中，Δnj表示预测值与真实值之间的误差，
表示故障浓度平均值，m表示故障样本总数。
与现有技术相比，本发明产生的有益效果为：本发明将气体浓度、采样时间和采样点温度组合成新的特征气体高维向量，这一特征相当于形成了一张图像，图像中的特征通道便是气体的浓度；采用改进的子通道阈值深度残差收缩网络对特征气体高维向量进行训练和识别；本发明对网络进行了优化改进，利用半软阈值函数进行替换后解决了软阈值信号重构出现的恒定偏差问题，并利用带有自适应可变权重的交叉熵函数更新了网络的故障阈值，便于在下一次数据输入前获取更准确、更具时效性的故障阈值判定标准，提高了故障识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为基本残差单元。
图2为本发明的输入特性的数据结构。
图3为本发明的共通道深度残差收缩网络的结构；其中，(a)为深度残差收缩网络基本模块，(b)为整体结构示意图。
图4为本发明的训练集的增强模式。
图5为本发明的子通道阈值深度残差收缩网络的参数设置模型。
图6为本发明利用自适应可变权重交叉熵函数更新故障阈值的流程图。
图7为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
最开始的深度神经网络在学习时往往会面临许多问题，当训练参数过多，网络层数增加会导致网络出现退化的情况，尤其是当训练参数的复杂程度越大、维数过高，目标函数包含诸多非凸优化求解等问题，这都会导致网络训练下降效果更加明显。为了解决这一问题，文献[HEKM,ZHANGXY,RENSQ,et al.Deepresiduallearningforimage recognition[C]//2016IEEE Conference on Computer Visionand Pattern Recognition(CVPR),June27-30,2016.Las Vegas,NV,USA.IEEE,2016:770-778.]提出了深度残差网络，该网络与传统的深度神经网络有着相同基本构成，但其显著特点是通过一个跨层的恒等连接，将复杂的拟合问题变为对残差函数的求解，在保证方向传播梯度运算存在的同时，还可以解决普通深度神经网络在面对大量参数出现训练困难、过拟合等问题，其身份特征快捷方式也是深度残差网络优于一般深度神经网络的关键。基本残差单元如图1所示。
深度残差网络作为卷积神经网络的一种，可以对强噪声数据进行训练处理进而达到降噪的目的，可以作为深度学习的基础网络的同时，其软阈值可以作为过滤噪声的自适应阈值来达到主动降噪的目的，它可以很好的避免人工设置阈值的呆板和不普遍适用性的缺点。该网络的软阈值法是去除干扰的重点，其表达式如下：
其中，x代表输入特征，y代表输出特征，τ是正参数阈值。其运行思路是将激活函数中接近零的特征值设为零以达到不删除负特征值的目的。其处理后的导数输入如下：
它可以将那些绝对值低于阈值的特征置零，将其他特征也朝着置零进行运行。作为一种非线性变化，和ReLU激活函数类似，也可以作为激活函数使用。该网络通过对全局的扫描获取有用信息，对有用信息进行增强同时抑制多余信息。与已有的传统神经网络相比较，该网络也具有卷积层、激活函数、归一化和交叉熵误差函数等结构。利用卷积层替代矩阵乘法可以很大程度上减少训练参数数量，还可以避免出现过度拟合的情况从而获得较高的测试精度。这个卷积表示为：
其中，xi是输入要素地图的第i个通道，yj是输出特征图的第channel个通道，kij是卷积内核，bj是偏差，Mj是通道的集合，这些通道是用于计算输出特征图的第五个通道。卷积可以重复多次以获取输出特征图。为了减少网络内出现协差，模型中加入了批量归一化函数(BN)，当有新的参数不断的被输入时，网络通过不断的训练新参数会更新特征信息，原有的特征分布会持续的变化，加入了BN后，模型会将前后捕捉到的特征进行归一化处理以保证模型能够适应特征的不断变化。为了解决这一点就必须保持卷积层中的参数也是不断变化的。BN的首要功能便是将各个特征变成归一化分布，进而在不断训练中将特征调整为理想分布。其过程如下：
其中，xn和yn表示BN的输入和输出特征，γ和β是两个可训练的参数，以缩放和移动分布，∈是一个接近零的常数。
激活功能作为神经网络中的常用非线性变化是不可获取的，在一定程度上可以阻止梯度消失。其功能表示为：
y＝max(x,0)
其中，x和y分别代表激活函数的输入和输出。
针对每个特征图的通道，该网络可以利用GAP来计算气平均值。而目标函数则使用交叉熵函数，其目的是在将不同类别的识别任务降低，从而带来更高的训练成功率。为了计算交叉熵误差，需要用softmax函数来使特征值在(0,1)范围内。其表达式为：
其中，xi和yj是softmax函数的输入和输出特征图：i和j是输出层的神经元：Nclass是类数。在这里，yj可以看作是观察属于第j类的预测概率。交叉熵函数的误差如下：
其中，tj作为目标输出，tj是第j类输出。
如图7所示，一种基于深度残差网络下的变压器油中气体故障识别方法，具体步骤如下：
步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；所述溶解气体包括CO、CO2、H2、CH4、C2H2、C2H4和C2H6七种气体。所述根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量的方法为：将CO、CO2、H2、CH4、C2H2、C2H4和C2H6这七种气体的浓度作为图像的特征通道，将采样点温度和采样时间分别作为图像的高度和宽度，得到维度为C×W×I的气体特征向量，其中，C表示气体的种类，I表示温度间隔，既温度每变化I度，取一组气体浓度数据，W表示每个采样时间内对应的采样点数。
由于变压器自身特性和运行环境的不同，任意变压器在运行时都有其独特的工况。这些因素就包括电压等级、结构、材料、连接方式到温度、湿度、运行年限、负荷等。根据目前应用广泛的DGA气体分析法，针对变压器故障诊断的一个明确因素便是故障特征气体浓度，其中的改良特征气体三比法便是计算特征气体浓度比来分析变压器是否出现故障。如果将每台变压器的大部分特性都考虑在内，那么就需要进行数据统计分类的繁杂工作。为了对每台变压器的运行情况进行精准分析，避免大数据掩盖个体差异问题，本发明选取与气体浓度有直接关联的温度和运行时间作为关键特征因素，这样每台变压器气体浓度变化都是根据自身条件和受温度影响产生的，不需要再对诸多因素进行分类分析。确定温度为关键属性的依据是物质的分子扩散系数代表了其扩散能力，根据菲克定律，扩散系数沿着扩散方向在单位时间内通过某单位面积的物质的质量，而变压器内部是多种气体混合，即混合气体扩散，扩散系数表达为：
式中，T代表热力学温度，P代表压强，μA，μB代表气体的分子量，V代表气体在正常情况下的摩尔容积。
可见，压强不变化的情况下，温度升高，气体的扩散速率升高。同时，随着时间的增长，气体的浓度也会发生变化。故本发明选取温度和时间作为气体浓度的关联特征属性，还能够保证其作为深度学习网络的输入特征时不会给网络带来维度过高的问题，还可以用每台变压器的运行数据针对自身进行深度学习网络训练时，获取的结果可以根据变压器自身的特性不断调整适应，能够解决大数据覆盖导致忽略变压器之间存在差异性的问题，相当于控制变量的作用。
选择合适的故障气体作为输入特征向量，代表该变压器在某电压等级下随着运行时温度变化在高维时间序列上各气体浓度变化情况，类似图像的参数特征结构。如图2所示：其变量轴相当于变压器运行时几种特征气体的浓度，本发明根据"IEEE Guide for theInterpretation of Gases Generated in Oil-Immersed Transformers"(IEEE StdC57.104TM-2008)issued by IEEE Power&Energy Society，选取故障特征气体CO、CO2、H2、CH4、C2H2、C2H4、C2H6作为本发明的特征气体，相当于图像性质的特征通道，而温度和时间轴则类似于图像的高度和宽度轴，这一特性促使本发明可以利用图像分类领域的深度残差网络来学习变压器油中故障气体特征，通过对气体浓度特性序列进行处理，可以获得各个变压器在不同温度和运行时间下的故障分类和预测结果。初始输入特征见表1。
表1.输入特征
构成输入数据形式为C×W×I，其中C表示变压器故障气体数量，包含CO、CO2、H2、CH4、C2H2、C2H4、C2H6共7种气体作为特征通道，7种气体为一组，故通道数为7。I表示温度间隔，设置为1℃，既温度每变化一度，取一组气体浓度数据，该值也可根据不同监测设备规格来进行修改，W表示每分钟数据获取点数，获取数据的频率为10s/min，采样点数为6，时间间隔为10s。这一结构保证本发明能够随着温度的变化在时间尺度上对特征气体信号进行分层识别和预测。变量的选择也可以是气体扩散的相速率和绝对速率，本发明采用气体浓度这一直观属性来研究，避免了气体相互之间的干扰和气体溶于油中的情况。此外，不同工况下，发生不同类型的故障其相应气体的浓度也会发生变化，以特征气体浓度作为采集信号，还可以处理发生故障时无关气体浓度作为噪声形成干扰的情况，使网络对故障目标气体的特征更专注。
步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；所述对气体特征向量进行数据增强的方法为：将某工况下的同型号变压器的溶解气体的浓度以及各种气体的浓度的平均值作为补充数据随机加入气体特征向量内，同时在气体特征向量内添加噪声信息得到输入向量。所述对输入向量进行故障评估也即对输入向量进行故障类型的标注，故障类型包括低温故障、中温过热故障、低能放电、高能放电、局部放电、高温过热故障、过热故障与放电故障混合、绝缘潮湿故障(混合电热故障)和正常状态。
在图像识别领域，适当的旋转图像不会改变图像本身特征，但是却可以作为新数据输入丰富数据集，达到弥补前期信息缺失和考虑抗噪声干扰的目的，该方法在一定程度上还可以防止过拟合的出现。本发明为了增强模型的鲁棒性通过数据增强来保证输入网络的数据充分和模型的可靠性，故将某工况下的同型号变压器数据作为补充随机加入数据集内，随机变量的输入可以是相关变量的平均值。同时，如果添加的噪声数据赋值较小，并不会改变网络识别分类结果，当数据集较少时，增到噪声信息也可以起到丰富数据集的作用。初始参数增强后的训练集如图3所示。
对于最初的训练参数集，对输入变量加上高斯白噪声H(0,∈)来获取最新的训练参数。那么新的训练参数输入变量X*为：
X*＝X×(1+δ)，δ～H(0,∈)
其中，∈是从0到H之间随机生成，H的数值可以根据以往统计数据来人为设置。通过对输入特征数据的增强，可以将信息缺失下的训练集扩大e倍来实现。但注意，e值是根据训练效果来选择，不宜过大，否则会影响计算效率。通过对输入特征参数的处理获取增强后的训练特征样本集。
将样本按照变压器型号和电压等级对应分为训练集、测试集。考虑到例行检修和部分新变压器数据不完全，参考数据增强来补充样本，实验采用交叉验证方法进行，每个数据集都会被分为10个子集，其中1个子集作为测试集，9个作为训练集。实验过程中发生故障的变压器都已经过场站工作人员进行故障评估和维修。本实验利用python语言构建网络模型，硬件为搭载i7-9750中央处理器和NVIDIA Geforce GTX处理器的计算机。
针对不同类型故障问题，本实验考虑了七种气体在不同温度情况下浓度变化情况，故障分类如表2所示：
表2.变压器DGA故障的九种实验状态
步骤三：利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；
本发明所采用的共通道深度残差网络是由文献[ZHAO M,ZHONG S,FU X,etal.Deep residual shrinkage networks for fault diagnosis[J].IEEE Transactionson Industrial Informatics,2020,16(7):4681-4690.]在针对轴承故障诊断时所提出，该网络能够有效的对故障进行诊断，图3展示了共通道深度残差收缩网络的结构，本发明会以该网络为基础架构进行优化改进。
所述共通道深度残差收缩网络包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层，构造过程如下：
首先构造深度残差收缩网络基本模块，模块中嵌入了一个子网络，用于自动地设置软阈值化所需要的阈值，采用通道间共享阈值的残差收缩模块，首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作；然后对所有特征求绝对值，取其平均值记为特征；在另一条路径中，将特征的绝对值通过全局均值池化之后，输入到一个两层的全连接网络，然后使用Sigmoid函数将输出归一化到0和1之间，获得一个尺度参数α，最终的阈值表示为α×F；最后使用Tensorfow中的identify将原始输入特征图与阈值进行相加并返回；
构造输入层，接收神经网络模型的外部输入，并将其传递给卷积层，这里的外部输入是气体特征向量；
构造卷积层，卷积层接收输入层的输出，然后重复卷积操作，获得特征图，然后将特征图传递给深度残差收缩网络基本模块；
堆叠深度残差收缩网络基本模块，卷积层输出的特征图经过这些深度残差收缩网络模块处理后传递给批标准化层；
构造批标准化层，激活函数ReLu和全局均值化层；
构造全连接输出层，接收来自全局均值化层的输出；
全连接输出层对应样本数据包含的所有类别，输出值是样本属于每个类别的概率值，取最大输出值对应的类别作为模型预测的样本类别。
共通道深度残差收缩网络与传统深度残差网络的明显区别便是引入了软阈值，作为噪声信号的有效去除方法，也是该网络的关键一步。其原理是将被转换后的位于逼近0附近数域内的信号置零，它可以伴随输入特征参数的变化做到自适应的调整。传统常用的信号噪声去除方法有小波去噪、硬阈值去噪及软阈值去噪，但硬阈值去噪会出现抖动、不平滑等情况，更为关键的是，硬阈值去噪需要依靠专家经验或统计来确定一个阈值，在一定程度上会导致阈值不具有客观性，且较为呆板，一般而言，随着变压器运行时间的增长，其内部绝缘降低和损耗都会加重，硬阈值的设定会出现理想化的不足。常用的小波去噪则需要继承大量的信号处理技巧，难度较大。所以采用梯度下降的软阈值去噪便是一个优化选择。所述共通道深度残差收缩网络中的软阈值的表达式为：
其中，X代表输入特征，Y代表输出特征，λ是正参数阈值。
但是软阈值在使用时，其函数根本形式上涉及到A与x的转置。同时，软阈值虽然具有连续平滑性，但其存在恒定偏差会导致部分数据遗漏而且与硬阈值相比会存在信噪比较低的问题。为了解决软阈值的信号重构出现恒定偏差问题，采用半软阈值函数替代原有网络中的软阈值，半软阈值函数已经在小波去噪领域有验证，将其加入到网络中，表达式如下：
其中，X代表输入特征，Y代表输出特征，λ是正参数阈值，sgn(·)为符号函数。
关于网络层数、卷积核数等超参数的设置目前尚没有一个最优的标准，所以本发明是根据目前常用建议来进行设置。本发明针对变压器故障识别所采用的子通道阈值深度残差收缩网络的参数设置是基于ResNet34的框架，如图5所示，图5中的个残差块的参数设置如表3所示，通过图5的流程在参数调试阶段的完成子通道阈值深度残差收缩网络的参数设置。
表3残差块的设置
步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；初始化模型参数(参考超参数设置)。确定网络的输出为神经元为9个，包含1个正常状态和8个故障状态，如表2所示。在训练过程中，训练率随着时期的变化改变，从前20时间段个为0.1，接下来20个时间段内为0.03，中间的20个时段为0.01和0.003，最后20个为0.001，为了保证参数在训练开始时更新步长更大便于获取最优输出。本发明在目标函数中加入惩罚项，是为了配合L2正则化来避免训练过程中出现过拟合，此处惩罚系数设置为传统深度神经网络所采用的系数0.0001。最后，在输出层有9个神经元，即1个健康状况和8个故障状态。
步骤五：设置初始故障阈值，将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用自适应可变权重的交叉熵函数对识别结果进行评价，判断是否存在误差；
利用半软阈值函数进行替换后，将带有自适应可变权重的交叉熵函数引入模型，当模型交叉熵函数对输出结果进行误差评价后，会重新对气体在各类型故障中的影响权重进行赋值，借助评价结果可以在模型中反向传递的能力，气体在对应故障中的阈值也会被重新设定，便于在下一次数据输入前获取更准确、更具时效性的故障阈值判定标准。具体流程如图6所示。
误识别会降低网络的训练效果。尤其在不同的识别误差下，网络最终的交叉熵损失却相同，这掩盖了网络对不同特征气体的真实权重。故提出对不同故障类型的特征气体附加一个可变的权重，该气体在某一故障中的影响因子越大且网络正确判断出故障时该气体的浓度，则网络的交叉熵损失就越小。定义交叉熵函数：
其中，p表示离散状态下的概率向量，q表示连续状态下的概率分布函数，pi表示对应的第i个状态的概率向量，qi表示对应的第i个状态的概率分布函数，c表示根据实际工况的底数，即c>0且c≠1，n表示状态总数。
利用子通道阈值深度残差收缩网络模型识别n种故障的特征气体浓度，每一种故障含7种特征气体浓度值，pm代表该故障下真实的特征气体浓度值。假设子通道阈值深度残差收缩网络模型的识别误差满足正态分布，pn(x)代表第n个故障下识别误差的概率密度函数：
其中，μn是平均值，σn是方差；对于第n个故障，可以通过网络判定的故障浓度序列pnm中减去真实浓度序列pm来获得识别误差Δnj(j＝1,2…,m)。可以用
代替平均值μn。方差σn的计算公式为：
其中，Δnj表示预测值与真实值之间的误差，
表示故障浓度平均值，m表示故障样本总数。
则p(x)代表某一故障下七种特征气体的识别误差概率密度函数：
其中：
si代表支持向量s＝[s1,s2,…sn]中的隶属度因子；
建立隶属度因子对应的优化目标函数：
其中，pi(x)表示第i个状态故障下识别误差的概率密度函数；当两个函数的交集越大(识别故障浓度值与真实故障浓度值越接近)，可判定两个函数的支持度越高，隶属度因子越小。上式根据隶属度来确定不同特征气体对不同故障的影响权重系数。构建交叉熵最小(识别误差最低)的目标函数为：
其中，P表示支持向量s中元素的总和，D[·]表示对各状态误识别的交叉熵函数；随着s变小，相互支持度不断提高，这意味各气体浓度关于判定故障权重系数的选择更加合理。
对于状态样本(ui,vi)，模型将其误识别为状态A的概率为
利用构造的权重系数修正误识别导致的误差，可变系数/>
如下：
其中，
为状态A的误识别概率，vi表示状态样本；
构建综合评价函数：
其中，Lt表示综合评价损失，Rt表示交叉熵损失，
表示交叉熵损失权重值，Wi A表示误识别损失。
步骤六：若存在误差(也即综合评价损失是否在误差范围内)，利用权重系数对测试集中各类故障中气体的影响权重进行赋值，进而更新故障阈值，返回步骤五，若不存在误差，保留最新的故障阈值，输出故障识别类型。
具体实例
2020年5月29日至2020年8月11日，本发明方法在国网某分公司的变压器进行实地运行测试，测试结果如表4所示。
表4变压器特征气体浓度
本发明的提出的识别网络在某日08:30AM发出警报信号，提示其中可能存在电弧放电。下午16点30分，由于重型气体保护，变压器跳闸，电厂监视设备才捕捉到这一信号。随后，工作人员分析了变压器内部的油色谱数据，得出的结论是，故障气体的浓度符合三比率代码组合1 0 2，这意味着在变压器内部发生了电弧故障。该故障的原因是绝缘垫由于其自身的问题而破裂。随着变压器的运行和负载的变化(1号主变压器退回工厂进行维修，2号变压器的负载增加)，绝缘损坏加速，然后发生短路现象，故障电流可能会达到几百安培，并产生高温来烧毁有故障的绝缘垫，最终导致电弧放电。当发出警报信号时，内部故障已经进入孵化阶段，变压器中的特征气体略有变化，但浓度不符合三比法的条件以及监控系统的准确性要求。
2020年7月6日中午，本发明方法监测到变压器内部氢气和烷烃气体的浓度均出现了较大幅度的增长，根据变压器运行规程和设备观察结果，推测变压器内部进水且有持续的火花放电(短路)，故障电位气体浓度变化明显。傍晚时间，该变压器发生爆炸。断电检修发现变压器内部绝缘遭到破坏，大量雨水渗入共同导致了该事故发生。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，其步骤如下：
步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；
步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；
步骤三：利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；
所述共通道深度残差收缩网络包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层，且深度残差收缩网络基本模块采用通道间共享阈值的残差收缩模块；
所述软阈值的表达式为：
所述半软阈值函数的表达式为：
其中，X代表输入特征，Y代表输出特征，λ是正参数阈值，sgn(·)为符号函数；
步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；
步骤五：设置初始故障阈值，将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用自适应可变权重的交叉熵函数对识别结果进行评价，判断是否存在误差；
所述利用自适应可变权重的交叉熵函数对识别结果进行评价的方法为：
定义交叉熵函数：
其中，p表示离散状态下的概率向量，q表示连续状态下的概率分布函数，pi表示对应的第i个状态的概率向量，qi表示对应的第i个状态的概率分布函数，c表示根据实际工况的底数，n表示状态总数；
根据子通道阈值深度残差收缩网络模型的识别误差满足正态分布，pn(x)代表第n个故障下识别误差的概率密度函数：
其中，μn是平均值，σn是方差；
则p(x)代表某一故障下七种特征气体的识别误差概率密度函数：
其中：
si代表支持向量s＝[s1,s2,…sn]中的隶属度因子；
建立隶属度因子对应的优化目标函数：
其中，pi(x)表示第i个状态故障下识别误差的概率密度函数；
构建交叉熵最小的目标函数为：
其中，P表示支持向量s中元素的总和，D[·]表示对各状态误识别的交叉熵函数；
利用构造的权重系数修正误识别导致的误差，可变系数
如下：
其中，
为状态A的误识别概率，vi表示状态样本；
构建综合评价函数：
其中，Lt表示综合评价损失，Rt表示交叉熵损失，
表示交叉熵损失权重值，Wi A表示误识别损失；
步骤六：若存在误差，利用权重系数对测试集中各类故障中气体的影响权重进行赋值，进而更新故障阈值，返回步骤五，若不存在误差，保留最新的故障阈值，输出故障识别类型。
2.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述溶解气体包括CO、CO2、H2、CH4、C2H2、C2H4和C2H6七种气体。
3.根据权利要求2所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量的方法为：将CO、CO2、H2、CH4、C2H2、C2H4和C2H6这七种气体的浓度作为图像的特征通道，将采样点温度和采样时间分别作为图像的高度和宽度，得到维度为C×W×I的气体特征向量，其中，C表示气体的种类，I表示温度间隔，既温度每变化I度，取一组气体浓度数据，W表示每个采样时间内对应的采样点数。
4.根据权利要求2或3所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述对气体特征向量进行数据增强的方法为：将某工况下的同型号变压器的溶解气体的浓度以及各种气体的浓度的平均值作为补充数据随机加入气体特征向量内，同时在气体特征向量内添加噪声信息得到输入向量。
5.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述对输入向量进行故障评估也即对输入向量进行故障类型的标注，故障类型包括低温故障、中温过热故障、低能放电、高能放电、局部放电、高温过热故障、过热故障与放电故障混合、潮湿故障和正常状态。
6.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述方差σn的计算公式为：
其中，Δnj表示预测值与真实值之间的误差，
表示故障浓度平均值，m表示故障样本总数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111093886.5A CN113782113B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111093886.5A CN113782113B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113782113A CN113782113A (zh) | 2021-12-10 |
| CN113782113B true CN113782113B (zh) | 2023-03-24 |
Family
ID=78851903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111093886.5A Active CN113782113B (zh) | 2021-09-17 | 2021-09-17 | 一种基于深度残差网络下的变压器油中气体故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113782113B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114273977A (zh) * | 2021-12-15 | 2022-04-05 | 重庆文高科技有限公司 | 一种基于mes的刀具磨损检测方法及其系统 |
| CN117668528B (zh) * | 2024-02-01 | 2024-04-12 | 成都华泰数智科技有限公司 | 基于物联网的天然气调压器故障检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183591A (zh) * | 2020-09-15 | 2021-01-05 | 上海电机学院 | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN113240016A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨理工大学 | 一种基于深度学习的滚动轴承故障诊断方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2762857B1 (en) * | 2012-12-19 | 2018-05-02 | General Electric Company | Method and device for dissolved gas analysis |
| CN107545307A (zh) * | 2017-07-28 | 2018-01-05 | 上海交通大学 | 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统 |
| CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
| US11867683B2 (en) * | 2020-02-28 | 2024-01-09 | Hitachi Energy Ltd | Systems and methods for dissolved gas analysis |
| CN111337768B (zh) * | 2020-03-02 | 2021-01-19 | 武汉大学 | 变压器油中溶解气体的深度并行故障诊断方法及系统 |
| CN111579731B (zh) * | 2020-06-28 | 2022-07-29 | 华侨大学 | 一种基于组合模型的变压器早期缺陷预警方法 |
| CN112149549A (zh) * | 2020-09-18 | 2020-12-29 | 国网山东省电力公司泰安供电公司 | 一种基于深度残差网络的gis局部放电类型识别方法 |
| CN112674780A (zh) * | 2020-12-23 | 2021-04-20 | 山东省人工智能研究院 | 一种心电图异常信号中的房颤信号自动检测方法 |
| CN112668459B (zh) * | 2020-12-25 | 2022-09-13 | 合肥工业大学 | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 |
| CN113392773A (zh) * | 2021-06-17 | 2021-09-14 | 齐丰科技股份有限公司 | 基于图谱信息融合的卷积神经网络的变压器故障诊断系统 |
-
2021
- 2021-09-17 CN CN202111093886.5A patent/CN113782113B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183591A (zh) * | 2020-09-15 | 2021-01-05 | 上海电机学院 | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 |
| CN112748368A (zh) * | 2020-10-28 | 2021-05-04 | 上海交通大学 | 一种三电平逆变器igbt开路故障诊断方法 |
| CN113240016A (zh) * | 2021-05-18 | 2021-08-10 | 哈尔滨理工大学 | 一种基于深度学习的滚动轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进深度残差收缩网络的电力系统暂态稳定评估;卢锦玲 等;《电工技术学报》;20210608;第36卷(第11期);第2233-2244页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113782113A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
| CN113782113B (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
| 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 | |
| Yang et al. | Intelligent fault types diagnostic system for dissolved gas analysis of oil-immersed power transformer | |
| Seman et al. | Ensemble learning methods using the Hodrick–Prescott filter for fault forecasting in insulators of the electrical power grids | |
| Li et al. | Domain adaptation remaining useful life prediction method based on AdaBN-DCNN | |
| Alqudsi et al. | Assessing the power transformer insulation health condition using a feature-reduced predictor mode | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN104077493A (zh) | 一种电力继电保护系统状态评估指标体系的构建方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| Jha et al. | Application of artificial intelligence techniques for dissolved gas analysis of transformers-A review | |
| Kaur et al. | Fault detection in power transformers using random neural networks | |
| Lu et al. | Grey relational analysis using Gaussian process regression method for dissolved gas concentration prediction | |
| Khalyasmaa et al. | Fuzzy neural networks' application for substation integral state assessment | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| Xing et al. | Health evaluation of power transformer using deep learning neural network | |
| CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| CN113988220A (zh) | 一种采煤机健康状态评估方法 | |
| CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
| CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及系统 | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN113743534B (zh) | 基于深度残差网络下的变压器油中气体复合成像识别方法 | |
| Wenxin | Analog circuit fault diagnosis via FOA-LSSVM | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 |
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 |