CN113917370A - 一种基于油中溶解气体小样本数据的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于油中溶解气体小样本数据的变压器故障诊断方法，包括：S1、生成变压器油中溶解气体数据；S2、将生成的溶解气体数据进行归一化处理；S3、采用三比值法对归一化后的溶解气体数据进行编码，根据编码组合判断故障类型并将各编码组合对应的溶解气体数据打上相应的标签；S4、分别将各编码组合对应的溶解气体数据生成灰度图，获得灰度图数据集；S5、将灰度图数据集中的图像输入CNN模型进行训练获得最终训练模型。该方法可有效解决变压器油中溶解气体数据量不足的情况，并提高诊断精确度和速度，具有良好的泛化能力。

Description

一种基于油中溶解气体小样本数据的变压器故障诊断方法

技术领域

本发明属于电力变压器故障诊断技术领域，具体涉及一种基于油中溶解气体小样本数据的变压器故障诊断方法。

背景技术

近年来，国民经济和电力工业的迅速发展形成了各种产业对电力绝对依赖的大环境。因此，为了保证电力系统的安全可靠，电力变压器的正常运行尤为重要。由于油浸式变压器的结构复杂，影响其正常运行的因素很多，如何对变压器的故障类型进行准确分类，俨然成为研究重点。

传统的电力变压器故障诊断研究，是通过油中溶解气体与故障类型的对应关系，对气体的含量进行分析，可以有效的监测和预防故障的发生。近些年很多学者在此技术基础上引入人工智能的方法，通过智能学习算法建立溶解气体与故障类型的对应关系，从而生成相关模型实现对故障类型进行准确分类。但是由于变压器运行环境的复杂性以及行业对数据的保护，导致获取到的数据质量太差，数据数量太少，无法满足训练需求，因此，在样本稀缺的情况下基于小样本学习获取训练所需数据量显得尤为重要。

且传统的变压器故障分类算法大多是基于离散数据的浅层学习算法。而卷积神经网络(CNN)作为包含卷积计算且具有深度结构的前馈神经网络，可进行深度学习，采用原始图像作为输入，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程，拥有较高的分类准确度，但模型一般较为复杂，计算量大，不利于提高处理速度。

发明内容

本发明的目的在于针对上述问题，提出一种基于油中溶解气体小样本数据的变压器故障诊断方法，可有效解决变压器油中溶解气体数据量不足的情况，并提高诊断精确度和速度，具有良好的泛化能力。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种基于油中溶解气体小样本数据的变压器故障诊断方法，包括如下步骤：

S1、生成变压器油中溶解气体数据，溶解气体包括H₂、C₂H₆、CH₄、C₂H₄、C₂H₂，随机生成变量x∈(0,1)，则对应的溶解气体数据生成公式如下：

C(H₂)＝100×(-ln(x))^1/5 (1)

C(C₂H₆)＝20×(-ln(x))^1/5 (2)

C(CH₄)＝C(H₂)×x_i,i＝1,2,3 (3)

C(C₂H₄)＝C(C₂H₆)×y_i,i＝1,2,3 (4)

C(C₂H₂)＝C(C₂H₄)×z_i,i＝1,2,3 (5)

其中，C(H₂)、C(C₂H₆)、C(CH₄)、C(C₂H₄)、C(C₂H₂)依次对应为溶解气体中H₂、C₂H₆、CH₄、C₂H₄、C₂H₂的含量，且x₁∈(0,0.1),x₂∈(0.1,1),x₃∈(1,5),y₁∈(0,1),y₂∈(1,3),y₃∈(3,5),z₁∈(0,0.1),z₂∈(0.1,3),z₃∈(3,5)；

S2、将生成的溶解气体数据进行归一化处理；

S3、采用三比值法对归一化后的溶解气体数据进行编码，根据编码组合判断故障类型并将各编码组合对应的溶解气体数据打上相应的标签，编码采用如下规则：

当i＝1时，C(CH₄)/C(H₂)<0.1的对应比值编码为1，C(C₂H₄)/C(C₂H₆)<1的对应比值编码为0，C(C₂H₂)/C(C₂H₄)<0.1的对应比值编码为0；

当i＝2时，0.1<C(CH₄)/C(H₂)<1的对应比值编码为0，1<C(C₂H₄)/C(C₂H₆)<3的对应比值编码为1，0.1<C(C₂H₂)/C(C₂H₄)<3的对应比值编码为1；

当i＝3时，C(CH₄)/C(H₂)>1的对应比值编码为2，C(C₂H₄)/C(C₂H₆)>3的对应比值编码为2，C(C₂H₂)/C(C₂H₄)>3的对应比值编码为2；

S4、分别将各编码组合对应的溶解气体数据生成灰度图，获得灰度图数据集；

S5、将灰度图数据集中的图像输入CNN模型进行训练，获得最终训练模型，CNN模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、全连接层和softmax层。

优选地，步骤S2中，归一化处理，公式如下：

其中，ω为溶解气体的总含量，C(C)为溶解气体中的CH₄、C₂H₆、C₂H₄、C₂H₂的总含量，

依次对应为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂归一化后的溶解气体含量。

优选地，步骤S3中，故障类型包括正常、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电七种类型。

优选地，步骤S5中，各卷积层的输出端还连接有ReLU激活函数。

优选地，ReLU激活函数满足如下公式：

其中，

表示第j层的第g个输出矩阵；

表示第j-1层的第k个输出矩阵；

表示处于第j层的第g个输出矩阵和第j-1层的第k个输出矩阵之间的卷积核；n为输出矩阵的个数；

表示第j层第g个输出矩阵的偏置。

优选地，各池化层满足如下公式：

其中，

表示第g个特征矩阵进行最大池化前的矩阵，

表示第g个特征矩阵进行最大池化后的矩阵，a表示池化窗口的长，b表示池化窗口的宽，s表示池化窗口的步幅大小。

与现有技术相比，本发明的有益效果为：1)解决了目前变压器油中溶解气体数据量不足，无法训练深度神经网络模型的问题，可以生成大量的数据用以训练模型；2)通过将生成的溶解气体数据转换为图像，区别于现有技术中的变压器故障诊断常用的SVM算法，结合CNN模型可以处理高维数据，并自动进行特征提取，因而在进行故障分类时具有更高的精度和更快的处理速度，并具有良好的泛化能力。

附图说明

图1为本发明变压器故障诊断方法的流程图；

图2为本发明部分溶解气体数据的灰度图；

图3为本发明的CNN模型结构示意图；

图4为本发明的CNN模型损失变化图；

图5为本发明的训练集和验证集训练时的精确度变化图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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。

需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。

如图1-5所示，一种基于油中溶解气体小样本数据的变压器故障诊断方法，包括如下步骤：

S1、生成变压器油中溶解气体数据，溶解气体包括H₂、C₂H₆、CH₄、C₂H₄、C₂H₂，随机生成变量x∈(0,1)，则对应的溶解气体数据生成公式如下：

C(H₂)＝100×(-ln(x))^1/5 (1)

C(C₂H₆)＝20×(-ln(x))^1/5 (2)

C(CH₄)＝C(H₂)×x_i,i＝1,2,3 (3)

C(C₂H₄)＝C(C₂H₆)×y_i,i＝1,2,3 (4)

C(C₂H₂)＝C(C₂H₄)×z_i,i＝1,2,3 (5)

其中，C(H₂)、C(C₂H₆)、C(CH₄)、C(C₂H₄)、C(C₂H₂)依次对应为溶解气体中H₂、C₂H₆、CH₄、C₂H₄、C₂H₂的含量，且x₁∈(0,0.1),x₂∈(0.1,1),x₃∈(1,5),y₁∈(0,1),y₂∈(1,3),y₃∈(3,5),z₁∈(0,0.1),z₂∈(0.1,3),z₃∈(3,5)。

其中，为保证生成数据的随机性，运用Random函数生成0～1范围内的随机数x。并通过溶解气体数据生成公式获得对应的溶解气体数据C(H₂)、C(C₂H₆)、C(CH₄)、C(C₂H₄)、C(C₂H₂)，依次对应为溶解气体中H₂、C₂H₆、CH₄、C₂H₄、C₂H₂的含量。公式中x₁、x₂、x₃、y₁、y₂、y₃、z₁、z₂、z₃的对应取值范围可参考我国DL/T722-2000《导则》推荐的改良的三比值法进行设定。

本申请采用的数据生成公式能够完全遵循我国DL/T722-2000《导则》推荐的改良的三比值法编码规则，生成的数据不需要除噪，可以直接进行归一化处理。同时在实际的操作过程中只需调整公式(3)、公式(4)和公式(5)对应生成数据的数量，即可对每种参数下的实际生成量进行调整，实现每种编码下的数据定量定类生成，有助于保证涉及的故障类型的全面性，同时也保证故障类型的分布数据量尽可能均匀，有助于后续进行训练以获得最佳训练模型。

S2、将生成的溶解气体数据进行归一化处理。

在一实施例中，步骤S2中，归一化处理，公式如下：

其中，ω为溶解气体的总含量，C(C)为溶解气体中的CH₄、C₂H₆、C₂H₄、C₂H₂的总含量，

依次对应为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂归一化后的溶解气体含量。

由于生成的数据跨度较大，按照公式(6)～(10)进行归一化处理可将生成数据转换为0-1之间的随机数，便于之后按照三比值法编码规则对数据取比值进行编码。

S3、采用三比值法对归一化后的溶解气体数据进行编码，根据编码组合判断故障类型并将各编码组合对应的溶解气体数据打上相应的标签，编码采用如下规则：：

当i＝1时，C(CH₄)/C(H₂)<0.1的对应比值编码为1，C(C₂H₄)/C(C₂H₆)<1的对应比值编码为0，C(C₂H₂)/C(C₂H₄)<0.1的对应比值编码为0；

当i＝2时，0.1<C(CH₄)/C(H₂)<1的对应比值编码为0，1<C(C₂H₄)/C(C₂H₆)<3的对应比值编码为1，0.1<C(C₂H₂)/C(C₂H₄)<3的对应比值编码为1；

当i＝3时，C(CH₄)/C(H₂)>1的对应比值编码为2，C(C₂H₄)/C(C₂H₆)>3的对应比值编码为2，C(C₂H₂)/C(C₂H₄)>3的对应比值编码为2。

在一实施例中，步骤S3中，故障类型包括正常、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电七种类型。

根据三比值法中的编码组合判断故障类型并打上相应的故障类型标签。故障类型包括正常、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电七种类型，且分别对应数字标签0～6。

S4、分别将各编码组合对应的溶解气体数据生成灰度图，获得灰度图数据集。

每个编码组合包括C(C₂H₂)/C(C₂H₄)、C(CH₄)/C(H₂)和C(C₂H₄)/C(C₂H₆)三种比值编码，对应有五种溶解气体数据，利用PIL图像处理功能将每个编码组合对应的溶解气体数据转化为宽一个像素、高五个像素的灰度图，作为训练模型的输入，将七种故障类型分别用数字0-6表示作为模型的输出。如图2所示，为四组溶解气体数据对应的灰度图。为便于取用，可将各种故障类型的数据进行拆分，如根据故障类型的标签进行拆分，将相同故障类型的数据进行单独存储。

S5、将灰度图数据集中的图像输入CNN模型进行训练，获得最终训练模型，CNN模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、全连接层和softmax层。

在一实施例中，步骤S5中，各卷积层的输出端还连接有ReLU激活函数。

在一实施例中，ReLU激活函数满足如下公式：

其中，

表示第j层的第g个输出矩阵；

表示第j-1层的第k个输出矩阵；

表示处于第j层的第g个输出矩阵和第j-1层的第k个输出矩阵之间的卷积核；n为输出矩阵的个数；

表示第j层第g个输出矩阵的偏置。

在一实施例中，各池化层满足如下公式：

其中，

表示第g个特征矩阵进行最大池化前的矩阵，

表示第g个特征矩阵进行最大池化后的矩阵，a表示池化窗口的长，b表示池化窗口的宽，s表示池化窗口的步幅大小。

其中，CNN模型首先读取输入至模型中的图像，然后将图像转换为数组，并将转换后的数组传递给输入层。输入层接收到数组后，卷积层创建卷积核对上一层的矩阵进行卷积运算，得到低级特征子图。同时，为了使模型有较强的表达能力，并且实现非线性的输出，本方法引入激活函数ReLU，ReLU为非饱和激活函数，可有效解决梯度消失问题，并大大加快网络的训练速度，或还可根据实际需求选用现有的其他激活函数。与现有技术中的CNN模型(如LeNet-5模型、AlexNet模型以及VGG-16模型)相比，由于本方法所生成的图像识别度较高，仅需要简单的提取图像和标签即可进行分析，避免了大量的特征提取工作，因此获得的CNN模型结构更加简单，在保留了深度学习功能的前提下，仅仅采用四个卷积层，节省了大量训练时间的同时也防止了过拟合的发生。同时为了减少矩阵的尺寸和参数数目，每个卷积层后面均跟着一个池化层。如根据公式(12)采用最大池化用以获取特定区域内的最大值。进行上述四次卷积与池化之后，高级特征矩阵进一步映射为一维向量。最后，通过softmax层对变压器运行状态进行分类。全连接层和softmax层共同组成输出层。如果有M种输入信号，本实施例M＝7，对应七种故障类型，分别对应标签0～6，输入信号即各故障类型的编码组合对应的溶解气体数据，则第m个标签所对应的输出概率y_m为：

其中，ω_m是第m个输出神经元连接的权重矩阵，b_m是偏置，r为softmax层的输入。

容易理解的是，根据实际需求在训练前可将变压器油中溶解气体样本数据(即灰度图数据集)随即划分为训练集和验证集，其中，本实施例中训练集所占比例为70％，用于对CNN模型的有效监督训练学习，剩余的数据作为验证集，用于对获得的最终训练模型进行验证，根据验证结果判断故障诊断的准确性，并可通过不断调整权重参数达到最优结果，以提高故障诊断的准确性和泛化能力，如采用损失函数进行反向传播调节权重参数为本领域技术人员熟知的技术，在此不再赘述。将待检测的图像输入最终训练模型即可输出诊断结果。

参照图4，横坐标为训练次数，纵坐标为损失函数的损失值，随着训练次数的增加，损失最低可以降至0.03。

参照图5，横坐标为训练次数，纵坐标为故障诊断的精确度，圆点形成的曲线对应训练集，五角星形成的曲线对应验证集。随着训练次数的增加，训练集的精确度可以达到98％，验证集的精确度可以达到94％。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：所述基于油中溶解气体小样本数据的变压器故障诊断方法包括如下步骤：

S1、生成变压器油中溶解气体数据，溶解气体包括H₂、C₂H₆、CH₄、C₂H₄、C₂H₂，随机生成变量x∈(0,1)，则对应的溶解气体数据生成公式如下：

C(H₂)＝100×(-ln(x))^1/5 (1)

C(C₂H₆)＝20×(-ln(x))^1/5 (2)

C(CH₄)＝C(H₂)×x_i,i＝1,2,3 (3)

C(C₂H₄)＝C(C₂H₆)×y_i,i＝1,2,3 (4)

C(C₂H₂)＝C(C₂H₄)×z_i,i＝1,2,3 (5)

其中，C(H₂)、C(C₂H₆)、C(CH₄)、C(C₂H₄)、C(C₂H₂)依次对应为溶解气体中H₂、C₂H₆、CH₄、C₂H₄、C₂H₂的含量，且x₁∈(0,0.1),x₂∈(0.1,1),x₃∈(1,5),y₁∈(0,1),y₂∈(1,3),y₃∈(3,5),z₁∈(0,0.1),z₂∈(0.1,3),z₃∈(3,5)；

S2、将生成的溶解气体数据进行归一化处理；

S3、采用三比值法对归一化后的溶解气体数据进行编码，根据编码组合判断故障类型并将各编码组合对应的溶解气体数据打上相应的标签，所述编码采用如下规则：

当i＝1时，C(CH₄)/C(H₂)<0.1的对应比值编码为1，C(C₂H₄)/C(C₂H₆)<1的对应比值编码为0，C(C₂H₂)/C(C₂H₄)<0.1的对应比值编码为0；

当i＝2时，0.1<C(CH₄)/C(H₂)<1的对应比值编码为0，1<C(C₂H₄)/C(C₂H₆)<3的对应比值编码为1，0.1<C(C₂H₂)/C(C₂H₄)<3的对应比值编码为1；

当i＝3时，C(CH₄)/C(H₂)>1的对应比值编码为2，C(C₂H₄)/C(C₂H₆)>3的对应比值编码为2，C(C₂H₂)/C(C₂H₄)>3的对应比值编码为2；

S4、分别将各编码组合对应的溶解气体数据生成灰度图，获得灰度图数据集；

S5、将所述灰度图数据集中的图像输入CNN模型进行训练，获得最终训练模型，所述CNN模型包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、全连接层和softmax层。

2.如权利要求1所述的基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：步骤S2中，所述归一化处理，公式如下：

其中，ω为溶解气体的总含量，C(C)为溶解气体中的CH₄、C₂H₆、C₂H₄、C₂H₂的总含量，

依次对应为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂归一化后的溶解气体含量。

3.如权利要求1所述的基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：步骤S3中，所述故障类型包括正常、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电七种类型。

4.如权利要求1所述的基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：步骤S5中，各所述卷积层的输出端还连接有ReLU激活函数。

5.如权利要求4所述的基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：所述ReLU激活函数满足如下公式：

其中，

表示第j层的第g个输出矩阵；

表示第j-1层的第k个输出矩阵；

表示处于第j层的第g个输出矩阵和第j-1层的第k个输出矩阵之间的卷积核；n为输出矩阵的个数；

表示第j层第g个输出矩阵的偏置。

6.如权利要求1所述的基于油中溶解气体小样本数据的变压器故障诊断方法，其特征在于：各所述池化层满足如下公式：

其中，

表示第g个特征矩阵进行最大池化前的矩阵，

表示第g个特征矩阵进行最大池化后的矩阵，a表示池化窗口的长，b表示池化窗口的宽，s表示池化窗口的步幅大小。

Images