CN115908842A - 变压器局部放电数据增强与识别方法 - Google Patents
变压器局部放电数据增强与识别方法 Download PDFInfo
- Publication number
- CN115908842A CN115908842A CN202211362548.1A CN202211362548A CN115908842A CN 115908842 A CN115908842 A CN 115908842A CN 202211362548 A CN202211362548 A CN 202211362548A CN 115908842 A CN115908842 A CN 115908842A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- sample
- model
- map
- generator
- 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
Images
Classifications
-
- 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
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了本发明变压器局部放电数据增强与识别方法,以局放故障类型的PRPD图谱为对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够生成特定类型的局部放电图谱样本。利用改进的CGAN模型生成的各种特定放电类型下的局部放电图谱可以扩充原始放电数据集,增加原始数据集的多样性,以更好解决原始放电数据集非平衡和小样本的分布问题等;为提高分类效果,本发明以改进的CNN作为分类器,输入数据扩充平衡的训练样本数据训练改进的CNN,通过不断训练调整网络参数与权重,输出故障分类诊断结果;解决了非平衡小样本数据下变压器局部放电模式识别准确率偏低的问题,提高故障识别准确率。
Description
技术领域
本发明属于电力设备故障诊断技术领域,具体涉及变压器局部放电数据增强与识别方法。
背景技术
电力变压器设备是电力系统中关键的辅助设备,其工作运行稳定状况关系着到电力系统建设的高效安全平稳运行,而其局部放电特性可以最有效的反映出变压器局部绕组绝缘状态劣化程度。随着未来人工智能产业发展的进一步的快速发展,模式识别理论和技术也取得了长足的进步。然而,由于变压器中发生的局放故障一般为一种小的概率事件,具有正常状态样本远大于已经发生了故障样本数量的显著特点,导致在现场的实测样本数据比较中,正常故障样本总是远远要多于异常故障样本,且各个不同故障类型间的实际故障样本比例也总是极其不平衡的,原始数据不能充分的训练现有的分类器,使得分类器识别准确率不高且存在将不同故障类型误识别的问题。
发明内容
本发明的目的是提变压器局部放电数据增强与识别方法,解决了非平衡小样本数据下变压器局部放电模式识别准确率偏低的问题,能够提高故障识别准确率。
本发明所采用的技术方案是,变压器局部放电数据增强与识别方法,具体按照以下步骤实施:
步骤1、在数据集中提取局放故障类型的PRPD图谱,将图谱进行灰度化处理后,裁剪成统一大小,作为原始样本,对原始样本添加标签后;
步骤2、构建改进的CGAN模型,将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱,得到扩充的放电数据集;
步骤3、以改进的卷积神经网络系统作为分类器,输入扩充的放电数据集训练分类器,通过不断训练调整网络参数与权重,得到优化的分类器;
步骤4、将待识别变压器局部放电图谱输入优化的分类器,输出故障分类诊断结果。
本发明的特点还在于:
步骤1中将图谱进行灰度化处理过程为:
f(x,y)=(R(x,y)+G(x,y)+B(x,y))/3 (1)
式中,R(x,y)、G(x,y)、B(x,y)分别为原始图谱在R,G,B三个通道上(x,y)位置处的灰度值,f(x,y)为采用平均值法对图谱进行灰度化处理后在(x,y)位置处的灰度值。
步骤2中改进的CGAN模型包括生成器G与判别器D,对生成器G的网络模型中引入空间池化层,则有:
生成器的损失函数LG表示为:
判别器的损失函数LD表示为:
式中,E表示分布的期望;
条件生成对抗网络的目标表示为:
步骤2中将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱的具体过程为:
将所有种类的标签和随机高斯噪声一并输入生成器G,通过生成器生成故障样本,并对故障样本添加标签;
将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分析或判定,通过对生成器模型和对判别器模型的对抗,进行调整与优化系统的模型参数,得到最优的生成器模型和判别器模型以及扩充的放电数据集。
步骤3中改进的卷积神经网络系统包括一个输入层、两个卷积层、两个池化层、两个全连接层系统、T-ReLU激活函数层、输出层,卷积层卷积核数目为2×2,第一卷积层由16个3×3卷积核组成,第二卷积层由32个3×3的卷积核组成。
T-ReLU激活函数层采用函数表达式为:
其中,α是可调参数。
本发明有益效果是:
本发明变压器局部放电数据增强与识别方法,通过添加随机高斯噪声对样本进行增强,在原有CGAN模型的基础上引入空间池化层,增加了该网络模型中的多元尺度特征学习能力以确保快速地生成出更多的高质量的图像细节信息;结合采用改进的卷积神经网络T-ReLU激活函数能够提高网络模型函数的分类准确度。
附图说明
图1是本发明中基于CGAN-CNN的局放数据增强与识别框架;
图2是本发明中GAN模型的基本结构示意图;
图3是本发明中CGAN基本结构示意图;
图4是本发明中基于改进的CGAN的局放数据增强流程示意图;
图5是本发明中基于CNN的局放类型识别示意图;
图6是实施例中尖端放电灰度图;
图7是实施例中沿面放电灰度图;
图8是实施例中气隙放电灰度图;
图9是实施例中悬浮放电灰度图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
为解决非平衡小样本数据下变压器局部放电模式识别准确率偏低的问题,提出基于改进的条件生成对抗网络(generative adversarial networks,CGAN)和卷积神经网络(convolutional neural network,CNN)的局放数据增强与放电类型识别方法。首先,本发明方法以局放故障类型的PRPD图谱为对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够生成特定类型的局部放电图谱样本。其次,利用CGAN生成的各种特定放电类型下的局部放电图谱可以扩充原始放电数据集,增加原始数据集的多样性,以更好解决原始放电数据集非平衡和小样本的分布问题等;最后,为提高分类效果,本发明以CNN作为分类器,输入数据扩充平衡的训练样本数据训练CNN,通过不断训练调整网络参数与权重,输出故障分类诊断结果。
本发明变压器局部放电数据增强与识别方法,使用的模型框架如图1所示,具体按照以下步骤实施:
步骤1、在数据集中提取局放故障类型的PRPD图谱,将图谱进行灰度化处理后,裁剪成统一大小,作为原始样本,对原始样本添加标签后;
为了消除原始图谱中可能对图谱特征造成干扰的无关信息,本发明采用平均值法对图谱进行灰度化处理,公式如式(1)所示:
f(x,y)=(R(x,y)+G(x,y)+B(x,y))/3 (1)
式中,R(x,y)、G(x,y)、B(x,y)分别为原始图谱在R,G,B三个通道上(x,y)位置处的灰度值,f(x,y)为采用平均值法对图谱进行灰度化处理后在(x,y)位置处的灰度值。
由于图谱收集过程中,可能存在大小不一的情况,导致无法放在同一模型中训练,本发明将图像大小统一变换为300×150。
步骤2、构建改进的CGAN模型,将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱,得到扩充的放电数据集;
生成对抗网络(GAN)一般由下面这两个网络组成。一个是生成器,主要目的是用来捕获对抗训练数据的分布,另一个是判别器,主要是提供一个用以估计对抗训练的样本数据是来自于对抗训练生成网络数据中的而又不是由模型生成器生成的数据的概率。生成器的对抗训练生成过程目标是要最大化判别器犯错发生的概率。这个训练的框架对应等价之于一个概率为极大极小的双人博弈。生成器试图生成一个接近真实的图像。图像传输到判别器后,判别器的任务是通过与真实数据的比较来评估图像的真实性。生成器之间和判别器之间要通过博弈来不断的更新网络参数,从而自动优化自己的生成和分类能力。GAN的基本结构如附图2所示。
传统无监督GAN没有对生成数据的模式的控制,难以控制模型的生成过程。为了能够改善无监督GAN网络中的不可控性,本发明采用条件生成对抗网络(conditionalgenerative adversarial nets,CGAN),通过将模型置于附加信息之上,指导数据生成过程来生成特定样本。CGAN是GAN框架的扩展,在训练过程中完全相同。CGAN和GAN的区别在于输入量。GAN发生器的输入仅包含随机噪声,CGAN还在输入中加入了标签信息,解决了GAN的不可控性问题。
为解决局放故障样本匮乏且存在种类间不平衡的问题,本发明采用条件生成网络来生成特定类型的局放故障样本。条件生成对抗网络(CGAN)通过在生成器中添加标签信息作为附加参数来改变GAN。如图1所示,CGAN模型是一种监督学习,标签信息作为生成器和鉴别器的额外输入。生成器和判别器之间若任何一方都能以获得任何某种额外的辅助的信息做为一个判别的条件,则生成式的对抗网络模型就将可以被无限的扩展为一个另外的一种判别的条件模型。c可以说是可以获得的一种额外辅助的信息,如类别标签。
为了生成高质量数据样本,本发明采用改进的CGAN模型包括生成器G与判别器D,对生成器G的网络模型中引入空间池化层,增加了网络中图像的多元尺度特征学习能力,生成更多的图像细节信息则有:
生成器的损失函数LG表示为:
判别器的损失函数LD表示为:
式中,E表示分布的期望;
条件生成对抗网络的目标表示为:
改进的CGAN能够针对性生成高质量的特定类型局放故障样本,通过向模型中加入空间池化层,来克服传统GAN生成样本质量难以保证的问题。
为了解决目前电力变压器局放模式识别时,存在的因数据集故障样本数量偏少且对不同故障类型的图谱数量比例不平衡,导致局放故障类型识别工作的准确性精度可靠性不足问题,采用了改进的CGAN技术来对目前采集到的局放图谱进行扩充。本发明采用CGAN模型结构如图3所示,由1个生成器和1个判别器共同构成。判别器包含有1个输入层、2个卷积层、2个池化层、2个全连接层和1个图像输出连接层;生成器中只包含到了1个输入层、2个卷积层、2个池化层,1个全连接层等层和1个输出层,生成器中和判别器采用到的优化判别器为Adam。将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱的具体过程为:
如图4所示,将所有种类的标签和随机高斯噪声一并输入生成器G,通过生成器生成故障样本,并对故障样本添加标签;
将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分析或判定,通过对生成器模型和对判别器模型的对抗,进行调整与优化系统的模型参数,得到最优的生成器模型和判别器模型以及扩充的放电数据集。
步骤3、以改进的卷积神经网络系统作为分类器,输入扩充的放电数据集训练分类器,通过不断训练调整网络参数与权重,得到优化的分类器;
作为当前一种可以广泛有效地应用于图像特征识别问题上的多层神经网络识别算法,卷积神经网络系统(CNN)是一种前馈神经网络,主要技术性能特点之一主要是其具有局部感知、网络权重高的共享性特征和能够支持多个卷积内核。典型的卷积神经网络结构系统通常也只同时包含着以下至少5层,即图像输入层、卷积层、池化层、全连接层系统和输出层。卷积连接层系统主要由多个图像特征面系统所组成,每个像特征面包系统中含有多个神经元。在图像信号前馈传输期间,卷积连接层通过卷积核对整个图像信号输入局部区域来进行图像卷积的运算,提取到该输入局部区域图像上所有的图像特征集。卷积层的设计最大的作用当然也是为了快速提取图像信息中一些有用的特征。公式如下:
Yp=f(Zp) (7)
式*中,Wp为第p个卷积核;X为输入特征图;b为偏置向量;f为激活函数;Yp为得到的第p个输出特征。
池化层有效的对卷积层进行到了最大程度的采样,减小到了特征维度,降低运算量。
式中,xi为采样区域范围内的每个神经元输入的激活值,Y的采样结果等于对包含了第p个输入激活特征的m×n个区域进行子采样。
本发明中,如图5所示,改进的卷积神经网络系统包括一个输入层、两个卷积层、两个池化层、两个全连接层系统、T-ReLU激活函数层、输出层,卷积层卷积核数目为2×2,第一卷积层由16个3×3卷积核组成,第二卷积层由32个3×3的卷积核组成。
T-ReLU激活函数层采用函数表达式为:
其中,α是可调参数。
步骤4、将待识别变压器局部放电图谱输入优化的分类器,输出故障分类诊断结果。
实施例
采用230份局放故障图谱,其中尖端放电80份,悬浮放电60份,沿面放电50份,气隙放电40份;进行灰度化处理后,典型尖端放电图谱灰度图如图6所示,典型沿面放电图谱灰度图如图7所示,典型气隙放电图谱灰度图如图8所示,典型悬浮放电图谱灰度图如图9所示,并将图像大小统一变换为300×150。
对本发明方法与现有的ROS、SMOTE方法进行比较分析,采用系统多层级结构相似度指标(multi-scale structural similarity,MS-SSIM)作为参考指标分别来三种方法进行定量分析。对每种局部放电类型条件下的局部放电图谱样本分别随机定量地各随机抽取其中的50对进行真实、生成样本,计算并得到对其MS-SSIM指标的算术平均值如表1中所示。
表1
采用改进的CGAN模型对采集到的局放PRPD谱图进行扩充后的数据集如表2所示。
表2
对本发明中改进的卷积神经网络进行训练,其中T-ReLU输出4种识别概率向量,将局放图谱样本输入到一个预先训练已建立好的卷积神经网络模型中,得到一种可用于预测的放电类型。
为了进一步验证本发明方法的识别测试效果,在局放图谱样本库中,随机地选取出了约400组分别来作为识别训练测试对象,对ELM、BPNN算法和本发明方法中所提出的方法进行训练,再分别通过随机地选取的其中的100组数据分别来作为进行模式识别测试方法的图谱样本库分别来识别测试了上述的三种算法的识别结果并根据计算结果绘制出测试结果的混淆度矩阵,BPNN分类的最终识别测试的结果如表3所示:
表3
ELM分类的最终识别测试的结果如表4所示:
表4
改进的CGAN-CNN分类的最终识别测试的结果如表5所示:
表5
由表3、表4、表5可以清晰看出,CGAN-CNN方法的识别正确率达到最高,且其精确率和召回率同样都会很高,即识别查准率和识别查全率同时都达到很高。对比于其他这两种判别方法,CGAN-CNN技术用于电力变压器局部放电后的放电模式的识别会有其很好的识别效果。由于单层次的测试方法可能更具有偶然性,因此用本项发明方法对ELM、BPNN和改进过的CGAN-CNN三种识别方法的分别进行20次的测试,对比出三者方法的平均识别的正确率,结果分析见下表6。
表6
由表6可以看出,本发明所提出的识别方法取得了很好的效果,平均预测精度达到91.5%,高于其他传统分类方法的识别准确率。
通过上述方式,本发明变压器局部放电数据增强与识别方法,以局放故障类型的PRPD图谱为对象,将真实样本添加标签后输入CGAN模型,训练出的生成器模型具有训练过程稳定而且能够生成特定类型的局部放电图谱样本。其次,利用改进的CGAN模型生成的各种特定放电类型下的局部放电图谱可以扩充原始放电数据集,增加原始数据集的多样性,以更好解决原始放电数据集非平衡和小样本的分布问题等;最后,为提高分类效果,本发明以改进的CNN作为分类器,输入数据扩充平衡的训练样本数据训练改进的CNN,通过不断训练调整网络参数与权重,输出故障分类诊断结果;解决了非平衡小样本数据下变压器局部放电模式识别准确率偏低的问题,能够提高故障识别准确率。
Claims (6)
1.变压器局部放电数据增强与识别方法,其特征在于,具体按照以下步骤实施:
步骤1、在数据集中提取局放故障类型的PRPD图谱,将图谱进行灰度化处理后,裁剪成统一大小,作为原始样本,对原始样本添加标签后;
步骤2、构建改进的CGAN模型,将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱,得到扩充的放电数据集;
步骤3、以改进的卷积神经网络系统作为分类器,输入扩充的放电数据集训练分类器,通过不断训练调整网络参数与权重,得到优化的分类器;
步骤4、将待识别变压器局部放电图谱输入优化的分类器,输出故障分类诊断结果。
2.根据权利要求1所述变压器局部放电数据增强与识别方法,其特征在于,步骤1中所述将图谱进行灰度化处理过程为:
f(x,y)=(R(x,y)+G(x,y)+B(x,y))/3 (1)
式中,R(x,y)、G(x,y)、B(x,y)分别为原始图谱在R,G,B三个通道上(x,y)位置处的灰度值,f(x,y)为采用平均值法对图谱进行灰度化处理后在(x,y)位置处的灰度值。
4.根据权利要求3所述变压器局部放电数据增强与识别方法,其特征在于,步骤2中所述将样本输入改进的CGAN模型生成各种特定放电类型下的局部放电图谱的具体过程为:
将所有种类的标签和随机高斯噪声一并输入生成器G,通过生成器生成故障样本,并对故障样本添加标签;
将故障样本及其对应的标签和原始样本及其对应的标签分别输入判别器进行分析或判定,通过对生成器模型和对判别器模型的对抗,进行调整与优化系统的模型参数,得到最优的生成器模型和判别器模型以及扩充的放电数据集。
5.根据权利要求1所述变压器局部放电数据增强与识别方法,其特征在于,步骤3中所述改进的卷积神经网络系统包括一个输入层、两个卷积层、两个池化层、两个全连接层系统、T-ReLU激活函数层、输出层,所述卷积层卷积核数目为2×2,第一卷积层由16个3×3卷积核组成,第二卷积层由32个3×3的卷积核组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362548.1A CN115908842A (zh) | 2022-11-02 | 2022-11-02 | 变压器局部放电数据增强与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362548.1A CN115908842A (zh) | 2022-11-02 | 2022-11-02 | 变压器局部放电数据增强与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908842A true CN115908842A (zh) | 2023-04-04 |
Family
ID=86494219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362548.1A Pending CN115908842A (zh) | 2022-11-02 | 2022-11-02 | 变压器局部放电数据增强与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908842A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432534A (zh) * | 2023-04-18 | 2023-07-14 | 中海石油(中国)有限公司上海分公司 | 一种数据驱动的toc样本预测方法 |
CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
CN118211130B (zh) * | 2024-05-20 | 2024-07-12 | 兰州交通大学 | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
-
2022
- 2022-11-02 CN CN202211362548.1A patent/CN115908842A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432534A (zh) * | 2023-04-18 | 2023-07-14 | 中海石油(中国)有限公司上海分公司 | 一种数据驱动的toc样本预测方法 |
CN117332268A (zh) * | 2023-10-08 | 2024-01-02 | 上海交通大学 | 一种改进gan的gis局放数据增强方法及系统 |
CN118211130B (zh) * | 2024-05-20 | 2024-07-12 | 兰州交通大学 | 一种基于gan的变压器特高频局部放电缺陷数据增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
CN115908842A (zh) | 变压器局部放电数据增强与识别方法 | |
CN110349676B (zh) | 时序生理数据分类方法、装置、存储介质和处理器 | |
CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
Paupamah et al. | Quantisation and pruning for neural network compression and regularisation | |
Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
Yu et al. | PCWGAN-GP: A new method for imbalanced fault diagnosis of machines | |
Meng et al. | An intelligent fault diagnosis method of small sample bearing based on improved auxiliary classification generative adversarial network | |
CN113923104A (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN115114965B (zh) | 风电机组齿轮箱故障诊断方法、装置、设备及存储介质 | |
CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
CN114037001A (zh) | 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法 | |
CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
CN115791174A (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
Valle et al. | TequilaGAN: How to easily identify GAN samples | |
CN112149804B (zh) | 一种新型卷积神经网络模型及应用 | |
CN112561054B (zh) | 一种基于批量特征热图的神经网络滤波器剪枝方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN116318877A (zh) | 利用多种特征流形向量的入侵检测系统对抗样本防御方法 | |
Wang et al. | Data-Augmentation Based CBAM-ResNet-GCN Method for Unbalance Fault Diagnosis of Rotating Machinery |
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 |