CN116310599A - 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 - Google Patents
基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116310599A CN116310599A CN202310557037.3A CN202310557037A CN116310599A CN 116310599 A CN116310599 A CN 116310599A CN 202310557037 A CN202310557037 A CN 202310557037A CN 116310599 A CN116310599 A CN 116310599A
- Authority
- CN
- China
- Prior art keywords
- operation layer
- layer
- channel size
- conv2
- size
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 16
- 238000011176 pooling Methods 0.000 claims 16
- 230000004913 activation Effects 0.000 claims 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进CNN‑PNN网络的电力变压器故障诊断方法及系统,首先获取待分析的数据;然后将待分析的数据归一化处理;最后将归一化处理后的数据通过改进CNN‑PNN网络对待分析的数据进行分析,输出待分析的数据对应的故障诊断结果;本发明通过多次一维卷积操作扩大输入数据的维度,以及多次二维卷积系列操作将一维输入数据转化为二维图片类型数据,提高输入数据复杂度,减少模型训练过拟合问题。本发明采用一维和二维卷积操作以及多步并行不同卷积核大小的二维卷积操作,加入Resnet以及attention操作,提升模型特征提取能力,减少训练过拟合问题。本发明将卷积操作后的数据输入到PNN模型中代替原有CNN的线性分类层,提高了模型的分类能力。
Description
技术领域
本发明属于电力设备故障诊断技术领域,涉及一种电力变压器故障诊断方法及系统,具体涉及一种基于改进CNN-PNN网络的电力变压器故障诊断方法及系统。
背景技术
传统的变压器诊断方法为:通过定期维护和事后检修对变压器的外观检查、关键指标参量、运行记录和缺陷记录等因素综合考量。但此方法具有一定的主观性,变压器的好坏往往决定于专家的经验正确与否,因此为了解决这一问题,国内外学者尝试开始采用一定的监测手段,获取与故障相关的关键信息,进一步提高变压器故障诊断的正确率;因此产生了超声波检测法、红外热成像检测法、脉冲电流检测法、光检测法等一系列故障诊断方法。
在所有产生的故障诊断方法中,油中溶解气体分析法(Dissolved Gas Analysis,DGA),是现在应用最广泛、效果最好的诊断方法。由于油色谱数据具有结构化的特点,且故障类型已经确定。因此可以将变压器故障诊断问题转化为机器学习中的分类问题或聚类任务。基于此原理,许多学者开始尝试将机器学习算法与DGA相结合来解决相关难题。
例如申请号为CN202211260761.1的发明专利一种基于深度学习的电力变压器故障诊断方法,通过获取电力变压器的故障样本数据集,对故障样本数据集进行预处理,得到用于训练的训练数据集,构建基于CNN的预设故障诊断模型,通过训练数据集对预设故障诊断模型进行训练,得到训练后的故障诊断模型,优化训练后的故障诊断模型的超参数,得到目标故障诊断模型,获取待分析的数据,通过目标故障诊断模型对待分析的数据进行分析,输出待分析的数据对应的故障诊断结果。
在目前变压器故障诊断问题的研究中,大多学者将五种气体特征(H2、CH4、C2H2、C2H4、C2H6)作为诊断模型的输入,进行相应的电力变压器故障诊断,由于输入模型的特征太少,往往造成模型训练过拟合现象发生,导致故障诊断效果不佳,采用CNN(提取特征能力强)来进行故障诊断,由于CNN分类效果欠优,诊断效果往往欠佳。
发明内容
为了解决上述技术问题,本发明提出了一种基于改进CNN-PNN的电力变压器故障诊断方法及系统。
本发明的方法所采用的技术方案是:一种基于改进CNN-PNN网络的电力变压器故障诊断方法,包括以下步骤:
步骤1:获取待分析的数据;
步骤2:将所述待分析的数据归一化处理;
步骤3:将归一化处理后的数据通过所述改进CNN-PNN网络对所述待分析的数据进行分析,输出所述待分析的数据对应的故障诊断结果;
所述改进CNN-PNN网络,包括并行设置的Conv1_1、Conv1_2、Conv1_3和Conv1_4层,用于将所述并行设置的Conv1_1、Conv1_2、Conv1_3与Conv1_4层输出拼接的第一拼接层,用于将第一拼接层输出的一维向量转化成二位向量的第一转化层,并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层,用于将所述并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层输出拼接的第二拼接层,并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层,用于将并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层输出拼接的第三拼接层,和用于将第三拼接层输出进行分类得到故障类型预测的全连接层。
本发明的系统所采用的技术方案是:一种基于改进CNN-PNN网络的电力变压器故障诊断系统,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的基于改进CNN-PNN网络的电力变压器故障诊断方法。
本发明的有益效果如下:
1.首先通过多次一维卷积系列操作扩大输入数据的维度,提高输入数据复杂度,减少模型训练容易过拟合的几率。
2.通过多次二维卷积系列操作将一维输入数据转化为二维图片类型数据,进一步提高输入数据复杂度,减少模型训练过拟合问题。
3.多次采用一维卷积和二维卷积操作,将两种卷积进行结合,提高模型的特征提取能力。
4.采用多步并行的二维卷积操作,采用不同大小卷积核进行操作,同时加入Resnet残差网络结构以及attention注意力机制,提升模型的特征提取能力以及减少模型训练过拟合机率。
5.将卷积操作后的数据输入到PNN模型中代替原有CNN的线性分类层,提高了模型的分类能力。
附图说明
图1为本发明实施例的改进CNN网络结构图;
图2为本发明实施例的改进CNN-PNN网络结构图;
图3为本发明实施例的图1和图2中的第1部分明细图;
图4为本发明实施例的图1和图2中的第2部分明细图;
图5为本发明实施例的图1和图2中的第3部分明细图;
图6为本发明实施例的图1中的第4部分明细图;
图7为本发明实施例的图2中的第5部分明细图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明通过为解决传统电力变压器故障诊断问题中输入模型特征少,容易造成模型训练过拟合问题以及传统CNN模型分类能力较弱问题,提出了一种新的改进CNN-PNN变压器故障诊断模型。
本发明提供的一种基于改进CNN-PNN网络的电力变压器故障诊断方法,包括以下步骤:
步骤1:获取待分析的数据;
步骤2:将本实施例的待分析的数据归一化处理;
步骤3:将归一化处理后的数据通过本实施例的改进CNN-PNN网络对本实施例的待分析的数据进行分析,输出本实施例的待分析的数据对应的故障诊断结果;
请见图1-图7,本实施例的改进CNN-PNN网络,包括并行设置的Conv1_1、Conv1_2、Conv1_3和Conv1_4层,用于将本实施例的并行设置的Conv1_1、Conv1_2、Conv1_3与Conv1_4层输出拼接的第一拼接层,用于将第一拼接层输出的一维向量转化成二位向量的第一转化层,并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层,用于将本实施例的并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层输出拼接的第二拼接层,并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层,用于将并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层输出拼接的第三拼接层,和用于将第三拼接层输出进行分类得到故障类型预测的全连接层。
Conv1_1、Conv1_2、Conv1_3与Conv1_4的主要参数表如下表1所示;
表1Conv1_1到Conv1_4主要参数表
Conv2_1、Conv2_2、Conv2_3到Conv2_8八次操作主要参数表如下表2所示。
表2Conv2_1到Conv2_8主要参数表
Conv3_1操作+Resnet1操作+attention操作、Conv3_2操作+Resnet2操作+attention操作、Conv3_3操作+Resnet3操作+attention操作和Conv3_4操作+Resnet1操作+attention操作。各操作主要参数如下表3所示。
表3Conv3_i操作+Resneti操作+attention操作主要参数表
其中,blk代表ResNet。
本实施例的改进CNN-PNN网络,是训练好的改进CNN-PNN网络;其训练过程包括以下步骤:
(1)获取电力变压器的故障样本数据集,其中,本实施例的故障样本数据集中的每个样本数据包括以五种气体特征(H2、CH4、C2H2、C2H4、C2H6)构成长度为5的输入一维向量(b,5),其中:b为输入数据的个数,5为一个输入数据的长度;
(2)将本实施例的故障样本数据集通过pytorch框架中的torch.unsqueeze()函数操作归一化处理为向量(b,1,5),其中,b为输入数据的个数,5为一个输入数据的长度,1为输入数据的通道数;
(3)将归一化处理后的数据输入本实施例的改进CNN-PNN网络,对故障类型预测;通过实际故障类型与预测类型之间的误差通过梯度下降的方式进行网络参的更新;训练达到预设目标后结束训练,获得训练好的网络。
首先,将维度大小为(b,1,5)的输入数据分别进行Conv1_1、Conv1_2、Conv1_3与Conv1_4操作,将四次操作得到的数据通过pytorch框架中的torch.cat()操作在数据长度一维进行拼接,得到维度大小为(b,1,20)的数据,适合一维卷积输入。
然后,通过pytorch框架中的torch.unsqueeze()函数将维度大小为(b,1,20,1),适合二维卷积输入。其中:b为输入数据个数,第一个1为每个数据的通道个数,20为每个数据的高,第二个1为每个数据的宽。
接着,将维度大小为(b,1,20,1)的数据分别进行Conv2_1、Conv2_2、Conv2_3到Conv2_8八次操作,将八次操作得到的数据通过pytorch框架中的torch.cat()在数据宽度一维进行拼接,得到维度大小为(b,1,20,20)的图片数据,将一维数据转化为二维图片数据。
将维度大小为(b,1,20,20)的数据分别进行Conv3_1操作+Resnet1操作+attention操作、Conv3_2操作+Resnet2操作+attention操作、Conv3_3操作+Resnet3操作+attention操作和Conv3_4操作+Resnet1操作+attention操作。
将得到的4个数据分别通过view()函数操作得到维度大小为(b,576)、(b,256)、(b,64)以及(b,1600)的数据,并通过torch.cat()函数将4个数据进行拼接,得到维度大小为(b,2496)的数据。
最后,将得到的数据放入线性分类层中进行分类得到故障类型预测,并通过实际故障类型与预测类型之间的误差通过梯度下降的方式进行相关参数的更新。
重复上述步骤500次,获得训练好的网络。
本实施例在CNN训练完毕后,将第三拼接层后输出训练数据输入到PNN进行模型训练;将测试数据输入训练完毕的CNN层,将第三拼接层后输出测试数据输入到PNN进行故障诊断。
下面通过实验对本发明做进一步的阐述。实验数据选用从几篇近几年变压器故障诊断领域的相关数据,数据主要将变压器故障分为六大类:正常,局部放电,低能放电,高能放电,低中温过热,高温过热(在图中用编号1-6代表故障类型)。模型搭配及测试环境为基于Python3.6版本的pytorch框架。
相关数据维度测试结果如下表所示。
实验证明该本发明可以完成相关的故障诊断测试。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于,包括以下步骤:
步骤1:获取待分析的数据;
步骤2:将所述待分析的数据归一化处理;
步骤3:将归一化处理后的数据通过所述改进CNN-PNN网络对所述待分析的数据进行分析,输出所述待分析的数据对应的故障诊断结果;
所述改进CNN-PNN网络,包括并行设置的Conv1_1、Conv1_2、Conv1_3和Conv1_4层,用于将所述并行设置的Conv1_1、Conv1_2、Conv1_3与Conv1_4层输出拼接的第一拼接层,用于将第一拼接层输出的一维向量转化成二位向量的第一转化层,并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层,用于将所述并行设置的Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层输出拼接的第二拼接层,并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层,用于将并行设置Conv3_1操作层+Resnet1操作层+attention操作层+view()函数操作层、Conv3_2操作层+Resnet2操作层+attention操作层+view()函数操作层、Conv3_3操作层+Resnet3操作层+attention操作层+view()函数操作层和Conv3_4操作层+Resnet4操作层+attention操作层+view()函数操作层输出拼接的第三拼接层,和用于将第三拼接层输出进行分类得到故障类型预测的全连接层。
2.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:步骤2中,将所述待分析的数据归一化处理为向量(b,1,5),其中,b为输入数据的个数,5为一个输入数据的长度,1为输入数据的通道数。
3.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv1_1、Conv1_2、Conv1_3和Conv1_4层,均为由一维卷积层和Relu激活函数层组成;所述一维卷积层,输入通道大小和输出通道大小均为1,卷积核大小分别为1、3、5、1步数均为1,填充数分别为0、1、2、0。
4.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv2_1、Conv2_2、Conv2_3、Conv2_4、Conv2_5、Conv2_6、Conv2_7和Conv2_8层,均为由二维卷积层和Relu激活函数层组成;所述二维卷积层,输入通道大小和输出通道大小均为1,卷积核大小分别为(1,1)、(3,1)、(5,1)、(1,1)、(3,1)、(5,1)、(1,1)、(1,1),步数均为1,填充数分别为0、1、2、0、1、2、0、0。
5.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv3_1操作层,由第一二维卷积操作层、第一批归一化操作层、Relu激活函数、第一池化操作层、第二二维卷积操作层、第二批归一化操作层、Relu激活函数层、第二池化操作层组成;
所述第一二维卷积操作层,输入通道大小为1,输出通道大小为16,卷积核大小为(3,3),步数为1,填充数为0;所述第一批归一化操作层,输入通道大小为16,输出通道大小为16;所述第一池化操作层,输入通道大小为16,输出通道大小为16,卷积核大小为(2,2),步数为2;所述第二二维卷积操作层,输入通道大小为16,输出通道大小为32,卷积核大小为(3,3),步数为1,填充数为0;所述第二批归一化操作层,输入通道大小为32,输出通道大小为32;所述第二池化操作层,输入通道大小为32,输出通道大小为32,卷积核大小为(2,2),步数为2;
所述Resnet1操作层,由第一blk层和第二blk层组成;所述第一blk层,输入通道大小为32,输出通道大小为32;所述第二blk层,输入通道大小为32,输出通道大小为64;所述blk代表ResNet。
6.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv3_2操作层,由第三二维卷积操作层、第三批归一化操作层、Relu激活函数、第三池化操作层、第四二维卷积操作层、第四批归一化操作层、Relu激活函数层、第四池化操作层组成;
所述第三二维卷积操作层,输入通道大小为1,输出通道大小为16,卷积核大小为(5,5),步数为1,填充数为0;所述第三批归一化操作层,输入通道大小为16,输出通道大小为16;所述第三池化操作层,输入通道大小为16,输出通道大小为16,卷积核大小为(2,2),步数为2;所述第四二维卷积操作层,输入通道大小为16,输出通道大小为32,卷积核大小为(5,5),步数为1,填充数为0;所述第四批归一化操作层,输入通道大小为32,输出通道大小为32;所述第四池化操作层,输入通道大小为32,输出通道大小为32,卷积核大小为(2,2),步数为2;
所述Resnet2操作层,由第三blk层和第四blk层组成;所述第三blk层,输入通道大小为32,输出通道大小为32;所述第四blk层,输入通道大小为32,输出通道大小为64;所述blk代表ResNet。
7.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv3_3操作层,由第五二维卷积操作层、第五批归一化操作层、Relu激活函数、第五池化操作层、第六二维卷积操作层、第六批归一化操作层、Relu激活函数层、第六池化操作层组成;
所述第五二维卷积操作层,输入通道大小为1,输出通道大小为16,卷积核大小为(6,6),步数为1,填充数为0;所述第五批归一化操作层,输入通道大小为16,输出通道大小为16;所述第五池化操作层,输入通道大小为16,输出通道大小为16,卷积核大小为(2,2),步数为2;所述第六二维卷积操作层,输入通道大小为16,输出通道大小为32,卷积核大小为(6,6),步数为1,填充数为0;所述第六批归一化操作层,输入通道大小为32,输出通道大小为32;所述第六池化操作层,输入通道大小为32,输出通道大小为32,卷积核大小为(2,2),步数为2;
所述Resnet3操作层,由第五blk层和第六blk层组成;所述第五blk层,输入通道大小为32,输出通道大小为32;所述第六blk层,输入通道大小为32,输出通道大小为64;所述blk代表ResNet。
8.根据权利要求1所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述Conv3_4操作层,由第七二维卷积操作层、第七批归一化操作层、Relu激活函数、第七池化操作层、第八二维卷积操作层、第八批归一化操作层、Relu激活函数层、第八池化操作层组成;
所述第七二维卷积操作层,输入通道大小为1,输出通道大小为16,卷积核大小为(1,1),步数为1,填充数为0;所述第七批归一化操作层,输入通道大小为16,输出通道大小为16;所述第七池化操作层,输入通道大小为16,输出通道大小为16,卷积核大小为(2,2),步数为2;所述第八二维卷积操作层,输入通道大小为16,输出通道大小为32,卷积核大小为(1,1),步数为1,填充数为0;所述第八批归一化操作层,输入通道大小为32,输出通道大小为32;所述第八池化操作层,输入通道大小为32,输出通道大小为32,卷积核大小为(2,2),步数为2;
所述Resnet4操作层,由第七blk层和第八blk层组成;所述第七blk层,输入通道大小为32,输出通道大小为32;所述第八blk层,输入通道大小为32,输出通道大小为64;所述blk代表ResNet。
9.根据权利要求1-8任意一项所述的基于改进CNN-PNN网络的电力变压器故障诊断方法,其特征在于:所述改进CNN-PNN网络,是训练好的改进CNN-PNN网络;其训练过程包括以下步骤:
(1)获取电力变压器的故障样本数据集,其中,所述故障样本数据集中的每个样本数据包括以五种气体特征(H2、CH4、C2H2、C2H4、C2H6)构成长度为5的输入一维向量(b,5),其中:b为输入数据的个数,5为一个输入数据的长度;
(2)将所述故障样本数据集归一化处理为向量(b,1,5),其中,b为输入数据的个数,5为一个输入数据的长度,1为输入数据的通道数;
(3)将归一化处理后的数据输入所述改进CNN-PNN网络,对故障类型预测;通过实际故障类型与预测类型之间的误差通过梯度下降的方式进行网络参的更新;训练达到预设目标后结束训练,获得训练好的网络。
10.一种基于改进CNN-PNN网络的电力变压器故障诊断系统,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至9中任一项所述的基于改进CNN-PNN网络的电力变压器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557037.3A CN116310599B (zh) | 2023-05-17 | 2023-05-17 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310557037.3A CN116310599B (zh) | 2023-05-17 | 2023-05-17 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116310599A true CN116310599A (zh) | 2023-06-23 |
CN116310599B CN116310599B (zh) | 2023-08-15 |
Family
ID=86836303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310557037.3A Active CN116310599B (zh) | 2023-05-17 | 2023-05-17 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310599B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN110334747A (zh) * | 2019-06-13 | 2019-10-15 | 河北科技大学 | 基于改进卷积神经网络的图像识别方法及应用 |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
US20210017923A1 (en) * | 2019-07-17 | 2021-01-21 | Transtron Inc. | Engine control device and neural network program provided therein |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
CN114330439A (zh) * | 2021-12-28 | 2022-04-12 | 盐城工学院 | 一种基于卷积神经网络的轴承诊断方法 |
WO2022116570A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
CN114841199A (zh) * | 2022-04-18 | 2022-08-02 | 武汉大学 | 配电网故障诊断方法、装置、设备及可读存储介质 |
CN115951268A (zh) * | 2022-12-29 | 2023-04-11 | 安徽新航电子科技有限公司 | 一种基于Inception的卷积神经网络变流器故障诊断方法 |
CN115980560A (zh) * | 2022-11-29 | 2023-04-18 | 西安交通大学 | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 |
-
2023
- 2023-05-17 CN CN202310557037.3A patent/CN116310599B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170052060A1 (en) * | 2014-04-24 | 2017-02-23 | Alstom Transport Technologies | Method and system for automatically detecting faults in a rotating shaft |
CN109765333A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于GoogleNet模型的变压器故障诊断方法 |
CN110334747A (zh) * | 2019-06-13 | 2019-10-15 | 河北科技大学 | 基于改进卷积神经网络的图像识别方法及应用 |
US20210017923A1 (en) * | 2019-07-17 | 2021-01-21 | Transtron Inc. | Engine control device and neural network program provided therein |
CN111582396A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 一种基于改进卷积神经网络的故障诊断方法 |
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
WO2022116570A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
CN114330439A (zh) * | 2021-12-28 | 2022-04-12 | 盐城工学院 | 一种基于卷积神经网络的轴承诊断方法 |
CN114841199A (zh) * | 2022-04-18 | 2022-08-02 | 武汉大学 | 配电网故障诊断方法、装置、设备及可读存储介质 |
CN115980560A (zh) * | 2022-11-29 | 2023-04-18 | 西安交通大学 | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 |
CN115951268A (zh) * | 2022-12-29 | 2023-04-11 | 安徽新航电子科技有限公司 | 一种基于Inception的卷积神经网络变流器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
任爽: "基于STFT-Inception-残差网络的轴承故障诊断", 《吉林大学学报(信息科学版)》, pages 621 - 627 * |
Also Published As
Publication number | Publication date |
---|---|
CN116310599B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Manifold: A model-agnostic framework for interpretation and diagnosis of machine learning models | |
US11619682B2 (en) | Transformer failure identification and location diagnosis method based on multi-stage transfer learning | |
Feng et al. | Deep active learning for civil infrastructure defect detection and classification | |
US11714397B2 (en) | System and method for generating machine learning model with trace data | |
Yang et al. | A multi-branch deep neural network model for failure prognostics based on multimodal data | |
CN110364234A (zh) | 电子病历智能存储分析检索系统及方法 | |
CN112597038B (zh) | 软件缺陷预测方法及系统 | |
CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN110659207A (zh) | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 | |
CN111134664B (zh) | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 | |
Nagasubramanian et al. | Usefulness of interpretability methods to explain deep learning based plant stress phenotyping | |
CN113157564A (zh) | 一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法 | |
CN116310599B (zh) | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 | |
Jose et al. | Solving time alignment issue of multimodal data for accurate prognostics with CNN-Transformer-LSTM network | |
CN113065356A (zh) | 一种基于语义分析算法的it设备运维故障建议处理方法 | |
Charisma et al. | Transfer Learning With Densenet201 Architecture Model For Potato Leaf Disease Classification | |
CN112199285B (zh) | 一种测试案例优选方法、装置及电子设备 | |
Omar et al. | Deep learning binary-classification model for casting products inspection | |
Schuurmans et al. | How informative is the approximation error from tensor decomposition for neural network compression? | |
Wang et al. | Quality prediction model for multi-fusion correlation feature learning method based on active-inert variable separation cnn | |
CN116127402B (zh) | 一种融合icd层级特征的drg自动分组方法及系统 | |
Liso et al. | AWANDT: assessing welding anomalies via non-destructive tests | |
Monteiro | Pollen grain recognition through deep learning convolutional neural networks | |
Bahaweres et al. | Combining PCA and SMOTE for software defect prediction with visual analytics approach | |
Singh et al. | Usefulness of interpretability methods to explain deep learning based plant stress phenotyping |
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 |