一种变压器局部放电模式识别方法及系统与流程

1.本发明属于变压器故障模式识别和图像处理领域，特别涉及一种变压器局部放电模式识别方法及系统。


背景技术：

2.随着电网规模的不断扩大，电力设备的容量随之增加，对设备的可靠性以及安全性提出了更高的要求，输变电设备是电力系统中不可或缺的战略性设备，其中电力变压器作为电网的关键承载点，不仅担任着电能转换与传输的重要角色，更对稳定的电能供应起着关键作用。然而由于电力变压器结构复杂，工作状态下受到电场、温度、机械等多种应力的作用，导致绝缘垫老化并可能引发故障，造成供电中断以及巨大的经济损失。已有的研究表明，绝缘故障是引发电气设备故障的主要因素之一，在变压器的总故障中约有75％的故障由绝缘问题引起。
3.大型电力变压器多为油浸式绝缘结构，由于偶然性因素，变压器在生产、运输、装配、运行、检修过程中可能带来气泡、裂痕、悬浮电解质点和毛刺等局部缺陷。这些缺陷可能造成局部电场集中，产生局部放电现象(particial discharge，pd)，它是导致变压器绝缘故障的主要原因之一。
4.随着科技的发展，基于局部放电相位谱图和时域波形的分析技术越来越多地应用到变压器局部放电检测与识别中，其方法也逐渐走向智能化。
5.目前主要使用过的局部放电信号的特征提取方法有：
6.(1)基于prpd谱图的局放模式识别
7.对prpd谱图进行一定的统计参数提取，可以得到一些统计算子。提取统计算子的好处是显而易见的，因为这实现对原有数据信息进行一次降维，这可以大大降低计算机识别运算的数据维度，有利于加快网络的运算速度和收敛。然而在提取统计算子的过程中，只关注了想要的信息量，而有一部分的信息量很可能被舍弃了。
8.常用的统计算子可分为两类：一类是描述二维谱图的形状差异，如偏斜度、陡峭度；另一类是描述二维谱图正负半周的轮廓差异，包括相关系数、放电量因数、相位不对称度以及修正的互相关系数。
9.(2)基于时域脉冲波形的局放模式识别
10.该种方法基于宽频脉冲电流法，通过宽频传感器，提取局部放电信号的时域脉冲波形序列数据，最大限度地保留局部放电脉冲波形中的信息量。
11.这种方法的包含的波形信息丰富完整，但是数据量非常庞大，具有较商的冗余性，后续计算量非常大。
12.因此，现阶段也有不少研究人员采用提取某些波形形状特征的方法来进行降维处理。然而，单个脉冲的随机性很大，而且会受到传播的影响过程的影响。
13.等效时频特征法(t-f谱图)也是近年逐步广泛应用的快速分类方法。此方法对波形进行特征提取后，得到的基本参量——等效时长t及等效频率f，但是由于特征量的维度
不高，在一些局部放电数据中，分类能力有限。
14.除此之外，基于时域波形特征的局放模式识别方法还有小波分析法、自回归模型、信息熵法等。有研究采用小波分析法，提出了将单个脉冲信号小波包变换后的熵值和能量作为特征量进行模式识别，采取了第4层中的一些摘值和能量，归一化处理后得到8个特征参数。
15.近年来，深度学习神经网络(dnn)在语音特征提取、图像分类和自然语言处理，从小数据集扩展到大数据集。在dnn网络结构中的卷积层和随后的池化层也推动了卷积神经网络(cnn)的发展，它已被证明在图像识别方面取得巨大成功。cnn具有特征提取和在同一架构内分类的特点，同时保留了原始数据的二维空间结构。利用cnn进行处理将很好的解决上述研究方法出现的数据量庞大，分类能力有限等问题。


技术实现要素：

16.本发明的目的在于提供一种变压器局部放电模式识别方法及系统，以解决上述问题。
17.为实现上述目的，本发明采用以下技术方案：
18.一种变压器局部放电模式识别方法，包括以下步骤：
19.模拟超高频信号，获得变压器局部放电信号；
20.对获得变压器局部放电信号进行短时傅里叶变换，得到的频谱图；
21.得到的频谱图通过模式识别得到训练图像集的稀疏字典；
22.运用稀疏识别对实际放电图进行分类，以残差为标准输出识别结果。
23.进一步的，超高频信号的模拟为：采用时域有限积分法对超高频信号进行仿真分析，在cst仿真软件中进行变压器和接收发射天线的建模，得到不同放电模式的图片集。
24.进一步的，超高频信号的模拟采用基于时域有限积分算法的局部放电电磁传播仿真建模，采用间隙馈电法建立单极子激励天线模拟局部放电源、油阀式接收天线模拟超高频传感器。
25.进一步的，共设置12种类型的放电源，其中故障位置在油浸纸板上，局放源与传感器的角度在0到90度之间变化；在每种情况下通过改变激励天线的电压，来模拟不同的放电量，得到960张图像，按1:4分为测试集和训练集。
26.进一步的，模式识别包括运用深度学习模型对输入的不同图片集进行特征学习，组合成完备的稀疏字典。
27.进一步的，模式识别包括运用稀疏表达进行分类：若cnn模型为f，图片为x，则训练后特征y＝f(x)，利用稀疏识别分类算法，通过特征空间的训练集字典，对y进行稀疏表示，得到稀疏表示向量为a，即
[0028][0029]
进一步的，以残差为标准输出识别结果具体包括：
[0030]
(1)对样本图像进行初步处理，并获取cnn结构的基本参数；
[0031]
(2)利用样本划分后的训练集图像，经过一定的规则变换为识别字典；
[0032]
(3)利用cnn得到测试集的特征输出向量，并对其用上一步的稀疏字典进行表示；
[0033]
(4)将第三步得到的输出特征向量与cnn得到的做残差分析，即
[0034][0035]
进一步的，一种变压器局部放电模式识别系统，包括：
[0036]
信号模拟模块，用于模拟超高频信号，获得变压器局部放电信号；
[0037]
变换模块，用于对获得变压器局部放电信号进行短时傅里叶变换，得到的频谱图；
[0038]
模式识别模块，用于得到的频谱图通过模式识别得到训练图像集的稀疏字典；
[0039]
分类模块，用于运用稀疏识别对实际放电图进行分类，以残差为标准输出识别结果。
[0040]
与现有技术相比，本发明有以下技术效果：
[0041]
本发明利用卷积神经网络(cnn)对超高频传感器采集到的图像进行特征提取，保留了原始数据的二维空间结构。针对时域脉冲波形的识别方法，本发明将利用压缩感知原理，以稀疏形式对深度学习后的图像特征进行表示和分类，大大减小了输入的数据量，对在同类之间有较大变化的问题解决非常有效。针对prpd谱图的局放模式识别所带来的部分特征信息确实等问题，本发明采用的深度学习模型能够保留与样本分类信息有关的全部信息，对小范围内的变化非常敏感，得到的特征向量更加全面。
附图说明
[0042]
图1为基于深度学习和稀疏表示的主要流程图。
[0043]
图2为大型油浸式变压器、传感器安放位置及测试点位置模型图。
[0044]
图3为超高频局部放电仿真信号。
[0045]
图4为经过短时傅里叶变换的局部放电图谱。
[0046]
图5为卷积神经网络结构图。
具体实施方式
[0047]
下面结合附图和实施例对本发明作进一步描述。
[0048]
为了更加清晰说明本发明的目的、技术方案及优点，以下结合附图及实施例对本发明作进一步详细说明。应当理解，此处所述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0049]
本发明的一种基于深度学习和稀疏表达的变压器局部放电模式识别方法。首先对超高频接传感器接收到的原始放电信号进行短时傅里叶(stft)变换，得到的频谱图放入cnn模型中训练得到特征向量，不同放电模式的图像学习得到的特征向量组成稀疏字典，用于实际放电图像的稀疏分类表示，最后以残差为标准输出识别结果。
[0050]
为实现上述目的，本发明采用了以下技术方案：
[0051]
一种基于深度学习和稀疏表达的变压器局部放电模式识别方法，包括超高频信号的模拟，接着使用短时傅里叶变换进行初步处理。模式识别包括运用cnn模型对输入频谱图进行特征学习，得到训练图像集的稀疏字典；最后运用稀疏识别对测试集(实际放电图)进行分类。
[0052]
所述超高频信号的模拟，为了模拟局部放电超高频电磁波的传播过程，分析时域波形特征，采用时域有限积分法对其进行仿真分析。在cst仿真软件中进行变压器和接收发射天线(传感器和局放模拟)的建模，得到不同放电模式的图片集。
[0053]
所述模式识别包括运用深度学习模型对输入的不同图片集进行特征学习，组合成完备的稀疏字典。其中初始学习率，丢弃因子，l2正则化系数需要自行设定。
[0054]
所述模式识别包括运用稀疏表达进行分类。若cnn模型为f，图片为x，则训练后特征y＝f(x)，利用稀疏识别分类算法(src)，通过特征空间的训练集字典，对y进行稀疏表示，得到稀疏表示向量为a，即
[0055][0056]
最后计算残差，并通过残差进行分类。
[0057]
请参见附图2所示，本发明中对超高频信号的模拟采用一种基于时域有限积分算法(fit)的局部放电电磁传播仿真建模方法，可以为局部放电电磁传播仿真建模提供新的思路和选择。首先分析了时域有限积分法(fit)的原理，然后提出采用间隙馈电法建立单极子激励天线(模拟局部放电源)、油阀式接收天线(模拟超高频传感器)的仿真方法。
[0058]
一共设置了12种类型的放电源。其中故障位置在油浸纸板上，局放源与传感器的角度在0到90度之间变化。在每种情况下通过改变激励天线的电压，来模拟不同的放电量，得到960张图像，按1:4分为测试集和训练集。
[0059]
附图2即为利用cst仿真软件模拟的变压器内部结构，以及局放发生器和超高频传感器。
[0060]
附图3为超高频传感器接收到的电磁波信号仿真波形。图中可以看出最大幅值约为0.012v，衰减过程约持续了2500ns。
[0061]
附图4为将时域内的电磁波波形经过短时傅里叶变换后的图谱。便于后续的特征识别与分类。
[0062]
附图5为卷积神经网络模型。主要包括了卷积层、池化层、丢弃层和全连接层。具体参数设置根据输出分类精度需要而调节。