一种基于LSTM神经网络的变压器绕组变形识别的方法与流程

技术特征：
1.一种基于lstm神经网络的变压器绕组变形识别的方法，其实现包括以下步骤：1)对变压器采集到的振动数据进行数据清洗；2)区分直流偏磁与绕组变形，标定绕组变形数据；3)设计lstm神经网络；4)调节神经网络参数，对参数调节后的神经网络参数进行训练；5)采用训练好的神经网络开始验证，将需要故障识别的变压器通过训练好的神经网络进行故障识别。2.根据权利要求1所述的一种基于lstm神经网络的变压器绕组变形识别的方法，其特征在于：所述步骤1)对变压器采集到的振动数据进行数据清洗，具体为，对变压器采集到的振动数据中，基频谐波频率成分比重超过10％的数据标定为系统干扰数据类型，并进行剔除，避免信噪比过低带来的测量误差。3.根据权利要求1所述的一种基于lstm神经网络的变压器绕组变形识别的方法，其特征在于：所述步骤2)区分直流偏磁与绕组变形，标定绕组变形数据，具体为，对数据清洗后的振动数据进行特征值分析，对同时满足奇偶次谐波比<10％与振动熵>3.0的数据标定为绕组变形，其中奇偶次谐波比为式(1)中a
(2i-1)
为第2i-1次基频谐波振动幅值，a
2i
为第2i次基频谐波振动幅值，频谱复杂度，即振动熵为式(2)中r
i
为第i次基频谐波振动幅值比重。4.根据权利要求1所述的一种基于lstm神经网络的变压器绕组变形识别的方法，其特征在于：所述步骤3)设计lstm神经网络，具体为，3.1)前向传播lstm神经网络的重复部分细胞结构中，有三个门，从对输入的处理顺序来看，先后为遗忘门、输入门、输出门，有三个细胞的输入，分别为上一时刻的细胞状态向量c
t-1
，上一时刻的细胞输出向量h
t-1
和当前时刻的输入向量x
t
，有两个输出，分别为当前时刻的状态向量c
t
和输出向量h
t
；遗忘门f
t
，其前向传播公式为f
t
＝σ(w
(f)
·
x
t
u
(f)
·
h
t-1
)
ꢀꢀ
(3)其中，w
(f)
为x
t
的权重矩阵，u
(f)
为h
t-1
的权重矩阵，σ(
·
)为sigmoid函数；遗忘门会读取x
t
和h
t-1
并且给上一时刻的细胞状态向量c
t-1
中的每一个元素输出一个0～1之间的数，0表示完全舍弃，1表示完全保留，之间的值表示按比例舍弃；
输入门决定有多少信息需要加入到细胞中，其中包括两个步骤，第一步，计算决定需要更新的信息i
t
，决定候选更新的信息i
t
＝σ(w
(i)
·
x
t
u
(i)
·
h
t-1
)
ꢀꢀ
(4)其中tanh(
·
)为tanh函数，w
(i)
为需要更新的信息i
t
对应的x
t
的权重矩阵，u
(i)
为需要更新的信息i
t
对应的h
t-1
的权重矩阵，w
(c)
为候选更新的信息对应的x
t
的权重矩阵，u
(c)
为候选更新的信息对应的h
t-1
的权重矩阵，i
t
的取值范围为0～1，0表示完全舍弃，1表示完全保留，之间的值表示按比例舍弃，取值范围为-1～1；第二步，通过获取的决定需要更新的信息i
t
和决定候选更新的信息更新细胞的状态，将c
t-1
更新为c
t
，c
t-1
与f
t
进行元素相乘，得到遗忘后的状态信息，而与i
t
元素相乘，得到决定更新每个状态的程度，其中*代表矩阵(向量)内元素相乘；输出门决定输出的数值，其中包括两个步骤，第一步，通过输出门o
t
决定输出的部分，o
t
＝σ(w
(o)
·
x
t
u
(o)
·
h
t-1
)
ꢀꢀ
(7)式中，w
(o)
为x
t
的权重矩阵，u
(o)
为h
t-1
的权重矩阵；第二步，c
t
与o
t
元素相乘，得到确定输出的部分，h
t
＝o
t
*tanh(c
t
)
ꢀꢀ
(8)式(3)至式(8)构成了lstm的前向传播公式；3.2)后向传播相较于前向传播公式，后向传播的推导在最后一层加上一个输出，即，y
t
＝σ(w
·
h
t
)
ꢀꢀ
(9)式中，w为h
t
的权重矩阵，因此所求的参数共有九个权重矩阵，w
(f)
,u
(f)
；w
(i)
,u
(i)
；w
(c)
,u
(c)
；w
(o)
,u
(o)
；w，定义损失函数式中y为实际值，对九个权重矩阵分别求偏导可得到梯度，在更新权重矩阵时选择负梯度方向进行更新。5.根据权利要求1所述的一种基于lstm神经网络的变压器绕组变形识别的方法，其特征在于：所述步骤4)调节神经网络参数中的神经网络参数包括隐藏层，训练次数，hidden_size，dropout。6.根据权利要求1所述的一种基于lstm神经网络的变压器绕组变形识别的方法，其特征在于：所述步骤4)中，调节神经网络参数具体为，4.1)调参前准备工作
a.首先使用一个数据集，让调节神经网络去训练拟合这个数据集，看看能否做到损失为0/准确率为1；b.在一轮训练中，打印出输入、输出，检测数据的正确性；c.去除正则化项，观察初始的损失值，并对损失进行预估；d.可视化训练过程，在每一轮训练完成后，计算验证集上的损失值与准确率，并记录下每一轮训练集与验证集的损失值，进行每一层的可视化。4.2)调节参数a.在确保了数据与网络的正确性之后，使用默认的参数设置，观察损失值的变化，初步定下各个参数的范围，再进行调参，对于每个参数，在每次的调整时，只去调整一个参数，然后观察损失值变化；b.对于loss的变化情况，主要有以下几种可能性，上升、下降、不变，对应的数据集有train与val，那么进行组合有如下的可能，train loss不断下降，val loss不断下降——网络仍在学习；train loss不断下降，val loss不断上升——网络过拟合；train loss不断下降，val loss趋于不变——网络欠拟合；train loss不断上升，val loss不断上升——网络结构问题；train loss不断上升，val loss不断下降——数据集有问题；4.3)可能性处理当网络过拟合时，采用的方式是正则化(regularization)与丢弃法(dropout)以及bn层(batch normalization)；当网络欠拟合时，可以采用的方式是，去除/降低正则化、增加网络深度、增加神经元个数、增加训练集的数据量。

技术总结
本发明公开了一种基于LSTM神经网络的变压器绕组变形识别的方法，包括以下步骤：1)对变压器采集到的振动数据进行数据清洗；2)区分直流偏磁与绕组变形，标定绕组变形数据；3)设计LSTM神经网络；4)调节神经网络参数，对参数调节后的神经网络参数进行训练；5)采用训练好的神经网络开始验证，将需要故障识别的变压器通过训练好的神经网络进行故障识别。在变压器振动缺乏时域信号分析工具的情况下，借助于LSTM长短期记忆神经网络技术，能够迅速有效的开展时域信号的分析；该方法区别于传统的变压器进行绕组变形识别的方法，神经网络训练完成后，具有搭建神经网络方便，故障识别效率高等优点。优点。优点。


技术研发人员：陈大鹏 赵海峰 马龙华 刘先福 邢正根 刘玉秋 谭明 桑椹 杨欢欢 杨华成 刘壮 姜厚涛
受保护的技术使用者：南京优能特电力科技发展有限公司
技术研发日：2021.11.18
技术公布日：2022/2/24