一种油浸式变压器的故障诊断方法与流程

1.本发明涉及变压器故障诊断技术领域，特别是一种油浸式变压器的故障诊断方法。


背景技术：

2.油浸式变压器发生绝缘老化时会产生少量气体溶解在绝缘油中，这些气体成分主要包括h2、ch4、c2h6、c2h4、c2h2，当变压器发生不同类型的故障时，油中溶解气体会发生明显的变化，例如高能放电时，氢气和乙炔的含量升高，绝缘油过热时，会导致甲烷和乙烷比例增加。根据气体组成及含量进行分析对变压器故障检测的方法称为油中溶解气体分析法(dga)。
3.近年来，随着随着电力电子和信息技术的快速发展，国内外学者开始将机器学习领域的研究成果引入到变压器dga绝缘诊断研究中来，主要包括svm、小波包变换、神经网络、模糊理论等。虽然解决了传统的诊断方法存在的一些问题，提高了诊断精度，但同时存在一些缺点，如svm算法对大规模训练样本难以实施，对解决多分类问题存在困难；模糊理论隶属函数难以确定，当用于信息简单模糊处理时将导致系统的动态品质变差。与此同时，深度学习理论的提出以及数值设备的改进，出现了卷积神经网络等一些更加优越的机器学习方法，并广泛应用到变压器故障诊断领域。
4.卷积神经网络是一个多层的神经网络结构，能够通过大量的变压器故障数据训练，自动提取特征，完成故障分类，从而实现变压器故障识别。然而，现有的卷积神经网络存在以下缺点：
5.(1)变压器故障数据复杂多样，难以提取特征信息；
6.(2)诊断模型训练故障数据时，学习过程易陷入局部最优；
7.(3)训练结果出现准确率低下，误报率较高的现象；
8.(4)训练模型易出现过拟合现象。


技术实现要素：

9.本发明的目的是要解决现有技术中存在的不足，提供一种油浸式变压器的故障诊断方法，以提升油浸式变压器的故障诊断的准确率和稳定性。
10.为达到上述目的，本发明是按照以下技术方案实施的：
11.一种油浸式变压器的故障诊断方法，包括以下步骤：
12.s1、获取基于dga的油浸式变压器的故障数据，并对油浸式变压器的故障数据进行预处理；
13.s2、根据油浸式变压器的故障数据将油浸式变压器的故障类型分为：正常、局部放电、低能放电、高能放电、中低温过热、高温过热，并对故障类型分别进行编码；
14.s3、搭建适用于油浸式变压器故障诊断的卷积神经网络模型，并使用遗传算法优化卷积神经网络获得优化的卷积神经网络模型；
15.s4、使用预处理后的油浸式变压器的故障数据在优化的卷积神经网络模型上进行训练，从而输出以下故障类型：正常、局部放电、低能放电、高能放电、中低温过热、高温过热，以完成油浸式变压器故障诊断。
16.进一步地，所述步骤s1中对油浸式变压器的故障数据进行预处理是采用如下公式进行归一化处理：
[0017][0018]
式中：x
′
ij
为归一化处理后的特征气体含量，x
ij
为第i个样本第j个特征气体的含量，x
i1
x
i2
x
i3
x
i4
x
i5
为第i个样本h2、ch4、c2h6、c2h4、c2h2五种气体的总含量。
[0019]
进一步地，所述步骤s2中对油浸式变压器的故障状态进行one-hot编码，具体如下表：
[0020][0021]
进一步地，所述步骤s3中适用于油浸式变压器故障诊断的卷积神经网络模型包括：
[0022]
输入层，输入层大小为5
×
1；
[0023]
第一个卷积层，每层卷积核数目为32，卷积核大小为3
×
1；
[0024]
第一个池化层，采用最大池化，大小为1
×
1；第一个池化层后连接一个dropout层，比率为0.5；
[0025]
第二个卷积层，每层卷积核数目为64，卷积核大小为1
×
1；
[0026]
第二个池化层，同样采用最大池化，大小为1
×
1；第二个池化层后连接一个dropout层，比率为0.5；
[0027]
全连接层，全连接层的神经元个数为128；
[0028]
softmax层，softmax层后连接一个dropout层，比率为0.5；
[0029]
第一个卷积层和第二个卷积层中的卷积运算是卷积核与原始特征或上一层的输出特征进行卷积，然后再加上偏置值，得到当前的特征，其运算方式如下：
[0030][0031]
其中，*表示卷积运算，代表的是卷积层的第k层的第j个特征的输入；f为激活函数，所述激活函数为relu激活函数，relu激活函数表达式为：nj代表特征向量选择的集合；代表k-1层的第i个特征的输出；代表第i到第k层第j个
特征的卷积核；代表偏置项。
[0032]
进一步地，所述步骤s3中，使用遗传算法优化卷积神经网络模型的过程为：
[0033]
(1)根据卷积神经网络的基本框架确定种群的大小和最大遗传代数等相关参数；
[0034]
(2)对种群进行初始化，设置最大进化代数t，同时将准确率函数值设置为0；
[0035]
(3)将卷积神经网络的初始权重、阈值、网络结构参数、优化器以及全连接层神经元数等编码为染色体；
[0036]
(4)由(3)中的染色体随机产生一个卷积神经网络，并对其相关的训练；
[0037]
(5)计算个体的适应度值，每个个体实际上就是染色体带有特征的实体，通过计算染色体的适应度值来评定各个个体的优劣程度，从而决定了遗传几率的大小；
[0038]
(6)对染色体进行选择操作，即选择群体中优秀的个体，淘汰劣质的个体；
[0039]
(7)对染色体进行交叉操作，即相互交换某两个个体之间的部分染色体；
[0040]
(8)对染色体进行变异操作，即对个体的某一个或者某些基因座上基因值进行改变；
[0041]
(9)判断产生的新个体是否满足终止条件，即最优个体的适应度和群体适应度是否上升或者是否达到最大进化代数t，若满足则进行下一步骤，否则返回步骤(5)；
[0042]
(10)输出权重、阈值、网络结构参数、优化器以及全连接层神经元数的最优值，来更新卷积神经网络，获得优化的卷积神经网络模型。
[0043]
与现有技术相比，本发明首先对变压器故障数据进行规范化处理，并将优化后卷积神经网络应用于油浸式变压器dga绝缘诊断，防止训练模型出现过拟合现象，解决了数据训练过程陷入局部最优问题，提升了变压器故障诊断的准确率和稳定性。
附图说明
[0044]
图1为本发明的油浸式变压器的故障诊断方法流程图。
[0045]
图2为遗传算法优化卷积神经网络流程图。
[0046]
图3为油浸式变压器故障数据用于ga-cnn和cnn模型下的roc曲线：(a)为ga-cnn和cnn模型下的roc曲线；(b)为cnn模型下的roc曲线。
[0047]
图4为ga-cnn和cnn模型下的prc曲线：(a)为ga-cnn和cnn模型下的prc曲线；(b)为cnn模型下的prc曲线。
具体实施方式
[0048]
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。
[0049]
如图1所示，本实施例提供了一种油浸式变压器的故障诊断方法，包括以下步骤：
[0050]
s1、获取基于dga的油浸式变压器的故障数据，采用如下公式进行归一化处理：
[0051][0052]
式中：x
′
ij
为归一化处理后的特征气体含量，x
ij
为第i个样本第j个特征气体的含量，x
i1
x
i2
x
i3
x
i4
x
i5
为第i个样本h2、ch4、c2h6、c2h4、c2h2五种气体的总含量；
[0053]
s2、根据油浸式变压器的故障数据将油浸式变压器的故障类型分为：正常、局部放
电、低能放电、高能放电、中低温过热、高温过热，对油浸式变压器的故障状态进行one-hot编码，具体如下表：
[0054][0055]
s3、搭建适用于油浸式变压器故障诊断的卷积神经网络模型，适用于油浸式变压器故障诊断的卷积神经网络模型包括：
[0056]
输入层，输入层大小为5
×
1；
[0057]
第一个卷积层，每层卷积核数目为32，卷积核大小为3
×
1；
[0058]
第一个池化层，采用最大池化，大小为1
×
1；第一个池化层后连接一个dropout层，比率为0.5，可有效地防止过拟合,提高学习效率；
[0059]
第二个卷积层，每层卷积核数目为64，卷积核大小为1
×
1；
[0060]
第二个池化层，同样采用最大池化，大小为1
×
1；第二个池化层后连接一个dropout层，比率为0.5，可有效地防止过拟合,提高学习效率；
[0061]
全连接层，全连接层的神经元个数为128；
[0062]
softmax层，softmax层后连接一个dropout层，比率为0.5，可有效地防止过拟合,提高学习效率；
[0063]
第一个卷积层和第二个卷积层中的卷积运算是卷积核与原始特征或上一层的输出特征进行卷积，然后再加上偏置值，得到当前的特征，其运算方式如下：
[0064][0065]
其中，*表示卷积运算，代表的是卷积层的第k层的第j个特征的输入；f为激活函数，本实施例选取的是relu激活函数，其目的是为了防止神经元更新死区，从而加快了网络训练的速度，relu激活函数表达式为：nj代表特征向量选择的集合；代表k-1层的第i个特征的输出；代表第i到第k层第j个特征的卷积核；代表偏置项；
[0066]
为防止数据训练陷入局部最优问题的发生，采用遗传算法对卷积神经网络进行优化，使用遗传算法优化卷积神经网络，具体参照图2：
[0067]
(1)根据卷积神经网络的基本框架确定种群的大小和最大遗传代数等相关参数；
[0068]
(2)对种群进行初始化，设置最大进化代数t，同时将准确率函数值设置为0；
[0069]
(3)将卷积神经网络的初始权重、阈值、网络结构参数、优化器以及全连接层神经元数等编码为染色体；
[0070]
(4)由(3)中的染色体随机产生一个卷积神经网络，并对其相关的训练；
[0071]
(5)计算个体的适应度值，每个个体实际上就是染色体带有特征的实体，通过计算染色体的适应度值来评定各个个体的优劣程度，从而决定了遗传几率的大小；
[0072]
(6)对染色体进行选择操作，即选择群体中优秀的个体，淘汰劣质的个体；
[0073]
(7)对染色体进行交叉操作，即相互交换某两个个体之间的部分染色体；
[0074]
(8)对染色体进行变异操作，即对个体的某一个或者某些基因座上基因值进行改变；
[0075]
(9)判断产生的新个体是否满足终止条件，即最优个体的适应度和群体适应度是否上升或者是否达到最大进化代数t，若满足则进行下一步骤，否则返回步骤(5)；
[0076]
(10)输出权重、阈值、网络结构参数、优化器以及全连接层神经元数的最优值，来更新卷积神经网络，获得优化的卷积神经网络模型。
[0077]
s4、使用预处理后的油浸式变压器的故障数据在优化的卷积神经网络模型上进行训练，从而输出以下故障类型：正常、局部放电、低能放电、高能放电、中低温过热、高温过热，以完成油浸式变压器故障诊断。
[0078]
为了验证本发明的可行性，结合以下实验对本发明专利作进一步详述。
[0079]
实验环境
[0080]
本实验选择是在电脑型号为thinkpad t480，cpu配置为inter core i5-8250u，频率为1.60ghz，显卡型号为nvdia geforce mx 150，系统为windows10家庭中文版(64位)，编辑器是pycharm，基于python3.7.2语言环境进行的变压器故障诊断实验。
[0081]
样本数据的选取与划分
[0082]
实验选取575个完整的基于dga的油浸式变压器的故障数据，并将70％的故障样本数据作为训练集，剩余30％的故障样本数据作为测试集。训练集和测试集的具体分布情况如表1所示。
[0083]
表1
[0084][0085]
数据归一化处理
[0086]
油浸式变压器的溶解特征气体共包括5种类型，分别是h2、ch4、c2h6、c2h4、c2h2，因上述的5种特征气体分散性较大，直接将气体的含量作为样本的输入会影响油浸式变压器故障诊断的准确性，所以本次实验的样本数据采用公式(3)进行归一化处理。
[0087][0088]
其中，x
′
ij
为归一化处理后的特征气体含量，x
ij
为第i个样本第j个特征气体的含
量，x
i1
x
i2
x
i3
x
i4
x
i5
为第i个样本h2、ch4、c2h6、c2h4、c2h2五种气体的总含量。
[0089]
油浸式变压器故障状态编码
[0090]
油浸式变压器故障类型见表2所示，为了更好的训练故障模型，需对油浸式变压器故障状态进行编号，并对此进行one-hot编码，结果如表2所示。
[0091]
表2
[0092][0093]
性能评价标准
[0094]
本次实验采用roc曲线及prc曲线作为模型的性能评估标准。roc曲线是反映敏感性与特异性关系的曲线，可以用来描述诊断模型对油浸式变压器的油中溶解气体变化敏感性及特异性连续变化指标，根据roc曲线的位置把整个图划分了两个部分，曲线下方的面积称为auc值，用来描述诊断的准确性，当auc的值越大，也就是当roc的曲线越靠近左上方，说明诊断的准确性越高。若正负样本的比例存在不平衡的现象，可以采用prc曲线进一步地判定模型分类的效果，与roc曲线相同，auc值越大，即prc曲线越靠近右上方，诊断的准确率越高。
[0095]
进一步地，为了验证本发明专利所提出的基于遗传算法优化卷积神经网络的油浸式变压器故障诊断方法的优越性与可行性，对比本发明优化的卷积神经网络模型与cnn两种模型下的训练效果，实验对本发明优化的卷积神经网络模型和cnn网络模型进行性能测试，其roc结果对比曲线如图3所示。
[0096]
在roc曲线当中，横坐标是false positive rate(fpr)，代表的是假阳性率，纵坐标是true positive rate(tpr)，代表的是真阳性检出率，两者的计算公式如下：
[0097][0098][0099]
其中，公式中(4)的p代表测试样本正例的数目，公式(5)中的n代表测试样本负例的数目，很明显地可以看出，tpr越大模型的效果越好。
[0100]
图中class0.0、class1.0、class2.0、class3.0、class4.0、class5.0分别代表正常、局部放电、低能放电、高能放电、中低温过热、高温过热这5种油浸式变压器运行的状态。从图3油浸式变压器故障数据用于本发明优化的卷积神经网络模型和cnn模型下的roc曲线可以看出，图3(a)采用的本发明优化的卷积神经网络模型的roc曲线更接近坐标轴的左上角，对油浸式变压器故障诊断的准确性较高；并且识别出其它故障类型的roc曲线大部分将正常状态下的roc曲线包络住，从而能够把正常状态与故障状态进行准确分类。同时采用本发明优化的卷积神经网络模型的正常状态及其他故障状态下的auc值均大于cnn模型下的
auc值，因此可以看出在油浸式变压器故障诊断方面，本发明优化的卷积神经网络模型的准确率明显的大于cnn模型模型的准确率。
[0101]
为进一步分析模型的识别能力，采用了图4所示的prc曲线对本发明优化的卷积神经网络模型和cnn两种网络模型作进一步的评价。
[0102]
对于prc曲线，其横坐标为召回率(recall)，纵坐标为精确率(precision)，两者的计算公式如下：
[0103][0104][0105]
召回率又称为查全率，是真正正确的占所有实际为正的比例；精确率又称为查准率，是真正正确的占所有预测为正的比例；因此在prc曲线中，recall越大，precision越大，模型的效果越好。
[0106]
如图4(a)所示，采用的本发明优化的卷积神经网络模型的prc曲线相比于cnn网络模型下的prc曲线更加地接近坐标轴的右上方，并且采用本发明优化的卷积神经网络模型的正常状态和故障状态在prc曲线上的auc值均大于在cnn网络模型上所对应的值，因此可以得出，本发明优化的卷积神经网络模型诊断油浸式变压器故障的准确率要高于cnn模型下的准确率；此外，当油浸式变压器故障数据在本发明优化的卷积神经网络模型上训练时，随着召回率的变化，本发明优化的卷积神经网络模型上的prc曲线表现的比较缓，而cnn模型上的prc则表现的比较急促，可本发明优化的卷积神经网络模型的性能要比cnn模型更为稳定。
[0107]
综上，从roc及prc曲线分析中可以看出，采用本发明优化的卷积神经网络模型进行油浸式变压器故障数据训练时具有更高的准确性和灵敏性，因此本专利提出的基于遗传算法优化卷积神经网络的油浸式变压器故障诊断方法具有鲜明的优越性。
[0108]
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。