一种基于卷积神经网络的变压器异常预警分析方法及系统与流程

1.本发明主要涉及变压器技术领域，具体涉及一种基于卷积神经网络的变压器异常预警分析方法及系统。


背景技术：

2.电力变压器作为电力系统的核心设备，在电能转换、分配、传输等方面起着重要作用，一旦变压器发生故障，其所在电网将引起大范围停电，从而严重影响人们的生产和生活。因此，对反映变压器运行状态的特征参量进行采集、分析、研判，实现提前预警，可以有效避免变压器故障的发生。
3.现在主流的预警方法是三比值预警，基于三比值的变压器预警方法是在接收到不同的状态特征参量数据之后，首先通过不同气体特征浓度，建立乙炔/乙烯、甲烷/氢气以及乙烯/乙烷三对比值。之后，利用三对比值的不同比值的范围，分别进行比值范围编码。最后，通过和故障类型编码表进行对比，得出变压器的故障类型。
4.三比值拥有原理简单且易于实现等优点。但三比值法具有编码固定、诊断故障数量有限等缺点。由于三比值法的编码特点造成了故障编码表固定这一弊端，在保持较高准确率的情况下无法较大范围推广，而在大范围推广的情况下无法保持较高的准确率。同时，因为其编码个数有限的原因，造成检测故障类型有限，又因为其分类边界过于绝对化等原因，无法做到因地适宜地运用。所以，找到一个智能分析方法可以在变压器劣化的初期准确的把握其劣化趋势，并通知现场工作人员进行检修工作，防患于未然，避免变压器缺陷发展成故障或事故，已经成为现在变压器预警的主流研究方向。
5.目前，国内外基于机器学习和大数据挖掘技术对变压器进行预警分析的研究较多，研究现状及相关问题总结如下：1）在变压器的实际现场运行中，大部分状态参量数据是正常数据，异常以及故障数据占总数居的比例很小，按照规程中设定的阈值，难以对正常和异常数据划分一个清晰的边界。
6.2）传统的变压器预警模型大多基于单一部件、单一参量进行阈值判断，由于设备测试手段的局限性、故障机理的复杂定、运行环境的多样性、知识的不精确性导致检测评价结果片面，技术人员往往缺少对异常发展的全面分析手段。
7.3）变压器故障往往具有潜伏期，设备处于异常状态时，检测到的状态参量往往未超过导则或者规程中的告警阈值，从而难以察觉。
8.4）目前变压器状态监测数据异常检测方面的大数据技术传统三比值法、基于高维随机矩阵大数据分析模型、基于分布模型的变压器预警模型以及分类算法等，但这些研究大都还是试探性的，没有形成合理、完善的分析评价模型。
9.5）传统神经网络模型中网络层数较浅时表达能力不足；网络层数较深时则会出现模型参数较多，且难以训练等问题。


技术实现要素：

10.发明要解决的技术问题本发明的提供了一种基于卷积神经网络的变压器异常预警分析方法及系统，用以解决上述背景技术中存在的变压器故障往往具有潜伏期，设备处于异常状态时，检测到的状态参量往往未超过或达到规程中的告警阈值，从而难以察觉技术问题以及传统神经网络模型中网络层数较浅时表达能力不足；网络层数较深时则会出现模型参数较多，且难以训练等问题。
11.技术方案本发明为达到上述目的，本发明提供的技术方案为：一种基于卷积神经网络的变压器异常预警分析方法，包括以下步骤：a1：对反映变压器运行状态特征参量的在线数据进行获取，得到数据s1；a2：对获取到的在线监测数据s1进行时序处理，得到其时间序列数据s2；a3：将时间序列s2按照指定长度n进行划分，得到指定长度的滑动窗口数据s3；a4：将指定长度的滑动窗口数据s3进行矩阵化处理得到数据s4；a5：对各个滑动窗口内的特征参量数据进行基于卷积神经网络的变压器异常分析，根据变压器的特性将变压器分为正常、注意、异常以及故障四种状态，最后通过对softmax层的分类结果进行对比分析，将分类层中得分最高者作为变压器的最终状态。
12.进一步的，特征参量包括一氧化碳、二氧化碳、氢气、甲烷、乙烯、乙炔、乙烷、氧气、氮气以及总烃共十种变压器油中溶解气体浓度的状态量。
13.进一步的，所述a5中的异常分析方法是基于卷积神经网络的改进方法。
14.进一步的，所述基于卷积神经网络的改进方法步骤如下；b1：使用python编程语言利用paddle框架构建包含11个卷积层以及4个池化层的卷积网络模型m1，卷积层采用3个3*3的小卷积核，池化层采用了最大池化。
15.b2：在模型m1中第4、6、8个卷积层中分别加入残差连接模块，用于解决模型网络层数较低时，模型表达能力较弱；网络层数较高时，容易出现梯度消失和网络退化问题，并得到模型m2。
16.b3：将矩阵化数据s4输入到卷积神经网络模型m2中，再经过卷积、残差连接以及池化操作后，将softmax层的输出节点设置为4，最后利用softmax层得出变压器的正常、注意、异常以及故障状态。
17.一种基于卷积神经网络的变压器异常预警分析系统，包括数据采集模块：对反映变压器运行状态特征参量的在线数据进行获取，得到数据的数字信息；数据时序处理模块：对获取到的在线监测数据进行时序处理，得到其时间序列数据；滑窗划分模块：将时间序列数据按照指定长度n进行划分，得到指定长度的滑动窗口数据；数据矩阵化处理模块：将指定长度的滑动窗口数据进行矩阵化处理得到矩阵数据；模型搭建分析模块：对各个滑动窗口内的特征参量数据进行基于卷积神经网络的变压器异常分析，根据变压器的特性将变压器分为正常、注意、异常以及故障四种状态，最
后通过对softmax层的分类结果进行对比分析，将分类层中得分最高者作为变压器的最终状态。
18.进一步的，模型搭建分析模块包括搭建单元：包含11个卷积层以及4个池化层的卷积网络模型，模型中第4、6、8个卷积层中分别加入残差连接模块；分析单元：将数据矩阵数据输入搭建单元内，得到4个softmax层的输出节点数据，softmax层最后得出四组输出节点数据，分别对应变压器的正常、注意、异常以及故障状态，且相加等于1，选择最高值为最终状态输出，从而得到变压器的预警信息。
19.有益效果采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：1）本方法采用了基于滑动窗口和改进的卷积神经网络对变压器状态异常进行异常分析和预警，不仅有效的解决了阈值分析告警判别法单一、粗放的特点，而且增加了模型的鲁棒性，提高了模型对现场运行环境的适应能力。
20.2）模型中的卷积操作不仅可以目标区域的特征进行提取，而且其参数共享机制可以极大的降低模型中训练参数的数量，降低模型的训练难度，提高模型的训练效率。
21.3）模型中的池化模块，不仅可以指数级降低模型中网络参数数量，同时也可以利用最大池化操作实现较强特征的提取。
22.4）本方法通过卷积神经网络分析模型可以在变压器劣化的初期，对其故障特征进行把握并提示，通知现场工作人员进行检修维护，从而有效避免了变压器继续劣化以及进一步劣化导致故障发生。
23.5）本方法兼容性强，可以投运在多种不同的现场环境中。相比于传统阈值判别法以及三比值判别法等方法，拥有固定的阈值或编码规则，基于卷积神经网络的变压器预警模型，可以根据现场实际的运行情况，对模型参数进行调整，提高模型的鲁棒性以及兼容性。
24.6）变压器状态出现劣化现象，往往伴随着电气、物理、化学特征参量的微小或显著变化，如部分状态特征数据出现跳变、连续增长、连续降低、数据跃迁等特征，基于卷积神经网络的变压器预警方法可以准确地捕捉到这些数据异常特征并实现及时预警，保障变压器的安全运行。
25.7）本发明设计合理，通过对模型网络进行搭建以及参数训练，可以初步判断出变压器的状态，不仅可以摆脱噪音值和离群点的骚扰，而且可以快速判断，具有极强的实验研究和现场应用价值。
附图说明
26.图1为本发明的流程示意图；图2为本发明的残差连接示意图。
27.图3为本发明的系统框图。
具体实施方式
28.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述，附图中
给出了本发明的若干实施例，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
29.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“页”、“底”“内”、“外”、"顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
30.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
31.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“设有”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例
32.参照附图1-3，一种基于卷积神经网络的变压器异常预警分析方法，包括以下步骤：a1：对反映变压器运行状态特征参量的在线数据进行获取，得到数据s1；a2：对获取到的在线监测数据s1进行时序处理，得到其时间序列数据s2；a3：将时间序列s2按照指定长度n进行划分，得到指定长度的滑动窗口数据s3；a4：将指定长度的滑动窗口数据s3进行矩阵化处理得到数据s4；a5：对各个滑动窗口内的特征参量数据进行基于卷积神经网络的变压器异常分析，根据变压器的特性将变压器分为正常、注意、异常以及故障四种状态，最后通过对softmax层的分类结果进行对比分析，将分类层中得分最高者作为变压器的最终状态。
33.特征参量包括一氧化碳、二氧化碳、氢气、甲烷、乙烯、乙炔、乙烷、氧气、氮气以及总烃共十种变压器油中溶解气体浓度的状态量，运行状态特征参量可以通过变压器内部的油色谱传感器进行实时监测收集。
34.所述a5中的异常分析方法是基于卷积神经网络的改进方法。
35.所述基于卷积神经网络的改进方法步骤如下；b1：使用python编程语言利用paddle框架构建包含11个卷积层以及4个池化层的卷积网络模型m1，卷积层采用3个3*3的小卷积核，池化层采用了最大池化，3*3的小卷积核不仅有效的保留了数据的原始特征，而且在确保模型连通性不变的情况下，极大的降低了模型的参数个数和运算复杂度；模型在池化层采用了最大池化方法，不仅降低了信息的冗余、提升了模型的尺度不变形，而且提高了模型的强特征提取能力。
36.b2：在模型m1中第4、6、8个卷积层中分别加入残差连接模块，用于解决模型网络层数较低时，模型表达能力较弱；网络层数较高时，容易出现梯度消失和网络退化问题，并得
到模型m2；根据网络调整优化经验，将残差连接设置在第四层、第六层以及第八层，残差连接模块不仅可以提高模型的精度，而且可以降低模型训练的难度，当网络层数低于设定值时，会出现模型表达能力不足，不能学习到全部特征的缺陷；当网络层数高于设定值时，则会出现网络退化现象。故在网络模型中加入残差连接模块，通过实现模型参数的跨层次连接，不仅可以提高模型的表达能力，而且可以规避因网络层数过高而产生的网络退化现象，在不同网络层次之间加入了dropout，防止过拟合现象的发生；使用relu激活函数，提高模型的训练速度。
37.b3：将矩阵化数据s4输入到卷积神经网络模型m2中，再经过卷积、残差连接以及池化操作后，将softmax层的输出节点设置为4，最后利用softmax层得出变压器的正常、注意、异常以及故障状态，softmax层最后得出四组数字，分别对应变压器的正常、注意、异常以及故障状态，且相加等于1，选择最高值为最终状态输出，针对注意、异常、以及故障状态由工作人员进行进一步的故障排查，对变压器异常进行预警分析。
38.请参照图2，identify表示一种残差连接模块，可以实现参数的跨层次传输，同时relu激活函数可以增加模型的非线性因素，提高模型的表达能力。图中x代表模块的数据输入，f（x） x代表模块的数据输出，weight layer表示表示网络中的权重层部分。
39.参照图3，一种基于卷积神经网络的变压器异常预警分析系统，包括数据采集模块：对反映变压器运行状态特征参量的在线数据进行获取，得到数据的数字信息；数据时序处理模块：对获取到的在线监测数据进行时序处理，得到其时间序列数据；滑窗划分模块：将时间序列数据按照指定长度n进行划分，得到指定长度的滑动窗口数据；数据矩阵化处理模块：将指定长度的滑动窗口数据进行矩阵化处理得到矩阵数据；模型搭建分析模块：对各个滑动窗口内的特征参量数据进行基于卷积神经网络的变压器异常分析，根据变压器的特性将变压器分为正常、注意、异常以及故障四种状态，最后通过对softmax层的分类结果进行对比分析，将分类层中得分最高者作为变压器的最终状态。
40.模型搭建分析模块包括搭建单元：包含11个卷积层以及4个池化层的卷积网络模型，模型中第4、6、8个卷积层中分别加入残差连接模块；分析单元：将数据矩阵数据输入搭建单元内，得到4个softmax层的输出节点数据，softmax层最后得出四组输出节点数据，分别对应变压器的正常、注意、异常以及故障状态，且相加等于1，选择最高值为最终状态输出，从而得到变压器的预警信息。
41.以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，本发明专利的保护范围应以所附权利要求为准。