基于降噪-分类神经网络的变压器智能保护方法

1.本发明涉及电力变压器保护领域，是一种基于降噪-分类神经网络的变压器智能保护方 法。


背景技术：

2.变压器是电力系统中的关键设备，其保护方案对电力系统的安全稳定至关重要。变压器 保护的核心问题是励磁涌流和内部故障的识别，因此，差动保护往往配置有二次谐波制动原 理和间断角原理等。然而，随着电力系统的运行特性愈加复杂，基于单一故障特征的涌流识 别方法不再满足电力系统的可靠性要求。因此，本领域技术人员对基于多特征融合的变压器 智能保护方法展开了大量研究，并取得了一定的研究成果，比如：(1)直接将差动电流作 为人工神经网络等机器学习算法或卷积神经网络等深度学习算法的输入，判断变压器的运行 状态；(2)利用小波变换等数据处理工具提取差动电流的特征，然后作为机器学习算法的 输入，判断变压器的运行状态。但由于有标签数据的稀缺性，当前基于多特征融合的变压器 智能保护方法存在泛化能力不足的缺陷，实用化水平较低。
3.现有技术中，励磁支路电压-差动电流曲线是铁芯动态行为的直观体现，其非饱和部分 能够可靠地反映变压器的运行状态，因此，提取和分析励磁支路电压-差动电流曲线的非饱 和特征是提高变压器智能保护方法的有效手段。在人工智能应用领域，往往通过降噪自动编 码器的数据重构过程提取输入的主要特征，以提高分类器的分类泛化能力，但是，受样本量 的影响，降噪自动编码器同样面临泛化能力问题，其提取的数据特征并不总是有利于分类器 泛化能力的提升。申请人为最大程度地提高基于多特征融合的变压器智能保护方法的泛化能 力，提出了一种降噪-分类神经网络，实现了降噪自动编码器和卷积神经网络的交互，降噪 自动编码器的图像重构过程引导卷积神经网络关注励磁支路电压-差动电流曲线的非饱和特 征，卷积神经网络的分类过程指导降噪自动编码器编码器参数的优化更新，最终，编码器提 取到的数据特征是适用于数据分类的最优特征，有利于提升基于多特征融合的变压器智能保 护方法的分类泛化能力。


技术实现要素：

4.本发明的目的在于，克服现有技术的不足，提供一种科学合理、适用性强、效果佳的基 于降噪-分类神经网络的变压器智能保护方法，通过实现降噪自动编码器数据重构过程与卷 积神经网络数据分类过程的交互，提高变压器智能保护方法的泛化能力，能够正确区分正常 变压器空载合闸、内部故障、正常运行/外部故障、故障变压器空载合闸，避免变压器保护 误动或拒动。
5.为达到上述目的采用的技术方案是，一种基于降噪-分类神经网络的变压器智能保护方 法，其特征是，所述方法包括：
6.步骤1：通过将励磁支路电压-差动电流曲线的图像重构为非饱和部分并移除饱和部分的 过程，引导降噪自动编码器的编码器部分关注励磁支路电压-差动电流曲线的非饱
和特征；
7.步骤2：卷积神经网络由分类器和所述降噪自动编码器的所述编码器组成，用于处理两 类任务：1类为“正常变压器”，包括正常运行/外部故障、正常变压器空载合闸；2类为
ꢀ“
故障变压器”，包括内部故障、故障变压器空载合闸，励磁支路电压-差动电流曲线的非 饱和部分的图像作为所述卷积神经网络的输入，所述编码器图像特征作为所述分类器的输 入，对图像进行分类识别，进而实现变压器运行状态的识别；
8.步骤3：基于步骤1中的所述降噪自动编码器和步骤2中的所述卷积神经网络，提出一 种新的网络结构“降噪-分类神经网络”，通过训练所述降噪-分类神经网络，实现所述降噪 自动编码器的图像重构过程与所述卷积神经网络的图像分类过程的同步，经过所述降噪自动 编码器和所述卷积神经网络的交互过程，优化得到最适应于提取励磁支路电压-差动电流曲 线的图像非饱和特征的编码器，达到所述降噪自动编码器引导所述卷积神经网络关注励磁支 路电压-差动电流曲线的图像非饱和部分的目的；
9.步骤4；步骤3所述降噪-分类神经网络训练结束后，利用其中的所述卷积神经网络对变 压器智能保护进行构建；
10.①
数据采集过程，智能保护方法启动后，利用电流互感器采集变压器一次侧、二次侧电 流，利用电压互感器采集变压器的端电压，进而求得差动电流和励磁支路电压；
11.②
数据预处理过程，涉及励磁支路电压-差动电流曲线的归一化、离散数据到图像的格 式转换，利用同样的最值对励磁支路电压和差动电流进行归一化，该归一化过程不会改变励 磁支路电压-差动电流曲线的全局特征和局部特征，然后，对归一化后的励磁支路电压-差动 电流曲线进行数据格式转换；
12.③
将三相的励磁支路电压-差动电流曲线的图像分别作为所述卷积神经网络的输入，构 建基于求解所述两类任务的变压器智能保护方法：将正常变压器设定标签为1，包括正常变 压器空载合闸、正常运行/外部故障；故障变压器设定标签为2，包括故障变压器空载合闸、 内部故障。
13.进一步，所述降噪自动编码器由编码器和解码器组成，编码器基于卷积计算、批归一化 计算和激活函数，解码器基于反卷积计算、批归一化计算和激活函数，它以励磁支路电压
‑ꢀ
差动电流曲线的图像作为输入，以励磁支路电压-差动电流曲线的非饱和部分的图像作为目 标输出。
14.进一步，将所述降噪自动编码器的输入为励磁支路电压-差动电流曲线图像定义为x，x 为x1，x2，
…
xm，将所述目标输出为励磁支路电压-差动电流曲线的非饱和部分图像定义为 为设训练数据为x＝(x1,x2,
…
,xm)
t
，m为训练样本量，函数h
en
(
·
)指代 编码器的编码过程，f
en
(
·
)、分别为编码器第k个单元的输入、卷积 核、偏置、激活函数和批归一化函数，为第k个单元的卷积层输出，为批归一化的输 入；编码器第k个单元的计算过程由式(1)表示，
[0015][0016]
式(1)中，设为第d个样本的第t张特征图的第i个值， m为一批样本的数量；μ和σ分别是当前批样本在第t张特征图 第i个值的均值和方差；ε用于避免数值溢出；γ和ζ分别为u
ti
的放缩和平移参数，编码器 的输出f如式(2)，
[0017]
f＝h
en
(x)
ꢀꢀ
(2)
[0018]
设降噪自动编码器解码器的目标输出为即仅含有励磁支路电压-差 动电流曲线非饱和部分的图像、实际输出为函数指代解码器的解 码过程，解码器第k个单元的计算过程仅是将卷积计算更换为反卷积计算，解码器的输出如 式(3)所示，
[0019][0020]
降噪自动编码器的重构损失l
dae
利用均方差函数定义，如式(4)所示，其中，n
×
n为 励磁支路电压-差动电流曲线图像的尺寸，m为样本个数，p和q分别表示图像的第p行、第 q列，d表示第d个样本，
[0021][0022]
进一步，按步骤2，根据softmax函数，卷积神经网络的特征输出映射为样本属于各类 样本的概率，进而求得卷积神经网络的分类损失l
cnn
，如式(5)所示，
[0023][0024]
其中，为softmax函数的计算表达式，f
dj
表示第d个样本对应于第j类的特征输 出，第s类为该样本的真实类，j表示总类别数，m为样本个数。
[0025]
进一步，将步骤3所述降噪-分类神经网络定义为d卷积神经网络，通过训练d卷积神 经网络，得到d卷积神经网络的损失函数，如式(6)所示，
[0026][0027]
其中，α和β分别为d卷积神经网络重构损失和分类损失的权重。
[0028]
本发明的基于降噪-分类神经网络的变压器智能保护方法与现有技术相比所具有
的有益的 技术效果体现在：
[0029]
本发明利用励磁支路电压-差动电流曲线反映变压器的运行状态，其形状/图像特征与各 运行状态具有一一对应的关系，特征差异显著，适用于人工智能技术进行分类识别。不同于 传统的“首先利用降噪自动编码器提取特征、然后利用分类器进行分类”的方法，本发明利 用降噪编码器和卷积神经网络提出了一种降噪-分类神经网络，该神经网络实现了降噪自动 编码器的特征提取过程和卷积神经网络的分类过程的交互，训练得到的卷积神经网络具有关 注励磁支路电压-差动电流曲线非饱和特征的能力，提高了变压器智能保护方法的泛化能 力，有利于提高变压器保护的可靠性，避免变压器保护误动或拒动，保证电力系统的安全稳 定运行。其科学合理、适用性强、效果佳。
附图说明
[0030]
图1(a)是正常运行状态励磁支路电压-差动电流曲线示意图；
[0031]
图1(b)是正常变压器空载合闸状态下，励磁支路电压-差动电流曲线示意图；
[0032]
图1(c)内部故障状态下，励磁支路电压-差动电流曲线示意图；
[0033]
图1(d)是故障变压器空载合闸状态下，励磁支路电压-差动电流曲线示意图；
[0034]
图2是降噪自动编码器结构示意图；
[0035]
图3是卷积神经网络结构示意图；
[0036]
图4是降噪-分类神经网络结构示意图；
[0037]
图5是变压器智能保护方法逻辑示意图。
具体实施方式
[0038]
参照图1～图5，本发明的一种基于降噪-分类神经网络的变压器智能保护方法，包括：
[0039]
步骤1：降噪自动编码器用于模拟继电保护专家识别励磁支路电压-差动电流曲线的过 程，目的是，通过将正常变压器，包括正常变压器空载合闸、正常运行/外部故障，如图1 (a)和图1(b)所示；将故障变压器，包括故障变压器空载合闸、内部故障，如图1(c) 和图1(d)所示，励磁支路电压-差动电流曲线图像重构为非饱和部分并移除饱和部分的过 程，引导降噪自动编码器的编码器关注励磁支路电压-差动电流曲线的非饱和特征。降噪自 动编码器的输入为励磁支路电压-差动电流曲线图像x，目标输出为励磁支路电压-差动电流 曲线的非饱和部分图像降噪自动编码器由编码器和解码器组成，编码器基于卷积计算、 批归一化计算和激活函数，解码器基于反卷积计算、批归一化计算和激活函数，如图2所 示。
[0040]
设训练数据为x＝(x1,x2,
…
,xm)
t
，m为训练样本量，函数h
en
(
·
)指代编码器的编码过程，分别为编码器第k个单元的输入、卷积核、偏置、激活 函数和批归一化函数，为第k个单元的卷积层输出，为批归一化的输入。编码器第k 个单元的计算过程可由式(1)表示。
β＝1.0。以权重为“α＝1.5，β＝1.0”的降噪-分类神经网络为例，故障变压器的分类准确率为 100％、正常变压器的分类准确率为93.9％，总体分类准确率为96.84％。
[0065]
本发明所用的功能器件均为市售产品，容易实现。本发明的软件程序依据python程序 语言在pycharm平台开发实现。技术编制是本领域技术人员所熟悉的技术。
[0066]
本发明的具体实施例并非穷举，本领域技术人员根据本发明所获得的启示，不经过创造 性劳动的复制和改进均属于本发明权利保护的范围。