[发明专利]一种基于深度卷积神经网络的换流变压器故障诊断方法

说明书

本发明公开了一种基于深度卷积神经网络的换流变压器故障诊断方法。本发明将深度卷积神经网络模型应用于电网设备故障检测中，既改善了基于统计学和概率论的机器学习算法中参数多、调参过程繁琐、模型性能十分依赖数据预处理和特征工程的不足，也在浅层人工神经网络基础上将数据扩展至更高维度，使模型对复杂函数的拟合能力进一步提高，同时，将残差网络和批量归一化算法应用于深度卷积神经网络，使模型收敛速度和泛化能力得到提高，模型对电网设备故障诊断的准确率相比浅层神经网络有很大提升。

技术领域

本发明属于输变电设备故障诊断领域，具体地说是一种基于深度卷积神经网络的换流变压器故障诊断方法。

背景技术

目前，大型变压器多为油浸式变压器，采用油纸绝缘结构。变压器正常运行时，其内部的油纸绝缘材料受到热和电的作用，会逐渐老化并分解，产生少量溶解气体。通过分析变压器中的溶解气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂的含量和产气率，可以检测出故障，防止故障恶化。通过对大量DGA结果的统计分析，专家试图建立一个油中溶解气体含量的注意值标准，即认为油中溶解气体含量高于此标准的设备内部可能存在着引发事故的早期潜伏性故障。

在变压器故障诊断中，单靠电气试验方法很难发现某些局部故障和发热缺陷，而通过变压器油中气体的色谱分析，对发现变压器内部的某些潜伏性故障及其发展程度的早起诊断非常灵敏且有效，这已被大量故障诊断的实践所证明。在国家颁布执行的电力设备预防性试验规程DL/T596-1996中，将DGA方法放在了首要位置。

但实践表明很难把判断有无故障这样一个复杂的问题简化为仅由一个数值界限去机械地进行判断。基于此，Dornenburg提出气体三比值法进行变压器故障的诊断。三比值法避免了油的体积效应，提高了对电力变压器故障诊断的准确率，国内外统计表明，三比值法对油浸式电力设备故障诊断的可靠率在80％左右，在我国国家标准中推荐使用基于DGA结果的三比值法对油浸式设备进行故障诊断。但在实践过程中发现，三比值法存在编码盲点问题，有相当一部分的DGA分析结果落在了三比值法所提出的编码之外，以至于对某些情况无法进行诊断。

基于统计学和概率论的机器学习方法对大规模数据有更强的处理和学习能力。当前场景中，油中溶解气体的监测数据多为非线性数据(即溶解气体数据的变化规律难以用线性函数拟合)，且油中溶解气体中各类气体的含量相互影响，存在一定相关性。基于此，基于树模型的机器学习模型对电网系统中产生的大规模油色谱监测数据的拟合能力更有优势。

目前，基于树模型的算法中，性能最高的算法是XGBosot算法(仅在2015年Kaggle各类竞赛获胜的29个算法中，有17个使用了XGBoost)。XGBoost是Boosting算法的其中一种。Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器。XGBoost中使用的基树(弱分类器)为CART回归树模型，CART回归树是假设树为二叉树，通过不断将特征进行分裂。例如，当前树结点是基于第j个特征值进行分裂的，设该特征值小于s的样本划分为左子树，大于s的样本划分为右子树。

XGBoost算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当训练完成得到k棵树，要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。