[发明专利]基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法

说明书

本发明涉及一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，包括：构建基于SSDAE的变压器故障诊断模型；获取模型的训练集和测试集；对训练集数据和测试集数据进行无编码比值，获得模型的输入数据；对模型进行预训练，实现模型参数的初始化；优化模型参数，获得优化后的模型；使用测试集数据的无编码比值测试SSDAE模型的准确度，若准确度满足预设要求，则执行步骤7，否则，返回步骤4；使用完成训练的SSDAE模型进行变压器故障诊断，输出故障诊断结果。与现有技术相比，本发明具有故障识别能力强、鲁棒性强的等优点。

技术领域

本发明涉及变压器故障诊断技术领域，尤其是涉及一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法。

背景技术

当前对于电力变压器的故障诊断方法大都是建立油中溶解气体分析(DissolvedGas Analysis，DGA)的基础之上，因为DGA不会受到电场以及外界磁场的干扰，所以电力变压器在正常运行时便可以对其运行状态进行诊断。鉴于DGA，国内外专家学者进行了大量的研究，已有部分研究成果成功地应用在电力变压器故障诊断中，包括三比值法、Rogers法等传统方法以及支持向量机、专家系统等浅层机器学习方法。

三比值法、Rogers法等传统方法在对电力变压器进行故障诊断时存在编码缺失、判断过于绝对等问题，导致其诊断的准确率较低；支持向量机在解决二分类问题时，分类效果很好，但是对于多分类问题，核函数以及参数的确定较为困难；专家系统主要依靠经验来确定，当经验不足时，诊断效果较差。传统的故障诊断方法和浅层机器学习方法都是需要完整并且准确的数据样本才能够达到较为理想的诊断结果，不能够充分利用电力变压器油色谱分析设备测量到大量无标签数据。诊断方法的限制太大，并且诊断方法的准确性也不够高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种故障识别能力强、鲁棒性强的基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，包括：

步骤1：构建基于SSDAE的变压器故障诊断模型；

步骤2：获取模型的训练集和测试集；

步骤3：对训练集数据和测试集数据进行无编码比值，获得模型的输入数据；

步骤4：对模型进行预训练，实现模型参数的初始化；

步骤5：优化模型参数，获得优化后的模型；

步骤6：使用测试集数据的无编码比值测试SSDAE模型的准确度，若准确度满足预设要求，则执行步骤7，否则，返回步骤4；

步骤7：使用完成训练的SSDAE模型进行变压器故障诊断，输出故障诊断结果。

优选地，所述的基于SSDAE的变压器故障诊断模型包括堆栈稀疏降噪自动编码网络SSDAE和Softmax分类器；所述的降噪自动编码网络SSDAE的输出端与Softmax分类器的输入端相连。

更加优选地，所述的SSDAE网络是将多个SDAE网络堆叠起来形成的深度学习神经网络；

使用表示第二层第j个神经元的激活值；

使用表示第二层第j个隐藏神经元在训练集上的平均活跃度；

使用ρ表示稀疏性参数，令对神经元的稀疏性进行限制；

SDAE网络的总体代价函数为：