[发明专利]基于深度学习模型的变压器故障诊断方法

权利要求书

1.基于深度学习模型的变压器故障诊断方法，其特征在于，包括如下步骤：

步骤(1)，故障样本的数据采集：采集故障样本，将故障样本划分为训练样本集合和测试样本集合；所述的故障样本包括变压器故障类型和油中溶解的H₂、CH₄、C₂H₆、C₂H₄、C₂H₂的含量；

步骤(2)，创建基于DBN的故障诊断模型：故障诊断模型中输入为油中溶解的H₂、CH₄、C₂H₆、C₂H₄、C₂H₂的含量；输出为故障类型；

设置RBM层数和每层RBM的节点数；

设RBM是由1个可见层v和1个隐含层h组成的双层网络，其中，v＝[v₁,v₂,...,v_n]，为可见层单元的n个输入节点；h＝[h₁,h₂,...,h_m]，为隐含层单元的m个输出节点；w＝[w_ij]_n×m，为输入层到输出层的连接权值矩阵，其中i＝1,2,...,n且j＝1,2,...,m；A＝[a₁,a₂,...,a_n]，其中a_i为第i个可见单元v_i的偏置；B＝[b₁,b₂,...,b_m]，其中b_j为第j个隐含单元h_j的偏置；

步骤(3)，模型预训练：将训练样本集导入步骤(2)的模型中，从下而上逐层训练各层RBM，获得各层RBM的初始化参数w_ij、a_i、b_j；

步骤(4)，模型微调：采用BP神经网络算法反向调整预训练参数，得到最终的DBN故障诊断模型；其中，预训练参数是指各层RBM的初始化参数w_ij、a_i、b_j；

步骤(5)，在线故障识别：将变压器实时运行数据导入最终的DBN故障诊断模型，进行故障识别。

2.根据权利要求1所述的基于深度学习模型的变压器故障诊断方法，其特征在于，步骤(1)中，训练样本集合和测试样本集合的样本数量比例设置为9:1。

3.根据权利要求1所述的基于深度学习模型的变压器故障诊断方法，其特征在于，步骤(1)中，故障类型分为五种：铁芯接地、线圈故障、裸金属过热、围屏放电、匝绝缘损伤。

4.根据权利要求1所述的基于深度学习模型的变压器故障诊断方法，其特征在于，步骤(2)中，设置RBM层数为5和每层RBM的节点数为10。