[发明专利]基于深度学习模型的变压器故障诊断方法

说明书

本发明涉及一种基于深度学习模型的变压器故障诊断方法，属于变压器故障诊断技术领域。该方法包括故障样本的数据采集、创建基于DBN的故障诊断模型、模型预训练、模型微调、和在线故障识别几大步骤。本发明在小数据样本下更容易捕捉数据特征，具有较强的自主提取特征能力和较高的目标识别精度。通过实验得出，本发明所提变压器故障诊断模型RBM‑T平均准确率均高于94%，易于推广应用。

技术领域

本发明属于变压器故障诊断技术领域，具体涉及一种基于深度学习模型的变压器故障诊断方法。

背景技术

随着经济水平的不断提高，我国电力系统得到了空前的发展，电网规模不断扩大，变电站数目成倍增加，对电力系统的安全可靠运行也提出了更大的挑战。电力系统如果发生故障或者大规模停电，将会造成巨大的经济损失，而且还会危害公共安全，带来严重的社会影响。作为电力系统的核心元件，变压器将发电厂发出的电能升高电压传输到电网当中，同时又将电网的高电压降至额定电压输送给用户。同时，它还负责主干网架之间电压等级的变化，是区域电网互联的主要联络工具，因此其运行状态的好坏对于整个电力系统的安全稳定运行具有决定作用。

变压器故障诊断技术能提升变压器健康水平，对电网安全稳定运行意义重大。目前，有许多学者提出了变压器的故障诊断方法，例如卷积神经网络、支持向量机、循环神经网络等等。赵文清等人提出了一种基于改进主成分分析法的变压器潜伏故障诊断策略。杨廷方等人提出采用BP神经网络对电力变压器溶解气体以及故障特点进行学习，构建诊断模型。上述变压器故障诊断模型需要大量样本进行训练，才能获取较为准确的故障诊断模型。然而，在实际工程应用中，变压器故障诊断的样本数量往往偏小。如果样本数量太少，利用上述方法构建故障诊断模型将无法独立完成深层次的特征提取，同时易出现陷入局部最优解、识别精度较低和泛化能力较弱等问题。因此如何克服现有技术的不足是目前变压器故障诊断技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种基于深度学习模型的变压器故障诊断方法。

为实现上述目的，本发明采用的技术方案如下：

基于深度学习模型的变压器故障诊断方法，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；