[发明专利]基于卷积神经网络的并联电抗器绝缘故障诊断方法和装置

说明书

本发明公开了基于卷积神经网络的并联电抗器绝缘故障诊断方法和装置，使用卷积神经网络对高压并联电抗器的放电缺陷模式诊断，使用雷达谱图进行故障诊断。可直接用雷达谱图进行特征提取与标签分类，便于提升诊断方法的普适性，且此方法具有极高的故障诊断精度，同时雷达谱图将局放的特征量可视化且更易提取。

技术领域

本发明属于电力设备故障诊断技术领域，具体涉及基于卷积神经网络的并联电抗器绝缘故障诊断方法。

背景技术

由于我国电力负荷需求与能源资源呈逆向分布，使大容量且远距离的电力输送模式成为必然。特、超高压输电是满足我国电力输送需求的有效措施，其中超高压输电因具有损耗小、造价低、输送容量大、潮流快速可控、易于联网等优点已广受关注。高压并联电抗器是高压输电工程的核心设备，其作用包括增强无功补偿和无功平衡、提高高压线路的电能质量、减少电路损耗以及保证系统安全稳定运行等。随着供电等级需求增高，高压并联电抗器投入使用的数量逐渐增多，电抗器的故障问题也慢慢受到重视。由于电抗器长期处于运行状态，其故障会严重损坏电力系统。油纸绝缘是油浸式并联电抗器内绝缘的主要组成形式，因此对油纸绝缘健康状态进行诊断评估具有重要的工程意义。局部放电(以下简称局放)是引起绝缘失效的主要原因之一，也是反映绝缘电老化程度的重要指标。在高压并联电抗器长期运行过程中，由于绝缘缺陷造成的局部放电现象并不易检测，长时间的局部放电可能造成更严重的故障，甚至影响电网的安全运行，如果能及时发现电抗器发生局部放电现象，可以引起运维人员的重视并采取一定措施，防止出现意外事件危及人员安全并影响电力系统的安全运行。

目前，国内外学者关于局部放电模式识别做了大量研究。《基于油中溶解乙炔和局部放电的特高压电抗器异常案例分析》(变压器,2020,57(12):75-78)提出了高压并联电抗器内部绝缘油的在线油色谱法与离线油色谱法，与局部放电法相结合来诊断电抗器内部绝缘损伤与劣化状态；《Operative ph-ysico-chemical diagnostics of SF6-equipment》(Electrical Insulation，2000.Conference Record of the 2000 IEEE InternationalSymposium on.2000:320－323)利用离散马尔科夫模型对放电PRPD谱图进行特征提取并分类；《采用小波包树能量矩阵奇异值分解的局部放电模式识》(西安交通大学学报，2017，51(8):116－121)利用小波与奇异值分解法来提取局部放电特征参量，从而进行局部放电识别；《基于局部放电的矩特征分析大电机主绝缘的老化》(中国电机工程学报，2002(5):95－99)利用图形特征法对放电谱图进行数据特征挖掘。以上方法虽然对放电谱图进行模式识别，但其没有考虑噪声对特征提取造成的影响，导致预测过程较为繁琐且预测结果包含一定误差。

发明内容

本发明提供了基于卷积神经网络的并联电抗器绝缘故障诊断方法，提升诊断方法的普适性与绝缘故障诊断精度。

为达到上述目的，本发明所述基于卷积神经网络的并联电抗器绝缘故障诊断方法，包括以下步骤：

步骤1：进行并联电抗器不同类型的局部放电实验，采集并联电抗器局部放电波形，将采集到的局部放电波形进行预处理，提取特征参量；对提取到每一个局部放电信号的所有特征参量进行雷达谱图的构建；

步骤2：将局部放电类型下的雷达谱图打上其所属局部放电类型标签，进行归一化处理后，划分训练集与验证集；

步骤3：将训练集作为诊断模型的输入变量，局部放电类型标签为输出变量，使用卷积神经网络方法训练诊断模型；

步骤4：通过调整模型训练时的参数，使诊断模型的精度达到最高值；

步骤5：将验证集输入诊断模型中，验证诊断模型的诊断效果：若验证集的预测准确度较训练集的预测准确度之差小于阈值，则模型训练完成；否则，重新进行模型训练；