[发明专利]一种油浸式变压器的故障诊断方法

权利要求书

1.一种油浸式变压器的故障诊断方法，其特征在于，包括以下步骤：

S1、获取基于DGA的油浸式变压器的故障数据，并对油浸式变压器的故障数据进行预处理；

S2、根据油浸式变压器的故障数据将油浸式变压器的故障类型分为：正常、局部放电、低能放电、高能放电、中低温过热、高温过热，并对故障类型分别进行编码；

S3、搭建适用于油浸式变压器故障诊断的卷积神经网络模型，并使用遗传算法优化卷积神经网络获得优化的卷积神经网络模型；

S4、使用预处理后的油浸式变压器的故障数据在优化的卷积神经网络模型上进行训练，从而输出以下故障类型：正常、局部放电、低能放电、高能放电、中低温过热、高温过热，以完成油浸式变压器故障诊断。

2.根据权利要求1所述的油浸式变压器的故障诊断方法，其特征在于，所述步骤S1中对油浸式变压器的故障数据进行预处理是采用如下公式进行归一化处理：

式中：x_i'_j为归一化处理后的特征气体含量，x_ij为第i个样本第j个特征气体的含量，x_i1+x_i2+x_i3+x_i4+x_i5为第i个样本H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种气体的总含量。

3.根据权利要求1所述的油浸式变压器的故障诊断方法，其特征在于，所述步骤S2中对油浸式变压器的故障状态进行one-hot编码，具体如下表：

4.根据权利要求1所述的油浸式变压器的故障诊断方法，其特征在于，所述步骤S3中适用于油浸式变压器故障诊断的卷积神经网络模型包括：

输入层，输入层大小为5×1；

第一个卷积层，每层卷积核数目为32，卷积核大小为3×1；

第一个池化层，采用最大池化，大小为1×1；第一个池化层后连接一个Dropout层，比率为0.5；

第二个卷积层，每层卷积核数目为64，卷积核大小为1×1；

第二个池化层，同样采用最大池化，大小为1×1；第二个池化层后连接一个Dropout层，比率为0.5；

全连接层，全连接层的神经元个数为128；

Softmax层，Softmax层后连接一个Dropout层，比率为0.5；

第一个卷积层和第二个卷积层中的卷积运算是卷积核与原始特征或上一层的输出特征进行卷积，然后再加上偏置值，得到当前的特征，其运算方式如下：

其中，*表示卷积运算，代表的是卷积层的第k层的第j个特征的输入；f为激活函数，所述激活函数为Relu激活函数，Relu激活函数表达式为：N_j代表特征向量选择的集合；代表k-1层的第i个特征的输出；代表第i到第k层第j个特征的卷积核；代表偏置项。

5.根据权利要求4所述的油浸式变压器的故障诊断方法，其特征在于，所述步骤S3中，使用遗传算法优化卷积神经网络模型的过程为：

(1)根据卷积神经网络的基本框架确定种群的大小和最大遗传代数等相关参数；

(2)对种群进行初始化，设置最大进化代数T，同时将准确率函数值设置为0；

(3)将卷积神经网络的初始权重、阈值、网络结构参数、优化器以及全连接层神经元数等编码为染色体；

(4)由(3)中的染色体随机产生一个卷积神经网络，并对其相关的训练；

(5)计算个体的适应度值，每个个体实际上就是染色体带有特征的实体，通过计算染色体的适应度值来评定各个个体的优劣程度，从而决定了遗传几率的大小；

(6)对染色体进行选择操作，即选择群体中优秀的个体，淘汰劣质的个体；

(7)对染色体进行交叉操作，即相互交换某两个个体之间的部分染色体；

(8)对染色体进行变异操作，即对个体的某一个或者某些基因座上基因值进行改变；

(9)判断产生的新个体是否满足终止条件，即最优个体的适应度和群体适应度是否上升或者是否达到最大进化代数T，若满足则进行下一步骤，否则返回步骤(5)；

(10)输出权重、阈值、网络结构参数、优化器以及全连接层神经元数的最优值，来更新卷积神经网络，获得优化的卷积神经网络模型。