[发明专利]一种油浸式变压器的故障诊断方法

说明书

本发明公开了一种油浸式变压器的故障诊断方法，包括：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；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别进行编码；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；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，从而输出故障类型。与现有技术相比，本发明首先对变压器故障数据进行规范化处理，并将优化后卷积神经网络应用于油浸式变压器DGA绝缘诊断，防止训练模型出现过拟合现象，解决了数据训练过程陷入局部最优问题，提升了变压器故障诊断的准确率和稳定性。

技术领域

本发明涉及变压器故障诊断技术领域，特别是一种油浸式变压器的故障诊断方法。

背景技术

油浸式变压器发生绝缘老化时会产生少量气体溶解在绝缘油中，这些气体成分主要包括H₂、CH₄、C₂H₆、C₂H₄、C₂H₂，当变压器发生不同类型的故障时，油中溶解气体会发生明显的变化，例如高能放电时，氢气和乙炔的含量升高，绝缘油过热时，会导致甲烷和乙烷比例增加。根据气体组成及含量进行分析对变压器故障检测的方法称为油中溶解气体分析法(DGA)。

近年来，随着随着电力电子和信息技术的快速发展，国内外学者开始将机器学习领域的研究成果引入到变压器DGA绝缘诊断研究中来，主要包括SVM、小波包变换、神经网络、模糊理论等。虽然解决了传统的诊断方法存在的一些问题，提高了诊断精度，但同时存在一些缺点，如SVM算法对大规模训练样本难以实施，对解决多分类问题存在困难；模糊理论隶属函数难以确定，当用于信息简单模糊处理时将导致系统的动态品质变差。与此同时，深度学习理论的提出以及数值设备的改进，出现了卷积神经网络等一些更加优越的机器学习方法，并广泛应用到变压器故障诊断领域。

卷积神经网络是一个多层的神经网络结构，能够通过大量的变压器故障数据训练，自动提取特征，完成故障分类，从而实现变压器故障识别。然而，现有的卷积神经网络存在以下缺点：

(1)变压器故障数据复杂多样，难以提取特征信息；

(2)诊断模型训练故障数据时，学习过程易陷入局部最优；

(3)训练结果出现准确率低下，误报率较高的现象；

(4)训练模型易出现过拟合现象。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种油浸式变压器的故障诊断方法，以提升油浸式变压器的故障诊断的准确率和稳定性。

为达到上述目的，本发明是按照以下技术方案实施的：

一种油浸式变压器的故障诊断方法，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。

进一步地，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：