[发明专利]一种基于深度学习的变压器状态评估方法

权利要求书

1.一种基于深度学习的变压器状态评估方法，其特征在于，包括以下步骤：

1)数据采集：对变压器中出现的特征气体含量进行收集，得到样本数据，特征气体包括H₂、CH₄、C₂H₄、C₂H₆、C₂H₂；

2)数据预处理：对样本数据进行归一化处理，得到预处理后样本数据；

3)建立CNN深度卷积神经网络模型：CNN深度卷积神经网络模型基本结构由输入层、卷积层、池化层、全连接层和输出层组成；

4)模型训练：将步骤2)中预处理后样本数据作为训练集和测试集，结合网络中各神经元之间的连接，对网络模型做深度学习的训练与测试，得到网络模型的连接权值和偏置函数；

5)自学习：将建立完成的CNN深度卷积神经网络模型，经过神经网络的各层神经元的连接转换后，通过输出层将输入层的分析结果输出，推算出是否出现故障以及故障的具体类型及原因。

2.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述步骤1)中，样本数据的采集要求包括：训练样本应具有代表性；训练样本应具有广泛性应能力，可以满足尽可能多的场合使用；训练样本应具有紧凑性。

3.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述样本数据所代表的变压器故障类型包括：低温过热、高温过热、低能放电、高能放电。

4.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述步骤2)中，数据预处理，包括：

对样本数据进行归一化处理，使所有的样本数据都处在[0，1]之间。

5.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述步骤3)中，深度CNN卷积神经网络模型，包括：

使用下采样层池化层降低网络训练参数，减小模型的过拟合程度，使用全连接网络做分类，将从深度卷积神经网络学习到的特征输入全连接网络层，分类得到样本的标签类别，使用非线性激活函数ReLU，简化计算和提高收敛速度，使用Dropout防止网络的过拟合。

6.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述步骤3)中，深度CNN卷积神经网络模型中，输入与输出之间的关系为：

连接强度为w_0j＝θ_0j，加权和为：

7.如权利要求1所述的一种基于深度学习的变压器状态评估方法，其特征在于：所述步骤4)中，模型训练，包括：

利用步骤2)中处理好的样本数据作为训练集和测试集，对所建立好的深度卷积神经网络模型进行训练，逐层训练和优化网络，通过深度学习得到网络模型的连接权值和偏置参数，根据存有变压器故障状态的样本数据，分别训练得到各自对应的故障类型。