[发明专利]基于深度学习的高压并联电抗器振动异常故障诊断方法

说明书

本发明涉及电力系统故障诊断技术领域，具体为基于深度学习的高压并联电抗器振动异常故障诊断方法，包括以下步骤：电抗器振动信号采集；数据预处理，将时序振动信号转化为图像信号；建立数据集；进行Incep‑DenseNet网络故障诊断训练与测试；有益效果为：本发明提出的基于深度学习的高压并联电抗器振动异常故障诊断方法通过多尺度特征提取和多层次特征融合的优势，能够挖掘隐藏在电抗器振动信号中的深度抽象数据特征，准确地建立故障数据特征与故障类型间的映射关系，实现高精度地高压电抗器振动异常故障高精度诊断。当面对海量数据时，基于Incep‑DenseNet深度学习网络的方法能够快速从复杂数据中提取鲁棒性好及故障敏感度高的特征，保证故障诊断的实时性和可靠性。

技术领域

本发明涉及电力系统故障诊断技术领域，具体为基于深度学习的高压并联电抗器振动异常故障诊断方法。

背景技术

高压并联电抗器常用于补偿超高压线路的容性充电功率，有利于限制电力系统中工频电压升高和降低超高压系统的绝缘水平，是保证电力系统安全可靠运行的关键设备。与变压器类似，电抗器同样具有绕组铁芯结构且存在着多气隙铁芯饼的特殊结构，在长期运行过程中，经常由于振动大噪声强而导致各类型故障发生。例如，内部套管的均压环由于振动过大而断裂，牵拉筋振动过大将油箱拉裂而造成漏油现象，散热片由于振动过大造成连接螺栓分离，进而导致散热片出现裂痕。因此，如果不能及时发现振动异常现象，以致加剧振动，长此以往，恶性循环，最终导致电抗器因振动过大而停运，甚至造成严重事故。因此，准确检测识别高压并联电抗器振动异常现象，并及时对设备进行预测性维护，是提高电力系统安全性和可靠性的关键。

现有技术中，油浸式高压电抗器故障诊断技术主要分为两大类，包括基于经验的诊断方法以及基于数据的诊断方法。采用基于经验的故障诊断方法对高压电抗器进行诊断时，需要积累大量的专家知识，才能实现较准确的故障判断。然而，当电抗器实际工况变化时，专家知识因不够全面可能会出现识别偏差，从而导致基于经验的故障诊断方法的鲁棒性和可靠性较差。而基于数据的故障诊断方法通常采用信号处理技术对电抗器运行中采集的数据进行分析，通过提取可以表征电抗器运行状态的特征向量，采用模式识别方法来确定电抗器的运行状态及对应的故障类型。

但是，与基于经验的电抗器故障诊断方法相比，采用基于数据的故障诊断方法对电抗器运行状态进行诊断时不需要任何先验信息及专家知识，因此受到更多的关注。然而，目前对于高压电抗器振动异常的检测都是通过信号处理的方式进行，例如傅里叶变换、经验模态分解等方法。但是，随着电抗器的长期运行，会积累大量各种健康状态数据，当对这些海量数据进行分析处理时，基于信号处理的方法的实时性和可靠性将受到极大挑战。

发明内容

本发明的目的在于提供基于深度学习的高压并联电抗器振动异常故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于深度学习的高压并联电抗器振动异常故障诊断方法，该异常故障诊断方法包括以下步骤：

电抗器振动信号采集；

数据预处理，将时序振动信号转化为图像信号；

建立数据集；

进行Incep-DenseNet网络故障诊断训练与测试。

优选的，时序振动信号转化为图像信号时，原始一维数据按顺序被均分为N段，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点；S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N,k＝1,2,…,N,代表图像中的像素点；转化过程依据下式：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。