一种基于深度学习的电力变压器故障诊断方法

1.本发明属于故障诊断技术领域，具体涉及一种基于深度学习的电力变压器故障诊断方法。


背景技术：

2.电力变压器作为变电环节的重要设备，虽然在我们身边不经常接触，但却对我们的生活产生了巨大的作用。在国内电力系统中还在使用的电力变压器中，有很大一部分已经具备了长时间的使用年限，存在着绝缘材料劣化等安全隐患，这些电力变压器一旦出现事故将会照成严重的影响，因此对电力变压器的故障情况做出精准的诊断具有非常重要的意义。
3.利用变压器故障时产生的气体(dga)对变压器进行故障诊断在国内外已经成为了重要的手段。由于现代智能技术的快速发展，基于智能的诊断方法也逐渐取代了传统的方法。其中智能诊断的方法主要包括模糊理论、专家系统、神经网络、支持向量机(svm)等，现有的这些智能诊断方法提高了变压器故障诊断准确率。
4.现有技术存在的问题：
5.现有的电力变压器故障诊断往往基于人工神经网络建立故障诊断模型，其结构简单，稳定性较差，并且对故障数据的特征能力较差，导致最终的准确性达不到要求。


技术实现要素：

6.为了解决现有技术存在的结构简单，稳定性较差，特征能力较差以及准确性达不到要求的问题，本发明目的在于提供一种基于深度学习的电力变压器故障诊断方法。
7.本发明所采用的技术方案为：
8.一种基于深度学习的电力变压器故障诊断方法，包括如下步骤：
9.获取电力变压器的历史故障数据集，并对历史故障数据集进行预处理，得到预处理后历史故障数据集；
10.使用改进鲸鱼优化算法，优化深度学习的dbn网络的网络参数，得到优化后dbn网络；
11.将预处理后历史故障数据集输入优化后dbn网络进行训练，得到变压器故障诊断模型；
12.获取电力变压器的实时故障数据，并对电力变压器的实时故障数据进行预处理，得到预处理后实时故障数据；
13.将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断，得到对应的故障类型预测结果。
14.进一步地，对历史故障数据预处理，包括依次进行的数据筛选、数据降维以及归一化处理；
15.对实时故障数据进行预处理，包括依次进行的数据降维和归一化处理；
16.归一化处理的公式为：
[0017][0018]
式中，q'为预处理后历史/实时故障数据；q为原始的历史/实时故障数据；q
max
为原始的历史/实时故障数据中最大值；q
min
为原始的历史/实时故障数据中最小值。
[0019]
进一步地，改进鲸鱼优化算法使用混沌映射序列、动态反向学习策略以及收敛因子对传统鲸鱼优化算法进行改进。
[0020]
进一步地，混沌映射序列为tent-logistic-cosine混沌映射序列，且混沌映射序列公式为：
[0021][0022]
式中，x
i+1
为tent-logistic-cosine混沌映射序列生成的鲸鱼个体初始位置；xi为随机生成的鲸鱼种群初始位置；r为预设参数；i为鲸鱼个体指示量。
[0023]
进一步地，动态反向学习策略的公式为：
[0024]
x'i(t)＝k(a(t)+b(t))-xi(t)
[0025]
式中，x'i(t)、xi(t)分别为第i鲸鱼个体的反向解位置和正向解位置；a(t)、b(t)分别为当前iwoa种群在搜索维度的上界和下界；k为递减惯性因子，k＝0.9-0.5t/t
max
；t、t
max
分别为当前迭代次数和最大迭代次数。
[0026]
进一步地，收敛因子用于改进传统鲸鱼优化算法的搜索步长，且收敛因子的公式为：
[0027][0028]
式中，a为收敛因子；tanh(.)为双曲正切函数；t、t
max
分别为当前迭代次数和最大迭代次数；a
max
、a
min
分别为收敛因子的最大、小值；λ为递减速率参数，k'为递减周期参数，λ＝－2π，k'＝π。
[0029]
进一步地，使用改进鲸鱼优化算法，优化深度学习的dbn网络的网络参数，得到优化后dbn网络，包括如下步骤：
[0030]
将dbn网络的网络参数作为改进鲸鱼优化算法的优化目标；
[0031]
初始化改进鲸鱼优化算法的算法参数，并使用混沌映射序列初始化iwoa种群；
[0032]
计算iwoa种群中鲸鱼个体的适应度值，并根据鲸鱼个体的适应度值，保留最优的鲸鱼个体；
[0033]
随机生成p，若p《0.5且|a|《1，执行包围猎物行为，更新iwoa种群位置，若p《0.5且|a|≥1，执行搜索猎物行为，更新iwoa种群位置，若p≥0.5，执行泡泡网攻击行为，更新iwoa种群位置；其中，p为更新参数，a为引入收敛因子优化的步长系数；
[0034]
根据更新后的iwoa种群，进行动态反向学习，得到更新后的iwoa种群中每个鲸鱼个体，即正向解对应的反向解，并计算正向解和反向解的适应度值，根据正向解和反向解的适应度值，更新最优的鲸鱼个体；
[0035]
判断迭代次数是否满足要求或更新后的最优的鲸鱼个体对应的最优的适应度值
是否满足要求，若是，则输出更新后的最优的鲸鱼个体对应的全局最优解的位置，得到最优的优化目标，即最优的网络参数，否则，进行下一次的更新iwoa种群。
[0036]
进一步地，网络参数包括隐含层数、各隐含层神经元数、各隐含层神经元初始权值与神经元初始阈值以及初始学习率。
[0037]
进一步地，将预处理后历史故障数据集输入优化后dbn网络进行训练，得到变压器故障诊断模型，包括如下步骤：
[0038]
将预处理后历史故障数据集中不含故障类型标签的预处理后历史故障数据划分为预训练数据集，将含有故障类型标签的预处理后历史故障数据按照比例划分为训练数据集和测试数据集；
[0039]
将预训练数据集对输入优化后dbn网络进行预训练，得到初始的变压器故障诊断模型；
[0040]
将训练数据集输入初始的变压器故障诊断模型进行优化训练，得到优化的变压器故障诊断模型；
[0041]
将测试数据集输入优化的变压器故障诊断模型进行测试，得到测试准确率，若测试准确率大于阈值，则输出最终的变压器故障诊断模型，否则，继续进行优化训练。
[0042]
进一步地，故障类型标签包括低温过热故障、中温过热故障、高温过热故障、局部放电故障、低能放电故障、高能放电故障以及无故障。
[0043]
本发明的有益效果为：
[0044]
本发明提供了一种基于深度学习的电力变压器故障诊断方法，采用结构稳定的深度学习算法建立电力变压器故障诊断模型，深度学习算法包含多个隐含层结构，能够提取数据深层特征，挖掘数据与故障之间的深度关系，特征提取能力强，故障诊断准确性高。
[0045]
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
[0046]
图1是本发明中基于深度学习的电力变压器故障诊断方法的方法流程图。
具体实施方式
[0047]
下面结合附图及具体实施例对本发明做进一步阐释。
[0048]
实施例1：
[0049]
通过dga数据能够识别与判断的油浸式变压器故障主要分为6种和1种无故障，故障类型包括低温过热故障、中温过热故障、高温过热故障、局部放电故障、低能放电故障、高能放电故障以及无故障，当变压器出现故障时，设备绝缘油中会产生以h2、ch4、c2h6、c2h4和c2h2这5种气体为主的特征气体。同时，故障类型与特征气体间具有对应关系，这对判断与识别电力变压器内部故障具有重要意义。
[0050]
如图1所示，本实施例提供一种基于深度学习的电力变压器故障诊断方法，包括如下步骤：
[0051]
获取电力变压器的历史故障数据集，并对历史故障数据集进行预处理，得到预处理后历史故障数据集；
[0052]
对历史故障数据预处理，包括依次进行的数据筛选、数据降维以及归一化处理；
[0053]
归一化处理的公式为：
[0054][0055]
式中，q'为预处理后历史/实时故障数据；q为原始的历史/实时故障数据；q
max
为原始的历史/实时故障数据中最大值；q
min
为原始的历史/实时故障数据中最小值；
[0056]
传统鲸鱼优化算法是一种新型群智能优化算法，具有运算快、全局搜索和局部开发能力比较平衡的特点，但是也存在求解精度低，易出现早熟收敛等不足；针对上述问题，改进鲸鱼优化算法使用混沌映射序列、动态反向学习策略以及收敛因子对传统鲸鱼优化算法进行改进；
[0057]
深度置信网络(deep belief network，dbn)作为一种经典的深度学习算法，拥有多个隐含层结构，预训练阶段使用无监督学习逐层输入无标签数据进行低误差训练，实现原始数据的深度特征提取；调优阶段使用监督学习输入标签样本进行反向连接权值调优，避免了梯度消失问题；
[0058]
使用改进鲸鱼优化(improved whale optimization algorithm，iwoa)算法，优化深度学习的dbn网络的网络参数，得到优化后dbn网络，包括如下步骤：
[0059]
将dbn网络的网络参数作为改进鲸鱼优化算法的优化目标；网络参数包括隐含层数、各隐含层神经元数、各隐含层神经元初始权值与神经元初始阈值以及初始学习率；
[0060]
初始化改进鲸鱼优化算法的算法参数，并使用混沌映射序列初始化iwoa种群；
[0061]
混沌映射序列为tent-logistic-cosine混沌映射序列，且混沌映射序列公式为：
[0062][0063]
式中，x
i+1
为tent-logistic-cosine混沌映射序列生成的鲸鱼个体初始位置；xi为随机生成的鲸鱼种群初始位置；r为预设参数；i为鲸鱼个体指示量；利用tent-logistic-cosine混沌映射序列产生初始种群相比于随机分布的种群，改进后的鲸鱼种群初始位置分布更加均匀，扩大了鲸鱼种群在空间中的搜索范围，增加了群体位置的多样性，一定程度上改善了算法容易陷入局部极值的缺陷，从而提高了算法的寻优效率；
[0064]
计算iwoa种群中鲸鱼个体的适应度值，并根据鲸鱼个体的适应度值，保留最优的鲸鱼个体；
[0065]
适应度值的公式为：
[0066][0067]
式中，fit为适应度函数；e为网络输出误差函数；yn为第n个网络节点的真实输出值；为第n个网络节点的理想输出值；n为网络节点指示量；n为网络节点总数；
[0068]
随机生成p，若p《0.5且|a|《1，执行包围猎物行为，更新iwoa种群位置，若p《0.5且|a|≥1，执行搜索猎物行为，更新iwoa种群位置，若p≥0.5，执行泡泡网攻击行为，更新iwoa种群位置；其中，p为更新参数，a为引入收敛因子优化的步长系数；
[0069]
包围猎物行为的公式为：
[0070]
x1(t+1)＝x
*
(t)-ad
[0071]
式中，x1(t+1)为包围猎物行为更新的鲸鱼个体位置；x
*
(t)为最优的鲸鱼个体位置；d为当前鲸鱼个体与最优的鲸鱼个体之间的距离，即搜索步长；a＝2ar-a，a为从2减少到0的收敛因子；
[0072]
收敛因子用于改进传统鲸鱼优化算法的搜索步长，且收敛因子的公式为：
[0073][0074]
式中，a为收敛因子；tanh(.)为双曲正切函数；t、t
max
分别为当前迭代次数和最大迭代次数；a
max
、a
min
分别为收敛因子的最大、小值；λ为递减速率参数，k'为递减周期参数，λ＝－2π，k'＝π；
[0075]
迭代前期，a的值较大，更新的a也较大，|a|≥1，使iwoa算法在迭代前期长时间处于搜索猎物的行为，增强算法的全局搜索能力，迭代前期，a的值较小，更新的a也较小，|a|《1，使iwoa算法在迭代前期长时间处于包围猎物的行为，增强算法的局部包围能力，提高局部捕猎的能力；
[0076]
搜索猎物行为的公式为：
[0077]
x2(t+1)＝x
rand
(t)-ad
[0078]
式中，x2(t+1)为搜索猎物行为更新的鲸鱼个体位置；x
rand
(t)为从iwoa种群中选择的随机鲸鱼个体位置；
[0079]
泡泡网攻击行为的公式为：
[0080]
x3(t+1)＝d'c
bl
cos(2πl)+x
*
(t)
[0081]
式中，x3(t+1)为泡泡网攻击行为更新的鲸鱼个体位置；d'为当前鲸鱼个体与猎物之间的距离，同上述的搜索步长d的计算方式一样；b为定义螺旋方程的常量，b＝1；l为[-1,1]之间的随机数；
[0082]
根据更新后的iwoa种群，进行动态反向学习，得到更新后的iwoa种群中每个鲸鱼个体，即正向解对应的反向解，并计算正向解和反向解的适应度值，根据正向解和反向解的适应度值，更新最优的鲸鱼个体；
[0083]
动态反向学习策略的公式为：
[0084]
x'i(t)＝k(a(t)+b(t))-xi(t)
[0085]
式中，x'i(t)、xi(t)分别为第i鲸鱼个体的反向解位置和正向解位置；a(t)、b(t)分别为当前iwoa种群在搜索维度的上界和下界；k为递减惯性因子，k＝0.9-0.5t/t
max
；t、t
max
分别为当前迭代次数和最大迭代次数；减少搜索盲点，更有效的避免算法早熟和陷入局部最优值；
[0086]
判断迭代次数是否满足要求或更新后的最优的鲸鱼个体对应的最优的适应度值是否满足要求，若是，则输出更新后的最优的鲸鱼个体对应的全局最优解的位置，得到最优的优化目标，即最优的隐含层数、最优的各隐含层神经元数、各隐含层最优的神经元初始权值与最优的神经元初始阈值以及最优的初始学习率，否则，进行下一次的更新iwoa种群；
[0087]
将预处理后历史故障数据集输入优化后dbn网络进行训练，得到变压器故障诊断模型，包括如下步骤：
[0088]
将预处理后历史故障数据集中不含故障类型标签的预处理后历史故障数据划分为预训练数据集，将含有故障类型标签的预处理后历史故障数据按照比例划分为训练数据
集和测试数据集；
[0089]
将预训练数据集对输入优化后dbn网络进行预训练，得到初始的变压器故障诊断模型；
[0090]
将训练数据集输入初始的变压器故障诊断模型进行优化训练，得到优化的变压器故障诊断模型；
[0091]
将测试数据集输入优化的变压器故障诊断模型进行测试，得到测试准确率，若测试准确率大于阈值，则输出最终的变压器故障诊断模型，否则，继续进行优化训练；
[0092]
获取电力变压器的实时故障数据，并对电力变压器的实时故障数据进行预处理，得到预处理后实时故障数据；对实时故障数据进行预处理，包括依次进行的数据降维和归一化处理；
[0093]
将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断，得到对应的故障类型预测结果，故障类型预测结果为变压器故障诊断模型输出的故障类型标签，故障类型标签包括低温过热故障、中温过热故障、高温过热故障、局部放电故障、低能放电故障、高能放电故障以及无故障。
[0094]
作为优选，对历史/实时故障数据进行预处理，包括依次进行的数据筛选、数据降维以及归一化处理，数据筛选将重复数据进行剔除，减少数据量，数据降维采用主成分分析方法，获取与故障相关的主成分特征，实现了将高维数据降至低维数据，减少了数据占用空间，提高了处理效率，归一化处理消除不同数据特征量之间的数值差异；
[0095]
归一化处理的公式为：
[0096][0097]
式中，q'为预处理后历史/实时故障数据；q为原始的历史/实时故障数据；q
max
为原始的历史/实时故障数据中最大值；q
min
为原始的历史/实时故障数据中最小值。
[0098]
本发明提供了一种基于深度学习的电力变压器故障诊断方法，采用结构稳定的深度学习算法建立电力变压器故障诊断模型，深度学习算法包含多个隐含层结构，能够提取数据深层特征，挖掘数据与故障之间的深度关系，特征提取能力强，故障诊断准确性高。
[0099]
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

技术特征：
1.一种基于深度学习的电力变压器故障诊断方法，其特征在于：包括如下步骤：获取电力变压器的历史故障数据集，并对历史故障数据集进行预处理，得到预处理后历史故障数据集；使用改进鲸鱼优化算法，优化深度学习的dbn网络的网络参数，得到优化后dbn网络；将预处理后历史故障数据集输入优化后dbn网络进行训练，得到变压器故障诊断模型；获取电力变压器的实时故障数据，并对电力变压器的实时故障数据进行预处理，得到预处理后实时故障数据；将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断，得到对应的故障类型预测结果。2.根据权利要求1所述的基于深度学习的电力变压器故障诊断方法，其特征在于：对历史故障数据预处理，包括依次进行的数据筛选、数据降维以及归一化处理；对实时故障数据进行预处理，包括依次进行的数据降维和归一化处理；所述的归一化处理的公式为：式中，q'为预处理后历史/实时故障数据；q为原始的历史/实时故障数据；q
max
为原始的历史/实时故障数据中最大值；q
min
为原始的历史/实时故障数据中最小值。3.根据权利要求2所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的改进鲸鱼优化算法使用混沌映射序列、动态反向学习策略以及收敛因子对传统鲸鱼优化算法进行改进。4.根据权利要求3所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的混沌映射序列为tent-logistic-cosine混沌映射序列，且混沌映射序列公式为：式中，x
i+1
为tent-logistic-cosine混沌映射序列生成的鲸鱼个体初始位置；x
i
为随机生成的鲸鱼种群初始位置；r为预设参数；i为鲸鱼个体指示量。5.根据权利要求4所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的动态反向学习策略的公式为：x'
i
(t)＝k(a(t)+b(t))-x
i
(t)式中，x'
i
(t)、x
i
(t)分别为第i鲸鱼个体的反向解位置和正向解位置；a(t)、b(t)分别为当前iwoa种群在搜索维度的上界和下界；k为递减惯性因子，k＝0.9-0.5tt
max
；t、t
max
分别为当前迭代次数和最大迭代次数。6.根据权利要求5所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的收敛因子用于改进传统鲸鱼优化算法的搜索步长，且收敛因子的公式为：式中，a为收敛因子；tanh(.)为双曲正切函数；t、t
max
分别为当前迭代次数和最大迭代次数；a
max
、a
min
分别为收敛因子的最大、小值；λ为递减速率参数，k'为递减周期参数，λ＝－2
π，k'＝π。7.根据权利要求6所述的基于深度学习的电力变压器故障诊断方法，其特征在于：使用改进鲸鱼优化算法，优化深度学习的dbn网络的网络参数，得到优化后dbn网络，包括如下步骤：将dbn网络的网络参数作为改进鲸鱼优化算法的优化目标；初始化改进鲸鱼优化算法的算法参数，并使用混沌映射序列初始化iwoa种群；计算iwoa种群中鲸鱼个体的适应度值，并根据鲸鱼个体的适应度值，保留最优的鲸鱼个体；随机生成p，若p<0.5且|a|<1，执行包围猎物行为，更新iwoa种群位置，若p<0.5且|a|≥1，执行搜索猎物行为，更新iwoa种群位置，若p≥0.5，执行泡泡网攻击行为，更新iwoa种群位置；其中，p为更新参数，a为引入收敛因子优化的步长系数；根据更新后的iwoa种群，进行动态反向学习，得到更新后的iwoa种群中每个鲸鱼个体，即正向解对应的反向解，并计算正向解和反向解的适应度值，根据正向解和反向解的适应度值，更新最优的鲸鱼个体；判断迭代次数是否满足要求或更新后的最优的鲸鱼个体对应的最优的适应度值是否满足要求，若是，则输出更新后的最优的鲸鱼个体对应的全局最优解的位置，得到最优的优化目标，即最优的网络参数，否则，进行下一次的更新iwoa种群。8.根据权利要求7所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的网络参数包括隐含层数、各隐含层神经元数、各隐含层神经元初始权值与神经元初始阈值以及初始学习率。9.根据权利要求8所述的基于深度学习的电力变压器故障诊断方法，其特征在于：将预处理后历史故障数据集输入优化后dbn网络进行训练，得到变压器故障诊断模型，包括如下步骤：将预处理后历史故障数据集中不含故障类型标签的预处理后历史故障数据划分为预训练数据集，将含有故障类型标签的预处理后历史故障数据按照比例划分为训练数据集和测试数据集；将预训练数据集对输入优化后dbn网络进行预训练，得到初始的变压器故障诊断模型；将训练数据集输入初始的变压器故障诊断模型进行优化训练，得到优化的变压器故障诊断模型；将测试数据集输入优化的变压器故障诊断模型进行测试，得到测试准确率，若测试准确率大于阈值，则输出最终的变压器故障诊断模型，否则，继续进行优化训练。10.根据权利要求9所述的基于深度学习的电力变压器故障诊断方法，其特征在于：所述的故障类型标签包括低温过热故障、中温过热故障、高温过热故障、局部放电故障、低能放电故障、高能放电故障以及无故障。

技术总结
本发明属于故障诊断技术领域，公开了一种基于深度学习的电力变压器故障诊断方法，包括如下步骤：获取电力变压器的历史故障数据集，并进行预处理，得到预处理后历史故障数据集；使用改进鲸鱼优化算法，优化深度学习的DBN网络的网络参数，得到优化后DBN网络；将预处理后历史故障数据集输入优化后DBN网络进行训练，得到变压器故障诊断模型；获取电力变压器的实时故障数据，并进行预处理，得到预处理后实时故障数据；将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断，得到对应的故障类型预测结果。本发明解决了现有技术存在的结构简单，稳定性较差，特征能力较差以及准确性达不到要求的问题。不到要求的问题。不到要求的问题。


技术研发人员：殷永苗 马洪伟 孙伟 闫飞超
受保护的技术使用者：上海电机学院
技术研发日：2023.06.14
技术公布日：2023/8/9