基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法

技术领域

本发明涉及变压器故障诊断技术领域，尤其是涉及一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法。

背景技术

当前对于电力变压器的故障诊断方法大都是建立油中溶解气体分析(DissolvedGas Analysis，DGA)的基础之上，因为DGA不会受到电场以及外界磁场的干扰，所以电力变压器在正常运行时便可以对其运行状态进行诊断。鉴于DGA，国内外专家学者进行了大量的研究，已有部分研究成果成功地应用在电力变压器故障诊断中，包括三比值法、Rogers法等传统方法以及支持向量机、专家系统等浅层机器学习方法。

三比值法、Rogers法等传统方法在对电力变压器进行故障诊断时存在编码缺失、判断过于绝对等问题，导致其诊断的准确率较低；支持向量机在解决二分类问题时，分类效果很好，但是对于多分类问题，核函数以及参数的确定较为困难；专家系统主要依靠经验来确定，当经验不足时，诊断效果较差。传统的故障诊断方法和浅层机器学习方法都是需要完整并且准确的数据样本才能够达到较为理想的诊断结果，不能够充分利用电力变压器油色谱分析设备测量到大量无标签数据。诊断方法的限制太大，并且诊断方法的准确性也不够高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种故障识别能力强、鲁棒性强的基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，包括：

步骤1：构建基于SSDAE的变压器故障诊断模型；

步骤2：获取模型的训练集和测试集；

步骤3：对训练集数据和测试集数据进行无编码比值，获得模型的输入数据；

步骤4：对模型进行预训练，实现模型参数的初始化；

步骤5：优化模型参数，获得优化后的模型；

步骤6：使用测试集数据的无编码比值测试SSDAE模型的准确度，若准确度满足预设要求，则执行步骤7，否则，返回步骤4；

步骤7：使用完成训练的SSDAE模型进行变压器故障诊断，输出故障诊断结果。

优选地，所述的基于SSDAE的变压器故障诊断模型包括堆栈稀疏降噪自动编码网络SSDAE和Softmax分类器；所述的降噪自动编码网络SSDAE的输出端与Softmax分类器的输入端相连。

更加优选地，所述的SSDAE网络是将多个SDAE网络堆叠起来形成的深度学习神经网络；

使用

使用

使用ρ表示稀疏性参数，令

SDAE网络的总体代价函数为：

其中，m为训练样本集的数量；n为训练样本的维度，

更加优选地，所述的SSDAE网络的隐藏层数量为四层。

优选地，所述的无编码比值包括CH

6.根据权利要求1所述的一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，其特征在于，所述的训练集包括无标签训练数据和带标签训练数据；所述的步骤4使用训练集中无标签训练数据对模型进行预训练；所述的步骤5使用训练集中带标签训练数据优化模型参数。

优选地，所述的步骤4具体为：

使用训练集中的无标签训练数据，采取从上到下逐层贪婪训练法完成对模型每一层的预训练，实现网络参数的初始化。

更加优选地，所述的逐层贪婪训练法具体为：将已经加噪的输入样板送到第一层SDAE，经过运算获得输入样本的一阶特征表示x

更加优选地，所述的加噪处理具体为加性高斯噪声处理、椒盐噪声处理或遮蔽噪声处理。

优选地，所述的步骤5具体为：

对变压器故障诊断模型总体代价函数的每一个参数求导，再利用梯度下降法迭代得到每一次迭代后的参数，最终得到最优化的SSDAE网络模型参数。

与现有技术相比，本发明具有以下优点：

一、特征提取能力和鲁棒性强：本发明提供了基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，将深度学习算法应用到电力变压器的故障诊断中，充分利用电力变压器油色谱分析设备检测的大量无标签数据，采用无监督预训练和有监督微调两个步骤进行网络模型的训练，挖掘输入数据之间的隐含关系，并且在自动编码器的基础上加入稀疏性限制和降噪处理，提高了网络模型的特征提取能力和鲁棒性。

二、故障识别能力强：本发明提出的方法在传统的自动编码器的基础上进行稀疏性限制和加噪处理，增强了诊断模型的特征提取能力和鲁棒性，利用深度学习框架，基于堆栈稀疏降噪自动编码网络模型，使用大量的无标签数据采取逐层贪婪法进行无监督预训练，然后将模型的最后一层连接Softmax分类器使用带有故障类型的数据进行微调，进一步提高电力变压器故障诊断的识别能力。

附图说明

图1为本发明中变压器故障诊断方法的流程示意图；

图2为本发明中变压器故障诊断模型的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

一种基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法，其流程如图1 所示，包括：

步骤1：构建基于SSDAE的变压器故障诊断模型；

步骤2：获取模型的训练集和测试集；

步骤3：对训练集数据和测试集数据进行无编码比值，获得模型的输入数据；

步骤4：对模型进行预训练，实现模型参数的初始化；

步骤5：优化模型参数，获得优化后的模型；

步骤6：使用测试集数据的无编码比值测试SSDAE模型的准确度，若准确度满足预设要求，则执行步骤7，否则，返回步骤4；

步骤7：使用完成训练的SSDAE模型进行变压器故障诊断，输出故障诊断结果。

基于SSDAE的变压器故障诊断模型包括堆栈稀疏降噪自动编码网络SSDAE 和Softmax分类器；降噪自动编码网络SSDAE的输出端与Softmax分类器的输入端相连。

SSDAE网络是将多个SDAE网络堆叠起来形成的深度学习神经网络；

使用

使用

使用ρ表示稀疏性参数，令

SDAE网络的总体代价函数为：

其中，m为训练样本集的数量；n为训练样本的维度，

本实施例中SSDAE网络的隐藏层数量为四层。

无编码比值包括CH

训练集包括无标签训练数据和带标签训练数据；步骤4使用训练集中无标签训练数据对模型进行预训练；步骤5使用训练集中带标签训练数据优化模型参数。

使用训练集中的无标签训练数据，采取从上到下逐层贪婪训练法完成对模型每一层的预训练，实现网络参数的初始化。

逐层贪婪训练法具体为：将已经加噪的输入样板送到第一层SDAE，经过运算获得输入样本的一阶特征表示x

加噪处理具体为加性高斯噪声处理、椒盐噪声处理或遮蔽噪声处理。

步骤5具体为：

对变压器故障诊断模型总体代价函数的每一个参数求导，再利用梯度下降法迭代得到每一次迭代后的参数，最终得到最优化的SSDAE网络模型参数。

下面提供一种具体的算例：

训练数据集和测试数据集采集于某供电所，共10000条数据样本，包含电力变压器正常运行时变压器油中的溶解气体数据和少量出现故障时的数据，其中9101 条数据样本用于模型训练，899条用于模型测试。

电力变压器故障诊断模型训练完成后，需要使用包含确定故障类型的测试数据测试诊断模型的性能，899条测试样本的组成具体如表1所示。

表1测试样本组成

测试样本包含所有的故障类型，可确保诊断模型对每一种故障的诊断能力。使用训练数据完成对变压器故障诊断模型的训练，模型训练完成后，从测试数据集中随机选取包含每种电力变压器状态的100条数据进行模型测试，模型准确率高达 98％，经过多次重新选择测试集进行测试后，发现诊断准确率稳定为98％左右。

为了更好地对实验数据进行分析，本实施例基于相同的训练集，分别采用传统的电力变压器诊断方法三比值法以及浅层机器学习方法SVM算法和后向传播算法训练故障诊断模型，并且使用相同的测试集对诊断模型的性能进行测试。诊断结果如表2所示，采用三比值法的诊断准确率为78.8％，后向传播算法的诊断准确率为 79.8％，SVM算法的诊断准确率为84.9％，SSDAE故障诊断模型的准确率为95.4％。

表2诊断结果对比

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。