[发明专利]一种基于双向深度网络的油浸式电抗器故障诊断方法

说明书

本发明公开了一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：构建基于双向深度网络模型的电抗器故障诊断模型；选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；划分电抗器故障状态，并对其进行编码；采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。优点：基于双向深度网络的油浸式电抗器故障诊断方法适用于大数据量样本的训练，可操作性强，与神经网络等传统故障诊断方法相比，故障诊断的正确率更高，诊断所得的最终结果有很强的可靠性。

技术领域

本发明涉及一种基于双向深度网络的油浸式电抗器故障诊断方法，属于电力设备状态检测与故障诊断技术领域。

背景技术

随着电力市场的需求量增大，系统对电力设备的运行可靠性要求也愈来愈高。电抗器具有改善电力系统无功功率有关运行状况等多种功能，是电力系统中常见的、重要的电力设备，它的安全稳定运行是电力系统可靠供电的前提条件。

油浸式电抗器油中溶解气体的类型和含量对应着不同的故障类型。油色谱分析法(Dissolved Gas Analysis,DGA)是指通过分析已经溶解在油中的特征气体，监测出设备早期故障。目前，基于DGA的设备故障诊断方法可分为传统和智能两大类型。传统的方法有三比值法和无编码比值法，这类方法比较简单，但其诊断正确率较低；智能方法包括模糊理论、专家系统、神经网络等，虽然在一定程度上提高了诊断正确率，但其大部分方法仍存在一些问题，例如模糊理论凭借经验选取隶属函数处理诊断问题，该方法受主观因素影响较强，误差较大；专家系统依赖于丰富的专家知识，这种知识的获取依靠人工移植且维护困难，系统推理能力也较弱，难以满足实时监测的要求；神经网络不适用于大数据量样本，对有标签样本依赖性较高，学习能力有较大的局限性，且难以进一步提高自身诊断的正确率。

深度学习是机器学习领域的一个新的热点研究方向，其算法建立模型模拟人类大脑的神经连接结构，通过对信号进行多个分层变换，给出了数据的分层变换特征。深度学习算法与传统的智能诊断方法相比，克服了传统方法对诊断经验的依赖性和大数据下模型诊断泛化能力的不足。

双向深度网络(bi-directional deep networks,BDDN)是由深度学习所得到的深度网络结构中的一类，由多个编码器层和解码器层叠加形成。双向网络的学习结合了前馈网络和反馈网络的训练方法，克服了传统神经网络不适用于多层网络训练的问题。本发明将深度学习算法应用于对油浸式电抗器的故障诊断方面，提出了一种基于双向深度网络的油浸式电抗器故障诊断方法。经实例分析证明，该方法的诊断正确率比现有的诊断方法高，可操作性强。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于双向深度网络的油浸式电抗器故障诊断方法。

为解决上述技术问题，本发明提供一种基于双向深度网络的油浸式电抗器故障诊断方法，其特征是，包括如下步骤：

1)构建基于双向深度网络模型的电抗器故障诊断模型；

2)选取训练样本数据和特征变量，对样本数据进行归一化处理后按一定比例将其分为训练集和测试集；

3)划分电抗器故障状态，并对其进行编码；

4)采用贪婪算法获得网络参数的初始值，并对网络模型进行预训练和微调；

5)保存训练好的网络，进行性能分析，选取诊断结果正确率为唯一指标和传统的诊断方法进行诊断性能对比。

进一步的，所述电抗器故障诊断模型由多个受限玻尔兹曼机堆叠构成的双向深度网络，模型的输入为油色谱在线监测的7种特征气体含量值，最终经顶层分类器处理后的输出值为相应样本分别属于不同故障状态的概率值，概率值最大的状态即为诊断的结果。