[发明专利]一种基于深度学习的变压器复杂工况识别方法

权利要求书

1.一种基于深度学习的变压器复杂工况识别方法，其特征在于，所述变压器复杂工况识别方法包括以下步骤：

S1.获取原始样本数据，样本数据涵盖现场各种工况的变压器录波数据，该数据为各种型号的变压器从投运以来所有的保护启动数据和保护动作录波数据；

S2.将原始样本数据构建为有类标、无类标和测试数据的数据集，无类标的数据集为涵盖现场各种工况的录波数据，有类标的数据集为少量经过专家确认具体工况类型的录波数据；其中，有类标、无类标的训练数据及测试数据分别记为：整个数据集大小为T₁+T₂+E；

S3.按照设定时间窗口和步长对构建的数据集进行取窗分段，将窗内电压电流序列信号进行短时傅里叶变换，得到处理过的频谱数据；

S4.对处理过的有类标和无类标数据集的频谱数据进行训练，获得循环神经网络；其中，在特征学习阶段，具有L个隐层，每个隐层上节点的个数为node_num_l(l＝1,2,...L)，每个隐层上的激活函数为σ_l(·)，特征学习阶段：

其中l＝1,2,...L，每一层的初始化自编码网络模型为：

其中权重W_l＝W_l^a、偏置参数激活函数中的角标“a”和“s”分别表示参数为分析阶段和合成阶段的参数；

利用无类标训练数据得到优化求解后的参数，并用有类标训练数据进行训练学习；

S5.对训练后的循环神经网络进行测试并优化；

S6.在线识别阶段，将现场数据输入优化完成后的循环神经网络，进行变压器复杂工况的识别和定位。

2.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S4具体包括：将处理过的无类标数据集进行预训练，获得网络状态达到平衡时的网络模型；复用预训练的网络模型构建循环神经网络，采用有类标的数据集进行循环神经网络的训练。

3.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S5具体包括：采用测试数据集对训练后的循环神经网络进行性能测试，当测试精度低于设定阈值thresh_acc时，则转到步骤S4，在原来的基础上进行增量迭代训练，直到其测试精度高于阈值thresh_acc，获得优化后的循环神经网络。

4.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中步骤S6具体包括：接入现场连续电压、电流电气量时序数据，按照设定的时间窗和步长对电压、电流电气量时序数据进行取窗，并对窗内的数据进行短时傅里叶变换，转换为分段频谱数据，将上述分段频谱数据，输入优化完成后的循环神经网络。

5.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S1中，对应的工况包括：涌流、内部故障、混合类型，其中涌流包括变压器空载合闸时的励磁涌流、切除外部故障时的恢复性涌流及相邻变压器空投时在运变压器的和应涌流；内部故障又包括单相短路、两相短路、相间短路、三相短路、匝间故障、匝地故障；混合类型为变压器空投于各种内部故障、外部故障切除、空投于串/并联变压器。

6.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S3中，时间窗大小设定为50ms、时间步长为10ms、频率分辨率为10hz。

7.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：在步骤S4中，循环神经网络为多对多循环网络，横向循环次数为8。

8.根据权利要求1所述的基于深度学习的变压器复杂工况识别方法，其特征在于：其中阈值thresh_acc设定为90％。