[发明专利]一种基于深度学习的变压器复杂工况识别方法

说明书

本发明公开了一种基于深度学习的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；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；S3：按照一定时间窗口对构建的数据集进行取窗与分组；S4：将窗内电压电流序列信号进行处理得到频谱数据；S5：对频谱数据进行循环神经网络训练；S6：对训练后的循环神经网络进行测试并优化；S7：将现场数据输入优化完成的循环神经网络，进行变压器复杂工况的识别和精确定位。该方法采用循环网络可对复杂混合故障进行准确判断与精确定位，提高了变压器复杂工况辨识的鲁棒性和实用水平。

技术领域

本发明属于自动化领域，具体属于应用于故障信息系统中的一种变压器复杂工况的智能识别方法。

背景技术

据统计，2005年之前，变压器保护正确动作率仅70％～80％，远远低于发电机保护和线路保护的正确动作率(约99％)，之后，国内外学者及工程人员在此方面开展了大量理论技术和仿真试验研究，并取得了一定进步，使得变压器保护误动、拒动的次数显著降低，如2009年我国220kV以上变压器差动保护正确动作率达到97.83％。尽管如此，变压器保护仍然处于一个相对较低的水平，因此，作为影响其动作性能的关键——快速可靠识别涌流与内部故障就显得尤为重要。

为了有效识别变压器复杂工况(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)和内部故障，近几十年来，国内外专家学者提出了许多识别方法，其中具有代表性的有：二次谐波制动原理、间断角原理、波形对称原理、基于磁通特性的识别方法、等值电路法识别原理、电压谐波制动原理、功率差动原理、参数辨识原理及新型技术原理等等。当前用于识别涌流和内部故障的方法(工程上多以二次谐波和波形对称原理为主)各有优劣，最终并没形成一种完善的方案，在一些复杂场景：如变压器空投于内部故障或发生严重区内故障、直流偏磁、铁芯具有某种程度饱和、干扰噪声等情况下，会造成变压器保护的误动或拒动。因此，对变压器励磁涌流的准确识别甚至预测进行研究变得十分有必要。

发明内容

为了能够准确识别变压器复杂工况，本发明提供了一种基于深度学习的变压器复杂工况识别方法，该方法包括以下步骤：

S1.获取原始样本数据，样本数据为涵盖现场各种工况的变压器录波数据，该数据可以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。对应的工况包括但不限于：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等；内部故障包括但不限于：单相短路、两相短路、相间短路、三相短路、匝间故障、匝地故障等；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/并联变压器等。

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，有类标的录波数据为少量经过专家确认具体工况类型的录波数据。

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，其中时间窗大小设定为50ms、时间步长为10ms、频率分辨率为10hz。

S4.将处理过的无类标数据集用深度堆栈网络进行预训练，获得网络状态达到平衡时的网络模型。

S5.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，其中循环神经网络为多对多循环网络，横向循环次数为8。

S6.采用测试数据集对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，直到其测试精度优于设定阈值thresh_acc，获得优化后的循环神经网络，其中阈值thresh_acc设定为90％。