[发明专利]一种基于Dropout深度置信网络的变压器故障诊断方法

说明书

本发明公开了一种基于Dropout深度置信网络的变压器故障诊断方法，包括步骤：收集多组油浸式变压器特征气体数据及对应的故障类别，处理后划分为训练样本和测试样本；构建基于深度置信网络DBN的故障诊断模型；在最优的故障诊断模型的DBN中引入Dropout，使用训练样本构建DBN‑Dropout模型；采集油浸式变压器当前的特征气体数据，处理得到诊断样本，输入DBN‑Dropout模型，以softmax分类器得到的概率最大的类别为故障诊断类别。本发明的有益效果是：考虑到深度置信网络在数据较少、模型较复杂时存在容易过拟合的问题，在原始的DBN中引入Dropout，构建了DBN‑Dropout变压器故障诊断模型，以提高网络的泛化能力，能有效提高变压器故障诊断的准确率。

技术领域

本发明涉及变压器故障诊断的技术领域，特别是一种基于Dropout深度置信网络的变压器故障诊断方法。

背景技术

在电力系统中，电力变压器是升降电压和分配电能的重要设备，它的正常运行关系到整个电网的安全稳定。目前国内在役的电力变压器多为油浸式变压器，运行过程中在内部电和热的作用下，固体绝缘材料和绝缘油会被分解，从而产生气体，气体组分和产气速率与故障类型及严重程度息息相关，因此可建立变压器油中溶解气体与其内部故障类型之间的对应关系。变压器故障诊断是指根据其故障状态特征明确故障类型、具体故障部位及故障程度的过程，我国目前主要基于油中溶解气体分析技术(DGA)进行故障诊断，实践证明该技术可以实现对变压器的及时检测，从而减少变压器的故障概率。

国内外学者对变压器故障诊断进行了大量研究，提出的方法主要可归纳为传统的故障诊断方法和智能诊断方法两种。传统的故障诊断方法主要有特征气体判别法和基于特征气体的比值法。变压器在不同故障时产生的气体类型和含量不尽相同，特征气体判别法依据此原理进行故障判别，优点是简单易行，但识别精度过低，没有明确定量的概念，实用价值不高。基于特征气体的比值法主要包括IEC三比值法、改良三比值法、Rogers比值法等，这些方法一定程度上解决了实际中的变压器故障诊断问题，但同时也存在一些不足之处：编码不够全面，当出现某些编码时无法判定故障类型；编码过于绝对，当所得编码在不同故障编码分界线附近时易出现误判；诊断性能欠佳，难以体现变压器故障类型和特征气体间的联系。由于传统故障诊断方法存在以上不足，为了提高提高诊断性能，多种智能算法被引入到变压器故障诊断领域，主要包括专家系统、模糊理论、人工神经网络、支持向量机、深度学习等。相较于传统的故障诊断方法，智能诊断方法具有更高的准确率，但仍存在各自的问题和局限性，如专家系统所需的专家经验知识难以获取，人工神经网络容易陷入局部最优，支持向量机属于二分类算法，应用于多分类问题时存在分类重叠或不可分的情况，且分类效率不高。而深度学习方法如深度置信网络(DBN)、卷积神经网络(CNN)等比浅层机器学习方法具有更强的特征提取能力和容错特性，可达到更好的分类效果，在故障诊断领域应用前景十分广阔。

发明内容

本发明针对现有诊断方法存在的不足，提出一种基于Dropout深度置信网络的变压器故障诊断方法，针对深度神经网络在数据较少、模型较复杂时容易过拟合的问题，引入Dropout算法，构建了DBN-Dropout故障诊断模型，相较原始的DBN故障诊断模型有效提高了网络的泛化能力。

实现本发明目的的技术方案如下：

一种基于Dropout深度置信网络的变压器故障诊断方法，包括