[发明专利]一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

说明书

本发明公开了一种基于GSMallat‑NIN‑CNN网络的电力变压器绕组故障诊断方法，包括：利用多通道传感器对变压器绕组振动情况进行测量，得到变压器的多源振动数据；对测量得到的多源振动数据，利用GST灰度变换将多源振动数据转化为灰度图像；采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对其进行图像融合；重构融合后的灰度图像，按照变压器绕组的故障状态，对振动灰度图像进行编码；建立基于GSMallat‑NIN‑CNN网络的变压器故障诊断模型；随机初始化网络参数，划分训练集和测试集，通过训练集对网络进行训练和调优；保存训练好的网络，并通过测试集对网络测试。本发明有效抑制了多源信号中的噪声，提高特征信息完整性，降低了计算量，提高了故障诊断准确性。

技术领域

本发明涉及电力变压器绕组故障诊断技术领域，尤其涉及一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法。

背景技术

电力变压器作为电网中不可缺少的一部分，其工作状态与电力系统的安全可靠运行息息相关，因此是否迅速检测到变压器的隐患故障并及时处理是电力行业中的关注点。

国内数据统计显示,绕组故障是变压器的主要故障，占到故障总数的70％。传统的变压器故障诊断方法均为离线检测手段，试验数据不具有实时性，且故障位置及类别不能有效确定。振动法实时采集变压器油箱表面振动信号，分析绕组受力变化判断变压器运行状态，常用的提取方法有傅立叶变换(FFT)、小波变换(WT)和希尔伯特-黄变换(HHT)等，虽有成果，但仍有局限性。二维图像识别是近年来新兴的一种故障诊断方法，该方法通过极坐标利用空间尺度不变性进行灰度变换，将一维振动信号转换成二维灰度图像，降低运算量，但相关文献对变压器的噪音处理环节较为薄弱，降低了变压器的诊断准确性。

卷积神经网络(CNN)通过卷积核进行卷积处理，将信号在二维空间中分解，抽取抽象特征信息，使得一维空间内无法表达的特征在二维空间能够完整的体现，泛化能力和分类能力更好，在诸如图像分类、目标检测、图像语义分割等各个领域广泛应用。

因故障位置的距离远近以及传播途径的不同，振动信号到达油箱表面的衰减程度也不相同，针对单一传感器采集数据特征片面化问题，文中采用多源传感器通道采集振动信号，并针对多源信息中大量的冗余信息，利用图像互补原理对其进行灰度图像融合，提出基于GSMallat-NIN-CNN网络的变压器绕组故障诊断模型，利用快速小波变换对图像融合，将融合后的振动信号图像输入CNN网络，结合NIN网络利用1*1的卷积核作为网络函数逼近器，对输入的融合图像进行多通道级联线性加权，利用双层3*3卷积代替原来5*5的卷积层，降低网络参数；利用GAP将输出的融合图像进行相加求平均，将平均值作为各类别的输出值输入分类器进行识别分类，替代了全连接层对特征信息进行维度转换的过程，利用融合后的图像输入分类器，整体网络利用图像进行二维运算，不需要矩阵变换，极大降低了计算量，以实现更为有效地变压器绕组故障诊断。

发明内容

本发明要解决的技术问题在于针对现有技术中传统的数据预处理方法特征丢失严重，单源信号因位置而测量的强度不一，多源信号中大量冗余信息的缺陷，提供一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法，更加智能高效且准确率更高。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法，其特征在于，该方法包括以下步骤：

步骤1、利用多通道传感器对变压器绕组振动情况进行测量，得到变压器的多源振动数据；

步骤2、对测量得到的多源振动数据，利用GST灰度变换将多源振动数据转化为灰度图像；

步骤3、采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，通过基于区域特性量测的方法融合高频分量子图像，通过加权平均的方法融合低频分量子图像；