[发明专利]基于深度神经网络的变压器局部放电类型识别方法

权利要求书

1.基于深度神经网络的变压器局部放电类型识别方法，其特征在于：包括以下步骤，

S1:获取不同故障类型对应的变压器局部放电信号数据，根据每种故障类型对应的局部放电图谱确定样本对应的变压器故障类型标签；

S2:将每组测量的局部放电图谱数据对应的统计算子数据以及对应标签输入基于深度神经网络的变压器局部放电类型识别网络，通过监督学习，训练得到变压器局部放电类型识别模型。

2.根据权利要求1所述的基于深度神经网络的变压器局部放电类型识别方法，其特征在于：所述变压器缺陷类型标签包括无缺陷故障、含气隙缺陷故障和含金属杂质故障，运用脉冲电流法测量不同放电类型对应的变压器局部放电图谱并得到原始测量数据，包括放电量和放电次数，以及局部放电的放电量和放电次数对应的放电相位，计算每组测量得到的原始测量数据的统计算子，并对计算得到原始测量数据的统计算子进行正则化处理，并采用K-Means算法对原始测量数据的统计算子进行初步分类。

3.根据权利要求1所述的基于深度神经网络的变压器局部放电类型识别方法，其特征在于：在步骤S1中，采用脉冲电流法分别测量无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号，得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据。

4.根据权利要求3所述的基于深度神经网络的变压器局部放电类型识别方法，其特征在于：对无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号，得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据，进行统计算子的运算，计算的统计算子包括：相位中值μ、偏斜度Sk、峭度Ku、不对称度Asy、互相关系数CC以及Weibull参数α、β；其中相位中值μ判断局部放电的相位分布：如式(1)所示：

μ＝∑X_iP_i 式(1)

其中，式中X_i为第i个相位窗口；P_i为出现X_i的概率；

偏斜度Sk与峭度Ku分别代表图谱的偏斜程度和图谱分布特性，如式(2)和式(3)所示：

其中，式中x_i代表着第i个放电窗口的相位值，其中μ为相位图谱中放电量的均值，σ代表着放电量或者放电次数相位图谱的标准差；

Asy代表着放电量相对于相位的不对称度，如式(4)所示：

其中：式中：K1和K2分别表示正负半周的相位窗数，ui﹢和ui﹣分别表示正负半周第i个相窗内的平均放电的幅值。

5.根据权利要求4所述的基于深度神经网络的变压器局部放电类型识别方法，其特征在于：所述互相关系数CC用于评价图谱的正半周放电量或放电次数相位分布图形与负半周相位分布图形形状上的差异，如式(5)所示，

x⁺与x^-分别是在正，负半周内其中一个相位窗口内的平均放电量，N代表正负半周的相位窗口的数目；

Weibull参数α、β，计算公式如式(6)与式(7)所示，

式中：α为图像的尺度参数，β为图像的形状参数，x代表随机变量，在此为放电次数，x₀为放电量参数。