[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

说明书

本发明涉及变压器放电识别技术领域，尤其涉及基于深度神经网络的变压器局部放电类型识别方法，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。本发明运用了三阶神经元，三阶神经元对于非线性函数的模拟增强，对于任意函数能更精确的模拟。基于三阶神经元的深度神经网络能够进一步地提升识别过程地准确率和识别速度，做到对电力变压器局部放电类型快速和精准识别。

技术领域

本发明涉及电力系统中高电压设备故障识别判断技术领域，尤其涉及基于深度神经网络的变压器局部放电类型识别方法。

背景技术

随着现代社会各方面的综合发展，全国用电量逐渐增加，国民用电量已经成为衡量社会经济的重要指标。近年来我国大容量、长距离、特高压输电技术的不断发展，电力系统的安全运行由此显得极为重要。电力变压器作为电力系统中改变电压等级与输送电能的关键枢纽型电气设备，其安全稳定运行与整个电力系统的安全可靠息息相关，一旦发生事故，将会给地区甚至全国电力安全以及能源战略带来巨大的损害，严重影响正常的安全与生产。因此，电力变压器能够安全的运行是维护电力系统可靠运行与供电安全的重要保障。

考虑到电网传输容量以及安全运行等原因，当前在输配电网络中大多数都是油浸式变压器。油浸式变压器具有良好的电气和机械性能，但在制造、运输和安装过程中难免会出现绝缘缺陷。缺陷中可能存在气泡、毛刺或悬浮颗粒，如果在油浸式变压器中出现气隙缺陷后，气隙部位的场强要高于绝缘油或者绝缘纸板的场强，但是气隙的击穿场强比较低，所以气隙部位最先产生局部放电的现象。除此之外，如果在油浸式变压器内部存在金属杂质，金属杂质在电场作用下会产生悬浮电位进而形成非常高的电位差，造成金属杂质部位的场强要高于绝缘油或者绝缘纸板的场强，最终也会导致局部放电的发生。局部放电会形成带电粒子以及化学物质等会导致绝缘的失效，缩短变压器的寿命。多起变压器事故显示，因绝缘损伤或老化造成的变压器故障占事故的百分之七十以上。因此，需采用合理的方法对电力变压器的局部放电信号进行检测与识别，以此对电力变压器的各种故障进行区别处理，进而能高效的预防与排除变压器发生故障的祸患。

局部放电信号包含着大量的相关信息与数据，其中的放电次数以及放电量等都与电力变压器的绝缘缺陷之间有所关联。但仅仅依靠运行人员通过经验进行判断，则难以做到快速而准确地判断出电力变压器故障类型，进而影响后续地故障应对处理。同时手动提取局部放电信号的特征这一方式严重依赖操作人员的主观经验，使得信号的识别与分类过程变得极为复杂繁琐。因此研究者们希望通过训练一个人工智能专家系统来用于变压器局部放电类型的快速准确的识别与分类。近几年来新兴的深度学习方法因其具备较强的非线性运算能力与特征提取能力而被广泛运用于预测包括电力变压器在内的电气设备的寿命上，但鲜有运用于变压器局部放电类型区别上，因此如何利用深度神经网络对变压器局部放电类型进行快速准确的区别与分类是一个亟待解决的问题。

发明内容

有鉴于此，本发明的目的是提供基于深度神经网络的变压器局部放电类型识别方法，本发明提供了一种基于深度神经网络的变压器局部放电类型识别系统，其目的在于将电力变压器具体的绝缘缺陷对应的局部放电信号的特征进行了提取、学习，并依次将电力变压器绝缘缺陷类型与相对应的绝缘缺陷的局部放电信号之间建立起了对应关系，并运用深度神经网络以提高识别率。为实现上述目的，按照本发明所述的，提供了一种基于深度神经网络的变压器局部放电类型识别系统及其构建方法，主要包括以下两个步骤：

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；

进一步，步骤S1包括：