[发明专利]一种基于CNN的变压器故障诊断方法、装置、设备及存储介质

说明书

本发明公开了一种基于CNN的变压器故障诊断方法、装置、设备及存储介质，涉及变压器故障在线监测技术领域，所述方法包括：采集各变压器的原始故障数据集；对所述原始故障数据集进行预处理，得到多个二维特征图；将所述多个二维特征图输入CNN模型中进行训练得到CNN诊断模型；获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述CNN诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。本方法利用CNN模型直接从原始数据中进行特征提取，无需人工干预，并将传统CNN模型中的全连接层改设为降维减参层，有效地减少油中溶解气体检测过程中噪声和误差带来的影响。

技术领域

本发明涉及变压器故障在线监测技术领域，尤其涉及一种基于CNN的变压器故障诊断方法、装置、设备及存储介质。

背景技术

近年来，智能电网是我国电力部门与电网公司发展的目标与方向，而对变压器的运行状态进行故障诊断智能化也成为必然趋势，随着变压器变压等级的增高和电机容量的增大，其发生故障的概率也越来越高，而且故障原因和故障类型复杂多样。油浸式变压器的故障诊断方法从最初的定期检修已经发展为现在的在线监测，其主要是在油中溶解气体(DGA)的基础上结合现有智能算法对变压器进行故障诊断，而随着机器学习研究的不断兴起，基于数据驱动的智能故障诊断方法逐渐成为变压器故障诊断领域的主流应用，这种方法虽然有一定效果，但仍然突显出许多不足：一方面，提取的特征主要用于解决特定故障问题，通用性差，且在大数据样本环境下难以完成；另一方面还存在着训练精度不足，训练速度过慢等问题。

发明内容

本发明提供的一种基于CNN的变压器故障诊断方法，旨在解决现有技术中模型训练速度慢、准确度不高的问题，减少模型训练和计算时间，有利于故障的实时快速诊断和检测。

为实现上述目的，本发明采用以下技术方案：

本发明的一种基于CNN的变压器故障诊断方法，包括以下步骤：

采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；

对所述原始故障数据集进行预处理，得到多个二维特征图；

将所述多个二维特征图输入CNN模型中进行训练得到CNN诊断模型；

获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述CNN诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。

作为优选，所述对所述原始故障数据集进行预处理，得到多个二维特征图，包括：

对所述原始故障数据集进行数据标准化处理；

利用等分截断对标准化处理后的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；

对所述h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图。

作为优选，所述对所述h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图，包括：将所述h个一维时间序列数据段分别等分为m份，每份包含n个数据点，将第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，第m份n个数据点放在第m行，从而得到h个m×n的二维特征图，其中，m＝n，且m、n均为k的算数平方根。

作为优选，所述将所述多个二维特征图输入CNN模型中进行训练得到CNN诊断模型，包括：

将所述多个二维特征图分别划分为训练集、验证集和测试集；

将所述训练集的数据输入CNN模型中进行训练，由所述验证集的数据对训练后的CNN模型进行验证；