[发明专利]一种基于GoogleNet模型的变压器故障诊断方法

权利要求书

1.一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于包括如下步骤：

A.首先获取设备发生故障的因素、考虑设备故障会对什么数据产生影响，确定好要采集的数据和特征空间；

B.确定设备会发生的故障类型，组成状态空间；

C.监控变压器状态，对变压器进行数据采集，获得变压器的特征和状态；使用神经网络进行建模，使用采集到的数据进行模型训练；

D.用训练后的模型根据设备的特征进行故障诊断。

2.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的故障诊断使用溶解气体分析，采用分析溶解在变压器油中各种气体密度，诊断变压器的健康状况和故障类型，通过检测不同浓度的H₂、C₂H₂、C₂H₄、C₂H₆、CH₄、CO等气体，捕捉出局部放电、低能放电、高能放电、低温过热、高温过热等故障信息。

3.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的故障诊断使用神经网络对变压器进行故障检测，输入变压器相关气体的密度和故障类型，训练神经网络，训练完后对训练集和验证集进行故障诊断，即输入相关气体密度，模型输出故障类型，最后计算准确率；具体使用全连接的多层感知机，选择不同的隐藏层的层数和神经元数量，隐藏层的层数为1层或者2层，每个隐藏层的神经元数量可以为3个、6个或者12个，总共有6种组合。

4.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的神经网络结构为全连接层的多层感知机；输入层有6个神经元，第1层和第2层均有12个神经元，在第2层后有一个丢失率为0.3的dropout，输出层是一个softmax分类器，有4个神经元，超参数分别为：学习率为7×e^-2，学习率的衰减率为0.95，每遍历20次训练集学习率衰减一次，batch size为32，遍历训练集1000次，权重初始化使用xavier算法。

5.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的基于GoogleNet对变压器进行故障诊断，比无编码比值法更准确，而且更灵活；无编码比值法只能对特定的故障类型进行诊断，而神经网络则没有这个限制，只要数据集中包含的故障类型，都可以诊断。

6.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的使用神经网络进行故障诊断分类器是softmax分类器，输出各种类型的概率：

将概率最大的类型作为模型预测的类型；神经网络最后会有一个损失函数，用来衡量模型的输出和真实输出的误差；

softmax的损失函数为：模型训练的过程就是降低这个误差，使用梯度下降法，求出损失函数对各个参数的导数的值然后各个参数减去这个微分乘上一个系数的积，其中α称作学习率。