[发明专利]基于改进卷积神经网络的电力变压器在线检测系统及方法

权利要求书

1.一种基于改进卷积神经网络的电力变压器在线检测方法，采用一种基于改进卷积神经网络的电力变压器在线检测系统实现，具体包括离线训练部分和在线检测部分，包括如下步骤：

离线训练部分：

步骤1：采集离线数据：采集故障时段与正常时段的被测试变压器J个传感器传递出的振动波形信号，经过信号放大装置，振动波形信号转换为放大后信号；

步骤2：采用灰度图转换方法将放大后信号转换为二维矩阵：在放大后信号上等距截取相同长度的采样片段，每个片段选取等距的K个采样点，采样点的纵坐标为振幅，将K个振幅值纵向依次排列为K×J的二维矩阵中，其中J为传感器个数，K为采样点数；

步骤3：对灰度图转换后的二维矩阵进行归一化处理，归一化后的二维矩阵作为输入层，即输入归一化二维图：

其中，L(i)表示数据灰度图转换后的二维矩阵，其中i＝1,2,...,K×J；P(k,j)(k＝1,...,K；j＝1,...,J)表示图像像素强度，round函数为循环函数，max(L)为第一个灰度图中最大的元素，min(L)为第一个灰度图中最小的元素，循环函数使所有的像素值标准化到0～255之间；

步骤4：建立网络初始化参数：采用高斯初始化方法，即从均值为0，方差为1的高斯分布中采样，生成随机数，作为卷积神经网络的初始权值，卷积神经网络的权值即为卷积核；

步骤5：依次经过卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、卷积层C6、全连接层F6与输出层Softmax，建立改进卷积神经网络FDL-CNN；

步骤5.1：所述卷积层C1、卷积层C3、卷积层C5、卷积层C6均采用卷积操作，具体如下：

K和J分别表示输入层的高度和宽度，代表J个振动信号传感器变量在时间间隔K上的监测值，改进卷积神经网络的输入层为包含K×J个点的矩阵；k和j分别表示卷积核的高和宽，执行卷积操作后的激活值，即卷积层提取的特征，如式下所示：

经过上式的卷积操作后，输出特征图尺寸缩小至大小；其中，S为步长，b为卷积神经网络偏置，w_rc为卷积神经网络的权值，t为输出特征图的行坐标，m为输出特征图的列坐标，r为卷积核的行坐标，c为卷积核的列坐标，其初始值为步骤4中的随机数；

输出特征图尺寸满足下式的约束条件：

为了避免提取特征后，维度缺失，所述卷积层C3采用补零算法，使提取的特征没有维度缺失；

步骤5.2：所述池化层进行的是池化操作，将所述卷积层提取的特征作为输入传到池化层，通过池化层的池化操作，降低数据的维度，采用最大值池化的方法来进行池化操作，公式如下：

其中，H和W分别为池化区域的高和宽，t为卷积后输出特征图的行坐标，m为卷积后输出特征图的列坐标，i为池化后输出特征图的行坐标，j为池化后输出特征图的列坐标；

步骤5.3：所述全连接层是将过滤器特征提取出的特征进行分类；具体方法为，先将最后一个池化层的输出，展开成一维的特征向量，作为全连接层的输入；再将输入与输出之间组成全连接神经网络，其中隐含层使用的激活函数为ReLU函数，输出层的激活函数采用的是Softmax函数，在这里Softmax函数的目的是将输入的神经元转化为和为1的概率分布，为后续的多分类目标函数的建立基础；

全连接的正向传播方法如下式所示：

其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值；为第l+1层第j个神经元的输出值；为第l层所有神经元对第l+1层第j个神经元的偏置值，a^l(i)为第l层第i个神经元的输出值；a与z的区别在于，a表示激活后的值，z表示激活之前的值；

当第l+1层为隐含层时，激活函数为ReLU函数，即：

a^l+1(i)＝max{0,z^l+1(i)}

当第l+1层为输出层时，激活函数为Softmax函数，即：

其中，K为Softmax函数输出的向量维数；

步骤:6：计算误差函数E的值，具体公式如下：

其中，为卷积神经网络输入第k组数据的实际输出的第j个Softmax函数值，为目标输出值；m为样本组数；

步骤7：判断误差E是否收敛：若收敛，则输出故障定位改进卷积神经网络参数；否则转到步骤8；

步骤8：利用反向传播算法更新卷积神经网络的权值，并转到步骤7判断误差是否收敛，直到误差达到收敛精度，则输出故障定位改进卷积神经网络参数，具体步骤如下：

利用链式求导计算损失函数对每个卷积神经网络的权值的偏导数，也称为梯度，然后根据梯度下降公式更新卷积神经网络的权值；训练算法是反向传播算法，反向传播算法分为四个步骤，即前向计算每个神经元的输出值、反向计算每个神经元的误差项、计算每个神经元连接权重的梯度、根据梯度下降法则更新每个权重；

步骤8.1：输出故障定位改进卷积神经网络参数，即前向计算每个神经元的输出值；

步骤8.2：反向计算每个神经元的误差项：当卷积神经网络输出的结果与期望值不符时，进行反向传播，求出结果与期望值的总误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新，得到最优的卷积神经网络；节点j的误差δ_j实际上是网络的损失函数E_d对神经元加权输入net_j的偏导数，即卷积神经网络由卷积层、池化层、全连接层构成，卷积层每层误差项计算公式如下：

其中，δ^l,δ^l+1,net^l均为矩阵；

池化层的误差传递依靠上采样函数upsample(·)实现，即：

δ^l＝upsample(δ^l+1)*σ'(z^l)

其中，σ(·)为激活函数，z^l表示第l层的激活值；

全连接层包括隐藏层和输出层，隐藏层误差反向传播关系式为：

其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值，为第l+1层的第j个神经元的误差值，为第l层的第i个神经元的输出值；

输出层误差反向传播关系式为：

δ_j＝a_j(1-a_j)(t_j-a_j)

其中，a_j为输出层第j个神经元的激活值，t_j为输出层第j个神经元的目标值，为输入对应的故障位置，用概率形式表示；

步骤8.3：计算每个神经元连接权重的梯度，由于池化层没有梯度计算，只介绍卷积层与全连接层的梯度计算方法，卷积层梯度计算方法为：

其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值，为第l+1层的第j个神经元的误差值，为第l层的第i个神经元的输出值；

全连接层梯度计算方法分为隐藏层梯度计算与输出层梯度计算，隐藏层梯度计算公式如下，它与卷积层梯度计算方法相同：

其中，为第l层第i个神经元与第l+1层第j个神经元之间的权重值，为第l+1层的第j个神经元的误差值，为第l层的第i个神经元的输出值；

输出层梯度计算公式如下：

其中，δ_j为输出层误差，为输出层前一层的第i个神经元的输出值；

步骤8.4：根据梯度下降法更新权值，具体公式如下：

其中，η为学习率；

在线检测部分：

步骤9：在线采集数据：在线实时采集被测试变压器n个传感器传递出的振动信号，经过信号放大装置，振动信号转换为放大后信号；

步骤10：同离线训练中步骤2～步骤3，对在线采集的数据进行处理，得到在线采集数据归一化后二维矩阵；

步骤11：使用离线训练中得到故障定位改进卷积神经网络参数，对在线采数据归一化后二维矩阵进行处理，得到检测结果。