[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

说明书

本发明提出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，其中，在线检测系统具体包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；基于改进卷积神经网络的电力变压器在线检测系统的方法，包括离线训练部分和在线检测部分；本发明根据变压器自身结构特点与振动原理，确定振动传感器布点，实时获取变压器振动信号；将原始信号进行数据处理转换为易于卷积神经网络识别的二维灰度图作为卷积神经网络输入；根据变压器实时振动数据噪声干扰较大的特点，改进传统卷积神经网络结构、改进卷积核尺寸，建立应用于电力变压器故障定位的改进卷积神经网络架构，并验证了该方法的合理性与优越性。

技术领域

本发明属于电力变压器故障诊断技术领域，具体涉及一种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。

背景技术

电力变压器作为电力系统安全的关键设备，也是其中造价最高、最复杂的设备之一。由于电力变压器处于电网的关键位置，运行环境繁杂，一旦发生故障，很大程度上会造成电网连锁故障、大面积停电等问题，更有甚者会引起爆炸、火灾等严重事故的发生，其带来的直接或间接经济损失可高达数亿元人民币，因此电力变压器是否能安全、可靠、稳定的运行与国民正常的生产和生活息息相关。随着电网容量的增大与“智能电网”概念的提出，智能变电站应运而生，而传感监测设备的不断发展以及在电力变压器表面和内部的大量部署和应用，对电力变压器设备监测与定位智能水平的要求也大大提高，其数据也逐渐呈现出多源、异构等典型的大数据特性，传统变压器故障监测与定位方法在大数据背景下无论在准确性还是时效性上都捉襟见肘。

近年来，卷积神经网络特征提取方法在语音识别领域和图像处理领域取得了突飞猛进的发展并获得了很大成功，其强大的学习能力为电力变压器故障定位提供了全新的思路。卷积神经网络具有多层的神经网络，享有共同权值的结构大大降低了网络模型的复杂度，其优势在于可以在大数据环境下完成复杂的特征提取，此外理论上卷积神经网络可以获得分布式表示，即可以通过逐层学习的算法获取输入数据的主要驱动变量。利用卷积神经网络对变压器进行故障定位，主要利用卷积神经网络的区分性深度结构对变压器故障位置进行分类处理，判断故障发生的具体部件和位置。

发明内容

针对以上技术问题，本发明提出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，其中，基于改进卷积神经网络的电力变压器在线检测系统具体包括：传感器组、信号放大装置、信号采集与存储装置、故障定位装置；

所述传感器组放置在被测试变压器箱体不同位置上，传感器组与信号放大装置相连接，信号放大装置与信号采集与存储装置相连接，信号采集与存储装置与故障定位装置相连接；

所述传感器组，放置在被测试变压器箱体不同位置上，用于检测变压器箱体振动情况，并将振动信号传递给信号放大装置；

所述信号放大装置，将振动信号放大，并将放大后的信号传递给信号采集与存储装置；

所述信号采集与存储装置，按照时间先后顺序保存放大后的信号，并根据故障检测装置的需要提取对应时间段的放大后信号；

所述故障定位装置，采用计算机实现，并编写程序用来实现基于改进卷积神经网络的电力变压器故障在线检测功能；

所述传感器组放置在被测试变压器箱体不同位置上，传感器组分别位于被测试变压器的一侧的表面，从顶端到低端，传感器被放置依次在：顶端铁架中心位置处、A相5/6处、B相5/6处、C相5/6处、A相1/2处、B相1/2处、C相1/2处、A相1/6处、B相1/6处、C相1/6处；

所述传感器组采用压电式加速度传感器；

基于改进卷积神经网络的电力变压器在线检测系统的方法，采用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：