[发明专利]基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法在审
申请号: | 201910637123.9 | 申请日: | 2019-07-15 |
公开(公告)号: | CN110426415A | 公开(公告)日: | 2019-11-08 |
发明(设计)人: | 何怡刚;段嘉珺;何鎏璐 | 申请(专利权)人: | 武汉大学 |
主分类号: | G01N25/72 | 分类号: | G01N25/72;G01R31/00;G06T7/12;G06T7/13;G06F17/11 |
代理公司: | 湖北武汉永嘉专利代理有限公司 42102 | 代理人: | 许美红 |
地址: | 430072 湖*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 卷积神经网络 油浸式变压器 监测信息 图像分割 故障诊断结果 故障区域 标签 热故障 红外热像仪 内部温度场 温度传感器 训练样本集 诊断 分布图像 故障状态 划分方式 内部区域 图像样本 样本提取 新图像 格子 变压器 样本 图像 | ||
本发明提供一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法,包括:1)划分变压器内部区域,将故障区域及正常状态作为深度卷积神经网络的标签;2)通过格子玻尔兹曼方法仿真,随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布图像,将其故障区域作为标签,形成底层训练样本集;3)获取红外热像仪或温度传感器的历史监测信息,并将其相应的故障诊断结果按照步骤1)的划分方式形成标签;4)将步骤3)中各样本所包含的所有监测信息组合成一张图像,然后将步骤2)获得的样本提取同样监测信息形成新图像;5)将步骤4)获取的图像样本进行图像分割,然后输入卷积神经网络中进行训练,获取故障诊断结果。
技术领域
本发明涉及一种电力变压器的故障诊断方法,尤其是涉及一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断定位方法及系统。
背景技术
电力变压器等关键输变电设备的故障诊断是电力系统安全、经济运行的重要保障。对变压器内部温度场的分析一直是监测过程中的热门话题。常用的电力变压器温度监测方法通常侧重于热点温度的监测,或是基于等效的数学模型,通过合理推算获取外部温度与内部故障间的关系。这种方法是有效的,但它需要针对不同电力设备的模型推导公式,当出现机械部件老化或杂质时,其监测标准需要进行改变。而深度学习能够实现监测信息特征与异常状态的自动甄别,是故障诊断邻域的发展方向之一。格子玻尔兹曼方法(LBM)具有简单、计算效率高、能并行处理等优点,能够快速模拟变压器内部的温度分布,补充监测样本的不足。
利用深度卷积神经网络(DCNN)能够自动提取故障特征,且随着运行状态的不断改变,网络参数也能够通过不断训练动态地调整。由于红外热像等图像监测数据包含较多冗余信息,通过图像分割方法能够提取边缘特征,压缩数据量。Souleymane等人提出一种基于格子玻尔兹曼方法(LBM)和水平集方法(LSM)的自动分割算法,具有快速、抗噪声、且不受初始轮廓设置的限制等优点。通过将其与深度卷积神经网络(DCNN)相结合,能够根据极少的监测信息判断出故障诊断结果,实现故障的定位。
发明内容
为了克服上述背景技术中存在的缺陷,本发明提供一种更加智能化、数据传输量小的基于深度卷积神经网络与图像分割的油浸式变压器内部热故障诊断方法。
本发明解决其技术问题所采用的技术方案是:
提供一种基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法,包括以下步骤:
1)划分变压器内部区域,将故障区域及正常状态作为深度卷积神经网络的标签;
2)通过格子玻尔兹曼方法仿真,随机获取大量正常与各种故障状态模式下油浸式变压器内部温度场分布的特征图像,将其故障区域作为标签,形成底层训练样本集;
3)获取红外热像仪或温度传感器的历史监测信息,并将其相应的故障诊断结果按照步骤1)的划分方式形成标签;
4)将步骤3)中各样本所包含的所有监测信息组合成一张图像,然后将步骤2)获得的底层训练样本集中的样本提取同样监测信息形成新图像;
5)将步骤4)获取的图像样本进行图像分割,然后将分割后的图像输入深度卷积神经网络中进行训练,生成训练好的故障诊断网络;
6)将待诊断监测信息按照同样方式合成新图像,并输入训练好的故障诊断网络获取诊断结果。
接上述技术方案,步骤1)中的变压器内部区域划分和标签设置方法为:根据实际监测需要将变压器内部区域划分为若干部分,然后直接根据故障区域分配标签,若存在多种故障类型,则将故障类型与故障区域的组合作为不同标签。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910637123.9/2.html,转载请声明来源钻瓜专利网。