[发明专利]一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法

权利要求书

1.一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法，其特征在于，该方法包括以下步骤：

步骤1、利用多通道传感器对变压器绕组振动情况进行测量，得到变压器的多源振动数据；

步骤2、对测量得到的多源振动数据，利用GST灰度变换将多源振动数据转化为灰度图像；

步骤3、采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，通过基于区域特性量测的方法融合高频分量子图像，通过加权平均的方法融合低频分量子图像；

步骤3中对高频分量子图像进行融合计算的具体公式为：

通过基于区域特性量测方法对高频分量进行处理时，两幅图片对应的区域能量计算公式如下：

其中，E表示第l层的区域能量；LP_l表示第l层图像；W为权值系数；(n，m)为区域的中心点，J、K定义区域的范围大小，(n′，m′)为区域中在J、K范围运动的点；为计算两幅图像对应区域的匹配度，对其进行配准处理，定义匹配阈 值，则匹配度数学模型为：

定义匹配阈 值T，若M_l,AB(n,m)T，0.5T1，则图像结果为：

若M_l,AB(n,m)＝T，0.5T1时，则图像结果为：

其中：

步骤3中对低频分量子图像进行融合计算的具体公式为：

低频分量则采用加权平均的思想融合，设定k，α，β为加权因子，F为输出结果，则融合法则为：

F(j,k)＝(A_(j，k)+k×B_(j，k)+…+kⁿ×B_(j，k))×α-(A_(j，k)-k×B_(j，k)-…-kⁿ×B_(j，k))×β

经A、B两张图像低频分量的融合，形成新的j层图像，该层图像细节和去噪性达到平衡；

步骤4、重构融合后的灰度图像，按照变压器绕组的各故障状态，对振动灰度图像进行编码；

步骤5、建立基于GSMallat-NIN-CNN网络的变压器故障诊断模型；

步骤5中建立基于GSMallat-NIN-CNN网络的变压器故障诊断模型的具体方法为：

结合NIN网络利用1*1的卷积核作为网络函数逼近器，对输入的融合图像进行多通道级联线性加权，利用双层3*3卷积代替原来5*5的卷积层，降低网络参数；利用GAP将输出的融合图像进行相加求平均，将平均值作为各类别的输出值输入分类器进行识别分类，替代了全连接层对特征信息进行维度转换的过程，利用融合后的图像输入分类器，整体网络利用图像进行二维运算，不需要矩阵变换；所以整个网络含有四个卷积层，两个平均池化层，三个ReLU层，一个Mlpc层，一个全局平均池化层；

步骤6、随机初始化网络参数，将融合灰度图像和对应故障状态编码按一定比例分为训练集和测试集，通过训练集对网络进行训练和调优；

步骤7、保存训练好的网络，并通过测试集对网络测试，根据训练好的GSMallat-NIN-CNN网络对后续待诊断的变压器进行故障诊断。

2.根据权利要求1所述的基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法，其特征在于，步骤1中采集变压器多源振动数据的具体方法为：

利用多个传感器对变压器油箱表面进行信号采集，传感器位置分别位于高压侧和低压侧的3端子区域中部以及箱体两侧；采集的多源振动数据分别包含变压器绕组正常运行状态以及绕组匝间短路、相间短路和线圈接地的四种状态信息。