[发明专利]一种自适应考虑无关特征干扰的变压器故障识别算法

说明书

一种自适应考虑无关特征干扰的变压器故障识别算法，它包括以下步骤：步骤一：对变压器故障数据进行收集，并用Min‑Max标准化预处理收集来的变压器故障数据；步骤二：训练受限玻尔兹曼机（RBM），并全局调整RBM间的连接权重，由此得出合适的DBN模型；步骤三：优化DBN模型，提高故障识别率和模型泛化性能；步骤四：利用优化过的DBN模型对变压器故障进行识别。本发明的目的是为了解决在现有的电力变压器故障检测中，所存在的故障类型识别的准确性及效率有待加强，以满足日益增长的电力需求的技术问题。

技术领域

本发明属于电力系统技术领域，尤其涉及一种对电力变压器的故障进行识别的技术，尤其涉及一种自适应考虑无关特征干扰的变压器故障识别算法。

背景技术

电力变压器是电网的重要设备，准确识别变压器的故障对电力系统的安全运行意义重大。当变压器内部发生故障或异常时，绝缘油会裂解出五种主要气体，不同的气体组分将对应不同的故障类型。油中溶解气体含量分析(DGA)因具有带电检测作业、不受外界电磁场影响、响应速度快等特点而被广泛用于变压器的故障识别和健康状态评估。

常用的根据DGA特征气体检测变压器内部故障的方法有IEC三比值法、改良电协研法、Domenburg比值法、Duval比值法等，这些方法本质上是依据不同气体间的比值，采用编码的方式对故障进行线性分类，但均存在故障编码缺失，或分类过于绝对导致边界附近样本分类效果不佳的问题，影响故障类型识别的准确性。

随着人工智能技术的发展，一系列浅层机器学习方法也应用到变压器故障分类和识别中，它们对分类边界问题做出了改善，但也仍存在一些不足之处，例如，学习能力不足、特征提取能力欠缺、主观经验过强等问题。随着大数据分析技术的成熟，以及变压器在线监测设备的普及，DGA样本数据愈发庞大，变压器故障分类愈发细致，传统的机器学习方法难以满足训练效率、故障识别精度和模型泛化能力等要求，因此需要找到更有效的方法解决上述问题。

2006年，Geoffrey Hinton提出了一种能在海量数据中有效识别、提取样本特征的深度学习模型—深度信念网络(DBN)，近年来被多次应用在变压器故障识别的模型训练中。但是当前提高DBN模型故障识别精度的研究工作大多聚焦于二次处理输入的样本数据，增加数据的规律性以提高样本的质量，少有研究采用原始数据集或直接优化DBN的训练过程和内部结构，从根源上提高故障识别率与模型泛化性能。

当前提高模型故障识别精度的研究工作大多聚焦于二次处理输入的样本数据，增加数据的规律性以提高样本的质量，少有研究采用原始数据集或直接优化模型的训练过程和内部结构，从根源上提高故障识别率与模型泛化性能。例如，发明专利“一种计及运行状态等级的变压器故障诊断方法”(申请公布号：CN111598150A)提取变压器油色谱数据的7种气体含量、19种气体比值共同作为故障特征，将预处理后的26维故障特征利用主元分析法(PCA)进行特征降维融合，最后数据输入模型进行训练；文献《基于深度信念网络的变压器运行状态分析》中，苏磊等人综合了IEC比值、Rogers比值、Dornenburg比值和Duval比值4种方法，提出了新的气体浓度比值方式，作为DBN模型的训练输入。

发明内容

本发明的目的是为了解决在现有的电力变压器故障检测中，所存在的故障类型识别的准确性及效率有待加强，以满足日益增长的电力需求的技术问题。

为解决上述技术问题，本发明提出一种自适应考虑无关特征干扰的变压器故障识别算法，其所采用的技术方案包括以下具体步骤：

步骤一：收集变压器故障的历史数据，为了消除奇异数据的影响、不同特征向量间的量纲影响，首先对输入故障气体进行Min-Max标准化处理；

步骤二：训练RBM，并全局调整RBM间的连接权重，由此得出合适的DBN模型；

步骤三：优化DBN模型，提高模型收敛性能、故障识别率和模型泛化性能；