[发明专利]一种基于深度残差网络下的变压器油中气体故障识别方法

权利要求书

1.一种基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，其步骤如下：

步骤一：根据采样时间获取变压器油中溶解气体的浓度和采样点温度，并根据采样时间和采样点温度对溶解气体的浓度进行重组，得到气体特征向量；

步骤二：对气体特征向量进行数据增强后作为输入向量，并对输入向量进行故障评估，得到样本集，其中，样本集包括训练集和测试集；

步骤三：利用半软阈值函数替换掉共通道深度残差收缩网络中的软阈值，得到子通道阈值深度残差收缩网络；

所述共通道深度残差收缩网络包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层，且深度残差收缩网络基本模块采用通道间共享阈值的残差收缩模块；

所述软阈值的表达式为：

所述半软阈值函数的表达式为：

其中，X代表输入特征，Y代表输出特征，λ是正参数阈值，sgn(·)为符号函数；

步骤四：将训练集输入子通道阈值深度残差收缩网络进行训练，得到子通道阈值深度残差收缩网络模型；

步骤五：设置初始故障阈值，将测试集输入子通道阈值深度残差收缩网络模型进行识别，并利用自适应可变权重的交叉熵函数对识别结果进行评价，判断是否存在误差；

所述利用自适应可变权重的交叉熵函数对识别结果进行评价的方法为：

定义交叉熵函数：

其中，p表示离散状态下的概率向量，q表示连续状态下的概率分布函数，p_i表示对应的第i个状态的概率向量，q_i表示对应的第i个状态的概率分布函数，c表示根据实际工况的底数，n表示状态总数；

根据子通道阈值深度残差收缩网络模型的识别误差满足正态分布，p_n(x)代表第n个故障下识别误差的概率密度函数：

其中，μ_n是平均值，σ_n是方差；

则p(x)代表某一故障下七种特征气体的识别误差概率密度函数：

其中：s_i代表支持向量s＝[s₁,s₂,…s_n]中的隶属度因子；

建立隶属度因子对应的优化目标函数：

其中，p_i(x)表示第i个状态故障下识别误差的概率密度函数；

构建交叉熵最小的目标函数为：

其中，P表示支持向量s中元素的总和，D[·]表示对各状态误识别的交叉熵函数；

利用构造的权重系数修正误识别导致的误差，可变系数如下：

其中，为状态A的误识别概率，v_i表示状态样本；

构建综合评价函数：

其中，L_t表示综合评价损失，R_t表示交叉熵损失，表示交叉熵损失权重值，W_i^A表示误识别损失；

步骤六：若存在误差，利用权重系数对测试集中各类故障中气体的影响权重进行赋值，进而更新故障阈值，返回步骤五，若不存在误差，保留最新的故障阈值，输出故障识别类型。

2.根据权利要求1所述的基于深度残差网络下的变压器油中气体故障识别方法，其特征在于，所述溶解气体包括CO、CO₂、H₂、CH₄、C₂H₂、C₂H₄和C₂H₆七种气体。