[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

说明书

本发明提出了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，其步骤为：首先，将气体浓度、采样时间和采样点温度组合成新的气体特征向量，并对气体特征向量进行数据增强和故障评估，得到训练集和测试集；其次，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；最后，利用子通道阈值深度残差收缩网络分别对训练集和测试集进行训练和测试，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，根据评价结果判断是否更新故障阈值，以更好的识别故障类型。本发明利用半软阈值函数进行替换后解决了软阈值信号重构出现的恒定偏差问题，并利用交叉熵函数获取更准确、更具时效性的故障阈值判定标准。

技术领域

本发明涉及变压器故障识别技术领域，特别是指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。

背景技术

国内大多数变压器为油纸组合绝缘型，在日常运行当中会出现各种类型的故障，例如运行温度异常、电弧放电、局部放电、绝缘降低等。当内部发生故障时，不同类型的放电或者温度会导致绝缘油出现裂解产生多种烷烃类气体和其他气体。由于变压器的封装程度高，检修人员无法直观的观测到变压器内部情况，而不同类型的故障恶化和危害程度也不同，如果依据准确度较低的事故诊断结果采取维修措施有可能会带来人员伤亡，因此变压器的故障识别做到高效、准确也更有必要。

通过对故障气体成分和浓度的分析可以判断事故大致点位和严重程度，目前来讲，基于DGA方法基础之上的三比值法、罗杰斯比率、Dornenburg诊断法、Duval Triangle方法等传统方法精度有限，部分方法对DGA气体数据不敏感无法做出准确诊断。为了有效提高变压器油中气体故障诊断识别准确率，已有学者利用统计分析法、机器学习等方法开展了变压器故障识别研究。文献[Benhamed K,Mooman A,Younes A,et al.Feature Selectionfor Effective Health Index Diagnoses of Power Transformers[J].IEEETransactions on Power Delivery,2017:1-1.]通过模拟分析与模具相结合，在子系统的基础上利用GRNN方法，获取了影响变压器健康状态的多个关键因素，能够较为准确的判断变压器的故障点位和事故类型。文献[G.K.Irungu,A.O.Akumu and J.L.Munda,“A NewFault Diagnostic Technique in Oil-Filled Electrical Equipment；the Dual ofDuval Triangle,”IEEE Transactions on Dielectrics and Electrical Insulation,vol.23,no.6,pp.3405-3410,Dec 2016.]则采用了杜瓦尔三角形的对偶，来诊断油浸式变压器的故障情况，但是该方法会出现事故识别结果相互冲突的情况。文献[Bacha,Khmais；Souahlia,Seifeddine；Gossa,Moncef,“Power transformer fault diagnosis based ondissolved gas analysis by supportvector machine,”Electric Power SystemsResearch,vol.83,no.1,pp.73-79,Feb 2012.]提出用支持向量机对溶解气体进行分类来分析变压器故障，将比值与图像结合起来作为输入量，选择合适的气体指标来进行训练，能够有效的识别出变压器故障，但是该方案在小样本数据的模拟训练下有不错的效果，如果数据量变大可能会导致识别冲突、模糊；文献[Li,Jinzhong；Zhang,Qiaogen；Wang,Ke,etal.“Optimal Dissolved Gas Ratios Selected by Genetic Algorithm for PowerTransformer Fault Diagnosis Based on Support Vector Machine,”IEEETransactions on Dielectrics and Electrical Insulation,vol.23,no.2,pp.1198-1206,Apr 2016.]则利用遗传算法来获取最佳的气体溶解比例，并且兼顾到DGA比率和优化后的参数，也可以获得不错的诊断率；可见这些算法都能在变压器油中气体故障识别中起到一定的作用，在一定程度上可以解决传统基于DGA方法出现冲突的问题，但是某些关键阈值参数的设定需要依靠大量的数据统计和专家经验，具有一定的局限性，而且，部分机器学习和分类器的诊断方法在参数阈值不准确的情况下会导致其识别准确率大大降低。同时，DGA方法仅仅依靠获取气体浓度来做出判断，会带来较大的误差，因为不同气体在不同情况下(温度、故障类型)，其浓度和增长速率的变化情况也是不同的。例如，当温度低于150℃时，如果出现局部放电，CH₄的浓度变化增高，并随着温度上升逐渐增高；当温度超过500℃时，局部放电恶化导致电弧故障此时会裂解产生一定量的C₂H₂，而CH₄依旧存在且浓度持续增长，当温度继续升高，超过某一值时，CH₄浓度会出现下降。此外，随着变压器长时间运行老化会出现绝缘降低等情况，油箱内会有一定浓度的故障气体持续存在，那么之前设定的阈值就不再具有完全的可靠性，针对绝缘降低或者局部放电这种亚健康故障以及混合故障，如果能在前期及时识别发现，那么就能够快速阻止事故恶化，而且这些方法在一定程度上也忽略了变压器相互之间自身差异性所带来的影响。