[发明专利]基于回声网络和深度残差神经网络的变压器状态评估方法

说明书

本发明公开了一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，包括以下步骤：采集各变电站中的监测信息；对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；结合实际测试数据进行健康状态评估和网络更新。本发明考虑深度学习神经网络需要大量数据，利用泄露积分回声网络生成人工训练数据。并引入深度残差网络和压缩激励网络构建深度学习神经网络，提高神经网络的特征提取能力。该评估方法具备较高的准确率和较强的鲁棒性。

技术领域

本发明涉及电力变压器健康状态评估技术领域，尤其涉及一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法。

背景技术

电力变压器是电力系统中进行电能转换的电气设备，是电网安全稳定运行的关键环节。变压器经过多年运行，存在绝缘老化、部件松动等各种故障隐患，发生故障的几率不断增加，对变压器进行健康状态评估意义重大。因此，人工智能、数据清洗等先进技术对高压大容量电力变压器的健康状态在线评估，是指导变压器运行维护的相关工作的一大研究内容。

健康状态能够通过采集的信息反映变压器运行时状态。传统的健康状态评估方法需要很多测试参数来评估变压器的状态，加上部分测试参数没有明确的分级定义，导致该技术无法在实际应用发挥优势。随着深度学习神经网络的发展，残差网络、泄露积分回声网络、压缩激励网络等算法被应用于健康状态评估中，然而因为训练数据质量不高、学习能力不足、特征提取效果差等原因，上述方法在电力变压器的健康状态评估中应用存在一定的局限性。近年来，深度学习理论逐渐完善，改进的深度学习模型有着较高的精度。泄露积分回声网络是一种特殊的循环神经网络，有着结构简单，预测精度高的优点。泄露积分回声网络可以生成高质量的数据，可供深度学习网络进行训练。压缩激励网络结构简单，主要关注网络通道之间的关系，使模型可以更加轻量化，减少计算量，使深度学习神经网络在健康状态评估领域具有良好的精度。

发明内容

本发明要解决的技术问题在于针对现有技术中过于依赖各变量参数的选择、无法评估多变量情形下的健康状态等缺陷，提供一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，评估效率和准确性更高。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，该方法包括以下步骤：

步骤1、采集各变电站中的监测信息，包括：各变电站油测试、油中溶解气体和呋喃含量监测信息；

步骤2、对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；

步骤3、将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；

步骤4、构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；

步骤5、结合实际测试数据进行健康状态评估和网络更新。

进一步地，本发明的所述步骤1中采集的监测信息具体为：运行中变压器以及电力公司测试台账记录，其中每一组数据都包括九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔、呋喃含量，及其对应的变压器的健康状态。

进一步地，本发明的所述步骤2的方法具体为：

对步骤1中采集到的数据进行滑动平均滤波，消除数据中存在的噪声；滑动平均滤波器的表达式为：

其中；Y(t)是滤波器的输出，y(t)是滤波器的输入，t为输入数据的长度，T_w为滑动窗长度，其值的选取决定滤波性能；