[发明专利]一种500kV变压器设备故障识别方法

权利要求书

1.一种500kV变压器设备故障识别方法，其特征在于，包括以下步骤：

步骤1：数据集的获取；

步骤1.1：依据IEEE电能质量扰动信号标准设计七种叠加扰动信号，闪变和暂降叠加扰动，瞬变和陷波叠加扰动，谐波和瞬变叠加扰动，谐波和陷波叠加扰动，谐波和闪变叠加扰动，瞬变、陷波和谐波叠加扰动，暂降、谐波和陷波叠加扰动；

步骤1.2：利用Matlab进行扰动信号的模拟，并在原始电能质量信号上叠加噪声；

步骤1.3 时域信号通过FFT转化为频域信号；

步骤2：构造多特征融合的卷积神经网络模型；

步骤3：将数据集分成两个部分：训练集用来训练模型，测试集用来测试模型准确度；

步骤4：模型参数的选择；

步骤5：两个子模型融合层数的选择；

步骤6：运行模型，当识别准确度较低时，将新数据加入训练集再次训练模型。

2.根据权利要求1所述的500kV变压器设备故障识别方法，其特征在于，步骤1.3转化的模型为：原始电能质量扰动信号表示为d(n)，频域信号D(n)为：

式中，N为d(n)的长度，n就表示原始信号的序列。

3.根据权利要求1所述的500kV变压器设备故障识别方法，其特征在于，步骤2具体为：将时域信号输入到子模型I和频域信号输入到子模型II，时域信号通过第一个卷积层和第一个池化层获得时域特征输出信号（Zp1），频域信号通过第一个卷积层输出输出信号（Zc1），输出信号（Zp1）和输出信号（Zc1）一起输入到第一个融合层，获得包含时域和频域信息的融合层信号；接下来第一个融合层信号输出到子模型I第二个卷积层和第二个池化层，获取新的输出信号（Zp2）；而子模型II第一个卷积获得的输出信号（Zc1）通过最大池化层和第二个卷积层获得输出信号（Zc2），输出信号（Zc2）与输出信号（Zp2）一起输入到第二个融合层，提取的融合特征信号输入到子模型I的第三个卷积层和第三个池化层进行进一步的特征提取，最终获得输出信号（Zp4）的输出，输出信号（Zp4）输入到全连接层，对特征进行整合，对各种分类情况输出一个概率，获得输出信号（Fc），最终通过分类层根据输出的输出信号（Fc）概率情况实现对电能扰动信号的分类。

4.根据权利要求3所述的500kV变压器设备故障识别方法，其特征在于，卷积层的输出模型为:

其中，与选取保持一致，为计算第层的输出时卷积核权重，分别为D(n)和d(n)在第层的卷积核权重，为偏置项，分别为D(n)和d(n)在第层的偏置项，符号*为一维卷积。

5.根据权利要求3所述的500kV变压器设备故障识别方法，其特征在于，池化层中特征长度模型表示为：

其中是的长度，是采样因数的步幅。

6.根据权利要求3所述的500kV变压器设备故障识别方法，其特征在于，融合层的特征模型为：

式中，为最大池化层的输出。

7.根据权利要求3所述的500kV变压器设备故障识别方法，其特征在于，在分类层使用Softmax函数映射特征得到每种扰动的得分：

式中，设置为FC层的输出，I 为叠加电能质量扰动类型，i是第i种叠加扰动信号，j是第j种叠加扰动信号，为将扰动信号分类到正确类型的概率。

8.根据权利要求1所述的500kV变压器设备故障识别方法，其特征在于，步骤4中模型参数中卷积核大小k设为15。

9.根据权利要求1所述的500kV变压器设备故障识别方法，其特征在于，步骤5中融合层数为2_S2_F。