[发明专利]一种500kV变压器设备故障识别方法

说明书

本发明涉及一种500kV变压器设备故障识别方法，步骤：数据集的获取；构造多特征融合的卷积神经网络模型；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；模型参数的选择；两个子模型融合层数的选择；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。本发明在一维卷积神经网络中引入了融合层，提高了网络中不同层的多样性特征，在复杂电能质量扰动下具有较好的性能，能够准确识别出复合扰动信号的类别。本发明具有能够提取信号的有效特征、训练时间短、准确度高等优点，可以有效提升对复合电能质量信号识别的准确度。

技术领域

本发明涉及电网设备故障问题，特别涉及一种500kV变压器设备故障识别方法。

背景技术

近年来，以提供平稳、无畸变电能为目标的智能电网发展迅速。因此，电能质量信号的分析已成为电力系统治理和检测的首要工作。各种类型非线性负载的广泛使用，造成电网电压、电流、频率的波动。变压器系统中的电能质量扰动除了常见的暂态和稳态扰动类型，还有各种故障信号叠加而成的扰动。

500kV变压器系统是中国电网的主动脉，其运行状态对整个电力系统的安全稳定具有决定性作用。变压器常系统见故障有保护气异常、油位异常、铁芯多点接地等，这些故障都有可能引起变压器爆炸，目前电网公司都有相应的传统检测措施。很多事故在发生前，设备已经有异常，但这些异常无法导致设备跳闸，因此没有起到预警作用。这些没有得到充分利用的非跳闸异常波形信息，往往蕴含着设备老化等潜在风险信息。如果结合深度学习算法对这些故障波形信息加以利用，能够智能化识别出故障信息，能够有效提示工作人员变压器设备的潜在风险。

常用于电能质量识别的模型有：(1)贝叶斯网络；(2)前向传播神经网络；(3)支持向量机和(4)卷积神经网络。

传统机器学习模型，诸如支持向量机模型和前馈神经网络模型，需要提前手动选取特征量。如果人工选取特征量不恰当，会直接降低该类模型对电能质量扰动信号识别的准确度。对于变压器系统中存在的叠加电能质量扰动信号情况，依靠人工选取特征量的传统机器学习模型不具备优势。

发明内容

发明目的：本发明提出一种500kV变压器设备故障识别方法，其目的是通过对电能质量扰动信号的时域信息和FFT变换得到的频域信息进行特征融合。在一维卷积神经网络中引入了融合层，提高了网络中不同层的多样性特征，有效提升了复杂电能质量扰动的识别准确度。

本发明的技术方案是这样实现的：

一种500kV变压器设备故障识别方法，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30dB噪声，每种扰动产生500个样本；

步骤1.3时域信号d(n)通过FFT转化为频域信号D(n)；

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。

进一步的，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)，即时域信号d(n)，频域信号D(n)为：