[发明专利]一种基于变压器数据样本扩充的故障诊断方法及系统

说明书

本发明提供一种基于变压器数据样本扩充的故障诊断方法及系统，其中方法包括：获取主变试验数据，对所述主变试验数据进行数据清洗，并将数据清洗后的所述主变试验数据按照预设比例划分为主变试验训练数据及主变试验测试数据；对所述主变试验训练数据进行归一化处理；通过所述归一化处理后的主变试验训练数据及损失函数建立用于变压器故障诊断的反传神经网络模型，并通过所述主变试验测试数据对所述用于变压器故障诊断的反传神经网络模型进行优化；将变压器的运行数据输入至优化后的所述用于变压器故障诊断的反传神经网络模型，得到变压器的故障结果。本发明针对不平衡样本实现变压器故障类别辨识的性能提高。

技术领域

本发明涉及变压器故障检测技术领域，特别是涉及一种基于变压器数据样本扩充的故障诊断方法及系统。

背景技术

变压器是电力系统中的关键设备，对电网的正常稳定运行起到了关键的作用。变压器价格昂贵、构造精密，然而由于自然老化、环境侵蚀、运行过载等自然或者人为原因，变压器的故障难以避免。变压器故障得不到及时解决，将会影响电力系统稳定性，甚至是大范围停电，造成社会经济损失。

油浸式电力变压器内的绝缘油和固体绝缘材料，因受温度、电场、氧气、水分等的作用，会逐渐老化和分解，产生各种低分子烃类和氢气、一氧化碳、二氧化碳等气体。这些气体大部分溶解在油中，经验表明，油中气体各成分含量的多少与故障的性质及故障程度直接相关，油中溶解气体分析(dissolved gas analysis in oil，DGA)技术被广泛用于油浸式电力变压器的故障诊断和状态评估。

传统基于DGA的故障诊断方法主要有特征气体法、三比值法、大卫三角形法等。然而传统方法具有编码未对应全部故障和边界太过明确的缺陷，并且随着大数据时代的到来，故障数据的规模和区分难度都大大增加，基于人工智能的变压器故障辨识方法在此背景下取得了更优异的检测效果。支持向量机、随机森林、决策树、K近邻、深度信念网络、自动编码器等机器学习方法尽管一方面具有比传统三比值法更好的诊断结果，但是另一方面，在数据集不够完备、类别分布不平衡的情况下，这些人工智能方法仍然会出现模型泛化性不高、诊断结果偏向多数类样本而忽略少数类样本的问题。

发明内容

为解决以上现有技术问题，本发明提供一种基于变压器数据样本扩充的故障诊断方法及系统，针对不平衡样本实现变压器故障类别辨识的性能提高。

本发明第一方面提供一种基于变压器数据样本扩充的故障诊断方法，包括：

获取主变试验数据，对所述主变试验数据进行数据清洗，并将数据清洗后的所述主变试验数据按照预设比例划分为主变试验训练数据及主变试验测试数据；其中，所述主变试验数据包括：主变色谱、介损及电容量、绝缘电阻；

对所述主变试验训练数据进行归一化处理；

通过所述归一化处理后的主变试验训练数据及损失函数建立用于变压器故障诊断的反传神经网络模型，并通过所述主变试验测试数据对所述用于变压器故障诊断的反传神经网络模型进行优化；

将变压器的运行数据输入至优化后的所述用于变压器故障诊断的反传神经网络模型，得到变压器的故障结果。

进一步地，所述对所述主变试验数据进行数据清洗，包括：

检测并删除异常数据及填补缺失数据。

进一步地，所述填补缺失数据，包括：

利用SMOTE算法对所述主变试验训练数据进行扩充。

进一步地，所述通过所述主变试验测试数据对所述用于变压器故障诊断的反传神经网络模型进行优化，具体地：

将所述主变试验测试数据输入所述用于变压器故障诊断的反传神经网络模型，通过比对样本实际标签与用于变压器故障诊断的反传神经网络模型的预测标签，评估用于变压器故障诊断的反传神经网络模型的分类性能。