[发明专利]基于联合神经网络的变电站变压器故障识别方法

说明书

本发明公开了基于联合神经网络的变电站变压器故障识别方法，涉及变压器故障识别技术领域，识别方法包括以下步骤：步骤一：对变电站变压器故障数据进行收集整理；步骤二：对故障数据信息进行预处理；步骤三：构建基于联合神经网络的变压器故障识别模型；步骤四：利用卷联合神经网络提取图形数据特征和时序数据特征，增加重要特征的权重占比和结果影响；步骤五：最后由联合神经网络输出识别结果。该基于联合神经网络的变电站变压器故障识别方法，提高变压器故障识别的准确率，同时提高了电网的智能化水平，将变压器一维参数数据和二维图像数据作为输入，输入到联合神经网络中，实现变压器的故障识别。

技术领域

本发明涉及变压器故障识别技术领域，具体为基于联合神经网络的变电站变压器故障识别方法。

背景技术

变压器作为电力系统中调节和控制电能质量的枢纽节点，其正常稳定运行对电力系统具有重要意义。传统的变压器检查依赖于人工经验，不能及时发现变压器异常，容易造成变压器寿命缩短。

目前，针对故障预测研究大多基于数据驱动的检测方法，常用的变压器故障识别方法主要有：聚类算法、分类方法和状态估计方法。K-means聚类算法对收集到的电力数据进行处理，但K-means聚类算法随机性的特点，导致实验结果存在不一致的问题，难以准确识别变压器故障，^]基于指标加权的变压器故障分析模型，通过指标加权分析可以得到变压器运行状态，但变压器数据中存在的错误数据或空白数据影响用户变压器故障的准确定位，并且该方法依赖于专家库的构建。且通过专家的知识和工作经验进行变压器故障识别判定，存在主观性强的缺点，所以在实际使用时效果不佳，支持向量机针对大规模训练样本时计算速度慢，对噪声数据比较敏感，难以准确定位故障。上述算法在都取得一定的成效，但存在需要人工构造样本、信息挖掘能力不强和变压器故障识别准确率低的问题。

于是，有鉴于此，针对现有的结构及缺失予以研究改良，提出基于联合神经网络的变电站变压器故障识别方法。

发明内容

针对现有技术的不足，本发明提供了基于联合神经网络的变电站变压器故障识别方法，解决了上述背景技术中提出的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于联合神经网络的变电站变压器故障识别方法，识别方法包括以下步骤：

步骤一：对变电站变压器故障数据进行收集整理，通过变电站的监控设备仪器以及利用检测故障方法对变电站变压器的故障数据进行收集；

步骤二：对故障数据信息进行预处理，通过格拉姆角对变压器的故障数据进行图像二维化处理得到图像二维数据，且图像二维数据与变压器的故障数据为输入值；

步骤三：构建基于联合神经网络的变压器故障识别模型；

步骤四：利用卷积神经网络和双向长短时记忆网络组成的联合神经网络提取图形数据特征和时序数据特征，并采用注意力机制对联合神经网络的特征进行权重分配，增加重要特征的权重占比和结果影响；

步骤五：最后由联合神经网络输出识别结果。

进一步的，所述步骤一中变电站的监控设备仪器包括变电站中的监控系统，通过监控系统收集变压器四周的图像信息，并生成图像数据。

进一步的，所述步骤一中检测故障方法为油中溶解气体分析法，且油中溶解气体分析法分析出的气体包括：甲烷、乙烷、乙烯、一氧化碳、二氧化碳、氢气和乙炔。

进一步的，所述基于联合神经网络的变压器故障识别模型中的神经元为i，且故障数据分别为u1，u2...ux，且u1，u2...ux为输入层神经元的值，W1i，W2i，...Wxi为输入层各个神经元与第i个神经元之间的权值，f为非线性函数，称为激励函数，yi为神经元i的输出。

进一步的，所述基于联合神经网络的变压器故障识别模型中f的计算公式为：