一种SF6电气设备故障诊断方法及系统与流程

本发明属于sf6电气设备，具体涉及一种sf6电气设备故障诊断方法及系统。

背景技术：

1、现有的高压输电网络中已大量配置sf6电气设备，这些设备一旦发生故障，将严重威胁电力网络的安全与稳定。因此电气设备工作状态的检测技术是当今人们研究的一个热门问题。sf6电气设备因其优秀的绝缘性能和灭弧性能以及占地少，可靠高，安全强，维护小等诸多优点，在新建变电站和改扩建的大潮中被广泛采纳应用，不仅成为了电力系统的关键设备，同时也是公司重要资产的组成部分。在这一发展态势下，如何进一步消除或降低sf6电气设备的运行风险，确保电力系统的生产安全及重要资产的价值安全，就成为摆在电网公司面前的首要问题之一。

2、运行经验表明，sf6电气设备内可能存在一些缺陷，这些缺陷最初无害，也不容易被发现，但随着运行年限的延长，在震动和静电力作用下，异物碎屑的移动或是绝缘的老化等可能产生局部的放电现象，而局部放电产生的sf6分解气体会腐蚀金属表面、加速绝缘的老化，最终发展为击穿放电事故，造成很大的经济损失。

技术实现思路

1、为解决现有技术中的不足，本发明提供一种sf6电气设备故障诊断方法及系统，避免了sf6电气设备故障诊断中对人工经验的依赖，提高了sf6电气设备故障诊断的安全性和可靠性。

2、为达到上述目的，本发明所采用的技术方案是：

3、第一方面，提供一种sf6电气设备故障诊断方法，包括：采集指定sf6电气设备的运行数据；将采集的sf6电气设备的运行数据输入构建的多尺度卷积神经网络模型，输出指定sf6电气设备的故障类型。

4、进一步地，所述sf6电气设备的运行数据，包括：sf6分解气体成分数据、sf6电气设备的振动数据、变压器铁心温度、电流和电压。

5、进一步地，所述多尺度卷积神经网络模型，包括依次设置的若干卷积层、若干池化层、全连接层、softmax分类层和用于增加感受野的空洞卷积层；各所述卷积层具有不同尺寸的卷积核，卷积层的卷积过程表示为：

6、

7、其中，表示第l层神经网络的第j个输出，mj表示输入的数目，表示卷积核的权重，表示卷积核的偏置，*表示卷积操作，f(.)表示激活函数；

8、所述池化层采用最大池化，公式如下：

9、

10、其中，表示第l层神经网络的第j个特征图的第t个输出，wt表示输入的第t次滑窗操作；

11、全连接层将卷积层和池化层提取出的特征全部统一整合，并输出至softmax分类层，softmax分类层采用softmax函数：

12、

13、其中，xi表示其中一个输入值，表示以xi为输入的指数函数，e为纳皮尔常数，表示xk为输入的指数函数，该式表示假设输出层共有k个神经元，计算第i个神经元的输出，k表示输入softmax函数数值的个数；

14、全连接层激活函数选择relu函数，softmax分类层使用交叉熵函数计算损失；

15、空洞卷积层的多尺度结构公式表示为：

16、

17、其中，表示经过三个不同尺寸卷积核运算后得到的特征图，表示经过一个最大池化运算后的特征图，fl表示第l层输出的特征图，它由和共同组成。

18、进一步地，所述多尺度卷积神经网络模型的训练方法，包括：构建数据集，并划分为训练集和验证集；使用训练集训练构建的多尺度卷积神经网络模型，并通过验证集验证训练结果。

19、进一步地，所述数据集的构建方法，包括：针对实验中采集的数据以1024个点为采样长度和30％的重叠率进行样本采集，采样窗尺寸为m，滑动步长为s，在原始输入信号上选取x个样本，当l≥m*x－s*(x-1)时，同时获得了x容量的数据集；每种状态下获取250个样本则共计得到1000个样本；获取样本并进行归一化预处理，公式为：

20、

21、其中，x表示最初的幅值；xnew表示归一化后的幅值；xmin表示某一样本中的最小值；xmax表示该样本中的最大值；随后一维sf6气体浓度数据和与之对应的健康状态标签作为一个样本对，将全部样本集合按给定比例随机选取一部分作为训练集，剩下的样本作为验证集；其中训练集用于模型训练，带有健康状态类别标签进行监督学习。

22、第二方面，提供一种sf6电气设备故障诊断系统，包括：数据采集模块，用于采集指定sf6电气设备的运行数据；故障诊断模块，用于将采集的sf6电气设备的运行数据输入构建的多尺度卷积神经网络模型，输出指定sf6电气设备的故障类型。

23、与现有技术相比，本发明所达到的有益效果：

24、(1)本发明将采集的sf6电气设备的运行数据输入构建的多尺度卷积神经网络模型，输出指定sf6电气设备的故障类型，避免了sf6电气设备故障诊断中对人工经验的依赖，提高了sf6电气设备故障诊断的安全性和可靠性；

25、(2)本发明无需额外信号处理技术，直接作用于故障信号，具有良好的泛化性能及鲁棒性。

技术特征：

1.一种sf6电气设备故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的sf6电气设备故障诊断方法，其特征在于，所述sf6电气设备的运行数据，包括：sf6分解气体成分数据、sf6电气设备的振动数据、变压器铁心温度、电流和电压。

3.根据权利要求1所述的sf6电气设备故障诊断方法，其特征在于，所述多尺度卷积神经网络模型，包括依次设置的若干卷积层、若干池化层、全连接层、softmax分类层和用于增加感受野的空洞卷积层；

4.根据权利要求3所述的sf6电气设备故障诊断方法，其特征在于，所述多尺度卷积神经网络模型的训练方法，包括：

5.根据权利要求4所述的sf6电气设备故障诊断方法，其特征在于，所述数据集的构建方法，包括：

6.一种sf6电气设备故障诊断系统，其特征在于，包括：

技术总结
本发明公开了一种SF6电气设备故障诊断方法及系统，所述方法包括：采集指定SF6电气设备的运行数据；将采集的SF6电气设备的运行数据输入构建的多尺度卷积神经网络模型，输出指定SF6电气设备的故障类型。本发明避免了SF6电气设备故障诊断中对人工经验的依赖，提高了SF6电气设备故障诊断的安全性和可靠性。

技术研发人员：赵振喜,李鑫,欧景茹,关连会,李洪丰,杨金睿,刘春生,张东,郭玉福,郑存龙,成思晋,孙浩,单长旺,封涛
受保护的技术使用者：国网吉林省电力有限公司建设分公司
技术研发日：
技术公布日：2024/1/13