一种基于CNN的变压器故障诊断方法、装置、设备及存储介质与流程

一种基于cnn的变压器故障诊断方法、装置、设备及存储介质
技术领域
1.本发明涉及变压器故障在线监测技术领域，尤其涉及一种基于cnn的变压器故障诊断方法、装置、设备及存储介质。


背景技术：

2.近年来，智能电网是我国电力部门与电网公司发展的目标与方向，而对变压器的运行状态进行故障诊断智能化也成为必然趋势，随着变压器变压等级的增高和电机容量的增大，其发生故障的概率也越来越高，而且故障原因和故障类型复杂多样。油浸式变压器的故障诊断方法从最初的定期检修已经发展为现在的在线监测，其主要是在油中溶解气体(dga)的基础上结合现有智能算法对变压器进行故障诊断，而随着机器学习研究的不断兴起，基于数据驱动的智能故障诊断方法逐渐成为变压器故障诊断领域的主流应用，这种方法虽然有一定效果，但仍然突显出许多不足：一方面，提取的特征主要用于解决特定故障问题，通用性差，且在大数据样本环境下难以完成；另一方面还存在着训练精度不足，训练速度过慢等问题。


技术实现要素：

3.本发明提供的一种基于cnn的变压器故障诊断方法，旨在解决现有技术中模型训练速度慢、准确度不高的问题，减少模型训练和计算时间，有利于故障的实时快速诊断和检测。
4.为实现上述目的，本发明采用以下技术方案：
5.本发明的一种基于cnn的变压器故障诊断方法，包括以下步骤：
6.采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
7.对所述原始故障数据集进行预处理，得到多个二维特征图；
8.将所述多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；
9.获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
10.作为优选，所述对所述原始故障数据集进行预处理，得到多个二维特征图，包括：
11.对所述原始故障数据集进行数据标准化处理；
12.利用等分截断对标准化处理后的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；
13.对所述h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图。
14.作为优选，所述对所述h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图，包括：将所述h个一维时间序列数据段分别等分为m份，每份包含n个数据点，将
第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，第m份n个数据点放在第m行，从而得到h个m
×
n的二维特征图，其中，m＝n，且m、n均为k的算数平方根。
15.作为优选，所述将所述多个二维特征图输入cnn模型中进行训练得到cnn诊断模型，包括：
16.将所述多个二维特征图分别划分为训练集、验证集和测试集；
17.将所述训练集的数据输入cnn模型中进行训练，由所述验证集的数据对训练后的cnn模型进行验证；
18.利用所述测试集的数据对验证后的cnn模型进行测试，得到cnn诊断模型。
19.作为优选，所述将所述训练集的数据输入cnn模型中进行训练，还包括：
20.将所述训练集的数据输入cnn模型中，反复执行前向传播和反向传播迭代计算过程进行调参。
21.作为优选，所述cnn模型包括：输入层、特征提取层、降维减参层以及softmax分类输出层。
22.作为优选，所述油中溶解气体包括：氢气、甲烷、乙烷、乙炔、乙烯。
23.作为优选，所述故障标签包括：0正常状态、1中温过热、2高温过热、3局部放电、4火花放电、5电弧放电。
24.一种基于cnn的变压器故障诊断装置，包括：
25.采集模块，用于采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
26.预处理模块，用于对所述采集模块得到的原始故障数据集进行预处理，得到多个二维特征图；
27.训练模块，用于将所述预处理模块得到的多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；
28.诊断模块，用于获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述训练模块训练的cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
29.作为优选，所述预处理模块包括：
30.归一化单元，用于对所述一维时间序列原始故障数据集进行数据标准化处理；
31.数据截断单元，用于利用等分截断对所述归一化单元处理的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；
32.格式重构单元，用于对所述数据截断单元划分的h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图。
33.本技术具有如下有益效果：
34.本技术针对变压器油中溶解气体的数据具有的非稳定性、非线性特点，利用cnn模型直接从原始数据中进行特征提取，无需人工干预，并将传统cnn模型中的全连接层改设为降维减参层，有效地减少油中溶解气体检测过程中噪声和误差带来的影响，从而提高变压器故障识别的速度和准确度。
附图说明
35.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
36.图1是本发明实施例1实现一种基于cnn的变压器故障诊断方法第一流程图；
37.图2是本发明实施例2实现一种基于cnn的变压器故障诊断方法第二流程图；
38.图3是本发明实施例3的cnn模型的结构示意图；
39.其中，1-输入层、2-特征提取层、3-降维减参层、4-softmax分类输出层、10-二维特征图、21-第一卷积层、22-第一池化层、23-第二卷积层、24-第二池化层、31-过渡卷积层、32-全局均值池化层。
40.图4是本发明实施例4实现一种基于cnn的变压器故障诊断装置示意图；
41.图5是本发明实施例5实现一种基于cnn的变压器故障诊断装置的预处理模块示意图；
42.图6是本发明实施例6实现一种基于cnn的变压器故障诊断方法的一种电子设备示意图。
具体实施方式
43.下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.本技术的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
45.实施例1
46.如图1所示，一种基于cnn的变压器故障诊断方法，包括以下步骤：
47.s110、采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
48.s120、对所述原始故障数据集进行预处理，得到多个二维特征图；
49.s130、将所述多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；
50.s140、获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
51.根据实施例1可知，获取各变压器油中溶解气体氢气、甲烷、乙烷、乙炔、乙烯的若干组监测数据，对这若干组监测数据进行分析，得到每组监测数据对应的故障类型，用0、1、
2、3、4、5作为故障标签，分别对应变压器的正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电，将故障标签与对应的监测数据进行组合就得到了原始故障数据集，对获取的原始故障数据集进行预处理，包括数据增强、数据归一化、数据格式重构：首先对采集到的所述一维时间序列故障数据进行数据增强的方式扩充数据，然后进行标准化数据处理，将所有数据点的值的量级转变为0～1之间，然后将标准化处理后的数据集等分截断为多份一维时间序列数据段，对这些一维时间序列数据段进行数据格式转换，得到多个二维特征图；然后按照比例将这多个二维特征图分别划分为训练集、验证集和测试集，由训练集对改进的卷积神经网络模型cnn进行训练，这里改进的cnn模型是指在卷积神经网络模型的特征提取层与softmax分类输出层之间设置了降维减参层用于替代传统卷积神经网络的全连接网络层，再由验证集对训练的cnn模型进行模型的过拟合验证，最后由测试集来检验训练好的cnn模型的性能，并确定最终的cnn诊断模型，采集待诊断变压器油中溶解气体的实时监测数据，对这些实时监测数据进行数据增强、数据归一化、数据格式重构转换成二维特征图后，输入到cnn诊断模型中，模型会输出待诊断变压器的故障标签，根据故障标签确定最终的诊断结果。本实施例中将预处理后的数据集划分为训练集、验证集和测试集，将训练集的数据输入改进的cnn模型用于模型参数的训练和学习，运用验证集的数据对训练过程中的cnn模型诊断准确率进行实时验证，验证诊断结果是否出现过拟合现象，直到获取合适的cnn模型超参数和验证准确率为止，当验证准确率达到设定的目标值时，模型结束训练，同时保存最佳的cnn诊断模型参数，最后将测试集的数据输入到已训练的改进cnn模型中完成最终的测试，得到最终的故障诊断模型，减少了模型训练参数量和计算时间，有利于故障的实时快速诊断和检测。
52.实施例2
53.如图2所示，一种基于cnn的变压器故障诊断方法，包括：
54.s210、采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
55.s220、对所述原始故障数据集进行数据标准化处理；
56.s230、利用等分截断对标准化处理后的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；
57.s240、对所述h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图；
58.s250、将所述多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；
59.s260、获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
60.根据实施例2可知，将获取的原始故障数据集中的数据进行预处理，预处理包括数据增强、数据归一化、数据格式重构：首先对采集到的原始故障数据集中的数据以数据增强的方式扩充数据，然后进行数据标准化处理，将所有数据点的值的量级转变为0～1之间，标准化的方法为：x＝(x
i-x
min
)/(x
max-x
min
)，其次对标准化后的原始故障数据集中的数据进行等长划分，得到h个等长的一维时间序列小数据段，每个一维时间序列小数据段即是一个样
本，每个一维时间序列小数据段的长度为k个数据点，k的取值为100～100000，然后将每个一维时间序列小数据段等分为m份，每份包含n个数据点，对每一个小数据段执行数据格式重构，得到二维特征图[m,n]；其中，将包含k个数据点的数据段等分为m份，每份包含n个数据点，排列顺序为：第1份n个数据点放在第1行，第2份n个数据点放在第2行，第3份n个数据点放在第3行，依次排序，
……
，第m份n个数据点放在第m行，从而得到一个m
×
n的二维特征图，此外，m和n取决于k个数据点的个数，m*n的大小对应的是二维特征图图像的像素，太大会导致计算成本高，太小节省计算时间但无法获取有用的特征信息，为计算方便一般情况图像为长宽相等的矩阵，所以对应m和n大小相同，为k的算数平方根，假设k＝100,m＝n＝10。
[0061]
实施例3
[0062]
如图3所示，一种基于cnn的变压器故障诊断方法，包括：
[0063]
s310、采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
[0064]
s320、对所述原始故障数据集进行预处理，得到多个二维特征图；
[0065]
s330、将所述多个二维特征图分别划分为训练集、验证集和测试集；
[0066]
s340、将所述训练集的数据输入cnn模型中进行训练，由所述验证集的数据对训练后的cnn模型进行验证；
[0067]
s350、利用所述测试集的数据对验证后的cnn模型进行测试，得到cnn诊断模型；
[0068]
s360、获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
[0069]
根据实施例3可知，在预处理后的每类故障的样本中随机的选取30％的样本数量作为测试集，随机取剩余的70％的样本中的60％作为训练集、20％作为验证集。
[0070]
用验证集的数据对训练过程中的cnn模型诊断准确率进行实时验证：若随着模型训练迭代次数的增加，验证集上的准确率与训练集上的准确率持续增涨时，则模型训练正常，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的cnn模型参数；若随着模型训练迭代轮数的增加，训练集上的准确率持续增涨而验证集上的准确率没有增涨，且两者准确率差达到预设值时，则诊断模型出现过拟合，停止模型训练，跳转执行将训练集的数据重新输入cnn模型，重新修改cnn模型结构参数，若重新验证时，没有出现过拟合，则说明模型参数合理，模型继续训练，直到训练集和验证集上的准确率达到设定的迭代轮数时，模型结束训练，保存最佳的cnn模型参数，若重新验证时出现过拟合，则停止训练，再重新修改cnn模型结构参数，继续验证，依此反复执行，直到验证成功。
[0071]
此处的cnn模型为改进的cnn模型，改进的cnn模型包括输入层1、特征提取层2、降维减参层3以及softmax分类输出层4，特征提取层2包含有第一卷积层21、第一池化层22、第二卷积层23、第二池化层24，在特征提取层2与softmax分类输出层4之间设置了降维减参层3用于替代传统卷积神经网络的全连接网络层，降维减参层3包含有一个卷积核为1
×
1的过渡卷积层31和一个全局均值池化层32，所述1
×
1的过渡卷积层31用于接收第二池化层24的输出特征图，全局均值池化层32的输出特征图直接作为softmax分类输出层4的输入，输入
层1接收预处理后的原始故障数据集，并将其传送给特征提取层2的第一卷积层21，其中，输入层1、第一卷积层21、第一池化层22、第二卷积层23、第二池化层24、1
×
1的过渡卷积层31、全局均值池化层32和softmax分类输出层4之间首尾依次相连接，构成完整的改进的cnn模型，将训练集的数据样本输入cnn模型用于模型参数的训练和学习，反复执行前向传播和反向传播迭代计算过程进行调参。
[0072]
实施例4
[0073]
如图4所示，一种基于cnn的变压器故障诊断装置，包括：
[0074]
采集模块10，用于采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；
[0075]
预处理模块20，用于对所述采集模块10得到的原始故障数据集进行预处理，得到多个二维特征图；
[0076]
训练模块30，用于将所述预处理模块20得到的多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；
[0077]
诊断模块40，用于获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述训练模块30训练的cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
[0078]
上述装置的一种实施方式可为：采集模块10采集各变压器油中溶解气体的多组监测数据及对应的多个故障标签，将多组所述监测数据与对应的故障标签组合得到原始故障数据集；预处理模块20对所述采集模块10得到的原始故障数据集进行预处理，得到多个二维特征图；训练模块30将所述预处理模块20得到的多个二维特征图输入cnn模型中进行训练得到cnn诊断模型；诊断模块40获取待诊断变压器油中溶解气体的实时监测数据，对所述实时监测数据进行相应的预处理后输入到所述训练模块30训练的cnn诊断模型中，输出所述待诊断变压器的故障标签，得到最终诊断结果。
[0079]
实施例5
[0080]
如图5所示，一种基于cnn的变压器故障诊断装置的预处理模块20包括：
[0081]
归一化单元22，用于对所述一维时间序列原始故障数据集进行数据标准化处理；
[0082]
数据截断单元24，用于利用等分截断对所述归一化单元22处理的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；
[0083]
格式重构单元26，用于对所述数据截断单元24划分的h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图。
[0084]
上述装置的预处理模块20的一种实施方式为：归一化单元22对所述一维时间序列原始故障数据集进行数据标准化处理；数据截断单元24利用等分截断对所述归一化单元22处理的原始故障数据集进行数据划分得到h个等长的一维时间序列数据段，每个一维时间序列数据段的长度为k个数据点，其中，h、k为大于1的整数；格式重构单元26对所述数据截断单元24划分的h个一维时间序列数据段分别进行数据格式重构，得到多个二维特征图。
[0085]
实施例6
[0086]
如图6所示，一种电子设备，包括存储器601和处理器602，所述存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现上
述的一种基于cnn的变压器故障诊断方法。
[0087]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0088]
一种存储有计算机程序的计算机可读存储介质，所述计算机程序使计算机执行时实现如上述的一种基于cnn的变压器故障诊断方法。
[0089]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器601中，并由处理器602执行，并由输入接口605和输出接口606完成数据的i/o接口传输，以完成本发明,一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机设备中的执行过程。
[0090]
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，存储器601、处理器602,本领域技术人员可以理解，本实施例仅仅是计算机设备的示例，并不构成对计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入器607、网络接入设备、总线等。
[0091]
处理器602可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器602、数字信号处理器602(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器602可以是微处理器602或者该处理器602也可以是任何常规的处理器602等。
[0092]
存储器601可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器601也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等,进一步地，存储器601还可以既包括计算机设备的内部存储单元也包括外部存储设备,存储器601用于存储计算机程序以及计算机设备所需的其他程序和数据,存储器601还可以用于暂时地存储在输出器608，而前述的存储介质包括u盘、移动硬盘、只读存储器rom603、随机存储器ram604、碟盘或光盘等各种可以存储程序代码的介质。
[0093]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。