配电网变压器运行状态评估方法及装置与流程

本发明涉及配电网，特别是配电网变压器运行状态评估方法及装置。

背景技术：

1、输配电系统普遍使用油浸式变压器，利用变压器油中溶解气体分析进行变压器故障诊断是常用方法，传统的状态评估方法主要包括停运监测和在线监测两种；停运监测是令变压器停止运行并开展一系列的检测工序，将导致下游供电区域失电，严重影响电网的供电可靠性；油中溶解气体分析法是应用最为广泛的一种在线监测方法(特征气体法、大卫三角形法等)，该类方法虽然简单，但大部分需依赖经验知识。当前，一些机器学习以及统计学习方法如支持向量机、人工神经网络等技术被应用于变压器运行状态评估当中，并取得了一定的效果。但是随着量测设备的大规模部署，监测数据已经呈指数型增长，在高维数据的处理和特征提取方面仍面临严峻的挑战，此外，目前的人工智能分析方法在处理特定类型设备的单一状态信息方面表现出色，能够在局部层面对设备的特定部件或故障类型进行准确分析和判断，但在泛化协调能力方面存在不足。

2、在上述背景下，以现有电力变压器为研究背景，以提升变压器运行状态评估方法的高维运行数据处理、复杂特征提取和评估泛化能力为目标，结合人工智能技术实现配电网变压器运行状态的智能诊断评估具有重要的工程实践价值。

技术实现思路

1、本发明采用深度学习中递归自编码器(recursive autoencoder,rac)对海量高维信号进行特征提取，基于rac提取的特征数据，应用门控循环神经网络建立状态评估模型，对变压器的各个状态进行识别；此外，本方法还在门控循环神经网络中添加了批归一化(batch normalization，bn)，以提升模型的泛化能力；同时，采用一种混沌社会群体优化算法，实现特征提取模型和状态评估模型中学习率的优化取值，最终完成基于多层级深度学习协同的配电网变压器运行状态评估方法的构建。

2、配电网变压器运行状态评估方法，包括如下步骤：

3、获取变压器历史数据；

4、构造基于递归自编码器的特征提取模型，并对特征提取模型进行训练；

5、构建考虑批归一化的门控循环神经网络的状态评估模型，对门控循环神经网络使用交叉熵损失函数通过按时间展开的反向误差传播算法进行训练；

6、当对变压器运行状态评估时，通过训练后的特征提取模型、门控循环神经网络，获得变压器运行状态。

7、进一步的，在对基于递归自编码器的特征提取模型、状态评估模型进行训练时，其学习率的自适应优化调整通过社会群体优化算法进行。

8、进一步的，所述的学习率的自适应优化调整方法为：

9、步骤一：初始化种群：设置参数初始值，根据logitic混沌映射初始化种群；其中每个个体表示一组学习率结果；

10、步骤二：计算个体的适应度值；其中个体的每个维度的值分别代表特征提取模型和状态评估模型学习率η和λ的数值；应用该学习率训练特征提取模型和状态评估模型，以正确识别率作为个体的适应度；

11、步骤三：第一次更新种群，并对新个体进行评价，若新解优于当前解，则将新解替换为当前解，否则，不进行更新操作；

12、步骤五：确定种群的全局最优解；

13、步骤六：第二次更新种群，并对新个体进行评价，若新解优于当前解，则将新解替换为当前解，否则，不进行更新操作；

14、步骤七：判断是否达到最大迭代次数，若达到则输出最优解，否则返回至步骤三，继续执行操作。

15、进一步的，所述步骤三中第一次更新种群时，按照下式进行更新：

16、x newi,j＝c×xoldi,j+r×(gbestj-xoldi,j)                        (20)

17、其中，c为自我反省系数，其取值通常为0-1，r为0-1的随机数，gbestj为当前迭代阶段最优个体的第j维基因，xoldi,j与x newi,j分别为第i个个体更新前、后的第j维基因。

18、进一步的，所示步骤六中第二次更新种群时，按照下式进行更新：

19、if f(xi)is better than f(xk)：

20、x newi,j＝xoldi,j+r1×(xi,j-xk,j)+r2×(gbestj-xi,j)                   (21)

21、else：

22、x newi,j＝xoldi,j+r1×(xk,j-xi,j)+r2×(gbestj-xi,j)                  (22)

23、其中，xi,j和xk,j分别为第i和k个个体的第j维基因，xoldi,j与x newi,j分别为第i个个体更新前、后的第j维基因，gbestj为当前迭代阶段最优个体的第j维基因，r1、r2均为0-1之间的随机数，f(xi)、f(xk)分别为第i个个体和第k个个体的适应度值。

24、进一步的，利用社会群体优化算法进行特征提取模型、状态评估模型的学习率自适应调整时，将全局最优个体的位置分别映射为特征提取模型和状态评估模型的学习率。

25、进一步的，在对所述状态评估模型的门控循环神经网络进行训练时，通过批归一化让输入的训练数据始终保持正态分布。

26、进一步的，所述门控循环神经网络的最终隐藏层后还有一个线性层，其输出为l，将线性层的输出l，输入至softmax函数来实现状态分类。

27、进一步的，在对基于递归自编码器的特征提取模型、状态评估模型的门控循环神经网络进行训练时，采用梯度下降法进行参数的更新。

28、进一步的，所述变压器历史数据需要进行归一化处理，归一化处理时选择z-score标准化方法。

29、配电网变压器运行状态评估装置，包括：

30、历史数据获取模块，用于获取变压器历史数据；

31、特征提取模型获取模块，用于构造基于递归自编码器的特征提取模型，并对特征提取模型进行训练；

32、状态评估模型获取模块，用于构建考虑批归一化的门控循环神经网络的状态评估模型，对门控循环神经网络使用交叉熵损失函数通过按时间展开的反向误差传播算法进行训练；

33、变压器运行状态获取模块，用于当对变压器运行状态评估时，通过训练后的特征提取模型、门控循环神经网络，获得变压器运行状态。

34、本发明的优点和积极效果是：

35、本发明根据递归自编码器、门控循环神经网络，提出了一种多层级深度学习协同的配电网变压器运行状态评估方法；采用递归自编码器进行特征提取，通过逐层的编码和解码操作，能够学习到变压器运行数据的多层次表示，有助于从不同抽象层次上理解数据，使模型能够捕捉更丰富的变压器运行特征；采用添加批归一化的门控神经网络进行状态评估，由于参数较少，更容易控制过拟合问题，提升状态评估方法的泛化能力，特别是在数据较少的情况下；此外，门控循环神经网络的计算效率比lstm更高，因为它的门控机制相对简单，减少了计算负担，这使得门控循环神经网络在实际应用中更适用于处理海量的变压器运行数据；综上所述，本发明所提方法具有较强的适应性，可为配电网变压器的运行状态评估提供有效的理论和实践参考。