本发明涉及变压器故障诊断,尤其涉及一种基于cnn自特征融合的变压器故障诊断方法和系统。
背景技术:
1、变压器作为电力系统中的重要设备之一,发生故障会对电力系统的稳定运行造成严重影响,通过故障诊断,可以及早发现和排除变压器故障的风险,保证变压器的正常运行,从而确保电力系统的稳定和安全。因此,对变压器进行故障针对具有必要性。
2、现有技术在进行变压器故障诊断时通常采用卷积神经网络(convolutionalneural network,cnn)进行分析。卷积神经网络在分类任务中表现出了强度的能力。但现有的基于cnn的变压器故障诊断中,对一维故障数据的处理能力较差,仅使用一维故障特征数据进行故障诊断,诊断结果是不可靠的,且未考虑到采用不同的网络结构对单一信号源进行故障特征提取时,得到的故障特征是不同的,其中包含互补的故障信息,导致故障特征没有被充分提取,影响最终的故障诊断性能。
技术实现思路
1、本发明提供了一种基于cnn自特征融合的变压器故障诊断方法和系统,用于解决现有的基于cnn的变压器故障诊断方法存在仅使用一维故障特征数据进行故障诊断会影响故障诊断结果的可靠性,且未考虑到采用不同的网络结构对单一信号源进行故障特征提取时,得到的故障特征是不同的,会导致故障特征没有被充分提取,影响最终的故障诊断性能的技术问题。
2、有鉴于此,本发明第一方面提供了一种基于cnn自特征融合的变压器故障诊断方法,包括:
3、获取变压器的振动信号;
4、采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作,得到一维特征;
5、采用二维深度可分离卷积神经网络对变压器的振动信号进行二维特征提取,得到二维特征;
6、将一维特征和二维特征进行拼接,得到目标特征数据;
7、将目标特征数据输入softmax回归分类模型中,得到故障类型。
8、可选地,采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作,得到一维特征,包括:
9、基于一维特征学习模型采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作,得到初始一维特征,卷积操作公式为:
10、
11、其中,为第i个卷积核对输入x1卷积的一维结果,x1为第2层卷积-池化模块的第1个位置的输出神经元,c为卷积核的数量,为第2层卷积层对应的第i个输出的偏置,cov1d为一维卷积操作,wi1为第2层卷积层的权值,f(·)为激活函数;
12、对初始一维特征进行最大池化操作降维,得到一维降维特征;
13、对一维降维特征进行标准化处理,得到一维标准化特征;
14、对一维标准化特征进行5次一维特征提取、最大池化操作降维和标准化处理,得到一维特征。
15、可选地,采用二维深度可分离卷积神经网络对变压器的振动信号进行二维特征提取,得到二维特征,包括:
16、将变压器的振动信号转换为二维图谱;
17、采用二维深度可分离卷积神经网络对二维图谱进行二维卷积操作,得到初始二维特征,二维卷积操作为:
18、
19、其中,其中,为第i个卷积核对输入x2卷积的二维结果,为第3层卷积层对应的第i个输出的偏置,cov2d为二维卷积操作,wi2为第3层卷积层的权值,x2为第3层卷积-池化模块的第1个位置的输出神经元,f(·)为激活函数;
20、对初始二维特征进行最大池化操作降维,得到二维降维特征;
21、对二维降维特征进行标准化处理,得到标准化二维特征;
22、对标准化二维特征进行5次二维特征提取、最大池化操作降维和标准化处理,得到二维特征。
23、可选地,将变压器的振动信号转换为二维图谱,包括:
24、采用预置长度的窗口对变压器的振动信号进行分割,得到多个信号块;
25、对多个信号块按信后顺序在二维上进行排列,组成二维图谱。
26、可选地,将一维特征和二维特征进行拼接,得到目标特征数据包括:
27、将一维特征和二维特征分别进行拉伸操作;
28、将一维特征的拉伸操作结果与二维特征的拉伸操作结果进行拼接,得到目标特征数据。
29、可选地,预置长度为4096个字节。
30、本发明第二方面提供了一种基于cnn自特征融合的变压器故障诊断系统,包括:
31、信号获取模块,用于获取变压器的振动信号;
32、一维特征提取模块,用于采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作,得到一维特征;
33、二维特征提取模块,用于采用二维深度可分离卷积神经网络对变压器的振动信号进行二维特征提取,得到二维特征;
34、拼接模块,用于将一维特征和二维特征进行拼接,得到目标特征数据;
35、故障分类模块,用于将目标特征数据输入softmax回归分类模型中,得到故障类型。
36、可选地,一维特征提取模块具体用于:
37、基于一维特征学习模型采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作,得到初始一维特征,卷积操作公式为:
38、
39、其中,为第i个卷积核对输入x1卷积的一维结果,x1为第2层卷积-池化模块的第1个位置的输出神经元,c为卷积核的数量,为第2层卷积层对应的第i个输出的偏置,cov1d为一维卷积操作,wi1为第2层卷积层的权值,f(·)为激活函数;
40、对初始一维特征进行最大池化操作降维,得到一维降维特征;
41、对一维降维特征进行标准化处理,得到一维标准化特征;
42、对一维标准化特征进行5次一维特征提取、最大池化操作降维和标准化处理,得到一维特征。
43、可选地,二维特征提取模块具体用于:
44、将变压器的振动信号转换为二维图谱;
45、采用二维深度可分离卷积神经网络对二维图谱进行二维卷积操作,得到初始二维特征,二维卷积操作为:
46、
47、其中,其中,为第i个卷积核对输入x2卷积的二维结果,为第3层卷积层对应的第i个输出的偏置,cov2d为二维卷积操作,wi2为第3层卷积层的权值,x2为第3层卷积-池化模块的第1个位置的输出神经元,f(·)为激活函数;
48、对初始二维特征进行最大池化操作降维,得到二维降维特征;
49、对二维降维特征进行标准化处理,得到标准化二维特征;
50、对标准化二维特征进行5次二维特征提取、最大池化操作降维和标准化处理,得到二维特征。
51、可选地,将变压器的振动信号转换为二维图谱,包括:
52、采用预置长度的窗口对变压器的振动信号进行分割,得到多个信号块;
53、对多个信号块按信后顺序在二维上进行排列,组成二维图谱。
54、从以上技术方案可以看出,本发明提供的基于cnn自特征融合的变压器故障诊断方法和系统具有以下优点:
55、本发明提供的基于cnn自特征融合的变压器故障诊断方法,在采用一维深度可分离卷积神经网络对变压器的振动信号进行一维卷积操作的同时,还采用二维深度可分离卷积神经网络对变压器的振动信号进行二维特征提取,将一维特征和二维特征进行拼接后输入softmax回归分类模型中,得到故障类型,一方面避免了仅使用一维故障特征数据带来的故障诊断结果不可靠的问题,另一方面可以提取多样化的故障特征,弥补了故障信息的丢失,且二维卷积可以提取非相邻区间内信号的相关性特征,考虑了故障数据的整体信息,解决了现有的基于cnn的变压器故障诊断方法存在仅使用一维故障特征数据进行故障诊断会影响故障诊断结果的可靠性,且未考虑到采用不同的网络结构对单一信号源进行故障特征提取时,得到的故障特征是不同的,会导致故障特征没有被充分提取,影响最终的故障诊断性能的技术问题。
56、本发明提供的基于cnn自特征融合的变压器故障诊断系统,用于执行本发明提供的基于cnn自特征融合的变压器故障诊断方法,其原理与所取得的技术效果与本发明提供的基于cnn自特征融合的变压器故障诊断方法相同,在此不再赘述。