CN113537247B - 一种针对换流变压器振动信号的数据增强方法 - Google Patents

Abstract

本发明涉及一种针对换流变压器振动信号的数据增强方法，属于电力领域。该方法首先通过计算振动信号序列的马尔科夫变迁场(MTF)矩阵，将其转换为一个二维特征图以保留时间序列的相关性。在此基础上引入自注意力模块以优化生成网络，其可以接受远距离像素点之间的信息,实现各个像素点之间的全局感受野。同时，鉴别网络采用不同大小的卷积核用于并行特征提取以增加感受野的范围并获得更深层次的特征。该模型根据实测换流站振动信号建立二维图像数据集，可进一步生成有效训练数据，解决由于数据集数量不平衡导致的换流变压器状态识别准确率低的问题。

Description

一种针对换流变压器振动信号的数据增强方法

技术领域

本发明属于电力领域，涉及一种针对换流变压器振动信号的数据增强方法。

背景技术

随着计算机技术的发展以及硬件的进一步升级，在深度学习领域得以出现越来越多的输变电设备故障分类模型。在超高压直流输电***中，换流变压器是其中重要的一部分，其能否安全运行直接关系到整个输电***的稳定。当前基于振动信号的变压器状态评估已引起人们广泛的重视，但国内外对于其状态评估方法的研究较少。其主要的原因如下：

(1)换流变压器是特高压直流输电的关键装备，造价十分昂贵。其在特殊工况下的振动数据很难获得，这也会导致其相关数据集的样本数量严重不平衡。

(2)换流变压器的振动信号是高度复杂的，其基于时间序列的深度学习模型训练困难且效率低。

深度学习网络包含多个隐藏层，其需要训练的自由参数数目很庞大。因此，训练集数据的质量和数量是决定深度学习分类效果的重要因素。如何用更少的实际样本有效地生成大量的高质量的人造数据样本仍存在挑战。

传统的时间序列数据增强方法大致可以分为转换方法、平均方法、统计抽样方法。转换方法通过对原始信号添加高斯噪声、屏蔽噪声、信号翻译、振幅偏移和时间拉伸来实现。平均方法采用多组权重对全部或者部分原始时间序列加权以合成新的时间序列。抽样方法侧重使用一些数据预处理技术，如上采样、下采样以减少数据种类之间的不平衡。上述方法有助于解决不平衡的数据集问题，但只有通过转换方法得到的新信号其多样性不会有质的变化。所以其效果还需进一步提高。

生成对抗网络由Goodfellow等人于2014年提出，其现已经成为用于解决数据不足的主流方法。它被应用于许多领域，且对于生成对抗网络的改进也有不少相关研究。尽管这些研究都取得了不少成果，但在时间序列的信号的训练过程中容易丢失时间相关性和训练效率低的问题仍未解决。其存在如下问题：

(1)由于全连接层或一维序列的卷积层对于一维时间序列的特征提取能力不足，导致其生成的数据质量很差。

(2)一维卷积层和全连接层中有大量的参数需要训练使网络较难收敛。

为解决上述问题，本发明提出了一种针对换流变压器振动信号的数据增强方法。

首先，计算振动信号序列的马尔科夫变迁场(MTF)矩阵，将其转换为一个二维特征图以保留时间序列的相关性。在此基础上引入自注意力模块以优化生成网络，其可以接收远距离像素点之间的信息,实现各个像素点之间的全局感受野。同时，鉴别网络采用不同大小的卷积核用于并行特征提取以增加感受野的范围并获得更深层次的特征。最后，根据实测换流站振动信号建立二维图像数据集，并进行一系列对比实验，验证了模型的有效性。

发明内容

有鉴于此，本发明的目的在于提供一种针对换流变压器振动信号的数据增强方法。

为达到上述目的，本发明提供如下技术方案：

一种针对换流变压器振动信号的数据增强方法，该方法包括以下步骤：

S1：采集换流变压器振动加速度信号；

S2：根据马尔可夫变迁场矩阵计算方法，计算振动信号的一次概率转移矩阵和马尔可夫变迁场矩阵，将矩阵元素对应到二维图像中的灰度值并经伪彩色处理形成二维特征图谱；

S3：基于对抗生成网络将自注意力模块引入生成网络同鉴别网络构成改进的数据增强整体模型；

S4：将二维特征图谱输入数据增强整体模型，得到生成的新特征图谱；

S5：采用二维卷积神经网络用原图谱与新生成图谱进行换流变状态分类实验，验证数据增强方法的有效性。

可选的，所述S1具体为：

使用压电式加速度传感器，选定换流变压器箱体上的测量点并贴附加速度传感器，在换流变压器负载和空载时测量箱体振动信号，采集频率应远小于传感器固有频率。

可选的，所述S2具体为：

S21：将离散时间信号序列Y＝{y₁,y₂,…,y_n}根据其幅值大小分为Z个集合，每个序列数值都对应唯一集合a_k，k∈{1,2,3…Z}；

S22：计算一次概率转移矩阵W，矩阵大小为[Z,Z]；

S23：依据一次概率转移矩阵W计算马尔可夫变迁场矩阵M，矩阵大小为[n,n]；

S24：将二维M矩阵元素值与灰度图的灰度值相对应生成灰度图片，采用伪彩色处理方法将灰度图转换为彩色特征图谱。

可选的，所述计算一次概率转移矩阵W包括如下步骤：

对于换流变压器振动信号Y＝{y₁,y₂,...,y_n}，其中y_i表示离散信号序列在该点处的幅值大小，i＝1,2,...,n，按照离散信号序列幅值分为Z个集合，每一幅值对应唯一集合a_k；

建立一个Z×Z大小的一次概率转移矩阵W，如式(1)(2)所示；

w_ij＝p{y_t+1∈a_j|y_t∈a_i}                         (2)

式(2)中y_t表示离散时间序列Y中t时刻的序列幅值，y_t+1表示离散时间序列Y中t+1时刻序列幅值，w_ij表示前一时刻序列幅值y_t∈a_i且后一时刻序列幅值y_t+1∈a_j时的概率；a_i和a_j分别表示k＝i和k＝j所对应的a_k幅值集合。

可选的，所述计算马尔可夫变迁场矩阵M包括如下步骤：

定义马尔科夫变迁场MTF矩阵M如式(3)(4)所示；m_ij表示a_i→a_j的转移概率，即计算了离散时间序列Y的多跨度概率转移矩阵；

m_ij＝p{w_ij|y_i∈a_i,y_j∈a_j}                        (4)

m_ij表示y_i属于其幅值对应的子集a_i，y_j属于其幅值对应的集合a_j时的一次转移概率。

可选的，所述数据增强整体模型具体为：

S31：对抗生成网络中的生成网络引入自注意力模块；

S32：鉴别网络选择大小不同的卷积核进行并行特征提取；

S33：整体数据增强模型网络损失函数计算方法选择自适应时刻估计方法，训练目标函数选择二元交叉熵函数；

S34：以随机噪声为数据增强整体模型的输入，生成网络生成新图谱以图欺骗鉴别网络，鉴别网络鉴别图谱以图识别生成图谱，通过二者博弈实现生成图谱不断接近真实图谱，实现数据增强效果。

可选的，所述自注意力模块具体为：

自注意力模块的实现过程使用公式(5)描述：

其中，x代表特征图谱，x_i代表当前关注位置的信息，x_j代表全局信息；f是线性嵌入，代表的是f(x_i)＝W_i·x_i，W是需要学习的权重矩阵，在空间上的实际操作是用一个1×1大小的卷积实现的，g和h同f；z_i为输出特征图谱。

可选的，所述二元交叉熵函数具体为：

二元交叉熵函数被定义为式(6)、(7)，基于二元交叉熵函数的模型参数更新通过随机梯度下降SGD进行；

其中P_data是真实数据分布；P(z)是随机噪声向量z的先验分布；D(x)表示x来自真实数据而不是生成数据的概率；

是真实数据分布P_data的期望；E_z～P(z)是随机噪声z的期望。

本发明的有益效果在于：该方法通过计算马尔可夫变迁场矩阵(MTF)将一维振动信号转换为二维矩阵，并将矩阵元素对应到灰度图经伪彩色处理形成特征图谱。通过在生成对抗网络的生成网络中引入自注意力模块以改进生成对抗网络，最终构成基于MTF和改进生成对抗网络的整体数据增强方法。该方法可以有效解决由于数据量的不平衡而导致的分类模型准确率低的问题，其具有良好的工程应用前景，可为基于换流变压器振动信号的故障监测和识别提供理论和方法依据。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为改进的生成对抗网络的生成网络；

图2为改进的鉴别网络示意图。

图3为数据增强模型整体图；

图4为不同迭代次数下的产生的特征图像；

图5为不同训练次数时的损失函数值图；

图6为真实的特征图像与生成的特征图像。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

参见图1～图6。图1和图2分别是改进的生成对抗网络的生成网络和鉴别网络示意图。图3是基于生成对抗网络的数据增强模型整体图。图4是不同迭代次数下的产生的特征图像。图5是不同训练次数时的损失函数值图。图6为真实的特征图谱与生成的特征图谱。

本发明提出一种针对换流变压器振动信号的数据增强方法。该方法通过采集换流变压器振动信号并计算马尔可夫变迁场矩阵(MTF)将一维振动信号转换为二维矩阵，并将矩阵元素对应到灰度图经伪彩色处理形成特征图谱。通过在生成对抗网络的生成网络中引入自注意力模块以改进生成对抗网络并构成基于MTF和改进生成对抗网络的整体数据增强方法。以随机噪声为生成对抗网络输入，通过生成网络与鉴别网络的博弈实现生成图谱向真实图谱的逼近，最终实现数据增强效果。其采用如下步骤实现：

(1)采集换流变压器振动数据。

选择加速度传感器测量换流变压器振动信号。在空载试验中换流变压器在N抽头下，电网侧开路，电网侧中性点接地。变化的电压逐渐加到阀侧测量80％(112.7kV)、90％(126.8kV)、100％(140.9kV)、106％(150kV)、107％(152kV)、110％(155kV)的振动信号。

在负载试验中，直接测量在不同电压等级换流变压器的振动信号。选择DH5902N作为数据采集和分析***用于振动信号的测试。传感器为IEPE压电加速度传感器，传感器型号为1A941E,其轴向灵敏度为100mv/g,频率为20kHZ。传感器直接贴附在换流变压器油箱表面进行测量。空载试验选择12个测量点，负载实验选择24个测量点(直流场和交流场共12个测量点)。

(2)二维特征图谱的生成

计算振动信号的马尔可夫概率转移矩阵和马尔可夫变迁场矩阵，将马尔可夫变迁场矩阵中元素对应到二维图像的灰度并经过伪彩色处理形成特征图谱。

(3)数据增强方法生成特征图谱

改进的生成对抗网络的生成网络和鉴别网络示意图如图1和图2所示。数据增强整体模型图如图3所示。

换流变压器的空载试验数据只能通过例行试验获得，空载数据的数量与负载数据的数量严重不平衡。因此，选择空载和负载作为数据标签。选择本发明数据增强方法对空载情况下所有电压等级图谱进行数据增强。图4展现了不同训练次数时生成图谱的效果。图5显示训练过程中生成网络和鉴别网络的损失函数值。当训练的次数到达1000次的时候，生成网络和鉴别网络的损失函数值收敛到0.7并保持小幅的震荡。其表明该网络实现了纳什平衡，即取得最优解。在不同电压等级下，真实的特征图谱和生成的特征图谱如图6所示。对生成图谱与实际图谱进行相似性分析以及对比分类以辨别本发明提出数据增强方法的有效性。

a)生成图像质量的对比

通过比较原始特征图谱和生成特征图谱的相似性来辨别数据增强模型的优越性。在表1中含有结构相似性(SSIM)、特征相似性(FSIM)、峰值信噪比(PSNR)三种常用的图像质量定量指标。SSIM比较并测量两图像样本的亮度、对比度、和结构。FSIM是SSIM的一种变体，其通过引入相位一致性和梯度幅值来作为SSIM的补充。PSNR通过计算两图谱的峰值信噪比来评价生成图像的质量。

表1 图谱评价指标的对比

b)分类效果对比

残差卷积神经网络被用作换流变压器运行状态的分类。为了解本发明提出数据增强方法在分类模型中的表现。首先，将训练集中的真实载入数据图谱数量设置为4000。在此基础上，为便于比较展开3种类型的分类实验，如表2～表4所示。第一种类型为没有使用数据增强方法，同时空载训练数据集仅包含真实的空载数据图谱。第二种类型为在空载训练数据集中真实数据和生成数据各占50％。第三种类型为空载训练数据集仅包含生成的图谱。三组对比状态试验的识别率如表2、3、4。

表2 对比实验1

表3 对比实验2

表4 对比实验3

可见，当空载数据数量接近于负载数据数量时。使用本发明提出的数据增强方法的生成的图谱作为附加的训练数据能够有效的解决由数据集数量的不平衡所引起状态识别模型的低识别率问题。当空载数据图谱的数量到3000时，同时真实数据图谱和生成数据图谱各占50％。其分类准确率与空载数据集全为真实数据相接近。即使全为生成图谱，其准确率仍达到82.566％。

综上所述，本发明所提出的数据增强方法在实际的应用中SSIM、FSIM、PSNR三种评价指标都优于传统的生成对抗网络的数据增强方法。该数据增强方法的引入可以生成有效训练数据，解决由于数据集数量不平衡导致的换流变压器状态识别准确率低的问题。

本发明提出的数据增强方法相较于传统的基于生成对抗网络的数据增强方法其生成图谱质量更优，其可有效解决神经网络训练数据数量不平衡的问题，并为后续换流变压器状态识别与诊断提供方法依据。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种针对换流变压器振动信号的数据增强方法，其特征在于：该方法包括以下步骤：

S1：采集换流变压器振动加速度信号；

S2：根据马尔可夫变迁场矩阵计算方法，计算振动信号的一次概率转移矩阵和马尔可夫变迁场矩阵，将矩阵元素对应到二维图像中的灰度值并经伪彩色处理形成二维特征图谱；

S3：基于对抗生成网络将自注意力模块引入生成网络同鉴别网络构成改进的数据增强整体模型；

S4：将二维特征图谱输入数据增强整体模型，得到生成的新特征图谱；

S5：采用二维卷积神经网络用原图谱与新生成图谱进行换流变状态分类实验，验证数据增强方法的有效性。

2.根据权利要求1所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述S1具体为：

使用压电式加速度传感器，选定换流变压器箱体上的测量点并贴附加速度传感器，在换流变压器负载和空载时测量箱体振动信号，采集频率应远小于传感器固有频率。

3.根据权利要求2所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述S2具体为：

S21：将离散时间信号序列Y＝{y₁,y₂,…,y_n}根据其幅值大小分为Z个集合，每个序列数值都对应唯一集合a_k，k∈{1,2,3…Z}；

S22：计算一次概率转移矩阵W，矩阵大小为[Z,Z]；

S23：依据一次概率转移矩阵W计算马尔可夫变迁场矩阵M，矩阵大小为[n,n]；

S24：将二维M矩阵元素值与灰度图的灰度值相对应生成灰度图片，采用伪彩色处理方法将灰度图转换为彩色特征图谱。

4.根据权利要求3所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述计算一次概率转移矩阵W包括如下步骤：

对于换流变压器振动信号Y＝{y₁,y₂,...,y_n}，其中y_i表示离散信号序列在该点处的幅值大小，i＝1,2,...,n，按照离散信号序列幅值分为Z个集合，每一幅值对应唯一集合a_k；

建立一个Z×Z大小的一次概率转移矩阵W，如式(1)(2)所示；

w_ij＝p{y_t+1∈a_j|y_t∈a_i} (2)

式(2)中y_t表示离散时间序列Y中t时刻的序列幅值，y_t+1表示离散时间序列Y中t+1时刻序列幅值，w_ij表示前一时刻序列幅值y_t∈a_i且后一时刻序列幅值y_t+1∈a_j时的概率；a_i和a_j分别表示k＝i和k＝j所对应的a_k幅值集合。

5.根据权利要求4所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述计算马尔可夫变迁场矩阵M包括如下步骤：

定义马尔科夫变迁场MTF矩阵M如式(3)(4)所示；m_ij表示a_i→a_j的转移概率，即计算了离散时间序列Y的多跨度概率转移矩阵；

m_ij＝p{w_ij|y_i∈a_i,y_j∈a_j} (4)

m_ij表示y_i属于其幅值对应的子集a_i，y_j属于其幅值对应的集合a_j时的一次转移概率。

6.根据权利要求1所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述数据增强整体模型具体为：

S31：对抗生成网络中的生成网络引入自注意力模块；

S32：鉴别网络选择大小不同的卷积核进行并行特征提取；

S33：整体数据增强模型网络损失函数计算方法选择自适应时刻估计方法，训练目标函数选择二元交叉熵函数；

S34：以随机噪声为数据增强整体模型的输入，生成网络生成新图谱以图欺骗鉴别网络，鉴别网络鉴别图谱以图识别生成图谱，通过二者博弈实现生成图谱不断接近真实图谱，实现数据增强效果。

7.根据权利要求6所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述自注意力模块具体为：

自注意力模块的实现过程使用公式(5)描述：

其中，x代表特征图谱，x_i代表当前关注位置的信息，x_j代表全局信息；f是线性嵌入，代表的是f(x_i)＝W_i·x_i，W是需要学习的权重矩阵，在空间上的实际操作是用一个1×1大小的卷积实现的，g和h同f；z_i为输出特征图谱。

8.根据权利要求6所述的一种针对换流变压器振动信号的数据增强方法，其特征在于：所述二元交叉熵函数具体为：

二元交叉熵函数被定义为式(6)、(7)，基于二元交叉熵函数的模型参数更新通过随机梯度下降SGD进行；

其中P_data是真实数据分布；P(z)是随机噪声向量z的先验分布；D(x)表示x来自真实数据而不是生成数据的概率；

是真实数据分布P_data的期望；

是随机噪声z的期望。

Images