CN115828088A - 基于深度学习的高压并联电抗器振动异常故障诊断方法 - Google Patents

Abstract

本发明涉及电力***故障诊断技术领域，具体为基于深度学习的高压并联电抗器振动异常故障诊断方法，包括以下步骤：电抗器振动信号采集；数据预处理，将时序振动信号转化为图像信号；建立数据集；进行Incep‑DenseNet网络故障诊断训练与测试；有益效果为：本发明提出的基于深度学习的高压并联电抗器振动异常故障诊断方法通过多尺度特征提取和多层次特征融合的优势，能够挖掘隐藏在电抗器振动信号中的深度抽象数据特征，准确地建立故障数据特征与故障类型间的映射关系，实现高精度地高压电抗器振动异常故障高精度诊断。当面对海量数据时，基于Incep‑DenseNet深度学习网络的方法能够快速从复杂数据中提取鲁棒性好及故障敏感度高的特征，保证故障诊断的实时性和可靠性。

Description

基于深度学习的高压并联电抗器振动异常故障诊断方法

技术领域

本发明涉及电力***故障诊断技术领域，具体为基于深度学习的高压并联电抗器振动异常故障诊断方法。

背景技术

高压并联电抗器常用于补偿超高压线路的容性充电功率，有利于限制电力***中工频电压升高和降低超高压***的绝缘水平，是保证电力***安全可靠运行的关键设备。与变压器类似，电抗器同样具有绕组铁芯结构且存在着多气隙铁芯饼的特殊结构，在长期运行过程中，经常由于振动大噪声强而导致各类型故障发生。例如，内部套管的均压环由于振动过大而断裂，牵拉筋振动过大将油箱拉裂而造成漏油现象，散热片由于振动过大造成连接螺栓分离，进而导致散热片出现裂痕。因此，如果不能及时发现振动异常现象，以致加剧振动，长此以往，恶性循环，最终导致电抗器因振动过大而停运，甚至造成严重事故。因此，准确检测识别高压并联电抗器振动异常现象，并及时对设备进行预测性维护，是提高电力***安全性和可靠性的关键。

现有技术中，油浸式高压电抗器故障诊断技术主要分为两大类，包括基于经验的诊断方法以及基于数据的诊断方法。采用基于经验的故障诊断方法对高压电抗器进行诊断时，需要积累大量的专家知识，才能实现较准确的故障判断。然而，当电抗器实际工况变化时，专家知识因不够全面可能会出现识别偏差，从而导致基于经验的故障诊断方法的鲁棒性和可靠性较差。而基于数据的故障诊断方法通常采用信号处理技术对电抗器运行中采集的数据进行分析，通过提取可以表征电抗器运行状态的特征向量，采用模式识别方法来确定电抗器的运行状态及对应的故障类型。

但是，与基于经验的电抗器故障诊断方法相比，采用基于数据的故障诊断方法对电抗器运行状态进行诊断时不需要任何先验信息及专家知识，因此受到更多的关注。然而，目前对于高压电抗器振动异常的检测都是通过信号处理的方式进行，例如傅里叶变换、经验模态分解等方法。但是，随着电抗器的长期运行，会积累大量各种健康状态数据，当对这些海量数据进行分析处理时，基于信号处理的方法的实时性和可靠性将受到极大挑战。

发明内容

本发明的目的在于提供基于深度学习的高压并联电抗器振动异常故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于深度学习的高压并联电抗器振动异常故障诊断方法，该异常故障诊断方法包括以下步骤：

电抗器振动信号采集；

数据预处理，将时序振动信号转化为图像信号；

建立数据集；

进行Incep-DenseNet网络故障诊断训练与测试。

优选的，时序振动信号转化为图像信号时，原始一维数据按顺序被均分为N段，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点；S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N,k＝1,2,…,N,代表图像中的像素点；转化过程依据下式：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

优选的，基于Incep-DenseNet网络搭建多尺度卷积层及密集连接网络架构，实现了多尺度特征提取和多层次特征融合；Incep-DenseNet网络包括Inception模块。

优选的，Inception模块由4种不同的特征提取模式组成，包括1x1卷积核、3x3卷积核、5x5卷积核以及3x3池化核。

优选的，通过Concat融合操作将不同尺度特征图并行拼接，实现对Inception模块输入数据的多尺度特征提取与融合。

优选的，在Inception模块内，输入数据都要先经过批量归一化以及Relu函数激活后再执行卷积操作；归一化使得网络中每层输入数据的分布相对稳定从而加速模型学习速度，且降低模型对网络参数的敏感度、简化调参过程，使得网络学习更加稳定；Relu激活函数不存在饱和问题，避免训练过程种梯度消失，使得深层网络加速收敛。

优选的，在Incep-Dense模块内部，每个网络层的输出与后续所有网络层输入直接建立联系。

优选的，Incep-Dense模块中的每个网络层输入通过密集连接方式将前面所有网络层的输出特征图并行拼接Concat操作，实现特征复用与多层次特征融合。

优选的，Incep-DenseNet网络由4个Incep-Dense模块组成，毗邻的Incep-Dense模块通过瓶颈层连接。

优选的，在数据处理过程中，通过卷积层对输入数据进行特征提取，特征图逐次经由4个Incep-Dense模块进行多尺度特征提取与多层次特征融合，经由全连接层和softmax层执行特征分类。

与现有技术相比，本发明的有益效果是：

本发明提出的基于深度学习的高压并联电抗器振动异常故障诊断方法通过多尺度特征提取和多层次特征融合的优势，能够挖掘隐藏在电抗器振动信号中的深度抽象数据特征，准确地建立故障数据特征与故障类型间的映射关系，实现高精度地高压电抗器振动异常故障高精度诊断。此外，当面对海量数据时，基于Incep-DenseNet深度学习网络的方法能够快速从复杂数据中提取鲁棒性好及故障敏感度高的特征，保证故障诊断的实时性和可靠性。

附图说明

图1为数据预处理方法示意图；

图2为Incep-Dense模块示意图；

图3为Incep-DenseNet网络架构示意图；

图4为基于Incep-DenseNet深度学习网络的电抗器振动异常故障诊断流程图；

图5为电抗器振动异常故障检测装置图；

图6为不同状态下振动波形示意图(g为重力加速度)；

图7为不同状态下振动信号频谱图；

图8为基于Incep-DenseNet模型的电抗器振动异常故障诊断结果示意图。

具体实施方式

为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，本领域普通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。

实施例一

请参阅图1至图4，本发明提供一种技术方案：基于深度学习的高压并联电抗器振动异常故障诊断方法，该异常故障诊断方法包括以下步骤：

电抗器振动信号采集；

数据预处理，将时序振动信号转化为图像信号；

建立数据集；

进行Incep-DenseNet网络故障诊断训练与测试。

数据预处理

图1中左边坐标系中是电抗器时序振动信号，右边是由一维时序振动信号转化的二维图像矩阵。在转化过程中，原始一维数据按顺序被均分为N段。然后，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点。S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N,k＝1,2,…,N,代表图像中的像素点。转化过程依据下式。

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

Incep-DenseNet网络架构

为了挖掘更丰富的深度抽象特征，本专利提出一种新型Incep-DenseNet网络，通过搭建多尺度卷积层及密集连接网络架构，实现了多尺度特征提取和多层次特征融合，极大提高了高压电抗器振动异常故障的可靠性和鲁棒性。

多尺度卷积

如图2所示，Inception模块由4种不同的特征提取模式组成，包括1x1卷积核、3x3卷积核、5x5卷积核以及3x3池化核。不同尺度的卷积核或池化核可以提取不同尺度的数据特征，再通过Concat融合操作将不同尺度特征图并行拼接(如图中x0,x1,x2,x3所示)，最终实现对Inception模块输入数据的多尺度特征提取与融合。

在Inception模块内，输入数据都要先经过批量归一化(BN)以及Relu函数激活后再执行卷积操作。一方面，BN既可以使得网络中每层输入数据的分布相对稳定从而加速模型学习速度，又可以降低模型对网络参数的敏感度、简化调参过程，使得网络学习更加稳定。另一方面，Relu激活函数不存在饱和问题，解决了训练过程种梯度消失问题，使得深层网络加速收敛。

密集连接架构

为了促进不同网络层之间的数据流通，本方法中利用了一种新型网路连接架构(如图2所示)：在Incep-Dense模块内部，每个网络层的输出与后续所有网络层输入直接建立联系，即密集连接架构。Incep-Dense模块中的每个网络层输入通过密集连接方式将前面所有网络层的输出特征图并行拼接(Concat操作)，进而实现特征复用与多层次特征融合。一方面，网络通过特征复用可以进行特征再学习，挖掘更丰富的深层次抽象特征。另一方面，多层次特征融合可以融合低层次特征和高层次特征，利用不同层次特征之间的互补性来融合特征之间的优点，进而改善模型的性能。

如图3所示，Incep-DenseNet网络由4个Incep-Dense模块组成，毗邻的Incep-Dense模块通过瓶颈层(卷积+池化)连接。在数据处理过程中，首先通过卷积层对输入数据进行特征提取，然后特征图逐次经由4个Incep-Dense模块进行多尺度特征提取与多层次特征融合，最后经由全连接层和softmax层执行特征分类。Incep-DenseNet网络的具体结构参数如表1所示。

综上所述，Incep-DenseNet网络架构具有多尺度特征提取和多层次特征融合的突出优势，能够从微弱的电抗器诊断信号中提取丰富的诊断信息，建立准确的数据特征与电抗器故障状态的映射关系，有利于实现电抗器振动异常故障高精度诊断。

表1 Incep-DenseNet网络结构参数

实施例二

通过利用本专利技术方案对高压电抗器振动异常故障进行故障诊断，并介绍本专利方法的实施过程，以及突出说明本专利方法的优点。

实验数据：

电抗器振动试验采用压电式加速度振动传感器采集油箱表面振动信号方式，加速度传感器通过磁铁吸附在油箱表面，分辨率为1000Mv/g(其中，g为重力加速度9.8m/s2)，具有重量轻、量程大的特点。高压电抗器主要参数如表2所示。

表2油浸式高压并联电抗器主要参数

油箱不同位置处的振动由铁芯和绕组等多种振动源共同耦合叠加产生，由于振动源与振动贡献率的不同，不同测点采集的振动信号也不尽相同。若多相多振动源同时作用，造成振动加速度与电压平方的线性度关系下降，此位置测点对电抗器内部机械故障的分析造成困难。若只有单相振动源单独作用，其振动加速度与电压平方成线性关系，此测点位置的振动信号将更容易出现明显变化，对故障更加敏感，因此，可以选择线性度良好的位置为最佳测点。

根据文献研究可知，油箱上大部分测点振动偏大，而中间区域振动信号直接通过变压器油传播会形成衰减。由于振动过大会降低对内部轻微机械故障的灵敏度，不利于电抗器故障诊断。因此，选择振动相对较小的油箱表面中心区域作为测点更能灵敏的反映电抗器内部振动异常故障。实验加速度传感器布置位置如图5所示。

在故障实验中，通过松动螺杆模拟铁芯绕组松动故障，并将螺杆松动4N·m(故障1)、8N·m(故障2)以及12N·m(故障3)作为三种不同程度的电抗器振动异常故障，正常状态时螺杆设置为额定预紧力。四种不同状态下的振动数据如图6所示。

从图6结果中可以得到，当电抗器振动异常故障发生时，其振动信号和正常工况下信号区别微弱。只有在振动故障较严重时(故障3)，其振动加速度幅值会小幅度增加。在原始信号分析基础上，对振动信号进行傅里叶变换得到信号频谱，如图7所示。从图中可以看到，振动信号主要由主频100Hz、200Hz、300Hz组成，含少量高频成分。当振动故障逐渐严重时，主频成分会有微弱降低。但是，总体来看，四种工况的频谱很相近，很难为故障判断提供有价值的信息。

为了能够完成Incep-DenseNet网络模型的训练和测试，我们将4种工况下电抗器的振动数据分为训练组和测试组，如表3所示。

表3.基于图像的故障诊断结果统计表

网络训练过程如图8(a)和(b)所示，网络在经过200次训练后成功收敛。在训练集和测试集上的诊断准确率高达94.7％，说明该网络过拟合问题已解决。为了进一步证明该网络的电抗器振动故障诊断高效性，图8(c)计算得出网络诊断结果的混淆矩阵。从混淆矩阵中可直观分析得到，对于每种电抗器健康状态，Incep-DenseNet网络模型都可实现高精度诊断。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于，该异常故障诊断方法包括以下步骤：

电抗器振动信号采集；

数据预处理，将时序振动信号转化为图像信号；

建立数据集；

进行Incep-DenseNet网络故障诊断训练与测试。

2.根据权利要求1所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：时序振动信号转化为图像信号时，原始一维数据按顺序被均分为N段，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点；S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N,k＝1,2,…,N,代表图像中的像素点；转化过程依据下式：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

3.根据权利要求1所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：基于Incep-DenseNet网络搭建多尺度卷积层及密集连接网络架构，实现了多尺度特征提取和多层次特征融合；Incep-DenseNet网络包括Inception模块。

4.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Inception模块由4种不同的特征提取模式组成，包括1x1卷积核、3x3卷积核、5x5卷积核以及3x3池化核。

5.根据权利要求4所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：通过Concat融合操作将不同尺度特征图并行拼接，实现对Inception模块输入数据的多尺度特征提取与融合。

6.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在Inception模块内，输入数据都要先经过批量归一化以及Relu函数激活后再执行卷积操作；归一化使得网络中每层输入数据的分布相对稳定从而加速模型学习速度，且降低模型对网络参数的敏感度、简化调参过程，使得网络学习更加稳定；Relu激活函数不存在饱和问题，避免训练过程种梯度消失，使得深层网络加速收敛。

7.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在Incep-Dense模块内部，每个网络层的输出与后续所有网络层输入直接建立联系。

8.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Incep-Dense模块中的每个网络层输入通过密集连接方式将前面所有网络层的输出特征图并行拼接Concat操作，实现特征复用与多层次特征融合。

9.根据权利要求3所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：Incep-DenseNet网络由4个Incep-Dense模块组成，毗邻的Incep-Dense模块通过瓶颈层连接。

10.根据权利要求9所述的基于深度学习的高压并联电抗器振动异常故障诊断方法，其特征在于：在数据处理过程中，通过卷积层对输入数据进行特征提取，特征图逐次经由4个Incep-Dense模块进行多尺度特征提取与多层次特征融合，经由全连接层和softmax层执行特征分类。

Images