详情

原文传递一种基于GoogleNet模型的变压器故障诊断方法

专利名称：	一种基于GoogleNet模型的变压器故障诊断方法
摘要：	本发明提供了一种基于GoogleNet模型的变压器故障诊断方法。所述基于GoogleNet模型的变压器故障诊断方法包括如下步骤：(1)首先获取设备发生故障的因素、考虑设备故障会对什么数据产生影响，确定待采集的数据和特征空间；(2)确定设备会发生的故障类型，组成状态空间；(3)监控变压器状态，对变压器进行数据采集，获得变压器的特征和状，使用神经网络进行建模，使用采集到的数据进行模型训练；(4)用训练后的模型根据设备的特征进行故障诊断。本发明利用GoogleNet的模型优化变压器故障检测中的场景，对溶解在变压器油的气体密度进行建模，在变压器故障检测中取得了较高准确率。
专利类型：	发明专利
国家地区组织代码：	辽宁;21
申请人：	国网辽宁省电力有限公司信息通信分公司
发明人：	陈硕;卢彬;李静;王超;刘树吉;乔林;吴赫;冉冉;李亮;周巧妮;郭哲强;吕旭明
专利状态：	有效
申请日期：	2018-12-05T00:00:00+0800
发布日期：	2019-05-17T00:00:00+0800
申请号：	CN201811482932.9
公开号：	CN109765333A
代理机构：	南京钟山专利代理有限公司
代理人：	戴朝荣
分类号：	G01N33/00(2006.01);G;G01;G01N;G01N33
申请人地址：	110004 辽宁省沈阳市宁波路18号
主权项：	1.一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于包括如下步骤： A.首先获取设备发生故障的因素、考虑设备故障会对什么数据产生影响，确定好要采集的数据和特征空间； B.确定设备会发生的故障类型，组成状态空间； C.监控变压器状态，对变压器进行数据采集，获得变压器的特征和状态；使用神经网络进行建模，使用采集到的数据进行模型训练； D.用训练后的模型根据设备的特征进行故障诊断。 2.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的故障诊断使用溶解气体分析，采用分析溶解在变压器油中各种气体密度，诊断变压器的健康状况和故障类型，通过检测不同浓度的H2、C2H2、C2H4、C2H6、CH4、CO等气体，捕捉出局部放电、低能放电、高能放电、低温过热、高温过热等故障信息。 3.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的故障诊断使用神经网络对变压器进行故障检测，输入变压器相关气体的密度和故障类型，训练神经网络，训练完后对训练集和验证集进行故障诊断，即输入相关气体密度，模型输出故障类型，最后计算准确率；具体使用全连接的多层感知机，选择不同的隐藏层的层数和神经元数量，隐藏层的层数为1层或者2层，每个隐藏层的神经元数量可以为3个、6个或者12个，总共有6种组合。 4.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的神经网络结构为全连接层的多层感知机；输入层有6个神经元，第1层和第2层均有12个神经元，在第2层后有一个丢失率为0.3的dropout，输出层是一个softmax分类器，有4个神经元，超参数分别为：学习率为7×e-2，学习率的衰减率为0.95，每遍历20次训练集学习率衰减一次，batch size为32，遍历训练集1000次，权重初始化使用xavier算法。 5.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的基于GoogleNet对变压器进行故障诊断，比无编码比值法更准确，而且更灵活；无编码比值法只能对特定的故障类型进行诊断，而神经网络则没有这个限制，只要数据集中包含的故障类型，都可以诊断。 6.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的使用神经网络进行故障诊断分类器是softmax分类器，输出各种类型的概率：将概率最大的类型作为模型预测的类型；神经网络最后会有一个损失函数，用来衡量模型的输出和真实输出的误差； softmax的损失函数为：模型训练的过程就是降低这个误差，使用梯度下降法，求出损失函数对各个参数的导数的值然后各个参数减去这个微分乘上一个系数的积，其中α称作学习率。 7.根据权利要求1所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的多层感知机中包含输入层、隐藏层、输出层，其中一般输入层和输出层各有一层，而隐藏层的层数则没有限制，可以为一层，也可以为多层；每层可以有多个称为神经元的节点，这些层以上一层的输出作为输入，将本层的输出作为下一层的输入；普通的多层感知机的运算为先是线性乘法，累加求和，再通过非线性的激活函数；假设在某层中，输入为x＝(x1,x2,…,xn)，参数为w，激活函数为g，则每个神经元的输出为：yi＝g(∑jwijxj+bi)整个层的输出为：y＝g(wxT+b)这种每个神经元都有一个对应的参数的层又叫做全连接层，全连接层有个严重的缺点就是参数数量太多；全连接层的参数数量为上一层的神经元数量m乘上本层的神经元数量n，即m×n；假设网络的输入是1000×1000的RGB图像，第一层有1000个神经元，则这层的参数数量为3×10003，占用非常多的资源。 8.根据权利要求5所述的一种基于GoogleNet的模型的变压器故障诊断方法，其特征在于，所述的GoogleNet是谷歌的团队在2014年提出的卷积神经网络模型，GoogleNet在网络层次更深，性能更高的同时，还保持了高效的计算效率；GoogleNet一共有22层，没有全连接层，只有5百万个参数，是之前的AlexNet的1/12；GoogleNet能同时取得高性能和高效率的关键是它的Inception模块； Inception模块是良好的网络拓扑结构，是网络中的网络；GoogleNet通过堆叠Inception模块而组成了整体的网络模型；在卷积神经运算中，卷积核的大小是一个超参数，可以是3×3、5×5、7×7，不同的大小可能会取得不同的效果和性能，超参数一直由人工来调试和确定；提出Inception模块的主要思想是，让神经网络自己来确定，通过数据集的训练来让网络学习这些超参数；方法是，在某层网络中，同时进行1×1、3×3、5×5卷积和最大池化，然后横向叠加这些运算的结果，作为该层网络的输出；但是这样会造成参数数量爆炸，占用巨大的内存，计算效率低下，解决方法是在通过1×1的卷积来减少数据的第三维的长度，第三维在图像领域也称为通道(channel)；卷积核的数量决定了卷积运算输出的通道数，只要卷积核的数量少于输入的通道数，就能起到压缩数据的效果，从而减少参数的数量。
所属类别：	发明专利