基于深度學習的變壓器故障信號識別算法
電子技術應用 2023年3期
黃文禮1，茆驥1，張銀勝2，3，陸年生1
（1.安徽南瑞繼遠電網技術有限公司 華為昇騰實驗室，安徽 合肥 230000； 2.南京信息工程大學 電子與信息工程學院，江蘇 南京 210044；3.無錫學院 電子與信息工程學院，江蘇 無錫 214105）
摘要： 針對變壓器結構復雜、維護成本高等特點，提出一種基于深度學習的變壓器故障信號識別算法。首先分析變壓器工作狀態下的聲紋信號并進行二維圖像信號的轉換，利用VGG16神經網絡在圖像中的優勢，并在此基礎上提出一種MCA注意力機制，該注意力機制能夠同時保留背景信息和細節信息；其次對VGG16中的最大池化下采樣進行優化，采用一種軟池化的采樣方法，減少圖像中最大池化下采樣帶來的特征損失；最后為避免過擬合現象的發生，將VGG16頂層結構中的激活函數進行優化，引用可以自歸一化的SELU激活函數。實驗證明，廣義S變換是將一維時域信號轉換為二維圖像信號的最佳選擇，所提算法對于6類故障信號的平均識別率達到99.15%。
中圖分類號：TP306+.3 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.223320
中文引用格式： 黃文禮，茆驥，張銀勝，等. 基于深度學習的變壓器故障信號識別算法[J]. 電子技術應用，2023，49(3)：54-60.
英文引用格式： Huang Wenli，Mao Ji，Zhang Yinsheng，et al. Deep learning based transformer fault signal recognition algorithm[J]. Application of Electronic Technique，2023，49(3)：54-60.
中文引用格式： 黃文禮，茆驥，張銀勝，等. 基于深度學習的變壓器故障信號識別算法[J]. 電子技術應用，2023，49(3)：54-60.
英文引用格式： Huang Wenli，Mao Ji，Zhang Yinsheng，et al. Deep learning based transformer fault signal recognition algorithm[J]. Application of Electronic Technique，2023，49(3)：54-60.
Deep learning based transformer fault signal recognition algorithm
Huang Wenli1，Mao Ji1，Zhang Yinsheng2，3，Lu Niansheng1
(1.Huawei Shengteng Laboratory， Anhui Nari Ji Yuan Power Grid Technology Co.， Ltd.， Hefei 230000， China； 2.School of Electronics and Information Engineering， Nanjing University of Information Science and Technology， Nanjing 210044， China； 3.College of Electronic Information Engineering， Wuxi University， Wuxi 214105， China)
Abstract： Abstract： In view of the complex structure and high maintenance cost of transformers, this paper proposes a transformer fault signal recognition algorithm based on deep learning. Firstly, the voiceprint signal under the working condition of the transformer is analyzed and the two-dimensional image signal is converted. Based on the advantages of VGG16 neural network in the image, a MCA attention mechanism is proposed, which can retain both background information and detail information. Secondly it optimizes the maximum pooled down sampling in VGG16, and adopts a soft pooled sampling method to reduce the feature loss caused by the maximum pooled down sampling in the image. Finally, in order to avoid the occurrence of over fitting, the activation function in the top structure of VGG16 is optimized, and the SELU activation function that can be self normalized is quoted. The experiment proves that the generalized S-transform is the best choice for converting one-dimensional time-domain signal to two-dimensional image signal, and the average recognition rate of the proposed algorithm for six types of fault signals reaches 99.15%.
Key words : VGG16 network；generalized S-transform；transformer fault signal
0 引言
變壓器承擔著電能轉換和電能重新分配的問題，一旦變壓器出現安全故障，不進行及時干預，將會中斷電力供應，帶來難以預估的負面影響。因此，定期對變壓器進行維護，力爭在變壓器出現故障初期及時發現故障信號并進行干預至關重要。
近年來，許多學者在變壓器故障診斷領域開展過大量研究，最早提出的故障診斷方法是溶解氣體分析法。該方法的主要步驟是分析特征氣體的含量。另有一部分學者分析變壓器的振動特性，總結出一些通用性的結論。如王豐華等人對變壓器繞組特性進行分析，發現當繞組發生橫向松動時，100 Hz分量的幅值會增大；趙莉華等人通過小波變換等常用的信號分析方法，發現當變壓器的繞組松動后，其特征頻率會增大；周宇等人采用相空間重構方法對信號進行重構，發現當繞組松動時，相平面軌線為近似的閉合橢圓，當繞組被壓緊時，相平面軌線呈重疊狀，以此來判斷變壓器是否出現故障。這些方法相比溶解氣體分析法，識別率有一定的提高，但是針對的大都是變壓器繞組部件，通用性并不強。
本文詳細內容請下載：http://m.xxav2194.com/resource/share/2000005229
作者信息：
黃文禮1，茆驥1，張銀勝2，3，陸年生1
（1.安徽南瑞繼遠電網技術有限公司 華為昇騰實驗室，安徽 合肥 230000；
2.南京信息工程大學 電子與信息工程學院，江蘇 南京 210044；3.無錫學院 電子與信息工程學院，江蘇 無錫 214105）
此內容為AET網站原創，未經授權禁止轉載。