基于深度学习的变压器故障信号识别算法
电子技术应用 2023年3期
黄文礼1，茆骥1，张银胜2，3，陆年生1
（1.安徽南瑞继远电网技术有限公司 华为昇腾实验室，安徽 合肥 230000； 2.南京信息工程大学 电子与信息工程学院，江苏 南京 210044；3.无锡学院 电子与信息工程学院，江苏 无锡 214105）
摘要： 针对变压器结构复杂、维护成本高等特点，提出一种基于深度学习的变压器故障信号识别算法。首先分析变压器工作状态下的声纹信号并进行二维图像信号的转换，利用VGG16神经网络在图像中的优势，并在此基础上提出一种MCA注意力机制，该注意力机制能够同时保留背景信息和细节信息；其次对VGG16中的最大池化下采样进行优化，采用一种软池化的采样方法，减少图像中最大池化下采样带来的特征损失；最后为避免过拟合现象的发生，将VGG16顶层结构中的激活函数进行优化，引用可以自归一化的SELU激活函数。实验证明，广义S变换是将一维时域信号转换为二维图像信号的最佳选择，所提算法对于6类故障信号的平均识别率达到99.15%。
中图分类号：TP306+.3 文献标志码：A DOI: 10.16157/j.issn.0258-7998.223320
中文引用格式： 黄文礼，茆骥，张银胜，等. 基于深度学习的变压器故障信号识别算法[J]. 电子技术应用，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： 黄文礼，茆骥，张银胜，等. 基于深度学习的变压器故障信号识别算法[J]. 电子技术应用，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
变压器承担着电能转换和电能重新分配的问题，一旦变压器出现安全故障，不进行及时干预，将会中断电力供应，带来难以预估的负面影响。因此，定期对变压器进行维护，力争在变压器出现故障初期及时发现故障信号并进行干预至关重要。
近年来，许多学者在变压器故障诊断领域开展过大量研究，最早提出的故障诊断方法是溶解气体分析法。该方法的主要步骤是分析特征气体的含量。另有一部分学者分析变压器的振动特性，总结出一些通用性的结论。如王丰华等人对变压器绕组特性进行分析，发现当绕组发生横向松动时，100 Hz分量的幅值会增大；赵莉华等人通过小波变换等常用的信号分析方法，发现当变压器的绕组松动后，其特征频率会增大；周宇等人采用相空间重构方法对信号进行重构，发现当绕组松动时，相平面轨线为近似的闭合椭圆，当绕组被压紧时，相平面轨线呈重叠状，以此来判断变压器是否出现故障。这些方法相比溶解气体分析法，识别率有一定的提高，但是针对的大都是变压器绕组部件，通用性并不强。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005229
作者信息：
黄文礼1，茆骥1，张银胜2，3，陆年生1
（1.安徽南瑞继远电网技术有限公司 华为昇腾实验室，安徽 合肥 230000；
2.南京信息工程大学 电子与信息工程学院，江苏 南京 210044；3.无锡学院 电子与信息工程学院，江苏 无锡 214105）
此内容为AET网站原创，未经授权禁止转载。