基于数据特征增强和残差收缩网络的变压器故障识别方法

马鑫; 尚毅梓; 胡昊; 徐杨

doi:10.7500/AEPS20210308004

您当前的位置：

首页 >

文章列表页 >

基于数据特征增强和残差收缩网络的变压器故障识别方法

研制与开发 | 更新时间：2025-06-16

- 基于数据特征增强和残差收缩网络的变压器故障识别方法
- Identification Method of Transformer Fault Based on Data Feature Enhancement and Residual Shrinkage Network
- 电力系统自动化 2022年46卷第3期页码：175-183
- 作者机构：
  
  1.华北水利水电大学电力学院,河南省郑州市 450045
  2.中国水利水电科学研究院,北京市 100038
  3.中国长江电力股份有限公司,湖北省宜昌市 443002
- 作者简介：
  
  马鑫(1992—)，男，硕士，主要研究方向：高电压绝缘、特高压输电和电力系统运行。E-mail：982918590@qq.com
  尚毅梓(1983—)，男，通信作者，博士，高级工程师，主要研究方向：特高压输电、水轮机。E-mail：yzshang@foxmail.com
  胡昊(1979—)，男，副教授，高级工程师，主要研究方向：新能源发电、特高压输电。E-mail：hh@ncwu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2019YFC0409000)
- DOI：10.7500/AEPS20210308004
  中图分类号：
- 收稿：2021-03-08，
  
  修回：2021-05-25，
  
  网络出版：2021-09-13，
  
  纸质出版：2022-02-10
- 稿件说明：
移动端阅览
马鑫,尚毅梓,胡昊等.基于数据特征增强和残差收缩网络的变压器故障识别方法[J].电力系统自动化,2022,46(3):175-183.

MA Xin,SHANG Yizi,HU Hao,et al.Identification Method of Transformer Fault Based on Data Feature Enhancement and Residual Shrinkage Network[J].Automation of Electric Power Systems,2022,46(3):175-183.
马鑫,尚毅梓,胡昊等.基于数据特征增强和残差收缩网络的变压器故障识别方法[J].电力系统自动化,2022,46(3):175-183. DOI： 10.7500/AEPS20210308004.

MA Xin,SHANG Yizi,HU Hao,et al.Identification Method of Transformer Fault Based on Data Feature Enhancement and Residual Shrinkage Network[J].Automation of Electric Power Systems,2022,46(3):175-183. DOI： 10.7500/AEPS20210308004.

摘要

为增强深度残差收缩网络对变压器故障特征的学习能力从而提高故障识别精度，文中研究构建了故障特征气体向量配合改进的深度残差收缩网络来识别变压器故障。首先，构建可变软阈值函数消除恒定偏差的影响，利用快速回溯算法加快阈值确定速度的同时确保输出结果的完整性。然后，提出带可变权重的交叉熵函数降低误识别对网络精度的影响，并将构建的特征气体向量作为网络输入，保证网络学习并识别更多故障因素的特征。最后，以过热故障和电弧放电故障为样本的实验结果验证了该方法的有效性。与传统方法相比，所提方法的识别精度高，而且适用于电力系统多特征故障识别。

Abstract

In order to enhance the ability of the deep residual shrinkage network to learn the features of transformer faults and improve the accuracy of fault identification

the fault feature gas vector with an improved deep residual shrinkage network is constructed to identify transformer faults. First

a variable soft threshold function is constructed to eliminate the effects of constant deviations

and the fast back tracking algorithm is used to speed up the threshold determination and ensure the integrity of the output results. Then

a cross-entropy function with variable weights is proposed to reduce the effects of misrecognition on the network accuracy. The constructed feature gas vector is used as the input to ensure that the network learns and recognizes the features of more fault factors. Finally

taking overheating faults and arcing faults as samples

the experimental results verify the effectiveness of the method. Compared with the traditional method

the recognition accuracy of the proposed method is higher

and it is suitable for the identification of multi-feature faults in the power system.

关键词

Keywords

references

BENHMED K ， MOOMAN A ， YOUNES A ， et al . Feature selection for effective health index diagnoses of power transformers ［J］. IEEE Transactions on Power Delivery ， 2018 ， 33 （ 6 ）： 3223 - 3226 .

汪可，李金忠，张书琦，等 . 变压器故障诊断用油中溶解气体新特征参量［J］. 中国电机工程学报， 2016 ， 36 （ 23 ）： 6570 - 6578 .

WANG Ke ， LI Jinzhong ， ZHANG Shuqi ， et al . New features derived from dissolved gas analysis for fault diagnosis of power transformers ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 23 ）： 6570 - 6578 .

GHONEIM S S M . Intelligent prediction of transformer faults and severities based on dissolved gas analysis integrated with thermodynamics theory ［J］. IET Science， Measurement & Technology ， 2018 ， 12 （ 3 ）： 388 - 394 .

DUVAL M . A review of faults detectable by gas-in-oil analysis in transformers ［J］. IEEE Electrical Insulation Magazine ， 2002 ， 18 （ 3 ）： 8 - 17 .

MANSOUR D E A . Development of a new graphical technique for dissolved gas analysis in power transformers based on the five combustible gases ［J］. IEEE Transactions on Dielectrics and Electrical Insulation ， 2015 ， 22 （ 5 ）： 2507 - 2512 .

FAIZ J ， SOLEIMANI M . Dissolved gas analysis evaluation in electric power transformers using conventional methods： a review ［J］. IEEE Transactions on Dielectrics and Electrical Insulation ， 2017 ， 24 （ 2 ）： 1239 - 1248 .

BAKAR N A ， ABU-SIADA A ， ISLAM S . A review of dissolved gas analysis measurement and interpretation techniques ［J］. IEEE Electrical Insulation Magazine ， 2014 ， 30 （ 3 ）： 39 - 49 .

吐松江·卡日，高文胜，张紫薇，等 . 基于支持向量机和遗传算法的变压器故障诊断［J］. 清华大学学报（自然科学版）， 2018 ， 58 （ 7 ）： 623 - 629 .

KARI·Tusongjiang ， GAO Wensheng ， ZHANG Ziwei ， et al . Power transformer fault diagnosis based on a support vector machine and a genetic algorithm ［J］. Journal of Tsinghua University （Science and Technology）， 2018 ， 58 （ 7 ）： 623 - 629 .

李建更，李立杰，张岩，等 . 适用于具有多分类器的卷积神经网络训练方法［J］. 北京工业大学学报， 2018 ， 44 （ 10 ）： 1291 - 1296 .

LI Jiangeng ， LI Lijie ， ZHANG Yan ， et al . Method for training convolution neural network with multiple classifiers ［J］. Journal of Beijing University of Technology ， 2018 ， 44 （ 10 ）： 1291 - 1296 .

史慧杰，葛斐，丁明，等 . 输电网络运行风险的在线评估［J］. 电网技术， 2005 ， 29 （ 6 ）： 43 - 48 .

SHI Huijie ， GE Fei ， DING Ming ， et al . Research on on-line assessment of transmission network operation risk ［J］. Power System Technology ， 2005 ， 29 （ 6 ）： 43 - 48 .

GOODFELLOW H J I ， BENGIO Y ， COURVILLE A ， Deep learning ［M］. Cambridge， USA ： MIT Press ， 2016 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

INCE T ， KIRANYAZ S ， EREN L ， et al . Real-time motor fault detection by 1-D convolutional neural networks ［J］. IEEE Transactions on Industrial Electronics ， 2016 ， 63 （ 11 ）： 7067 - 7075 .

HE K M ， SUN J . Convolutional neural networks at constrained time cost ［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 7-12 ， 2015 ， Boston， USA .

MA S ， CHU F L ， HAN Q K . Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox under nonstationary running conditions ［J］. Mechanical Systems and Signal Processing ， 2019 ， 127 ： 190 - 201 .

LEI Y G ， YANG B ， JIANG X W ， et al . Applications of machine learning to machine fault diagnosis： a review and roadmap ［J］. Mechanical Systems and Signal Processing ， 2020 ， 138 ： 106587 .

IOFFE S ， SZEGEDY C . Batch normalization： accelerating deep network training by reducing internal covariate shift ［EB/OL］. ［ 2021-03-02 ］. https：//www.oalib.com/paper/4071527 https://www.oalib.com/paper/4071527 .

ZHAO M H ， ZHONG S S ， FU X Y ， et al . Deep residual shrinkage networks for fault diagnosis ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 7 ）： 4681 - 4690 .

DONOHO D L . De-noising by soft-thresholding ［J］. IEEE Transactions on Information Theory ， 1995 ， 41 （ 3 ）： 613 - 627 .

LIN M ， CHEN Q ， YAN S . Network in network ［EB/OL］. ［ 2021-03-02 ］. https：//arxiv.org/pdf/1312.4400.pdf https://arxiv.org/pdf/1312.4400.pdf .

FOROUHARI S ， ABU-SIADA A . Remnant life estimation of power transformer based on IFT and acidity number of transformer oil ［C］// 2015 IEEE 11th International Conference on the Properties and Applications of Dielectric Materials （ICPADM）， July 19-22 ， 2015 ， Sydney， Australia .

ZHANG W ， LI X ， DING Q . Deep residual learning-based fault diagnosis method for rotating machinery ［J］. ISA Transactions ， 2019 ， 95 ： 295 - 305 .

ZHAO M H ， KANG M ， TANG B P ， et al . Deep residual networks with dynamically weighted wavelet coefficients for fault diagnosis of planetary gearboxes ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 5 ）： 4290 - 4300 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 27-30 ， 2016 ， Las Vegas， USA .

李香龙，张宝群，张宇，等 . 基于EEMD-BP神经网络的含电采暖的配电变压器短期负荷预测［J］. 电测与仪表， 2018 ， 55 （ 10 ）： 101 - 107 .

LI Xianglong ， ZHANG Baoqun ， ZHANG Yu ， et al . Short-term load forecasting of distribution transformer with electric heating based on EEMD-BP neutral network ［J］. Electrical Measurement & Instrumentation ， 2018 ， 55 （ 10 ）： 101 - 107 .

张育杰，冯健，李典阳，等 . 基于油色谱数据的变压器故障征兆新优选策略［J］. 电网技术： 1 - 9 ［ 2021-04-01 ］. https：//www.doc88.com/p-73347188401439.html https://www.doc88.com/p-73347188401439.html .

ZHANG Yujie ， FENG Jian ， LI Dianyang ， et al . New feature selection method for transformer fault diagnosis based on DGA data ［J/OL］. Power System Technology ： 1 - 9 ［ 2021-04-01 ］. https：//www.doc88.com/p-73347188401439.html https://www.doc88.com/p-73347188401439.html .

KARI T ， GAO W ， ZHAO D ， et al . Hybrid feature selection approach for power transformer fault diagnosis based on support vector machine and genetic algorithm ［J］. IET Generation， Transmission & Distribution ， 2018 ， 12 （ 21 ）： 5672 - 5680 .

崔宇，侯慧娟，胥明凯，等 . 基于双重注意力机制的变压器油中溶解气体预测模型［J］. 中国电机工程学报， 2020 ， 40 （ 1 ）： 338 - 347 .

CUI Yu ， HOU Huijuan ， XU Mingkai ， et al . A prediction method for dissolved gas in power transformer oil based on dual-stage attention mechanism ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 1 ）： 338 - 347 .

刘可真，苟家萁，骆钊，等 . 基于粒子群优化-长短期记忆网络模型的变压器油中溶解气体浓度预测方法［J］. 电网技术， 2020 ， 44 （ 7 ）： 2778 - 2785 .

LIU Kezhen ， GOU Jiaqi ， LUO Zhao ， et al . Prediction of dissolved gas concentration in transformer oil based on PSO-LSTM model ［J］. Power System Technology ， 2020 ， 44 （ 7 ）： 2778 - 2785 .

LAKEHAL A ， TACHI F . Bayesian duval triangle method for fault prediction and assessment of oil immersed transformers ［J］. Measurement and Control ， 2017 ， 50 （ 4 ）： 103 - 109 .

代杰杰，宋辉，杨祎，等 . 基于深度信念网络的变压器油中溶解气体浓度预测方法［J］. 电网技术， 2017 ， 41 （ 8 ）： 2737 - 2742 .

DAI Jiejie ， SONG Hui ， YANG Yi ， et al . Concentration prediction of dissolved gases in transformer oil based on deep belief networks ［J］. Power System Technology ， 2017 ， 41 （ 8 ）： 2737 - 2742 .

谢乐，仇炜，李振伟，等 . 基于变分模态分解和门控循环单元神经网络的变压器油中溶解气体预测模型［J/OL］. 高电压技术［ 2021-04-20 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=GDYJ2021 041900O&v=4wc%25mmd2Bki0R37QiLIKxBGGqfpiGO%25mmd2BS8YdMDzp8pkktyFV4DpJBQ3QGMKb0s6zP7zp%2 5mmd2FZ https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=GDYJ2021041900O&v=4wc%25mmd2Bki0R37QiLIKxBGGqfpiGO%25mmd2BS8YdMDzp8pkktyFV4DpJBQ3QGMKb0s6zP7zp%25mmd2FZ .

XIE Le ， QIU Wei ， LI Zhenwei ， et al . Prediction model of dissolved gas in transformer oil based on variational modal decomposition and recurrent neural network with gated recurrent unit ［J/OL］. High Voltage Engineering ［ 2021-04-20 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=GDYJ2021041900O &v=4wc%25mmd2Bki0R37QiLIKxBGGqfpiGO%25mmd2 BS8YdMDzp8pkktyFV4DpJBQ3QGMKb0s6zP7zp%25mmd 2FZ https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=GDYJ2021041900O&v=4wc%25mmd2Bki0R37QiLIKxBGGqfpiGO%25mmd2BS8YdMDzp8pkktyFV4DpJBQ3QGMKb0s6zP7zp%25mmd2FZ .

赵一钧，石雷，齐笑，等 . 基于加强灰狼优化VMD-DBN的变压器故障检测［J/OL］. 电测与仪表［ 2021-04-07 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=DCYQ20210406000&v=fzYhay A03xZukzRD5R4639sS1s7VIbN5VDtgOXTV%25mmd2FVr NS3ph1Rz224M6FV5vFuRK https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DCYQ20210406000&v=fzYhayA03xZukzRD5R4639sS1s7VIbN5VDtgOXTV%25mmd2FVrNS3ph1Rz224M6FV5vFuRK .

ZHAO Yijun ， SHI Lei ， QI Xiao ， et al . Transformer fault detection based on enhanced gray wolf optimization VMD-DBN ［J/OL］. Electrical Measurement & Instrumentation ［ 2021-04-07 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=DCYQ20210406000&v=fzYhayA03xZukzRD5R4639sS1s7VIbN5VDtg OXTV%25mmd2FVrNS3ph1Rz224M6FV5vFuRK https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DCYQ20210406000&v=fzYhayA03xZukzRD5R4639sS1s7VIbN5VDtgOXTV%25mmd2FVrNS3ph1Rz224M6FV5vFuRK .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及新能源出力和谐波的变压器热点温度修正模型

励磁涌流对换流变压器饱和保护动作特性的影响及对策

变压器励磁涌流多角度时频特征综合辨识方法