CN110514924A 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 （武汉大学）

深度卷积神经网络融合视觉辨识的电力变本发明公开了深度卷积神经网络融合视觉21.一种深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法，其特征在2)对电路参数正常状态下的电路，在电力变4)将步骤2)和3)中获取的幅频特性以横坐标为频率变化5)对待诊断的电力变压器进行扫频响应分6)将步骤4)和步骤5)获得的特征矩阵转化2.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位且3.根据权利要求2所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位输入变压器的电路参数后，根据步骤④中的公式设置循34.根据权利要求1所述的深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位5.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定位6.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定位7.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定位8.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定位9.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定位10.根据权利要求1所述的基于深度卷积神经网络视觉辨识的电力变压器绕组故障定4估量的损失。据国际大电网工作组的统计数据显示，变压器故障的因素中，绕组变形占30成为变压器故障最主要的因素。变压器绕组故障初期不会对设备运行造成明显的影控网络提供故障的位置信息。一种有效的故障定位方法是将不同节点的FRA仿真特征与监博士学位论文中尝试引入更高的扫频频率(2MHz)以及一种结合FRA和TDR(时域反射技术)5[0006]本发明提供的深度卷积神经网络融合视觉辨识的电力变压器绕[0022]接上述技术方案，所述步骤2)-3)中变压器绕组等值电路的幅值响应特性计算过6[0029]通过最后的一个池化层后得到的特征图作为全连接层的输入，并将(故障类型m)×(故障位置n)+1替换为全连接层的输出总数(少数网络例如SqueezeNet的最后一层为卷[0030]通过分类器进行故障的辨识，不同故障类别的标签即不同故障位置以及故障类7[0040]图1为本发明实施例深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位[0043]图3(b)为本发明的[0044]图3(c)为本发明的对地电容Cg出现异常时的变压器绕组频率响应图(故障位置n=6)；[0050]如图1所示，本发明实施例深度卷积神经网络融合视觉辨识的电力变压器绕组故[0052]2)对电路参数正常状态下的电路，在变压器绕组一端设置频率变化(1～1MHz)的[0054]4)将2)-3)步获取的幅频特性以横坐标为频率变化量，纵坐标为扫频输入端至输[0059]①首先求解出变压器绕组的传递函数。选取各匝绕组的首末节点8[0068]所述步骤2)-3)中变压器绕组等值电路的幅值响应特性可由matlab程序进行计9新卷积层的filter数量等于诊断标签类别数)进行融合计算。最后通过分类器进行故障的[0074]首先按照图2所示的变压器绕组等效方法，将待诊断变压器的绕组部分平均分割[0077]采用深度卷积神经网络对电力变压器绕组故障进行诊断时得到的网络训练曲线类型都进行模拟和训练，但对于未训练过的故障类型，其故障位置的识别准确率达到了