(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211022036.0 (22)申请日 2022.08.24 (71)申请人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 申请人 西安交通大 学 (72)发明人 李宗博　焦在滨　何安阳　 (74)专利代理 机构 吉林市达利专利事务所 22102 专利代理师 陈传林 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 基于降噪-分类神经网络的变压器智能保护 方法 (57)摘要 本发明公开了一种基于降噪 ‑分类神经网络 的变压器智 能保护方法， 其特点是， 通过提出一 种降噪‑分类神经网络， 实现了降噪编码器和卷 积神经网络的交互协同， 降噪编码器引导卷积神 经网络关注励磁支路电压 ‑差动电流曲线的非饱 和部分， 使得卷积神经网络具备了关注励磁支路 电压‑差动电流曲线的非饱和部分， 与通用型的 卷积神经网络相比， 经降噪 ‑分类神经网络训练 得到的卷积神经网络提高了变压器智能保护方 法的泛化能力， 提高了变压器保护的可靠性， 能 够避免变压器保护误动或拒动。 具有科学合理、 适用性强、 效果佳的优点。 权利要求书3页 说明书7页 附图2页 CN 115331060 A 2022.11.11 CN 115331060 A 1.一种基于降噪 ‑分类神经网络的变压器智能保护方法， 其特 征是， 所述方法包括： 步骤1： 通过将励磁支路电压 ‑差动电流曲线的图像重构为非饱和部分并移除饱和部分 的过程， 引导降噪自动编码器的编码器部分关注励磁支路电压 ‑差动电流 曲线的非饱和特 征； 步骤2： 卷积神经网络由分类器和所述降噪自动编码器的所述编码器组成， 用于处理两 类任务： 1类为 “正常变压器 ”， 包括正常运行/外部故 障、 正常变压器空载合闸； 2类为 “故障 变压器”， 包括内部故障、 故障变压器空载合闸， 励磁支路电压 ‑差动电流曲线的非饱和部 分 的图像作为所述卷积神经网络的输入， 所述编码器图像特征作为所述分类器的输入， 对图 像进行分类识别， 进 而实现变压器运行状态的识别； 步骤3： 基于步骤1中的所述降噪自动编码器和步骤2中的所述卷积神经网络， 提出一种 新的网络结构 “降噪‑分类神经网络 ”， 通过训练所述降噪 ‑分类神经网络， 实现所述降噪自 动编码器的图像重构过程与所述卷积神经网络的图像分类过程的同步， 经过所述降噪自动 编码器和所述卷积神经网络的交互过程， 优化得到最适应于提取励磁支路电压 ‑差动电流 曲线的图像非饱和特征的编 码器， 达到所述降噪自动编 码器引导所述卷积神经网络 关注励 磁支路电压 ‑差动电流曲线的图像非饱和部分的目的； 步骤4； 步骤3所述降噪 ‑分类神经网络训练结束后， 利用其中的所述卷积神经网络对变 压器智能保护进行构建； ①数据采集过程， 智能保护方法启动后， 利用电流互感器采集变压器一 次侧、 二次侧电 流， 利用电压互感器采集变压器的端电压， 进 而求得差动电流和励磁支路电压； ②数据预处理过程， 涉及励磁支路电压 ‑差动电流曲线的归一化、 离散数据到图像的格 式转换， 利用同样的最值对励磁支路电压和差动电流进行归一化， 该归一化过程不会 改变 励磁支路电压 ‑差动电流曲线的全局特征和局部特征， 然后， 对归一化后的励磁支路电压 ‑ 差动电流曲线 进行数据格式转换； ③将三相的励磁支路电压 ‑差动电流曲线的图像分别作为所述卷积神经网络的输入， 构建基于求解所述两类任务的变压器智能保护方法： 将正常变压器设定标签为 1， 包括正常 变压器空载合闸、 正常运行/外部故障； 故障变压器设定标签为2， 包括故障变压器空载合 闸、 内部故障。 2.根据权利要求1所述的基于降噪 ‑分类神经网络的变压器智能保护方法， 其特征是， 所述降噪自动编码器由编码器和解码器组成， 编码器基于卷积计算、 批归一化计算和激活 函数， 解码器基于反卷积计算、 批归一化计算和激活函数， 它以励磁支路电压 ‑差动电流曲 线的图像作为输入， 以励磁支路电压 ‑差动电流曲线的非饱和部分的图像作为目标输出。 3.根据权利要求1或2所述的基于降噪 ‑分类神经网络的变压器智能保护方法， 其特征 是， 将所述降噪自动编码器的输入为励磁支路电压 ‑差动电流曲线图像定义为x， x为x1， x2，…xM， 将所述目标输出为励磁支路电压 ‑差动电流曲线的非饱和部分图像定义为 为 设训练数据 为X＝(x1,x2,…,xM)T， M为训练样本量， 函数hen(·)指代编码器的 编码过程， fen(·)、 分别为编码器第k个单元的输入、 卷积核、 偏置、 激活函数和批归一化函数， 为第k个单元的卷积层输出， 为批归一化的输入； 编码器 第k个单元的计算过程由式(1)表示，权　利　要　求　书 1/3 页 2 CN 115331060 A 2式(1)中， 设 为第d个样本的第t张特征图的第i个值， m为 一批样本的数量； μ和σ 分别是当前批样 本在第t张特征图第i个值的均值和方差； ε用于避免 数值溢出； γ和 ζ 分别为uti的放缩和平 移参数， 编码器的输出 F如式(2)， F＝hen(X)                                   (2) 设降噪自动编码器解码器的目标输出为 即仅含有励磁支路电压 ‑ 差动电流曲线非饱和部分的图像、 实际输出为 函数 指代解码器的 解码过程， 解码 器第k个单元的计算过程仅是将卷积 计算更换为反卷积 计算， 解码 器的输出 如式(3)所示， 降噪自动编码器的重构损失LDAE利用均方差函数定义， 如式(4)所示， 其中， n ×n为励磁 支路电压 ‑差动电流曲线图像的尺 寸， M为样 本个数， p和q分别表 示图像的第p行、 第q列， d表 示第d个样本， 4.根据权利要求1所述的基于降噪 ‑分类神经网络的变压器智能保护方法， 其特征是， 根据softmax函数， 所述卷积神经网络的特征输出映射为样本属于各类样 本的概率， 进而求 得卷积神经网络的分类损失LCNN， 如式(5)所示， 其中， 为softmax函数的计算表达式， fdj表示第d个样本对应于第j类的特 征输出， 第s类为该样本的真实类， J表示总类别数， M为样本个数。 5.根据权利要求1所述的基于降噪 ‑分类神经网络的变压器智能保护方法， 其特征是， 将所述降噪 ‑分类神经网络定义为D卷积神经网络， 通过训练D卷积神经网络， 得到D卷积神 经网络的损失函数， 如式(6)所示， 权　利　要　求　书 2/3 页 3 CN 115331060 A 3