(19)中华 人民共和国 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 202111147393.5 (22)申请日 2021.09.2 9 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 申请人 浙江大学 (72)发明人 邹国平　饶绍伟　杨仕友　安斯光　 (74)专利代理 机构 杭州华宸联名知识产权代理 事务所 (特殊普通合伙) 33352 代理人 黄欢娣 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 一种基于特征优选和BP神经网络的变压器 诊断方法 (57)摘要 本发明公开了一种基于特征优选和BP神经 网络的变压器诊断方法。 该方法基于每两类故障 类别样本之间的重叠度进行特征筛选， 再利用筛 选得到的特征组合训练一BP神经网络从而可 以 在获取状态评估结果为异常的变压器DGA数据并 转换为特征 组合后， 直接利用训练好的BP神经网 络获得变压器的故障类别。 本发 明还提出两种解 决BP神经网络训练数据不平衡的方案： 在算法层 面， 通过在BP神经网络代价函数赋予不同类别的 样本不同的权重， 使得BP神经网络在训练时更加 重视样本数量少的类别的正确分类。 在数据层 面， 利用SMOTE算法生成一部分人工样本补充到 样本数量少的类别中， 从样本量层面消除各类别 之间的不平衡性， 然后使用再平衡后的训练数据 训练BP神经网络 。 权利要求书2页 说明书10页 CN 113962143 A 2022.01.21 CN 113962143 A 1.一种基于特征优选和BP神经网络的变压器诊断方法， 其特征在于， 通过获取状态评 估结果为异常的变压器DGA数据并转换为特征组合后， 输入至一训练好的BP神经网络获得 变压器的故障类别。 其中， 所述BP神经网络通过如下 方法训练获得： (1)获取一系列各种故障类别的变压器DGA数据， 并转换成设计的特征。 再计算每两类 故障类型样本 之间在每个特征维度上重叠度， 基于重叠度进 行特征优选获得特征组合x， 保 证每两种故障类别之间， 至少有一个特 征能将两类样本分开。 (2)构建一BP神经网络， 以每个样本的特征组合为输入， 故障类别为预测目标， 采用反 向传播算法训练， 从而获得训练好的BP神经网络 。 2.根据权利要求1所述的变压器诊断方法， 其特征在于， 所述步骤2中， 反向传播算法采 用的代价 函数为： 其中， n为样本数， 为类别k的权重， 样本数目越多的类别权重越小； NO为类别数目， 表示类别k样本i的实际故 障类别标签； fk(x(i))表示第i个样本、 输出层第k个节点的输 出； λ为惩罚因子， 为实数； L为BP神经网络的层数， Sl为第l层的神经元个数， 为第l层的 第i个神经 元与第(l+1)层第j个神经 元的连接 权重。 3.根据权利要求2所述的变压器诊断方法， 其特征在于， 分为3类， 分别取值为2、 1.6、 1。 4.根据权利要求1所述的变压器诊断方法， 其特征在于， 所述步骤1中还包括各故障类 别的样本量平衡步骤： 通过采用SMOTE算法对样本数量少的故障类别生成一部分人工样本， 使每个故障类别 的样本量相等。 5.根据权利要求 4所述的变压器诊断方法， 其特 征在于， 具体包括以下步骤： 统计各故障类别的样本量， 并确定所有故障类别中的单个 类别最大样本量 Nmax； 按照将所有故障类别的样本量补充至Nmax， 确定每个类别需要人工生成的样本量。 根据确定的需要人工生成的样本量对每个类别进行样本扩充： 从相同类别的样本中， 找出当前样本的Nnear个最邻近样本， 从Nnear个最邻近样本中随机选取一个， 并与当前样本计 算差分向量Dif f， 根据差分向量 生成新样本： Xnew＝X+ran.*Dif f Xnew代表新生成的样本的特征向量， ran是一个随机向量， 维数与特征向量维数相同， 每 一维的随机数 数值范围为(0,1)。 6.根据权利要求1 ‑5任一项所述的变压器诊断方法， 其特征在于， 所述步骤1中， 每两类 故障类别样本之间在每 个特征维度上重 叠度具体为： 其中， μ1和 μ2分别是第一类和第二类故障类别样本某一特征量的平均值， σ1和σ2分别是 第一类和第二类样本对应的某一特 征量的标准差 。权　利　要　求　书 1/2 页 2 CN 113962143 A 27.根据权利要求1 ‑5任一项所述的变压器诊断方法， 其特征在于， 基于重叠度进行特征 优选， 具体为： 选择每两类故障类别样本之间重叠度最小的特征或选择满足多个每两类故障类别样 本之间重 叠度阈值要求的特 征组成特 征组合。 8.根据权利要求7任一项所述的变压器诊断方法， 其特征在于， 所述步骤1中， 设计的特 征包括： 和 其中， 表示任意一种特征气体含量； 表示任意两 种特征气体含量 之和； 表示任意三种特征气体含 量之和； 表示任意四种特征气体含 量 之和； 表示总气体含量(包括H2、 CH4、 C2H6、 C2H4、 C2H2)。 9.根据权利要求8所述的变压器诊断方法， 其特征在于， 所述步骤1中， 优选获得特征组 合x为F1:CH4/C2H2、 F2:C2H4/C2H2、 F3:C2H4/(CH4+C2H2)、 F4:C2H4/(CH4+C2H6+C2H2)、 F5:C2H4/(H2 +C2H4+C2H2)、 F6:C2H2/(H2+CH4+C2H6)、 F7:C2H4/(H2+CH4+C2H4+C2H2)、 F8:(CH4+C2H6)/(CH4+ C2H4)、 F9:(CH4+C2H4)/(C2H6+C2H2)、 F10:(CH4+C2H4)/(H2+CH4+C2H6+C2H2)、 F11:(CH4+C2H6+ C2H4)/(H2+CH4+C2H6+C2H2)、 F12:(C H4+C2H2)/(CH4+C2H4+C2H2)。 10.根据权利要求1 ‑5任一项所述的变压器诊断方法， 其特征在于， 所述故障类别包括： 局部放电、 低能放电、 高能放电、 低温过热(低于300℃)、 中温过热(300℃～700℃)、 高温过 热(高于70 0℃)和放电兼过 热。权　利　要　求　书 2/2 页 3 CN 113962143 A 3