CN111337768A - 变压器油中溶解气体的深度并行故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种变压器油中溶解气体的深度并行故障诊断方法及系统，属于变压器故障诊断领域。采集各变电站油中溶解气体监测信息，并对数据进行归一化处理；用油中溶解气体构建特征参量作为LSTM诊断模型的输入，并进一步将数据进行图像化处理作为CNN诊断模型的输入；分别构建LSTM诊断模型和CNN诊断模型，并按比例用数据集分别对诊断模型进行训练及验证；利用DS证据理论算法对两种深度学习模型的softmax层输出进行深度并行融合。本发明综合考虑不同深度学习方法对复杂非线性关系的提取能力，构建了基于CNN‑LSTM深度并行融合的变压器故障诊断模型。该模型不需要经过复杂的特征设计，便能得到较高的准确率，因而模型具有较高的可移植性。

Description

变压器油中溶解气体的深度并行故障诊断方法及系统

技术领域

本发明属于电力变压器故障诊断领域，更具体地，涉及一种变压器油中溶解气体的深度并行故障诊断方法及系统。

背景技术

随着计算机存储及传感器技术的不断发展，电力变压器的在线监测数据将呈现出爆炸式增长态势。作为电力系统的枢纽性装备，电力变压器的健康状态直接影响着整个电网的安全稳定。因此，综合运用人工智能、大数据等先进技术对大容量电力变压器的在线监测数据进行故障诊断与状态预测，是指导变压器运维检修相关工作的一大研究热点。油中溶解气体分析(Dissolved Gas Analysis，DGA)是一项对变压器绝缘油中溶解气体成分及含量进行分析的在线监测技术。目前基于DGA数据的传统诊断方法已进行了大量的研究。传统的比值方法(例如IEC比率法，Rogers比率法和Doernenburg比率法)简单易行，并已在工程实践中广泛使用。但是，仍然存在一些问题，例如诊断边界过于绝对和缺码漏码等。传统智能方法因学习能力、处理效率、特征提取等方面的不足，在推广应用时仍存在一定的局限性，如神经网络容易陷入局部最优解，K近邻法在高维空间中计算效率低下，支持向量机本质是一个二分类器，处理多分类问题较麻烦等等。传统比值方法与传统智能方法的组合诊断也有相关的研究，但效果仍然不够理想。近年来，由于深度学习对复杂非线性特征具有强大的提取能力，因此将其引入变压器故障诊断领域，其故障诊断准确率相较传统机器学习的诊断模型有了显著提升。如目前的以DGA数据的无编码比值作为输入矩阵的基于ReLU-DBN的新型故障诊断方法，相较传统方法，准确率大大提高。也有基于CNN的变压器内部故障诊断，将CNN用于增强差动保护性能，并通过不同的可靠性指标来验证该方法的有效性。

卷积神经网络(Convolutional Neural Networks，CNN)和循环神经网络(Recurrent Neural Network，RNN)是深度学习中两种应用最为广泛的框架。CNN在视觉辨识、图像处理、故障诊断等领域已经应用得较为成熟。而LSTM作为RNN的改进模型，用以弥补RNN模型在反馈信息过程中出现的长期记忆缺失、梯度消散或爆炸的缺陷，如今，在语音辨识、视频分类和股票预测等各个领域得到广泛应用，也取得了不错的效果。

因此，如何将CNN及LSTM引进变压器DGA故障诊断建模，进而提高故障诊断准确率是目前亟需解决的技术难题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种变压器油中溶解气体的深度并行故障诊断方法及系统，由此解决如何将CNN及LSTM引进变压器DGA故障诊断建模，进而提高故障诊断准确率的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种变压器油中溶解气体的深度并行故障诊断方法，包括：

(1)获取各变压器油中溶解气体的若干组监测数据，对各组所述监测数据中的溶解气体含量进行分析，获取对应的故障类型标签，对各组所述监测数据进行归一化处理后与对应的故障类型标签组成目标数据集；

(2)将所述目标数据集划分为第一训练集和第一验证集，由所述第一训练集对LSTM诊断模型进行训练，由所述第一验证集对训练后的LSTM诊断模型进行验证；

(3)对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，将所述图像数据集划分为第二训练集和第二验证集，由所述第二训练集对CNN诊断模型进行训练，由所述第二验证集对训练后的CNN诊断模型进行验证；

(4)分别对训练后的LSTM诊断模型及训练后的CNN诊断模型的softmax层的输出进行深度并行融合，根据最大置信原则，输出最终的诊断结果。

优选地，所述各变压器油中溶解气体的若干组监测数据为：data_i＝{a_i,1,a_i,2,...,a_i,j,...,a_i,N,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量，s_i为第i组溶解气体监测数据对应的变压器状态，N为气体种类数。

优选地，归一化后得到的数据为：data_i'＝{b_i,1,b_i,2,...,b_i,j,...,b_i,N,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，b_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量的归一化值，s_i为第i组溶解气体监测数据对应的变压器状态，N为气体种类数。

优选地，所述LSTM诊断模型包括：输入层、LSTM层、全连接层、softmax层及分类输出层，其中，LSTM层拥有若干个隐藏单元，各隐藏单元的状态激活函数为tanh，门激活函数为sigmoid，softmax层将所述LSTM诊断模型中全连接层的输出作为输入向量，输出所述LSTM诊断模型对故障标签的诊断支持度。

优选地，由

确定所述LSTM诊断模型中softmax层输出的故障标签的诊断支持度，其中，x₁表示所述LSTM诊断模型中全连接层的输出，θ_i,i＝1,2,...,N为LSTM诊断模型中softmax层的权值矩阵，Softmax为激活函数。

优选地，在步骤(3)中，对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，包括：

对所述目标数据集中的各组数据进行图像化处理，将数据的差异分别用颜色进行图像化呈现得到图像数据集A，用高度进行图像化呈现得到图像数据集B，其中，所述图像数据集A表示为：data_i”＝{c_i,s_i}i∈[1,K]，所述图像数据集B表示为：data_i”'＝{d_i,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，c_i为所述图像数据集A中第i组溶解气体监测数据参量转化的图像，d_i为所述图像数据集B中第i组溶解气体监测数据参量转化的图像，s_i为第i组溶解气体监测数据对应的变压器状态。

优选地，所述CNN诊断模型中的softmax层将CNN诊断模型中全连接层的输出作为输入向量，由

得到故障标签的诊断支持度，其中，x₂表示CNN诊断模型中全连接层的输出，θ'_i,i＝1,2,...,N为CNN诊断模型中softmax层的权值矩阵，Softmax为激活函数。

优选地，步骤(4)包括：

(4.1)分别获取LSTM诊断模型及CNN诊断模型的softmax层对同一组待诊断监测数据对应的故障标签的诊断支持度：ξ_k,γ＝ξ_k,1，ξ_k,2，…，ξ_k,l，其中，k的数值代表不同的诊断方法，l为故障标签总数，γ＝1,2,…,l；

(4.2)以不同的诊断方法k为行，诊断支持度ξ_k,γ为列，组成支持度矩阵{(H_γ,ξ_k,γ),k＝1,2,γ＝1,...,l}，其中，所述支持度矩阵的每个元素表示：第k个诊断方法对故障标签H_γ的支持度为ξ_k,γ；

(4.3)将所述支持度矩阵中各列看作DS证据理论的识别框架Θ，则Θ＝{H_γ|γ＝1,2,…,l}＝{H₁,H₂,…,H_l}；

(4.4)将不同诊断方法的诊断支持度信息归入到同一识别框架Θ下，得到基本概率分配；

(4.5)由所述基本概率分配得到复合概率分配，进而由所述复合概率分配得到融合后的不同故障标签的置信度，将最大置信度对应的故障标签作为所述待诊断监测数据的诊断结果。

优选地，由

得到基本概率分配，其中，ω_k为第k个诊断模型的权重值，m_k,γ表示第k个诊断模型对于变压器的故障标签H_γ的基本概率分配，m_k表示计算基本概率分配的函数，m_k,H表示分配给整个故障标签集H的剩余概率。

优选地，由

得到复合概率分配，其中，m_γ表示故障标签H_γ的复合概率分配，K为中间变量；由

计算出故障标签H_γ的归一化概率分配，最终根据最大置信原则，输出最大概率对应的标签作为最终诊断结果。

按照本发明的另一方面，提供了一种变压器油中溶解气体的深度并行故障诊断系统，包括：

数据处理模块，用于获取各变压器油中溶解气体的若干组监测数据，对各组所述监测数据中的溶解气体含量进行分析，获取对应的故障类型标签，对各组所述监测数据进行归一化处理后与对应的故障类型标签组成目标数据集；

第一训练模块，用于将所述目标数据集划分为第一训练集和第一验证集，由所述第一训练集对LSTM诊断模型进行训练，由所述第一验证集对训练后的LSTM诊断模型进行验证；

第二训练模块，用于对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，将所述图像数据集划分为第二训练集和第二验证集，由所述第二训练集对CNN诊断模型进行训练，由所述第二验证集对训练后的CNN诊断模型进行验证；

诊断模块，用于分别对训练后的LSTM诊断模型及训练后的CNN诊断模型的softmax层的输出进行深度并行融合，根据最大置信原则，输出最终的诊断结果。

按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现如上述任一所述的变压器油中溶解气体的深度并行故障诊断方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本发明充分利用了不同深度学习方法对复杂非线性特征的提取能力，提高了变压器故障诊断的准确率。所采用的特征参量无需经过复杂的特征设计，便能得到较高的诊断准确率，具有较高的可推广性。

附图说明

图1是本发明实施例提供的一种变压器油中溶解气体的深度并行故障诊断方法的流程示意图；

图2是本发明实施例提供的一种LSTM网络结构示意图；

图3是本发明实施例提供的一种CNN单元结构示意图；

图4是本发明实施例提供的一种数据图像化及CNN迁移训练示意图；

图5是本发明实施例提供的一种深度并行融合示意图；

图6是本发明实施例提供的一种系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不必用于描述特定的顺序或先后次序。

本发明提出一种变压器油中溶解气体的深度并行故障诊断方法。首先采集了DGA故障数据集，并对数据进行归一化、图像化处理；接着，利用新数据集分别对LSTM、CNN诊断网络进行训练及验证，得到所需的针对DGA的LSTM、CNN故障诊断网络；最终将两种深度学习网络的输出层去掉，利用DS证据理论多源信息融合对softmax层的输出进行深度并行融合，诊断结果取融合结果最大置信度对应的故障标签。这一深度并行融合的方法，充分利用了不同深度学习方法对复杂非线性特征的提取能力，有效提高了变压器故障诊断的准确率。所采用的特征参量无需经过复杂的特征设计，便能得到较高的诊断准确率，具有较高的可推广性。

如图1所示是本发明实施例提供的一种变压器油中溶解气体的深度并行故障诊断方法的流程示意图，包括以下步骤：

S1：采集各变压器油中溶解气体的监测数据，对变压器油中溶解气体含量进行分析，获取对应故障标签，并对监测数据进行归一化处理；

在本发明实施例中，数据可以取自历年相关文献及电力公司实际测试数据，每一组数据包括氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)五种关键状态参量的含量及其对应的变压器状态；

在本发明实施例中，步骤S1中溶解气体的监测数据可以表示为：

data_i＝{a_i,1,a_i,2,...,a_i,j,,...,a_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量，s_i为第i组溶解气体监测数据对应的变压器状态，N为气体种类数；

作为一种可选的实施方式，步骤S1中归一化的方法可以采取公式(1)进行计算：

其中，X_i表示数据样本，E(X)表示均值，D(X)表示方差，z_i表示正则化值。

归一化后得到的数据表示为：

data_i'＝{b_i,1,b_i,2,...,b_i,j,...b_i,N,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，b_i,j为归一化后第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量的归一化值，s_i为第i组溶解气体监测数据对应的变压器状态。

在本发明实施例中，依据常用的IEC60599标准，将变压器故障模式分为6种，分别为高温过热、中温过热、低温过热、局部放电、低能放电、高能放电，如表1所示：

表1：故障模式编码

S2：用油中溶解气体构建特征参量，按比例将归一化后的新数据集划分为训练集和验证集，作为LSTM诊断模型的输入；

将步骤S2中获取的输入数据集划分为两部分，其中，取η％作为训练集，对LSTM网络进行训练，(1-η％)作为测试集验证网络对变压器DGA故障诊断的准确率，例如，80％作为训练集对Bi-LSTM网络进行训练，20％作为验证集验证网络对LSTM诊断模型诊断效果；

S3：构建LSTM诊断模型，输入训练集和验证集进行网络训练；

在步骤S3中，构建基于LSTM的深度学习框架的具体方法为：

构建五层网络，如图2所示，包括：输入层、LSTM层、全连接层、softmax层、分类输出层，其中LSTM层拥有若干个隐藏单元，其状态激活函数为‘tanh’，门激活函数为‘sigmoid’。网络的超参数设置如表2所示；

表2：LSTM网络超参数设置

名称	取值
		优化器	Adam
梯度阈值	0.01
		隐藏单元数	150
Minibatchsize	100
		Maxepoch	500

softmax层将LSTM诊断模型中全连接层的输出作为输入向量，输出LSTM诊断模型对故障标签的诊断支持度，具体如下：

其中，x₁表示LSTM诊断模型中全连接层的输出，即softmax层的输入，θ_i,i＝1,2,...,N为LSTM诊断模型中softmax层的权值矩阵，Softmax为激活函数。

S4：用油中溶解气体构建特征参量，对数据进行图像化处理，得到图像数据集，按比例将图像数据集划分为训练集和验证集，作为CNN诊断模型的输入；

作为一种可选的实施方式，步骤S4中对数据进行图像化处理，将数据的差异分别用颜色和高度进行图像化呈现，分别得到图像数据集A和图像数据集B，分别取图像数据集A和图像数据集B中的一个图像，分别表示为：

data_i”＝{c_i,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，c_i为图像数据集A中第i组溶解气体监测数据参量转化的图像，s_i为第i组溶解气体监测数据对应的变压器状态。

data_i”'＝{d_i,s_i}i∈[1,K]

其中，K为K组溶解气体监测数据，d_i为图像数据集B中第i组溶解气体监测数据参量转化的图像，s_i为第i组溶解气体监测数据对应的变压器状态。

S5：构建CNN诊断模型，输入训练集和验证集，对CNN诊断模型进行训练；倘若数据量足够大，可构建最基本的CNN诊断模型，并利用大数据对CNN诊断模型进行训练及验证，倘若数据量较小，可利用迁移学习对经典模型如MobileNet-V2进行迁移训练及验证；

在本发明实施例中，CNN诊断模型还可以选用其它模型，本发明实施例不做唯一性限定。

如图3所示是本发明实施例提供的一种CNN单元结构示意图，具体为：

MobileNet-V2是基于MobileNet-V1的基本概念构建，MobileNet-V2提出两大富有创新性的设计思想:Inverted residuals和Linear bottlenecks。

Inverted residuals:MobileNet-V2的Depth-wise convolution之前有一个1x1的“扩张”层，其目的是为了在数据进入深度卷积之前扩展数据中的通道数量，丰富特征数量，从而提高精度。

Linear bottlenecks:MobileNet-V2提出在通道数较少的层后，用线性激活函数代替ReLU激活函数。因为“扩张层”的引入，卷积层输出的大量特征需要进行“压缩”操作以减少计算量，随着通道数目减少，倘若激活函数还选取ReLu,特征将会受到破坏。这是由于ReLu对于负的输入，输出全为零；而本来特征就已经被“压缩”，再经过ReLu的话，又要“损失”一部分特征。

具体地，softmax层将CNN诊断模型中全连接层的输出作为输入向量，输出CNN诊断模型对故障标签的诊断支持度，具体如下：

其中，x₂表示CNN诊断模型中全连接层的输出，即softmax层的输入，θ'_i,i＝1,2,...,N为CNN诊断模型中softmax层的权值矩阵，Softmax为激活函数。

作为一种可选的实施方式，如图4所示，步骤S5利用迁移学习对经典模型MobileNet-V2进行迁移训练及验证，首先对MobileNet-V2的最后一层全连接层进行替换，令其输出数量等于诊断标签类别数量，在本实施例为6。接着冻结预训练网络前50％层的参数，最后对基于MobileNet-V2模型的迁移训练超参数进行设置如表3所示，输入训练集对网络未冻结部分进行训练。

表3：CNN诊断模型超参数设置

S6：利用DS证据理论对两种深度学习模型的softmax层输出进行深度并行融合，经输出层输出最终的诊断结果；

作为一种可选的实施方式，步骤S6中的深度并行融合借助DS证据理论对CNN及LSTM诊断网络的softmax层输出的对故障标签的诊断支持度进行融合。如图5所示，步骤S6具体可以采用以下方式实现：

(1)获取各深度学习诊断网络的softmax层输出：即CNN和LSTM对同一组DGA监测数据对应的故障标签的诊断支持度：ξ_k,γ＝ξ_k,1，ξ_k,2，…，ξ_k,l，(k的数值代表不同方法，l为故障标签总数，即γ＝1,2,…,l)

(2)以不同方法k为行，诊断支持度ξ_k,γ为列，组成支持度矩阵，即：{(H_γ,ξ_k,γ),k＝1,2,γ＝1,...,l}，支持度矩阵的每个元素表示：第k个诊断方法对故障标签H_γ的支持度为ξ_k,γ；

(3)将支持度矩阵中各列看作DS证据理论的识别框架Θ，从而有Θ＝{H_γ|γ＝1,2,…,l}＝{H₁,H₂,…,H_l}；

(4)将不同诊断方法的诊断支持度信息归入到同一识别框架Θ下，计算基本概率分配m(Basic Probability Assignment,BPA)：

m_k,γ＝m_k(H_γ)＝ω_kξ_k,γ (2)

其中，ω_k为各个诊断方法k(k＝1、2)的权重值，一般情况下可以取平均值，即：ω_k＝1/2；m_k,γ表示第k种方法对于评估目标(即变压器的故障状态)H_γ的基本概率分配；m_k表示计算基本概率分配的函数；m_k,H表示分配给整个故障标签集H，而不是特定变压器故障状态的剩余概率；

是用于计算基本概率分配的中间变量。

(5)复合概率分配：

其中，m_γ表示故障标签的复合概率分配，K、

是用于计算复合概率分配的中间变量。

最后归一化处理，得到综合诊断结果：

即ξ_γ,γ＝1，…，l为融合得到的不同故障标签置信度的归一化结果，

表示不确定性分布的归一化值。

最后将最大置信度对应的故障标签输出作为最终的诊断结果。

最终得本例模型LSTM故障诊断准确率为93.6％，CNN故障诊断准确率为92.1％，深度并行诊断准确率为96.9％。

如图6所示是本发明实施例提供的一种变压器油中溶解气体的深度并行故障诊断系统结构示意图，包括：

数据处理模块201，用于获取各变压器油中溶解气体的若干组监测数据，对各组监测数据中的溶解气体含量进行分析，获取对应的故障类型标签，对各组监测数据进行归一化处理后与对应的故障类型标签组成目标数据集；

第一训练模块202，用于将目标数据集划分为第一训练集和第一验证集，由第一训练集对LSTM诊断模型进行训练，由第一验证集对训练后的LSTM诊断模型进行验证；

第二训练模块203，用于对目标数据集中的各组数据进行图像化处理，得到图像数据集，将图像数据集划分为第二训练集和第二验证集，由第二训练集对CNN诊断模型进行训练，由第二验证集对训练后的CNN诊断模型进行验证；

诊断模块204，用于分别对训练后的LSTM诊断模型及训练后的CNN诊断模型的softmax层的输出进行深度并行融合，经输出层输出最终的诊断结果。

其中，各模块的具体实施方式可以参考方法实施例的描述，本发明实施例将不再复述。

在本发明的另一实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现上述方法实施例中的变压器油中溶解气体的深度并行故障诊断方法。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种变压器油中溶解气体的深度并行故障诊断方法，其特征在于，包括：

(1)获取各变压器油中溶解气体的若干组监测数据，对各组所述监测数据中的溶解气体含量进行分析，获取对应的故障类型标签，对各组所述监测数据进行归一化处理后与对应的故障类型标签组成目标数据集；

(2)将所述目标数据集划分为第一训练集和第一验证集，由所述第一训练集对LSTM诊断模型进行训练，由所述第一验证集对训练后的LSTM诊断模型进行验证；

(3)对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，将所述图像数据集划分为第二训练集和第二验证集，由所述第二训练集对CNN诊断模型进行训练，由所述第二验证集对训练后的CNN诊断模型进行验证；

(4)分别对训练后的LSTM诊断模型及训练后的CNN诊断模型的softmax层的输出进行深度并行融合，根据最大置信原则，输出最终的诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述各变压器油中溶解气体的若干组监测数据为：data_i＝{a_i,1,a_i,2,...,a_i,j,...,a_i,N,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，a_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量，s_i为第i组溶解气体监测数据对应的变压器状态，N为气体种类数；归一化后得到的数据为：data_i'＝{b_i,1,b_i,2,...,b_i,j,...,b_i,N,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，b_i,j为第i组溶解气体监测数据中第j(j∈[1,N])种气体参量的含量的归一化值，s_i为第i组溶解气体监测数据对应的变压器状态，N为气体种类数。

3.根据权利要求2所述的方法，其特征在于，所述LSTM诊断模型包括：输入层、LSTM层、全连接层、softmax层及分类输出层，其中，LSTM层由拥有若干个隐藏单元，各隐藏单元的状态激活函数为tanh，门激活函数为sigmoid，softmax层将所述LSTM诊断模型中全连接层的输出作为输入向量，由

得到所述LSTM诊断模型对故障标签的诊断支持度，其中，x₁表示所述LSTM诊断模型中全连接层的输出，θ_i,i＝1,2,...,N为LSTM诊断模型中softmax层的权值矩阵，Softmax为激活函数。

4.根据权利要求3所述的方法，其特征在于，在步骤(3)中，对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，包括：

对所述目标数据集中的各组数据进行图像化处理，将数据的差异分别用颜色进行图像化呈现得到图像数据集A，用高度进行图像化呈现得到图图像数据集B，其中，所述图像数据集A表示为：data_i”＝{c_i,s_i}i∈[1,K]，所述图像数据集B表示为：data_i”'＝{d_i,s_i}i∈[1,K]，其中，K为K组溶解气体监测数据，c_i为所述图像数据集A中第i组溶解气体监测数据参量转化的图像，d_i为所述图像数据集B中第i组溶解气体监测数据参量转化的图像，s_i为第i组溶解气体监测数据对应的变压器状态。

5.根据权利要求4所述的方法，其特征在于，所述CNN诊断模型中的softmax层将CNN诊断模型中全连接层的输出作为输入向量，由

得到故障标签的诊断支持度，其中，x₂表示CNN诊断模型中全连接层的输出，θ'_i,i＝1,2,...,N为CNN诊断模型中softmax层的权值矩阵，Softmax为激活函数。

6.根据权利要求5所述的方法，其特征在于，步骤(4)包括：

(4.1)分别获取LSTM诊断模型及CNN诊断模型的softmax层对同一组待诊断监测数据对应的故障标签的诊断支持度：ξ_k,γ＝ξ_k,1，ξ_k,2，…，ξ_k,l，其中，k的数值代表不同的诊断模型，l为故障标签总数，γ＝1,2,…,l；

(4.2)以不同的诊断方法k为行，诊断支持度ξ_k,γ为列，组成支持度矩阵{(H_γ,ξ_k,γ),k＝1,2,γ＝1,...,l}，其中，所述支持度矩阵的每个元素表示：第k个诊断模型对故障标签H_γ的支持度为ξ_k,γ；

(4.3)将所述支持度矩阵中各列看作DS证据理论的识别框架Θ，则Θ＝{H_γ|γ＝1,2,…,l}＝{H₁,H₂,…,H_l}；

(4.4)将不同诊断模型的诊断支持度信息归入到同一识别框架Θ下，得到基本概率分配；

(4.5)由所述基本概率分配得到复合概率分配，进而由所述复合概率分配得到融合后的不同故障标签的置信度，将最大置信度对应的故障标签作为所述待诊断监测数据的诊断结果。

7.根据权利要求6所述的方法，其特征在于，由

得到基本概率分配，其中，ω_k为第k个诊断模型的权重值，m_k,γ表示第k个诊断模型对于变压器的故障标签H_γ的基本概率分配，m_k表示计算基本概率分配的函数，m_k,H表示分配给整个故障标签集H的剩余概率。

8.根据权利要求7所述的方法，其特征在于，由{H_γ}:

得到复合概率分配，其中，m_γ表示故障标签H_γ的复合概率分配，K为中间变量；由

计算出故障标签H_γ的归一化概率分配ξ_γ，最终根据最大置信原则，输出最大概率对应的标签作为最终诊断结果。

9.一种变压器油中溶解气体的深度并行故障诊断系统，其特征在于，包括：

数据处理模块，用于获取各变压器油中溶解气体的若干组监测数据，对各组所述监测数据中的溶解气体含量进行分析，获取对应的故障类型标签，对各组所述监测数据进行归一化处理后与对应的故障类型标签组成目标数据集；

第一训练模块，用于将所述目标数据集划分为第一训练集和第一验证集，由所述第一训练集对LSTM诊断模型进行训练，由所述第一验证集对训练后的LSTM诊断模型进行验证；

第二训练模块，用于对所述目标数据集中的各组数据进行图像化处理，得到图像数据集，将所述图像数据集划分为第二训练集和第二验证集，由所述第二训练集对CNN诊断模型进行训练，由所述第二验证集对训练后的CNN诊断模型进行验证；

诊断模块，用于分别对训练后的LSTM诊断模型及训练后的CNN诊断模型的softmax层的输出进行深度并行融合，根据最大置信原则，输出最终的诊断结果。

10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现如权利要求1至8任一所述的变压器油中溶解气体的深度并行故障诊断方法。

Images