CN113889198A - 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 - Google Patents

一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 Download PDF

Info

Publication number
CN113889198A
CN113889198A CN202111121300.1A CN202111121300A CN113889198A CN 113889198 A CN113889198 A CN 113889198A CN 202111121300 A CN202111121300 A CN 202111121300A CN 113889198 A CN113889198 A CN 113889198A
Authority
CN
China
Prior art keywords
attention
residual
network
attention network
residual error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111121300.1A
Other languages
English (en)
Other versions
CN113889198B (zh
Inventor
沙伟燕
吴旭涛
李秀广
何宁辉
丁培
亓亮
张佩
田禄
张方博
戴军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mnai Energy Co ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Shanghai Mnai Energy Co ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Mnai Energy Co ltd, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Shanghai Mnai Energy Co ltd
Priority to CN202111121300.1A priority Critical patent/CN113889198B/zh
Publication of CN113889198A publication Critical patent/CN113889198A/zh
Application granted granted Critical
Publication of CN113889198B publication Critical patent/CN113889198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明涉及一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备，所述设备包括油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络。有益效果是基于油色谱时频域信息和残差注意力网络、提升变压器故障分类诊断准确度。

Description

一种基于油色谱时频域信息和残差注意力网络的变压器故障 诊断方法及设备
【技术领域】
本发明涉及电站设备故障分类技术领域，具体涉及一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备。
【背景技术】
色谱又称色层法或层析法，是一种物理化学分析方法，它利用不同溶质(样品)与固定相和流动相之间的作用力(分配、吸附、离子交换等)的差别，当两相做相对移动时，各溶质在两相间进行多次平衡，使各溶质达到相互分离。分析性色谱的目的是定量或者定性测定混合物中各组分的性质和含量。色谱图是指被分离组分的检测信号随时间分布的图像，样品流经色谱柱和检测器，所得到的信号-时间曲线，又称色谱流出曲线。
对于电力系统中变压器故障的诊断检测，是否能够迅速的对其故障类型进行判断，及时给出检修方案进行故障排查和检修是非常重要的，这会直接影响最终是否会造成大范围的停电，甚至引发设备的爆炸，影响周围工作人员的生命安全，给人民的生产和生活带来重大的经济损失。目前广泛使用的是油浸式变压器。用色谱法测定变压器油中溶解气体的组分含量，是发供电企业判断运行中的充油电力设备是否存在潜伏性的过热、放电等故障，以保障电网安全有效运行的有效手段。在油浸式变压器的运行中，会受到外界环境和自身运行的影响，产生一些气体，如甲烷、乙烷、乙炔等。在正常运行和异常状态时，这些气体的浓度会呈现不同的比例形式。从而可以根据这些气体浓度，实现对变压器状态的评估和故障的分类。
已有的研究方法包括阈值法、三比值法和数据驱动的智能算法等。阈值法通过大量的实际数据，总结出来的一个经验范围。该阈值只能粗略的判断设备是否处于正常运行状态，如果出现了异常，则并不能判断具体的故障类型；并且变压器的故障发生是一个动态连续的过程，在故障发生初期，可能浓度并没有超过阈值，但是此时已经算在故障内，所以利用阈值法无法对早期的故障进行侦测。三比值法也是通过实验总结得出的结论，使用的方法包括IEC比值、 Rogers比值、Dornenburg比值和Duval比值等；在实际的变压器运行时，由于故障发生时的不确定性和复杂性，利用比值法规定的界限过于绝对，其划分的编码区域存在一定的模糊性，无法准确的覆盖所有的故障形式；同时，三比值法也无法对故障发生的动态过程进行分析，对早期故障的识别效果较差。目前随着在线监测装置的使用，大量的实测数据可以获取。并且随着智能算法的不断研究法发展，已经有很多利用数据驱动的智能算法来对变电站的运行状态进行评估。
近年来，虽然基于数据驱动的智能算法已经取得了一定的研究成果，但是仍然存在一些问题。首先传统的智能算法只是将油色谱数据的原始数据，即时域信息输入到网络模型，忽略了频域所蕴含的丰富的潜在信息。目前流行的人工智能方法如各种卷积神经网络往往不具备可解释性，模型提取的特征人类无法理解，也因此无法判断特征好坏和引入先验知识。其次由于变电站故障的多样性和复杂性，为了更加准确的对故障进行分类，传统模型通过增加网络层数来期待提高网络的学习能力。但是随着网络层数的增加，模型能加容易趋于过拟合状态，反而降低了分类准确度。并且更多的网络层数意味着有更多的网络参数需要进行训练，大大增加了网络的训练时间。
基于此，期望获得一种新的故障分类诊断方法，其能够进一步提升对变压器故障分类诊断的准确度。
注意力机制(Attention Mechanism)，在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息，注意力机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分；神经注意力机制可以使得神经网络具备专注于其输入(或特征) 子集的能力，选择特定的输入。假定输入为Q(Query)，Memory中以键值对 (K，V)形式存储上下文，那么注意力机制其实是Query到一系列键值对(Key， Value)上的映射函数。残差在数理统计中是指实际观察值与估计值(拟合值) 之间的差，如果回归模型正确的话，可以将残差看作误差的观测值。残差网络是一种卷积神经网络，特点是容易优化，并且能够通过增加相当的深度来提高准确率；其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。残差的思想都是去掉相同的主体部分，从而突出微小的变化。
本发明针对现有技术存在的技术问题，对数据驱动的变压器故障分类诊断方法进行了技术改进。
【发明内容】
本发明的目的是，提出一种基于油色谱时频域信息和残差注意力网络、提升变压器故障分类诊断准确度的方法。
为实现上述目的，本发明采取的技术方案是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，所述方法实现依赖于油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；包括以下步骤：
S1、油色谱监测数据采集清洗程序子模块采集油浸式变压器油色谱监测数据、进行数据清洗；
S2、油色谱时频域信息样本数据生成程序子模块根据步骤S1的数据生成气体浓度时域序列、频域分量序列、时域序列比值以及频域序列浓度比值样本数据集；
S3、残差注意力网络程序模块利用步骤S2生成的样本数据集训练和测试变压器故障分类残差注意力网络；
S4、残差注意力网络程序模块利用训练好的残差注意力网络输入经过步骤 S1、步骤S2生成的样本数据进行变压器故障判别预警。
优选地，所述步骤S2：采用窗口长度可调整的时间窗口对数据进行截取切片的方式生成样本数据集，并对生成的样本数据集进行归一化处理。
优选地，所述步骤S3：残差注意力网络将变压器故障分类为正常状态和异常状态，异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型。
优选地，所述残差注意力机制程序子模块通过表层注意力网络提供注意力权重动态自适应地调整表征残差网络学习到的权重。
优选地，所述表层注意力网络利用三种激活函数提供注意力权重，包括对残差注意力网络每个通道和空间位置使用sigmoid函数不添加额外约束限制的混合注意力激活函数
Figure BDA0003277286590000041
利用L2正则对残差注意力网络所有通道的每一个空间位置进行约束消除空间信息的通道注意力激活函数
Figure BDA0003277286590000051
以及对残差注意力网络每一个通道实现正则化的空间注意力激活函数
Figure BDA0003277286590000052
其中i范围涵盖残差注意力网络所有的空间位置，c涵盖残差注意力网络所有的通道，meanc和stdc表示残差注意力网络第 c个通道特征图的平均值和方差，xi，c表示残差注意力网络第i个空间位置的特征向量。
优选地，所述残差注意力网络以端到端模式进行训练，所述表层注意力网络采用从底到顶的结构模仿注意力训练过程中的前向和反馈机制；任一所述残差注意力机制程序子模块输入为x，表征残差网络对应的输出为T(x)，表层注意力网络得到的注意力权重输出M(x)，最终任一所述残差注意力机制程序子模块的输出为Hi，c(x)＝Mi，c(x)×Ti，c(x)，其中i的范围涵盖残差注意力网络所有的空间位置，c∈{1，K，C}表示残差注意力网络通道的索引。
优选地，所述残差注意力机制程序子模块表层注意力网络输出的注意力权重在前向传播中作为一种特征选择方式，同时在反向传播中参与梯度的更新，所述残差注意力机制程序子模块输入特征的梯度为
Figure BDA0003277286590000053
其中θ是表层注意力网络参数，φ是表征残差网络参数。
优选地，所述残差注意力网络跨层连接对残差进行学习时，所述残差注意力机制程序子模块的输出为Hi，c(x)＝(1+Mi，c(x))×Fi，c(x)，其中M(x)的取值范围[0，1]，当M(x)接近0的时候，H(x)接近原来的特征F(x)，Fi，c(x)为跨层连接过程中由表征残差网络生成的一系列特征。
优选地，所述表层注意力网络的训练过程包括前向的扫描过程以及反向的反馈过程；所述扫描过程快速收集输入信息的全局信息，所述反馈过程对收集到的全局信息和特征图信息进行计算；所述前向的扫描过程以及反向的反馈过程通过从底到端、再从上到下的卷积操作实现；具体的：
首先，表层注意力网络通过使用最大池化层增大输入信息接受阈；
之后，在表层注意力网络达到最低的采样粒度之后，利用全局信息指导每一个位置输入信息的注意力权重，通过线性插值实现上采样，其中插值的数量和最大池化层的数量相同，使得输出大小和特征图的大小相同；
最后，表层注意力网络利用sigmoid激活函数实现输出归一化。
本发明的再一目的是，提出一种基于油色谱时频域信息和残差注意力网络、提升变压器故障分类诊断准确度的设备。
为实现上述再一目的，本发明采取的技术方案是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断设备，所述设备包括油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；所述一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断设备用于执行上述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法。
本发明有如下有益效果：1、针对故障分类卷积神经网络的输入信息，不仅考虑了油色谱原始序列的时域信息，同时引入了油色谱频域特征；除此之外，参考了比值法的原理，将油色谱时频域序列对应的比值也作为特征参量输入到故障分类网络模型中；2、对于故障分类卷积神经网络，选用残差注意力网络进行变压器故障的判断，残差注意力网络以跨层连接的方式堆叠注意力模块，降低了网络过拟合的影响，加快了残差注意力网络模型的训练速度；除此之外，注意力模块能够更好的关注于对故障分类有较高影响的信息，增加其对应的权重，从而能够进一步提升变压器故障分类的准确度。
【附图说明】
图1是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法步骤图。
图2是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法流程图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法。
图1是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法步骤图。如附图1所示，本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，所述方法实现依赖于油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；包括以下步骤：
S1、油色谱监测数据采集清洗程序子模块采集油浸式变压器油色谱监测数据、进行数据清洗；
S2、油色谱时频域信息样本数据生成程序子模块根据步骤S1的数据生成气体浓度时域序列、频域分量序列、时域序列比值以及频域序列浓度比值样本数据集；
S3、残差注意力网络程序模块利用步骤S2生成的样本数据集训练和测试变压器故障分类残差注意力网络；
S4、残差注意力网络程序模块利用训练好的残差注意力网络输入经过步骤 S1、步骤S2生成的样本数据进行变压器故障判别预警。
所述步骤S2：采用窗口长度可调整的时间窗口对数据进行截取切片的方式生成样本数据集，并对生成的样本数据集进行归一化处理。
所述步骤S3：残差注意力网络将变压器故障分类为正常状态和异常状态，异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型。
所述残差注意力机制程序子模块通过表层注意力网络提供注意力权重动态自适应地调整表征残差网络学习到的权重。
实施例2
本实施例实现一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法。
本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，针对故障分类神经网络的输入信息，不仅考虑了原始序列的时域信息，同时引入了其频域特征；除此之外，参考了比值法的原理，将时频域序列对应的比值也作为特征参量输入到网络模型中。对于故障分类神经网络，本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法选用残差注意力网络进行变电站故障的判断，残差注意力网络以跨层连接的方式堆叠注意力模块，降低了网络过拟合的影响，加快了模型的训练速度；除此之外，注意力模块能够更好的关注于对分类有较高影响的信息，增加其对应的权重，从而能够进一步提升对变压器故障分类的准确度。
图2是一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法流程图。如附图2所示，本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法利用油浸式变压器的油色谱监测数据、实现变压器故障诊断，其包括步骤：
(1)首先对收集到的油色谱监测数据以及对应的样本案例库数据进行数据清洗。将明显错误的样本数据剔除，防止后续模型学习到不正确的信息；
(2)为了更好的体现故障变化的动态过程，本实施例考虑一段时间内的气体浓度变化情况。对各种浓度序列，采用窗口长度可调整的滑动窗口对数据进行截取切片；
(3)在每个时间窗口，计算各种气体浓度序列的频域分量加入到对应的样本数据中；
对每个时间窗口，对时域序列和频域序列计算气体浓度比值，也加入到训练训练数据中。从而，每个时间窗口的数据包括：气体浓度的时域序列、频域分量序列、时域序列比值以及频域序列浓度比值；
对所有的训练数据进行归一化处理，可以消除由于数据本身尺度差异带来的不良影响；
将油色谱数据作为输入，变压器状态作为输出来训练残差注意力网络。为了更好的变压器状态进行评估，所以将其状态分为正常和异常两种。异常状态又包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型；
在训练结束之后，将测试数据输入到训练好的残差注意力网络中进行测试；
输入变压器状态结果。通过残差注意力网络，如果发现异常，则需要对其进行判别，并发出预警，将结果立即发送给变电站检修人员，指导后续的检修工作。
本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法中初次引入残差注意力网络，包括残差学习和注意力机制：
残差学习：深度神经网络一般通过堆叠多层隐藏层和增加每层隐藏层神经元的个数的方式，来提升整体网络的学习能力；但是仅仅通过网络层数的方式，会带来网络过拟合以及增加模型训练时间的问题；为了应对这两个问题，何凯明团队在2015年提出了深度残差网络(Deep residual network，ResNet)，该网络通过跨层连接的方式对残差进行学习，提升了网络对深层网络的训练能力。
注意力机制：注意力机制是模仿人类利用视觉观察事物的过程中，在图像中重点关注主要的部分然后对其进行判断，该机制极大地提高了视觉信息处理的效率与准确性，目前，常用的是名为归一化的点乘注意力机制模型。该模型 (归一化的点乘注意力机制模型)最早由谷歌团队提出。模型的输入包括查询值Q、键值K以及数值点V。其中查询值和键值的维度都为dk，数值点的维度为dv。通过对查询值和所有的键值进行点乘运算，并通过Softmax函数，可以得到在数值点的权重，即为注意力值。其矩阵形式的表达式为：
Figure BDA0003277286590000101
式中Softmax为归一化指数函数，常用于深度学习网络模型中，可以将向量中的元素压缩在(0，1)的范围内，并使得所有元素和为1。假设向量为 (z1，z2，K zN)，Softmax函数可表示为：
Figure BDA0003277286590000111
本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法相较于现有技术具有如下所述的优点以及有益效果：以跨层连接的方式堆叠注意力模块，降低了网络过拟合的影响，加快了模型的训练速度；除此之外，注意力模块能够更好的关注于对分类有较高影响的信息，增加其对应的权重，从而能够进一步提升对变压器故障分类的准确度。
残差注意力网络：受Resnet网络和注意力机制模式的启发，残差注意力网络通过堆叠多层的残差注意力机制模块，不仅可以保证模型在增加多层的情况下仍然收敛，还可以让整个网络具有差异性识别的能力，重点关注对目标影响大的输入内容。每一个残差注意力机制模块包括两个子模块：表层模块和表征模块。其中表层模块来计算注意力信息，表征模块用来对输入信息的特征进行提取和学习，可以采用目前主流的网络结构模型。
本实施例则采用残差网络构建残差注意力机制模块。残差网络是一种卷积神经网络的变种形式，卷积神经网络一般包括卷积层、池化层以及全连接层。
卷积层通过对卷积核的参数进行共享，具有很强的特征提取能力。利用可以学习的卷积核，前一层的特征图将在下一层进行卷积操作，具体过程可以表示：
Figure BDA0003277286590000121
式中
Figure BDA0003277286590000122
是在第l层的第w个特征图的输出，
Figure BDA0003277286590000123
是第l-1层的第n个特征图的输入，Mg是输入特征图的集和，
Figure BDA0003277286590000124
指卷积操作，
Figure BDA0003277286590000125
和
Figure BDA0003277286590000126
分别代表卷积层中的权重和偏置。
在经过卷积层之后，为了保证输出具有非线性的特征，需要经过一个激活函数。通常选用ReLU函数作为激活函数，该函数通过将输入和零比较，返回其中的较大值。其表达式为：
ReLU(x)＝max(0，x) (4)
之后，通常使用池化层来减少总共特征的数目。本实施例使用平均池化层来进行操作，其规则对应的表达式为：
Figure BDA0003277286590000127
式中
Figure BDA0003277286590000128
表示输出特征图的乘法偏置，
Figure BDA0003277286590000129
表示额外增加的偏置，Pooling(·)表示池化函数。其中平均池化函数可以表示为：
Figure BDA00032772865900001210
式中αp，q表示为大小为p×q的过滤器。
最后使用全连接层，将之前卷积层提出的特征合并为一起。该全连接层的函数可以表示为：
yl＝Klxl-1+bl (7)
式中Kl表示从l-1到l层的权重，bl为对应的额外偏置。
令表征模块的输入信息为x，其对应的输出为T(x)。表层模块使用从底到顶的结构来得到同样大小的输出M(x)，并作为注意力权重和T(x)相乘。这种从底到顶的结构模仿了注意力训练过程中的前向和反馈机制。最终一个残差注意力机制模块H的输出为：
Hi，c(x)＝Mi，c(x)×Ti，c(x) (8)
式中i的范围涵盖了所有的空间位置，并且c∈{1，K，C}表示通道的索引。整个结构以一种端到端的模式进行训练。
在残差注意力机制模块里，表层模块注意力值不仅能够在前向传播中作为一种特征选择方式，同时在反向传播中也能够参与梯度的更新。其中，关于输入特征的梯度可以计算为：
Figure BDA0003277286590000131
式中θ表层模块的参数，φ是表征模块的参数。这种梯度更新方法能够使得残差注意力机制模块对有噪声的标签具有一定的鲁棒性。其原因在于，对于具有噪声的数据，表层模块能够组织表征模块进行错误的参数更新。
如果简单的堆叠残差注意力机制模块同样会导致模型过拟合的现象，进而使得模型的性能下降。残差注意力网络中的跨层连接是对残差进行学习的模型，本实施例也以同样的方法对残差注意力机制模块进行构建。通过映射的方式，式(8)可以改写为：
Hi，c(x)＝(1+Mi，c(x))×Fi，c(x) (10)
式中M(x)的范围在[0，1]。当M(x)接近0的时候，H(x)也会接近原来的特征 F(x)。
在传统的残差网络中，其残差学习的过程可表示为Hi，c(x)＝x+Fi，c(x)，式中 Fi，c(x)用来近似残差函数。但对于本实施例的方法中，如式(10)所示，Fi，c(x)为由深度卷积网络生成的一系列特征。通过表层模块M(x)来辅助学习得到更好的特征，并且能够对表征模块的里噪声信息进行压缩。除此之外，以跨层连接的方法本质上也是一种增量学习模式。该模式不仅能够保证原本的学习到的特征具有很好的识别能力，并且在利用表层网络的前向传播机制能够更好加强对特征的筛选能力。
表层模块的训练过程包括前向的扫描以及反向的反馈过程。前者是通过快速收集输入信息的全局信息，后者主要对收集到的全局信息和特征图信息计算。在卷积神经网络中，这两个操作可以用通过从底到端、再从上到下的卷积操作来实现。从输入信息开始，通过使用最大池化层来增大接受阈。在达到最低的采样粒度之后，全局信息被扩大来指导每一个位置的输入信息的注意力值。该过程通过线性插值实现上采样，其中插值的数量和最大池化的数量相同，以此使得输出大小和特征图的大小相同。然后利用sigmoid激活函数实现输出的归一化，使得其范围在[0，1]之间，能够消除由于数据尺度不同对模型效果的影响。其表示为：
Figure BDA0003277286590000141
除此之外，利用1×1的卷积层来达到映射的效果。同时添加了跨层连接的操作。
通过表层模块提供的注意力权重能够动态自适应地调整表征模块学习到的权重。传统的方法仅仅单一的在输出前添加归一化函数，并没有考虑其他模块输出的特点。针对这一个问题，本实施例利用三种激活函数，包括混合注意力f1、通道注意力f2以及空间注意力f3，表达式依次为：
Figure BDA0003277286590000142
Figure BDA0003277286590000143
Figure BDA0003277286590000151
式中i的范围涵盖了所有的空间位置，并且c涵盖了所有的通道。meanc和stdc表示第c个通道的特征图的平均值和方差。xi，c表示第i个空间位置的特征向量。
混合注意力f1只是对每个通道和空间位置使用简单的sigmoid函数，并没有添加额外的约束限制。通道注意力f2利用L2正则对所有通道的每一个空间位置进行约束达到消除空间信息的作用。空间注意力f3则是对于每一个通道实现正则化。正则化(Regularization)是机器学习中一种常用的技术，其主要目的是控制模型复杂度，减小过拟合。L2正则就是将参数的L2范数加入loss里求最优化，故而限制了神经网络学到高频分量，更倾向于一个低频的平滑的函数，从而缓解过拟合。
实施例3
本实施例实现一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法。本实施例是实施例2的具体实施。
本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，步骤如下：
(1)时频域特征提取：利用油色谱数据进行油浸式变压器故障诊断时，常用的油色谱监测数据包括：甲烷、乙烷、乙烯、乙烷、乙炔、氢气、一氧化碳和二氧化碳等。根据我国GB/T 7252-2001《变压器油中溶解气体分析和判断导则》中给出的电力变压器的典型故障和故障类型关系，可以将故障类型分为以下六种：低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。在发生不同的故障类型时，其对应的油色谱数据变化情况也存在一定的差异。根据采集到的实时和历史数据，可以对变压器故障类型进行分析。目前的方法主要是以原始的采集数据进行分析，常用的方法包括阈值法、三比值法以及智能算法等。
以三比值法为例，大量实验表明，仅利用三比值法只能粗略的进行判断，存在较大的误判率。随着智能算法的提出，已经有利用深度学习网络来对变压器故障类型进行判断。但是对于网络的输入只要依赖于原始的时序数据，而频域信息并没有很好的被考虑和建模。目前可采用波形分解的算例：原始的时域信息可以通过小波分解等技术，得到频域分量信息。该信息能够作为先验知识输入到网络模型中进行建模，进而能够提升模型的分类识别准确度。
(2)训练残差注意力网络：
1)数据来源及评价：从故障案例库中(低温过热案例，中温过热案例，高温过热案例，局部放电案例，低能放电案例，高能放电案例)随机选取90％的样本数据训练残差注意力网络，剩下10％的样本数据作为测试样本测试分类的准确性，通过构建混淆矩阵可以对其模型的分类能力进行评价；
2)超参数设置：不同超参数设置设置会对模型的分类性能带来一定的影响，从而本实施例先对分析设置不同的注意力模块对变压器状态分类的影响，研究表明随着注意力模块个数的增加，平均分类准确度先提升，这是由于网络的层数不足，模型对训练集的数据无法进行深度的特征提取，进而导致欠拟合的现象。而随着网络的层数不断的增加，网络结构变的更加复杂，进而模型的准确率也有了提升；当层数超过某一层时(6层)，随着网络的层数增加，模型的分类准确率反而发生了下降趋势。这一部分是因为当隐含层层数过高时，对训练数据发生了过拟合现象，对新的数据的泛化能力降低，从而导致模型的分类准确率下降。而训练时间则随着注意力模块个数的增加而不断提升，注意其增长速度也越来越快，综合以上情况，为了保证网络具有较高的分类准确率的同时也有很好的泛化能力，并且具有快的训练时间，本实施例选用的注意力模块个数为4。
3)不同算法分类准确性对比：为了同目前的常用算法进行对比，本实施例选用基本的残差网络Resnet和支持向量机(support vector machine，SVM) 作为对比算法。其中Restnet的网络层数同样设置为4层，研究表明本实施例方法的有效性有优越性。同时可以看出，正常状态分类效果比故障分类效果好。这是因为正常类型的样本数目明显多于其余各故障类型数目，从而能够更好的学习样本信息。训练好的模型首先能够很好的分辨变压器此时是正常运行还是存在一定的故障。该结果可以作为初步分析信息。其次对于不同的故障类型，可以看出，过热类型的故障分类效果要好于放电类型的故障。
由于单次实验存在一定的偶然性，本实施例将三种方法重复实验100次，结果表明，本实施例提出的方法在平均和方差上都比其他两种对比方法优越。
4)不同样本数目的影响：由于训练样本数目会对实验效果造成影响，特进一步具体对其印象想过进行比较。分别将样本数目缩减为2000、1500和1000。其每一类型的样本数目也相应的缩减。同样按照9:1的比例将样本数据划分为训练集和测试集，测试结果表明，当训练样本减少时，所有方法的分类效果都有明显的下降。对于数据驱动的模型来说，需要较大的数据样本才能训练出较为准确的模型。随着样本数目的减少，SVM模型效果下降的幅度最大，相比之下，本实施例方法虽然在样本减少时，模型性能也有所下降，但是下降幅度不是很大。本实施例方法也能保持较高的分类性能，证明了本实施例提出的网络结构具有较高的特征提取和识别分类能力，能更好适用于变电站的状态评估和故障分类问题。
5)不同特征参量的影响：由于本实施例引入了频域信息作为网络模型的输入，并且考虑不同特征量的比值信息。特对该设计的有效性进行验证。为了进行分析，设计了四种场景。场景一只对模型输入原始的时域信息；场景二输入信息为时域序列和对应的比值信息；场景三的输入信息为时域信息和频域信息；场景四的输入信息则包含了时域信息、频域信息和、时域序列比值和频域序列比值。研究结果表明：场景四的模型效果最好，场景二和场景三的效果也比场景一的效果好。这说明了引入频域信息能够使模型加入一些先验知识，提高输入信息的广度。同时参考了传统的比值法，将时域和频域序列不同参量的比值信息也作为输入，也能一定程度上提升模型的效果。综合以上两个信息，验证了本实施例提出方法的有效性有优越性。
综上所述可以看出，本实施例一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，使用残差注意力网络模型以跨层连接的方式堆叠注意力模块，降低了网络过拟合的影响，加快了模型的训练速度，并且注意力模块能够更好的关注于对分类有较高影响的信息，增加其对应的权重，从而能够进一步提升对变压器故障分类的准确度。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Acess Memory，RAM)等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (10)

1.一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述方法实现依赖于油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；包括以下步骤：
S1、油色谱监测数据采集清洗程序子模块采集油浸式变压器油色谱监测数据、进行数据清洗；
S2、油色谱时频域信息样本数据生成程序子模块根据步骤S1的数据生成气体浓度时域序列、频域分量序列、时域序列比值以及频域序列浓度比值样本数据集；
S3、残差注意力网络程序模块利用步骤S2生成的样本数据集训练和测试变压器故障分类残差注意力网络；
S4、残差注意力网络程序模块利用训练好的残差注意力网络输入经过步骤S1、步骤S2生成的样本数据进行变压器故障判别预警。
2.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于所述步骤S2：采用窗口长度可调整的时间窗口对数据进行截取切片的方式生成样本数据集，并对生成的样本数据集进行归一化处理。
3.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于所述步骤S3：残差注意力网络将变压器故障分类为正常状态和异常状态，异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型。
4.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力机制程序子模块通过表层注意力网络提供注意力权重动态自适应地调整表征残差网络学习到的权重。
5.根据权利要求4所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述表层注意力网络利用三种激活函数提供注意力权重，包括对残差注意力网络每个通道和空间位置使用sigmoid函数不添加额外约束限制的混合注意力激活函数
Figure FDA0003277286580000021
利用L2正则对残差注意力网络所有通道的每一个空间位置进行约束消除空间信息的通道注意力激活函数
Figure FDA0003277286580000022
以及对残差注意力网络每一个通道实现正则化的空间注意力激活函数
Figure FDA0003277286580000023
其中i范围涵盖残差注意力网络所有的空间位置，c涵盖残差注意力网络所有的通道，meanc和stdc表示残差注意力网络第c个通道特征图的平均值和方差，xi，c表示残差注意力网络第i个空间位置的特征向量。
6.根据权利要求5所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力网络以端到端模式进行训练，所述表层注意力网络采用从底到顶的结构模仿注意力训练过程中的前向和反馈机制；任一所述残差注意力机制程序子模块输入为x，表征残差网络对应的输出为T(x)，表层注意力网络得到的注意力权重输出M(x)，最终任一所述残差注意力机制程序子模块的输出为Hi，c(x)＝Mi，c(x)×Ti，c(x)，其中i的范围涵盖残差注意力网络所有的空间位置，c∈{1，K，C}表示残差注意力网络通道的索引。
7.根据权利要求6所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力机制程序子模块表层注意力网络输出的注意力权重在前向传播中作为一种特征选择方式，同时在反向传播中参与梯度的更新，所述残差注意力机制程序子模块输入特征的梯度为
Figure FDA0003277286580000031
其中θ是表层注意力网络参数，φ是表征残差网络参数。
8.根据权利要求7所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力网络跨层连接对残差进行学习时，所述残差注意力机制程序子模块的输出为Hi，c(x)＝(1+Mi，c(x))×Fi，c(x)，其中M(x)的取值范围[0，1]，当M(x)接近0的时候，H(x)接近原来的特征F(x)，Fi，c(x)为跨层连接过程中由表征残差网络生成的一系列特征。
9.根据权利要求8所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述表层注意力网络的训练过程包括前向的扫描过程以及反向的反馈过程；所述扫描过程快速收集输入信息的全局信息，所述反馈过程对收集到的全局信息和特征图信息进行计算；所述前向的扫描过程以及反向的反馈过程通过从底到端、再从上到下的卷积操作实现；具体的：
首先，表层注意力网络通过使用最大池化层增大输入信息接受阈；
之后，在表层注意力网络达到最低的采样粒度之后，利用全局信息指导每一个位置输入信息的注意力权重，通过线性插值实现上采样，其中插值的数量和最大池化层的数量相同，使得输出大小和特征图的大小相同；
最后，表层注意力网络利用sigmoid激活函数实现输出归一化。
10.一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断设备，其特征在于：所述设备包括油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；所述一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断设备用于执行权利要求1至权利要求9任一权利要求所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法。
CN202111121300.1A 2021-09-24 2021-09-24 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 Active CN113889198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111121300.1A CN113889198B (zh) 2021-09-24 2021-09-24 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111121300.1A CN113889198B (zh) 2021-09-24 2021-09-24 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备

Publications (2)

Publication Number Publication Date
CN113889198A true CN113889198A (zh) 2022-01-04
CN113889198B CN113889198B (zh) 2024-09-24

Family

ID=79006477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111121300.1A Active CN113889198B (zh) 2021-09-24 2021-09-24 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备

Country Status (1)

Country Link
CN (1) CN113889198B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114893390A (zh) * 2022-07-15 2022-08-12 安徽云磬科技产业发展有限公司 一种基于注意力与集成学习机制的泵机设备故障检测方法
CN116223661A (zh) * 2023-01-04 2023-06-06 江苏福多美生物科技有限公司 测定大蒜废水中大蒜素含量的方法
CN117851897A (zh) * 2024-03-08 2024-04-09 国网山西省电力公司晋城供电公司 一种多维度特征融合的油浸式变压器在线故障诊断方法
CN117949794A (zh) * 2024-03-27 2024-04-30 阳谷新太平洋电缆有限公司 一种电缆局部放电故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108646124A (zh) * 2018-03-08 2018-10-12 南京工程学院 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN112149549A (zh) * 2020-09-18 2020-12-29 国网山东省电力公司泰安供电公司 一种基于深度残差网络的gis局部放电类型识别方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
US20210278478A1 (en) * 2020-03-02 2021-09-09 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108646124A (zh) * 2018-03-08 2018-10-12 南京工程学院 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
US20210278478A1 (en) * 2020-03-02 2021-09-09 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil
CN112149549A (zh) * 2020-09-18 2020-12-29 国网山东省电力公司泰安供电公司 一种基于深度残差网络的gis局部放电类型识别方法
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王峰等: "基于深度卷积神经网络的变压器故障诊断方法", 《广东电力》, vol. 32, no. 9, 9 December 2019 (2019-12-09), pages 177 - 183 *
赵文清等: "基于残差BP神经网络的变压器故障诊断", 《电力自动化设备》, vol. 40, no. 2, 22 April 2020 (2020-04-22), pages 143 - 148 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114893390A (zh) * 2022-07-15 2022-08-12 安徽云磬科技产业发展有限公司 一种基于注意力与集成学习机制的泵机设备故障检测方法
CN114893390B (zh) * 2022-07-15 2023-08-04 安徽云磬科技产业发展有限公司 一种基于注意力与集成学习机制的泵机设备故障检测方法
CN116223661A (zh) * 2023-01-04 2023-06-06 江苏福多美生物科技有限公司 测定大蒜废水中大蒜素含量的方法
CN116223661B (zh) * 2023-01-04 2023-12-15 江苏福多美生物科技有限公司 测定大蒜废水中大蒜素含量的方法
CN117851897A (zh) * 2024-03-08 2024-04-09 国网山西省电力公司晋城供电公司 一种多维度特征融合的油浸式变压器在线故障诊断方法
CN117949794A (zh) * 2024-03-27 2024-04-30 阳谷新太平洋电缆有限公司 一种电缆局部放电故障检测方法
CN117949794B (zh) * 2024-03-27 2024-06-04 阳谷新太平洋电缆有限公司 一种电缆局部放电故障检测方法

Also Published As

Publication number Publication date
CN113889198B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN113889198A (zh) 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备
CN109408389B (zh) 一种基于深度学习的代码缺陷检测方法及装置
CN111241673B (zh) 用于噪声环境工业设备的健康状态预测方法
CN112101426A (zh) 基于自编码器的无监督学习图像异常检测方法
CN110070060A (zh) 一种轴承设备的故障诊断方法
CN107341497A (zh) 结合选择性升采样的不均衡数据流加权集成分类预测方法
CN106326915B (zh) 一种基于改进核Fisher的化工过程故障诊断方法
CN111260082B (zh) 一种基于神经网络的空间对象运动轨迹预测模型构建方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN111723949A (zh) 基于选择性集成学习的孔隙度预测方法
CN105572572A (zh) 基于wknn-lssvm的模拟电路故障诊断方法
CN115563563A (zh) 基于变压器油色谱分析的故障诊断方法及装置
CN110726898A (zh) 一种配电网故障类型识别方法
CN116010884A (zh) 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法
CN116383747A (zh) 基于多时间尺度深度卷积生成对抗网络的异常检测方法
CN117494037A (zh) 一种基于变权vae与双通道特征融合的变压器故障诊断方法
CN116304853A (zh) 一种极限学习机与特征提取相结合的数据分类方法及系统
CN114548306A (zh) 一种基于误分类代价的钻井早期溢流智能监测方法
CN112016774A (zh) 一种基于数据增强技术的配网运行状态辨识方法及系统
CN110222610A (zh) 一种信号分类的方法及装置
CN117436476A (zh) 一种基于eis增强数据预测电池rul方法
CN117031305A (zh) 一种基于多模型组合的使用电池drt预测soh的方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
Budiman et al. Optimization of classification results by minimizing class imbalance on decision tree algorithm
CN113469977B (zh) 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant