CN114492559A - 一种基于数据时频域建模的电力设备故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于数据时频域建模的电力设备故障诊断方法，包括：采集油色谱数据，基于所述油色谱数据建立油色谱数据源数据库；利用油色谱数据源数据库，对残差注意力网络进行差异训练；通过残差注意力网络计算注意力信息，并且对输入信息的特征进行提取和学习，对残差注意力网络进行完善；输入待诊断变压器的油色谱数据，通过完善后的残差注意力网络进行筛选识别异常；从而进一步提升了对变压器故障分类诊断的准确性，准确的分析结果能够辅助工作人员对设备进行维修，加快电网供电恢复，提高供电可靠性。

Description

一种基于数据时频域建模的电力设备故障诊断方法

技术领域

本发明涉及智能配电网的技术领域，尤其涉及一种基于数据时频域建模的 电力设备故障诊断方法。

背景技术

维持充足且可靠的电力供应是现代社会经济发展的基本前提，电力系统的 安全稳定运行是其中关键的基本保证。变压器作为配电网中的重要设备之一， 能够对电能进行有效的转换和传输。一旦变压器发生故障，最直接的影响是造 成大范围的停电，带来重大的经济损失。除此之外，还可能引发设备的爆炸， 影响周围工作人员的生命安全。由此可知，维护变电站的稳定影响，降低其中 可能存在故障的概率具有重要的意义。当发生故障时，也需要能够迅速的对其 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，尽可能的缩短停 电时间，减少对电网和社会经济带来的不良影响。

目前广泛使用的是油浸式变压器。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。

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。

因为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。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：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。

为解决上述技术问题，本发明提供如下技术方案：采集油色谱数据，基于 所述油色谱数据建立油色谱数据源数据库；利用油色谱数据源数据库，对残差 注意力网络进行差异训练；通过训练好的残差注意力网络计算注意力信息，并 且对输入信息的特征进行提取和学习，对残差注意力网络进行完善；输入待诊 断变压器的油色谱数据，通过完善后的残差注意力网络进行筛选识别异常。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优选 方案，其中：所述油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳 和二氧化碳的气体浓度数值；不同类型气体的浓度数值会在不同的状态呈现不 同的比例形式；将所述不同类型气体的浓度数值，分类存储，建立油色谱数据 源数据库。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：所述残差注意力网络中的每一个注意力模块包括表层模块和表 征模块，并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。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：所述残差注意力网络通过对查询值和所有的键值进行点乘运算， 并通过Softmax函数，得到在数值点的权重，为注意力值，注意力值即筛选识 别异常数据，其函数表达式为：

其中，查询值为Q、键值为K以及数值点为V；其中查询值和键值的维度 都为d_k，数值点的维度为d_v。

对所述残差注意力网络进行差异训练包括，将所述残差注意力网络进行分 层，所述分层包括卷积层、池化层以及全连接层，并且将前一层的特征图在下 一层进行卷积操作，所述卷积操作函数表达式为：

其中，

是在第l层的第w个特征图的输出，

是第l-1层的第n个特征图 的输入，M_g是输入特征图的集和，

指卷积操作，

和

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，选用ReLU函数作为激活函数，该函数通过将输入和零比较，返 回其中的相对值较大的一个，其函数表达式为：

ReLU(x)＝max(0,x)

采用池化层减少总共特征的数目，其函数表达式为：

其中，

表示输出特征图的乘法偏置，

表示额外增加的偏置，Pooling(·) 表示池化函数，平均所述池化函数表示为：

其中，α_p,q表示为大小为p×q的过滤器；

使用全连接层，将卷积层提出的特征合并为一起，所述全连接层的函数表 达式为：

y^l＝K^lx^l-1+b^l

其中，K^l表示从l-1到l层的权重，b^l为对应的额外偏置。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：所述表征模块用于对输入信息的特征进行提取和学习；将表征 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，注意力模块H的输入 出为：H_i,c(x)＝M_i,c(x)×T_i,c(x)

式中i的范围涵盖了所有的空间位置，c∈{1,...,C}表示通道的索引；

利用油色谱数据源数据库中的数据，不断对残差注意力网络输入信息，对 残差注意力网络进行训练。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：所述表征模块输入特征的梯度函数表达式为：

其中，θ表层模块的参数，φ是表征模块的参数。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：所述表层模块的训练过程包括前向传播和反向传播反馈过程， 前向传播是通过快速收集输入信息的全局信息，反向传播对收集到的全局信息 和特征图信息计算；在残差注意力网络通过卷积操作来实现；并且对所述输入 信息x，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 度信息被扩大来指导每一个位置的输入信息的注意力值。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：通过构建混淆矩阵对所述残差注意力网络的分类能力进行验证， 验证合格后对将待诊断变压器的油色谱数据进行诊断。

作为本发明所述基于数据时频域建模的电力设备故障诊断方法的一种优 选方案，其中：将待诊断变压器的油色谱数据作为注意力信息输入到完善后的 残差注意力网络进行筛选识别异常；将注意力机制模型输出状态分为正常和异 常两种，异常表示变压器出现的故障类型。

本发明的有益效果：本发明中利用油色谱数据源数据库，对残差注意力网 络进行差异训练，通过残差注意力网络计算注意力信息，并且对输入信息的特 征进行提取和学习，对残差注意力网络进行完善，从而进一步提升了对变压器 故障分类诊断的准确性，准确的分析结果能够辅助工作人员对设备进行维修， 加快电网供电恢复，提高供电可靠性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法的基本流程示意图；

图2为本发明第一个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法的残差学习连接方式图；

图3为本发明第一个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法的残差学习网络整体结构图；

图4为本发明第一个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法的波形分解示例图；

图5为本发明第二个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法的变压器故障诊断流程图基本流程示意图；

图6为本发明第二个实施例提供的一种基于数据时频域建模的电力设备故 障诊断方法在不同注意力个数下的分类准确率和训练时间结果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的 一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的 保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。

最后，本发明中除非另有明确的规定和限定，术语“安装、相连、连接” 应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以 是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两 个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述 术语在本发明中的具体含义。

实施例1

参照图1，本实施例为本发明第一个实施例，该实施例提供了一种基于数 据时频域建模的电力设备故障诊断方法：

S1:采集油色谱数据，油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一 氧化碳和二氧化碳的气体浓度数值,在正常运行和异常状态时，这些不同类型气 体的浓度数值会呈现不同的比例形式；

将不同类型气体的浓度数值，进行分类存储，建立油色谱数据源数据库。 基于油色谱数据建立油色谱数据源数据库；

利用油色谱数据源数据库，对残差注意力网络进行差异训练；

S2:残差注意力网络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，为注意力值，注意力值即筛选识别 异常数据，其函数表达式为：

其中，查询值为Q、键值为K以及数值点为V；其中查询值和键值的维度 都为d_k，数值点的维度为d_v。

对残差注意力网络进行差异训练，将残差注意力网络进行分层包括卷积层、 池化层以及全连接层，并且把前一层的特征图在下一层进行卷积操作，卷积操 作函数表达式为：

其中，

是在第l层的第w个特征图的输出，

是第l-1层的第n个特征图 的输入，M_g是输入特征图的集和，

指卷积操作，

和

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，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，其函数表达式为：

ReLU(x)＝max(0,x)

然后使用池化层来减少总共特征的数目，其函数表达式为：

其中，

表示输出特征图的乘法偏置，

表示额外增加的偏置，Pooling(·) 表示池化函数，平均池化函数可以表示为：

其中，α_p,q表示为大小为p×q的过滤器；

使用全连接层，将之前卷积层提出的特征合并为一起，全连接层的函数表 达式为：

y^l＝K^lx^l-1+b^l

其中，K^l表示从l-1到l层的权重，b^l为对应的额外偏置。

表征模块用于对输入信息的特征进行提取和学习；

S3:将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，注意 力模块H的输入出为：

H_i,c(x)＝M_i,c(x)×T_i,c(x)

式中i的范围涵盖了所有的空间位置，并且c∈{1,...,C}表示通道的索引；

S4:利用油色谱数据源数据库中的数据，不断对残差注意力网络输入信息， 对残差注意力网络进行训练。

表征模块的输入信息为前向传播，同时也能够在反向传播中参与梯度的更 新，使残差注意力网络具有一定的鲁棒性，关于输入特征的梯度函数表达式为：

其中，θ表层模块的参数，φ是表征模块的参数。

S5:通过残差注意力网络计算注意力信息，并且对输入信息的特征进行提取 和学习，对残差注意力网络进行完善；

S6:输入待诊断变压器的油色谱数据，通过完善后的残差注意力网络进行筛 选识别异常。

残差注意力网络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，全度信息被扩大来指导每一个位置的输入信息的注意 力值。

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，本文利用三种激活函数，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：

其中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。mean_c和std_c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。

实施例2

参照图4～6，为本发明第二个实施例，该实施例基于上一个实施例。

本实施例中的案例库中共包含2340组数据，其中正常案例1220组，故障案 例组1120组(低温过热案例221组，中温过热案例273组，高温过热案例182 组，局部放电案例152组，低能放电案例185组，高能放电案例107组)。从案 例库中随机选取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。混淆矩阵如下表所 示。

表1：混淆矩阵表。

评价指标包括正确率ACC、精度PREC以及召回率REC，其计算公式分 别如下：

ACC＝(TP+TN)/(TP+TN)

PREC＝TP/(TP+FP)

REC＝TP/(TP+FN)

请参阅图6，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， 从而本文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。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。

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，本发明选用的注意力模块个数为4。

由于训练样本数目会对实验效果造成影响，本发明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。下表 给出了不同样本数目的测试集的模型品平均分类效果。

由表中结果可知，当训练样本减少是，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处较为准确的模 型。随着样本数目的减少，SVM模型效果下降的幅度最大，尤其是当样本数目 为1000式，SVM模型的分类准确度ACC已经低于70％，无法满足实际需求。 相比之下，本发明的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。在较少样本时，本发明的方法也能保持较高的分类性能，证明 了本文提出的网络结构就要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。

表2：不同训练样本数目对应结果对比表。

本发明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，所以本发明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。下表展示了不 同场景下本文的方法的分类效果。

表3：分类效果表。

从表中的结果可以看出，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， 验证了本发明提出方法的有效性有优越性。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于数据时频域建模的电力设备故障诊断方法，其特性在于，包括：

采集油色谱数据，基于所述油色谱数据建立油色谱数据源数据库；

利用油色谱数据源数据库，对残差注意力网络进行差异训练；

通过训练好的残差注意力网络计算注意力信息，并且对输入信息的特征进行提取和学习，对残差注意力网络进行完善；

输入待诊断变压器的油色谱数据，通过完善后的残差注意力网络进行筛选识别异常。

2.如权利要求1所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：

所述油色谱数据包括甲烷、乙烷、乙烯、乙炔、氢气、一氧化碳和二氧化碳的气体浓度数值；

不同类型气体的浓度数值会在不同的状态呈现不同的比例形式；

将所述不同类型气体的浓度数值，分类存储，建立油色谱数据源数据库。

3.如权利要求2所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：所述残差注意力网络中的每一个注意力模块包括表层模块和表征模块，并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。

4.如权利要求3所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：所述残差注意力网络通过对查询值和所有的键值进行点乘运算，并通过Softmax函数，得到在数值点的权重，为注意力值，注意力值即筛选识别异常数据，其函数表达式为：

其中，查询值为Q、键值为K以及数值点为V；其中查询值和键值的维度都为d_k，数值点的维度为d_v。

5.如权利要求4所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：

对所述残差注意力网络进行差异训练包括，

将所述残差注意力网络进行分层，所述分层包括卷积层、池化层以及全连接层，并且将前一层的特征图在下一层进行卷积操作，所述卷积操作函数表达式为：

其中，

是在第l层的第w个特征图的输出，

是第l-1层的第n个特征图的输入，M_g是输入特征图的集和，

指卷积操作，

和

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，选用ReLU函数作为激活函数，该函数通过将输入和零比较，返回其中的相对值较大的一个，其函数表达式为：

ReLU(x)＝max(0,x)

采用池化层减少总共特征的数目，其函数表达式为：

其中，

表示输出特征图的乘法偏置，

表示额外增加的偏置，Pooling(·)表示池化函数，平均所述池化函数表示为：

其中，α_p,q表示为大小为p×q的过滤器；

使用全连接层，将卷积层提出的特征合并为一起，所述全连接层的函数表达式为：

y^l＝K^lx^l-1+b^l

其中，K^l表示从l-1到l层的权重，b^l为对应的额外偏置。

6.如权利要求3所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：

所述表征模块用于对输入信息的特征进行提取和学习；

将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，注意力模块H的输入出为：

H_i,c(x)＝M_i,c(x)×T_i,c(x)

式中i的范围涵盖了所有的空间位置，c∈{1,...,C}表示通道的索引；

利用油色谱数据源数据库中的数据，不断对残差注意力网络输入信息，对残差注意力网络进行训练。

7.如权利要求5所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：

所述表征模块输入特征的梯度函数表达式为：

其中，θ表层模块的参数，φ是表征模块的参数。

8.如权利要求7所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：

所述表层模块的训练过程包括前向传播和反向传播反馈过程，前向传播是通过快速收集输入信息的全局信息，反向传播对收集到的全局信息和特征图信息计算；

在残差注意力网络通过卷积操作来实现；

并且对所述输入信息x，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，全度信息被扩大来指导每一个位置的输入信息的注意力值。

9.如权利要求8所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：通过构建混淆矩阵对所述残差注意力网络的分类能力进行验证，验证合格后对将待诊断变压器的油色谱数据进行诊断。

10.如权利要求9所述的一种基于数据时频域建模的电力设备故障诊断方法，其特征在于：将待诊断变压器的油色谱数据作为注意力信息输入到完善后的残差注意力网络进行筛选识别异常；

将注意力机制模型输出状态分为正常和异常两种，异常表示变压器出现的故障类型。

Images