CN114912533B - 一种应用于变压器的状态监测系统及监测方法 - Google Patents
一种应用于变压器的状态监测系统及监测方法 Download PDFInfo
- Publication number
- CN114912533B CN114912533B CN202210567016.5A CN202210567016A CN114912533B CN 114912533 B CN114912533 B CN 114912533B CN 202210567016 A CN202210567016 A CN 202210567016A CN 114912533 B CN114912533 B CN 114912533B
- Authority
- CN
- China
- Prior art keywords
- vector
- feature
- matrix
- transformer
- convolution
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000002189 fluorescence spectrum Methods 0.000 claims abstract description 40
- 238000001499 laser induced fluorescence spectroscopy Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 250
- 239000011159 matrix material Substances 0.000 claims description 140
- 230000003595 spectral effect Effects 0.000 claims description 79
- 230000005012 migration Effects 0.000 claims description 66
- 238000013508 migration Methods 0.000 claims description 66
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 16
- 239000003638 chemical reducing agent Substances 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 18
- 239000003245 coal Substances 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请涉及变压器故障的智能监测领域，其具体地公开了一种应用于变压器的状态监测系统及监测方法，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。
Description
技术领域
本发明涉及变压器故障的智能监测领域，且更为具体地，涉及一种应用于变压器的状态监测系统及监测方法。
背景技术
我国的经济迅速地发展，电力工业也相应地大规模壮大，导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源，煤矿中的电力变压器更是在电能传输中起关键作用。因此，定期对煤矿变压器检测维护显得十分重要。
电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法，快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法，这种方法操作比较复杂，不适合在线检测，不能快速地检查出故障原因。因此，期待一种优化的用于电路变压器的故障检测方案。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为变压器的故障诊断提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种应用于变压器的状态监测系统及监测方法，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。
根据本申请的一个方面，提供了一种应用于变压器的状态监测系统，其包括：
状态监测数据获取单元，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；
降噪优化单元，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；
特征提取单元，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；
统计特征提取单元，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；
统计特征编码单元，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；
关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及
监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
在上述变压器状态监测系统中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
在上述变压器状态监测系统中，所述特征提取单元，进一步用于：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：卷积处理得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；以及，由所述第二卷积神经网络的最后一层输出所述光谱特征向量。
在上述变压器状态监测系统中，所述统计特征编码单元，包括：输入向量排列子单元，用于将所述多个预定波长下的计数值排列为一维的输入向量；一维卷积子单元，用于使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；全连接子单元，用于使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
在上述变压器状态监测系统中，所述关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；
其中，所述公式为：
其中Mc表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，||·||F表示矩阵的Frobenius范数。
在上述变压器状态监测系统中，所述监测结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，一种应用于变压器的状态监测系统的监测方法，其包括：
获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；
将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；
将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；
从所述降噪后的荧光光谱中提取多个预定波长下的计数值；
将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；
对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
在上述变压器状态监测系统的监测方法中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
在上述变压器状态监测系统的监测方法中，将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量，包括：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：卷积处理得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；以及，由所述第二卷积神经网络的最后一层输出所述光谱特征向量。
在上述变压器状态监测系统的监测方法中，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量，包括：将所述多个预定波长下的计数值排列为一维的输入向量；使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
在上述变压器状态监测系统的监测方法中，对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；
其中，所述公式为：
其中Mc表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，|\·|\F表示矩阵的Frobenius范数。
在上述变压器状态监测系统的监测方法中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的变压器状态监测系统的监测方法。
与现有技术相比，本申请提供的变压器状态监测系统及其监测方法，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的应用于变压器的状态监测系统的应用场景图。
图2为根据本申请实施例的应用于变压器的状态监测系统的框图。
图3为根据本申请实施例的应用于变压器的状态监测系统中统计特征编码单元的框图。
图4为根据本申请实施例的应用于变压器的状态监测系统的监测方法的流程图。
图5为根据本申请实施例的应用于变压器的状态监测系统的监测方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，我国的经济迅速地发展，电力工业也相应地大规模壮大，导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源，煤矿中的电力变压器更是在电能传输中起关键作用。因此，定期对煤矿变压器检测维护显得十分重要。
电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法，快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法，这种方法操作比较复杂，不适合在线检测，不能快速地检查出故障原因。因此，期待一种优化的用于电路变压器的故障检测方案。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展，为变压器的故障诊断提供了新的解决思路和方案。
相应地，在本申请的技术方案中，提出了一种激光诱导荧光光谱技术，也就是将激光打入未知油样得到荧光光谱，然后，基于对所述荧光光谱的分析来对电力变压器油进行检测，以快速识别电力变压器的油样，进而准确地对电力变压器的故障进行诊断。
应可以理解，考虑到由于在光谱获取的过程中，难免会有一些不确定因素影响光谱图的质量。第一，其中一些噪声干扰掺杂在生成的光谱图像中，会增大光谱数据的错误概率。第二，由于数据量大，数据的品质不统一。
基于此，在本申请的技术方案中，首先通过激光诱导荧光光谱仪采集待监测的变压器的油样的荧光光谱图。然后，将待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后的荧光光谱图，这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。特别地，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述待监测变压器的油样的荧光光谱图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
然后，将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取，以提取到降噪后的荧光光谱图的局部隐含关联特征分布，从而得到光谱特征向量。这样就能够解决掺杂的噪声干扰对结果的影响，进而减小光谱数据的错误概率。
应可以理解，由于本申请使用的数据量大且数据的品质不统一，因此，进一步从所述降噪后的荧光光谱中提取多个预定波长下的计数值；然后，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器中进行编码处理，以提取出所述降噪后的荧光光谱中的多个预定波长的隐含关联变化特征信息，从而得到统计特征向量。
应可以理解，在对所述统计特征向量V1和所述光谱特征向量V2进行高维特征空间内的基于关联编码的特征融合时，需要在通过关联编码获取关联特征的基础上，进一步保证向量在映射到高维特征空间并构造关联特征时，保持空间迁移的尺度迁移确定性，因此，进行关联矩阵的方式表示为：
||·||F表示矩阵的Frobenius范数，且V1和V2均为列向量。
这里，在对所述统计特征向量V1和所述光谱特征向量V2进行关联特征表达的同时，基于Frobenius范数来近似关联特征的低秩表达，从而保留高维特征的空间迁移下的尺度对于类概率的远程关系，从而在对于类概率的概率分布的基础上保持待融合的特征向量间的一致性，以改进关联矩阵的分类效果。进而，提高对于所述待监测变压器的故障分类的准确性。
进一步再将所述分类特征矩阵通过分类器以得到用于表示变压器是否存在故障的分类结果。
基于此，本申请提出了一种应用于变压器的状态监测系统，其包括：状态监测数据获取单元，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；降噪优化单元，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；特征提取单元，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；统计特征提取单元，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；统计特征编码单元，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
图1图示了根据本申请实施例的应用于变压器的状态监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过激光诱导荧光光谱仪(例如，如图1中所示意的T)采集待监测变压器的油样(例如，如图1中所示意的P)的荧光光谱图。然后，将获得的所述待监测变压器的油样的荧光光谱图输入至部署有变压器状态监测算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以变压器状态监测算法对所述待监测变压器的油样的荧光光谱图进行处理，以生成用于表示待监测变压器是否存在故障的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的应用于变压器的状态监测系统的框图。如图2所示，根据本申请实施例的应用于变压器的状态监测系统200，包括：状态监测数据获取单元210，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；降噪优化单元220，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；特征提取单元230，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；统计特征提取单元240，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；统计特征编码单元250，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；关联编码单元260，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，监测结果生成单元270，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
具体地，在本申请实施例中，所述状态监测数据获取单元210和所述降噪优化单元220，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图，并将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图。如前所述，在本申请的技术方案中，提出了一种激光诱导荧光光谱技术，也就是将激光打入未知油样得到荧光光谱，然后，基于对所述荧光光谱的分析来对所述电力变压器油进行检测，以快速识别所述电力变压器的油样，进而准确地对所述电力变压器的故障进行诊断。
应可以理解，考虑到由于在光谱获取的过程中，难免会有一些不确定因素影响光谱图的质量。第一，其中一些噪声干扰掺杂在生成的光谱图像中，会增大光谱数据的错误概率。第二，由于数据量大，数据的品质不统一。因此，在本申请的技术方案中，首先通过激光诱导荧光光谱仪采集待监测的变压器的油样的荧光光谱图。然后，将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后的荧光光谱图，这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。
特别地，在一个具体示例中，所述第一卷积神经网络为深度可分离卷积神经网络。应可以理解，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述待监测变压器的油样的荧光光谱图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
具体地，在本申请实施例中，所述特征提取单元230，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量。也就是，在本申请的技术方案中，在得到所述降噪后荧光光谱图后，进一步将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取，以提取到所述降噪后荧光光谱图的局部隐含关联特征分布，从而得到光谱特征向量。这样，就能够解决掺杂的噪声干扰对结果的影响，进而减小光谱数据的错误概率。
更具体地，在本申请实施例中，所述特征提取单元，进一步用于：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：首先，进行卷积处理得到卷积特征图。接着，对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图。然后，对所述池化特征图进行非线性激活以得到激活特征图。最后，由所述第二卷积神经网络的最后一层输出所述光谱特征向量。
具体地，在本申请实施例中，所述统计特征提取单元240和所述统计特征编码单元250，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值，并将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量。应可以理解，由于在本申请的技术方案中，使用的数据量大且数据的品质不统一，因此，进一步从所述降噪后的荧光光谱中提取多个预定波长下的计数值。然后，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器中进行编码处理，以提取出所述降噪后的荧光光谱中的多个预定波长的隐含关联变化特征信息，从而得到统计特征向量。
更具体地，在本申请实施例中，所述统计特征编码单元，包括：首先，将所述多个预定波长下的计数值排列为一维的输入向量。然后，使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。最后，使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
图3图示了根据本申请实施例的应用于变压器的状态监测系统中统计特征编码单元的框图。如图3所示，所述统计特征编码单元250，包括：输入向量排列子单元521，用于将所述多个预定波长下的计数值排列为一维的输入向量；一维卷积子单元252，用于使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元251获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；全连接子单元253，用于使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元251获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
具体地，在本申请实施例中，所述关联编码单元260，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行。应可以理解，在本申请的技术方案中，在获得所述统计特征向量和所述光谱特征向量后，在对所述统计特征向量V1和所述光谱特征向量V2进行高维特征空间内的基于关联编码的特征融合时，需要在通过关联编码获取关联特征的基础上，进一步保证向量在映射到高维特征空间并构造关联特征时，保持空间迁移的尺度迁移确定性。
因此，在本申请的技术方案中，进一步对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵。应可以理解，在对所述统计特征向量V1和所述光谱特征向量V2进行关联特征表达的同时，基于Frobenius范数来近似关联特征的低秩表达，从而保留高维特征的空间迁移下的尺度对于类概率的远程关系，从而在对于类概率的概率分布的基础上保持待融合的特征向量间的一致性，以改进所述关联矩阵的分类效果。进而，能够提高后续对于所述待监测变压器的故障分类的准确性。
更具体地，在本申请实施例中，所述关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；
其中，所述公式为：
其中Mc表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，||·||F表示矩阵的Frobenius范数。
具体地，在本申请实施例中，所述监测结果生成单元270，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步再将所述分类特征矩阵通过分类器以得到用于表示变压器是否存在故障的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述变压器状态监测系统200被阐明，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。
如上所述，根据本申请实施例的应用于变压器的状态监测系统200可以实现在各种终端设备中，例如变压器状态监测算法的服务器等。在一个示例中，根据本申请实施例的应用于变压器的状态监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该变压器状态监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该变压器状态监测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该变压器状态监测系统200与该终端设备也可以是分立的设备，并且该变压器状态监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了变压器状态监测系统的监测方法的流程图。如图4所示，根据本申请实施例的应用于变压器的状态监测系统的监测方法，包括步骤：S110，获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；S120，将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；S130，将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；S140，从所述降噪后的荧光光谱中提取多个预定波长下的计数值；S150，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；S160，对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及，S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
图5图示了根据本申请实施例的应用于变压器的状态监测系统的监测方法的架构示意图。如图5所示，在所述变压器状态监测系统的监测方法的网络架构中，首先，将获得的所述待监测变压器的油样的荧光光谱图(例如，如图5中所示意的P1)通过作为降噪器的第一卷积神经网络(例如，如图5中所示意的CNN1)以得到降噪后荧光光谱图(例如，如图5中所示意的P2)；接着，将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络(例如，如图5中所示意的CNN2)以得到光谱特征向量(例如，如图5中所示意的VF1)；然后，从所述降噪后的荧光光谱中提取多个预定波长下的计数值(例如，如图5中所示意的Q)；接着，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器(例如，如图5中所示意的E)以得到统计特征向量(例如，如图5中所示意的VF2)；然后，对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵(例如，如图5中所示意的MF)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图5中所示意的分类器)以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。
更具体地，在步骤S110和S120中，获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图，并将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图。应可以理解，在本申请的技术方案中，提出了一种激光诱导荧光光谱技术，也就是将激光打入未知油样得到荧光光谱，然后，基于对所述荧光光谱的分析来对所述电力变压器油进行检测，以快速识别所述电力变压器的油样，进而准确地对所述电力变压器的故障进行诊断。
应可以理解，考虑到由于在光谱获取的过程中，难免会有一些不确定因素影响光谱图的质量。第一，其中一些噪声干扰掺杂在生成的光谱图像中，会增大光谱数据的错误概率。第二，由于数据量大，数据的品质不统一。因此，在本申请的技术方案中，首先通过激光诱导荧光光谱仪采集待监测的变压器的油样的荧光光谱图。然后，将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后的荧光光谱图，这样可以避免环境噪声以及检测设备自身所引起的噪声对于检测精度的不良影响。
特别地，在一个具体示例中，所述第一卷积神经网络为深度可分离卷积神经网络。应可以理解，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度W和H和通道维度C上进行卷积以基于三维块匹配和过滤对所述待监测变压器的油样的荧光光谱图进行降噪，也就是，卷积操作不仅发生在图像维度的空间，还在通道维度上进行，这样，可以挖掘高维特征中的三维块结构，从而基于三维块匹配和过滤(3D block-matching and filtering)的原则来进行原始图像的去噪。
更具体地，在步骤S130中，将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量。也就是，在本申请的技术方案中，在得到所述降噪后荧光光谱图后，进一步将所述降噪后的荧光光谱图通过作为特征提取器的第二卷积神经网络中进行特征提取，以提取到所述降噪后荧光光谱图的局部隐含关联特征分布，从而得到光谱特征向量。这样，就能够解决掺杂的噪声干扰对结果的影响，进而减小光谱数据的错误概率。
更具体地，在步骤S140和步骤S150中，从所述降噪后的荧光光谱中提取多个预定波长下的计数值，并将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量。应可以理解，由于在本申请的技术方案中，使用的数据量大且数据的品质不统一，因此，进一步从所述降噪后的荧光光谱中提取多个预定波长下的计数值。然后，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器中进行编码处理，以提取出所述降噪后的荧光光谱中的多个预定波长的隐含关联变化特征信息，从而得到统计特征向量。
更具体地，在步骤S160中，对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行。应可以理解，在本申请的技术方案中，在获得所述统计特征向量和所述光谱特征向量后，在对所述统计特征向量V1和所述光谱特征向量V2进行高维特征空间内的基于关联编码的特征融合时，需要在通过关联编码获取关联特征的基础上，进一步保证向量在映射到高维特征空间并构造关联特征时，保持空间迁移的尺度迁移确定性。
因此，在本申请的技术方案中，进一步对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵。应可以理解，在对所述统计特征向量V1和所述光谱特征向量V2进行关联特征表达的同时，基于Frobenius范数来近似关联特征的低秩表达，从而保留高维特征的空间迁移下的尺度对于类概率的远程关系，从而在对于类概率的概率分布的基础上保持待融合的特征向量间的一致性，以改进所述关联矩阵的分类效果。进而，能够提高后续对于所述待监测变压器的故障分类的准确性。
更具体地，在步骤S170中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。也就是，在本申请的技术方案中，在得到所述分类特征矩阵后，进一步再将所述分类特征矩阵通过分类器以得到用于表示变压器是否存在故障的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述变压器状态监测系统的监测方法被阐明，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的应用于变压器的状态监测系统的监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的变压器状态监测系统的监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种应用于变压器的状态监测系统，其特征在于，包括：
状态监测数据获取单元，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；
降噪优化单元，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；
特征提取单元，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；
统计特征提取单元，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；
统计特征编码单元，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；
关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及
监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障；
其中，所述关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：
以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；
其中，所述公式为：
其中Mc表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，||·||F表示矩阵的Frobenius范数。
2.根据权利要求1所述的应用于变压器的状态监测系统，其中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
3.根据权利要求2所述的应用于变压器的状态监测系统，其中，所述特征提取单元，进一步用于：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：
卷积处理得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；以及
由所述第二卷积神经网络的最后一层输出所述光谱特征向量。
4.根据权利要求3所述的应用于变压器的状态监测系统，其中，所述统计特征编码单元，包括：
输入向量排列子单元，用于将所述多个预定波长下的计数值排列为一维的输入向量；
一维卷积子单元，用于使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
全连接子单元，用于使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
5.根据权利要求4所述的应用于变压器的状态监测系统，其中，所述监测结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果；
其中，所述公式为：softmax{(Wn,Bn):...:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
6.一种应用于变压器的状态监测系统的监测方法，其特征在于，包括：
获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；
将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；
将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；
从所述降噪后的荧光光谱中提取多个预定波长下的计数值；
将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；
对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障；
其中，所述对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：
以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；
其中，所述公式为：
其中MC表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，||·||F表示矩阵的Frobenius范数。
7.根据权利要求6所述的应用于变压器的状态监测系统的监测方法，其中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。
8.根据权利要求7所述的应用于变压器的状态监测系统的监测方法，其中，将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量，包括：
使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：
卷积处理得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；以及
由所述第二卷积神经网络的最后一层输出所述光谱特征向量。
9.根据权利要求8所述的应用于变压器的状态监测系统的监测方法，其中，将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量，包括：
将所述多个预定波长下的计数值排列为一维的输入向量；
使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；
使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：
其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，
表示矩阵乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210567016.5A CN114912533B (zh) | 2022-05-23 | 2022-05-23 | 一种应用于变压器的状态监测系统及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210567016.5A CN114912533B (zh) | 2022-05-23 | 2022-05-23 | 一种应用于变压器的状态监测系统及监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114912533A CN114912533A (zh) | 2022-08-16 |
| CN114912533B true CN114912533B (zh) | 2023-02-07 |
Family
ID=82768832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210567016.5A Active CN114912533B (zh) | 2022-05-23 | 2022-05-23 | 一种应用于变压器的状态监测系统及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912533B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115615969B (zh) * | 2022-09-27 | 2023-12-15 | 国网安徽省电力有限公司五河县供电公司 | 一种变压器故障诊断方法、系统及电子设备 |
| CN115754107B (zh) * | 2022-11-08 | 2023-06-23 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 |
| CN117129584B (zh) * | 2023-01-16 | 2024-02-20 | 新疆广陆能源科技股份有限公司 | 热流体发生器尾气检测系统及其方法 |
| CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814607A (zh) * | 2020-06-24 | 2020-10-23 | 中国地质大学（武汉） | 一种适用于小样本高光谱影像分类的深度学习模型 |
| CN112149652A (zh) * | 2020-11-27 | 2020-12-29 | 南京理工大学 | 用于高光谱图像有损压缩的空谱联合深度卷积网络方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111157114B (zh) * | 2019-12-26 | 2022-01-28 | 西安电子科技大学 | 基于波长转换的长波红外多光谱成像方法及装置 |
-
2022
- 2022-05-23 CN CN202210567016.5A patent/CN114912533B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814607A (zh) * | 2020-06-24 | 2020-10-23 | 中国地质大学（武汉） | 一种适用于小样本高光谱影像分类的深度学习模型 |
| CN112149652A (zh) * | 2020-11-27 | 2020-12-29 | 南京理工大学 | 用于高光谱图像有损压缩的空谱联合深度卷积网络方法 |
Non-Patent Citations (2)
| Title |
|---|
| "一起连续近区短路导致的变压器内部故障分析及对策";张波等;《变压器》;20200630;第57卷(第6期);全文 * |
| "基于太赫兹技术的变压器绝缘油的检测与分析";李猛;《中国博士学位论文全文数据库基础科学辑》;20200415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114912533A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
| CN107894564B (zh) | 一种基于交叉小波特征的模拟电路故障诊断方法 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN112131383B (zh) | 特定目标的情感极性分类方法 | |
| CN110148103B (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
| EP3311311A1 (en) | Automatic entity resolution with rules detection and generation system | |
| CN114782882B (zh) | 基于多模态特征融合的视频目标行为异常检测方法和系统 | |
| CN110766056A (zh) | 一种融合图像生成和多标签分类的异常图像检测方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN115620303A (zh) | 人事档案智慧管理系统 | |
| CN114913156B (zh) | 变压器故障诊断系统及其诊断方法 | |
| CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
| CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
| CN116858789A (zh) | 食品安全检测系统及其方法 | |
| CN116383742B (zh) | 基于特征分类的规则链设置处理方法、系统及介质 | |
| Nagpal et al. | Neural network based transformer incipient fault detection | |
| CN112163619A (zh) | 一种基于二维张量的变压器故障诊断方法 | |
| CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| Belkov et al. | Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets | |
| CN114839466B (zh) | 用于水泵的emc电磁兼容性测试系统及其测试方法 | |
| CN116402777A (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN115331081A (zh) | 图像目标检测方法与装置 | |
| CN115356599A (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN114627370A (zh) | 一种基于transformer特征融合的高光谱影像分类方法 |
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 |