CN115392301A - 换流变压器状态识别方法、装置、设备、介质和程序产品 - Google Patents
换流变压器状态识别方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN115392301A CN115392301A CN202210973082.2A CN202210973082A CN115392301A CN 115392301 A CN115392301 A CN 115392301A CN 202210973082 A CN202210973082 A CN 202210973082A CN 115392301 A CN115392301 A CN 115392301A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal sequence
- energy
- classification model
- feature map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 181
- 238000013145 classification model Methods 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 28
- 238000012549 training Methods 0.000 description 16
- 230000014509 gene expression Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101100049574 Human herpesvirus 6A (strain Uganda-1102) U5 gene Proteins 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 101150064834 ssl1 gene Proteins 0.000 description 1
- 101150024587 ssl10 gene Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请涉及电力系统技术领域，提供了一种换流变压器状态识别方法、装置、设备、介质和程序产品。该方法包括：获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种换流变压器状态识别方法、装置、设备、介质和程序产品。
背景技术
随着电力系统技术的发展，越来越多的技术人员选择基于振动法，针对不同工况下的换流变压器进行状态识别，进而实现针对绕组和铁芯等组件的机械状态的实时监测，以便尽早发现换流变压器的故障隐患。目前，基于振动法进行换流变压器的状态识别，需采集大量包含表征换流变压器所处工况的标签的振动数据。
然而，在实际监测过程中，往往难以保证获取到的振动数据均包含标签，且部分数据在采集过程中，可能出现遗失标签的情况，这使得基于现有技术进行换流变压器的状态识别，存在数据完整性较差，且结果准确率较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种换流变压器状态识别方法、装置、设备、介质和程序产品。
第一方面，本申请提供了一种换流变压器状态识别方法。所述方法包括：
获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；
根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；
根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；
分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；
基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
在其中一个实施例中，根据所述振动信号序列，得到时域振动信号序列；将所述振动信号序列进行选带快速傅里叶变换，得到频域振动信号序列；将所述振动信号序列进行连续小波变换，得到时间小波能量序列；根据所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
在其中一个实施例中，将所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，进行极坐标变换，得到时域特征向量、频域特征向量以及能量域特征向量；基于格拉姆角场原理，针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
在其中一个实施例中，将所述振动信号序列的零点，移动至预设谱线位置，得到移频振动信号序列；将所述移频振动信号序列进行低通滤波处理，得到低频振动信号序列；针对所述低频振动信号序列进行重采样，得到所述频域振动信号序列。
在其中一个实施例中，将所述振动信号序列进行连续小波变换，得到小波系数矩阵；根据所述小波系数矩阵，得到所述时间小波能量序列。
在其中一个实施例中，基于卷积神经网络，构建有监督学习模型；所述有监督学习模型的损失函数为交叉熵损失函数；基于自动编码器，构建无监督学习模型；所述无监督学习模型的损失函数为MSE损失函数；根据所述有监督学习模型及所述无监督学习模型，构建半监督学习模型；所述半监督学习模型的损失函数为依据所述交叉熵损失函数以及所述MSE损失函数得到；将所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，分别输入至所述半监督学习模型，得到所述时域分类模型、所述频域分类模型以及所述能量域分类模型。
第二方面，本申请还提供了一种换流变压器状态识别装置。所述装置包括：
信号序列处理模块，用于获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；
图谱转换模块，用于根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；
分类模型获取模块，用于根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；
判别概率获取模块，用于分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；
识别结果输出模块，用于基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
上述换流变压器状态识别方法、装置、设备、介质和程序产品，首先，获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列。然后，根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱。接着，根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型。之后，分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率。最后，基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。本申请采用GASF法生成换流变压器的时域特征图谱、频域特征图谱以及能量域特征图谱，并通过将前述三种特征图谱输入至半监督学习模型，得到换流变压器的时域分类模型、频域分类模型以及能量域分类模型，最后基于软投票法，获取换流变压器的状态识别结果，不仅能够有效提高换流变压器的状态识别过程的数据完整性，还能够提升换流变压器的状态识别结果的准确性。
附图说明
图1为一个实施例中换流变压器状态识别方法的流程示意图；
图2为一个实施例中获取时域特征图谱、频域特征图谱以及能量域特征图谱的具体方式的流程示意图；
图3为一个实施例中针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换的具体方式的流程示意图；
图4为一个实施例中获取频域振动信号序列的具体方式的流程示意图；
图5为一个实施例中获取时间小波能量序列的具体方式的流程示意图；
图6为一个实施例中获取时域分类模型、频域分类模型以及能量域分类模型的具体方式的流程示意图；
图7为一个实施例中换流变压器状态识别装置的结构框图；
图8为一个实施例中计算机设备的内部结构图；
图9为一个实施例中获取不同工况下的换流变压器的振动信号的具体方式示意图；
图10为一个实施例中半监督学习模型的架构方式示意图；
图11为一个实施例中基于GASF法生成的换流变压器的时域特征图谱、频域特征图谱以及能量特征图谱的示意图；
图12为一个实施例中针对半监督学习模型进行训练的具体方式的流程示意图；
图13为一个实施例中时域特征图在三次训练过程中产生的训练误差数据示意图；
图14为一个实施例中频域特征图在三次训练过程中产生的训练误差数据示意图；
图15为一个实施例中能量域特征图在三次训练过程中产生的训练误差数据示意图；
图16为一个实施例中采用YDA-B-C负载工况测试集时获取得到的各模型识别准确率箱线图；
图17为一个实施例中采用YDA-B-C负载工况测试集时获取得到的各模型识别准确率箱线图；
图18为一个实施例中采用短路测试工况测试集时获取得到的各模型的识别准确率箱线图；
图19为一个实施例中采用空载测试工况测试集时获取得到的各模型的识别准确率箱线图；
图20为一个实施例中采用空投涌流测试集时获取得到的各模型的识别准确率箱线图；
图21为一个实施例中采用不同工况测试集时获取得到的各模型的识别准确率箱线图；
图22为一个实施例中使用软投票法前后换流变压器的状态识别结果对应的平均精度与标准差示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的换流变压器状态识别方法，可以应用于服务器执行。其中，数据存储系统可以存储服务器需要处理的数据；数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图1所示，提供了一种换流变压器状态识别方法，以该方法应用于服务器为例进行说明，包括以下步骤：
步骤S101，获取换流变压器的振动信号，将振动信号进行归一化处理，得到振动信号序列。
本步骤中，换流变压器的振动信号，可以是不同工况下的换流变压器的振动信号，例如，处于空载、负载、空投励磁涌流以及短路试验工况下的换流变压器的振动信号；将振动信号进行归一化处理的具体方式，可以是采用最大-最小归一化法，将振动信号进行归一化处理；振动信号序列，是指将换流变压器的振动信号进行归一化处理之后，得到的振动信号序列。
在一些示例中，可以采用如图9所示的方式，获取不同工况下的换流变压器的振动信号；假设获取到的换流变压器的初始振动信号序列X＝{x1,x2...xn}(其中，n表示序列X的长度)，则可以通过如下表达式，针对该序列进行最大-最小归一化处理：
其中，
为振动信号的某一时间戳经归一化处理后的幅值，xi为振动信号的某一时间戳的原始幅值，min(X)为初始振动信号序列X中的最小振动幅值，max(X)为初始振动信号序列X中的最大振动幅值。通过采用上述表达式，针对初始振动信号序列X进行最大-最小归一化处理，则可以将初始振动信号序列X转换为区间位于[0,1]之间的振动信号序列。
步骤S102，根据振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱。
本步骤中，振动信号序列，是指将不同工况下的换流变压器的振动信号，进行归一化处理，得到的振动信号序列；时域特征图谱，是指根据振动信号序列，得到的时域特征图谱；频域特征图谱，是指根据振动信号序列，得到的频域特征图谱；能量域特征图谱，是指根据振动信号序列，得到的能量域特征图谱。
步骤S103，根据时域特征图谱、频域特征图谱以及能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型。
本步骤中，时域特征图谱，是指根据振动信号序列，得到的时域特征图谱；频域特征图谱，是指根据振动信号序列，得到的频域特征图谱；能量域特征图谱，是指根据振动信号序列，得到的能量域特征图谱；时域分类模型，是指根据时域特征图谱，得到的时域分类模型；频域分类模型，是指根据频域特征图谱，得到的频域分类模型；能量域分类模型，是指能量域特征图谱，得到的能量域分类模型。
步骤S104，分别获取时域分类模型、频域分类模型以及能量域分类模型，各自对应的状态判别概率。
本步骤中，时域分类模型，是指根据时域特征图谱，得到的时域分类模型；频域分类模型，是指根据频域特征图谱，得到的频域分类模型；能量域分类模型，是指能量域特征图谱，得到的能量域分类模型；分别获取时域分类模型、频域分类模型以及能量域分类模型，各自对应的状态判别概率，是指分别获取时域分类模型对应的状态判别概率，频域分类模型对应的状态判别概率，以及能量域分类模型对应的状态判别概率。
步骤S105，基于软投票法，针对各状态判别概率进行集成处理，得到换流变压器的状态识别结果。
本步骤中，各状态判别概率，是指时域分类模型对应的状态判别概率，频域分类模型对应的状态判别概率，以及能量域分类模型对应的状态判别概率；基于软投票法，针对各状态判别概率进行集成处理，是指基于软投票法，获取时域分类模型、频域分类模型以及能量域分类模型，各自对应的状态判别概率中，各类别概率的平均值，并从各类别概率的平均值中，选取出对应的概率平均值最高的类别，作为最终的预测结果；获取换流变压器的状态识别结果的具体方式，可以是基于软投票法，获取各状态判别概率对应的各类别概率的平均值，并从各类别概率的平均值中，选取出对应的概率平均值最高的类别，作为换流变压器的状态识别结果。
在一些示例中，可以采用如下表达式，计算各状态判别概率：
其中，x表示各分类模型输入的特征图像，
表示各分类模型输入的特征图像x对应的状态判别标签，n表示状态判别标签种类数。
进一步的，各分类模型hi针对输入的特征图像x，对应输出一个n维向量
其中，
为对第i个分类模型判定为第n个标签的概率预估结果，分类模型的数量为T个。
接着，基于软投票法，针对各个个体分类器的输出进行简单平均，则可以得到如下式所示的类别cl的最终输出结果，即将多个分类模型的状态判别概率进行加权求和，进而实现针对换流变压器的状态识别：
上述换流变压器状态识别方法，首先，获取换流变压器的振动信号，将振动信号进行归一化处理，得到振动信号序列。然后，根据振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱。接着，根据时域特征图谱、频域特征图谱以及能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型。之后，分别获取时域分类模型、频域分类模型以及能量域分类模型，各自对应的状态判别概率。最后，基于软投票法，针对各状态判别概率进行集成处理，得到换流变压器的状态识别结果。本申请采用GASF法生成换流变压器的时域特征图谱、频域特征图谱以及能量域特征图谱，并通过将前述三种特征图谱输入至半监督学习模型，得到换流变压器的时域分类模型、频域分类模型以及能量域分类模型，最后基于软投票法，获取换流变压器的状态识别结果，不仅能够有效提高换流变压器的状态识别过程的数据完整性，还能够提升换流变压器的状态识别结果的准确性。
对于获取时域特征图谱、频域特征图谱以及能量域特征图谱的具体方式，在一个实施例中，如图2所示，上述步骤S102具体包括：
步骤S201，根据振动信号序列，得到时域振动信号序列。
本步骤中，振动信号序列，是指将换流变压器的振动信号进行归一化处理之后，得到的振动信号序列；时域振动信号序列，是指根据振动信号序列，得到的时域振动信号序列。
步骤S202，将振动信号序列进行选带快速傅里叶变换，得到频域振动信号序列。
本步骤中，振动信号序列，是指将换流变压器的振动信号进行归一化处理之后，得到的振动信号序列；选带快速傅里叶变换，是指选带快速傅里叶变换(Zoom-FFT)；频域振动信号序列，是指将振动信号序列进行选带快速傅里叶变换，得到的经细化后的频域振动信号序列。
步骤S203，将振动信号序列进行连续小波变换，得到时间小波能量序列。
本步骤中，振动信号序列，是指将换流变压器的振动信号进行归一化处理之后，得到的振动信号序列；时间小波能量序列，是指将振动信号序列进行连续小波变换，得到的时间小波能量序列。
步骤S204，根据时域振动信号序列、频域振动信号序列以及时间小波能量序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱。
本步骤中，时域振动信号序列，是指根据振动信号序列，得到的时域振动信号序列；频域振动信号序列，是指将振动信号序列进行选带快速傅里叶变换，得到的经细化后的频域振动信号序列；时间小波能量序列，是指将振动信号序列进行连续小波变换，得到的时间小波能量序列；时域特征图谱，是指根据时域振动信号序列，得到的时域特征图谱；频域特征图谱，是指根据频域振动信号序列，得到的频域特征图谱；能量域特征图谱，是指根据时间小波能量序列，得到的能量域特征图谱。
本实施例通过将时域振动信号序列、频域振动信号序列以及时间小波能量序列，转化为时域特征图谱、频域特征图谱以及能量域特征图谱的方式，有效保障了换流变压器的状态识别过程的数据准确性。
对于针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换的具体方式，在一个实施例中，如图3所示，上述步骤S204具体包括：
步骤S301，将时域振动信号序列、频域振动信号序列以及时间小波能量序列，进行极坐标变换，得到时域特征向量、频域特征向量以及能量域特征向量。
本步骤中，时域振动信号序列，是指根据振动信号序列，得到的时域振动信号序列；频域振动信号序列，是指将振动信号序列进行选带快速傅里叶变换，得到的经细化后的频域振动信号序列；时间小波能量序列，是指将振动信号序列进行连续小波变换，得到的时间小波能量序列；时域特征向量，是指将时域振动信号序列进行极坐标变换，得到的时域特征向量；频域特征向量，是指将频域振动信号序列进行极坐标变换，得到的频域特征向量；能量域特征向量，是指将时间小波能量序列进行极坐标变换，得到的能量域特征向量；进行极坐标变换的具体方式，可以是根据振动幅值对应的时间戳，将振动幅值转换为极坐标中的角度，并采用同序列长度的比值表示极坐标的半径。
在一些示例中，假设获取到的换流变压器的初始振动信号序列X＝{x1,x2...xn}(其中，n表示序列X的长度)，将初始振动信号序列X进行归一化处理，得到振动信号序列
则可以采用如下表达式，根据振动幅值对应的时间戳，将振动幅值转换为极坐标中的角度：
进一步的，还可以采用如下表达式，根据振动幅值对应的时间戳，采用同序列长度的比值表示极坐标的半径：
步骤S302，基于格拉姆角场原理，针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换，得到时域特征图谱、频域特征图谱以及能量域特征图谱。
本步骤中，时域特征图谱，是指基于格拉姆角场原理，针对时域特征向量进行图谱转换，得到的时域特征图谱；频域特征图谱，是指基于格拉姆角场原理，针对频域特征向量进行图谱转换，得到的频域特征图谱；能量域特征图谱，是指基于格拉姆角场原理，针对能量域特征向量进行图谱转换，得到的能量域特征图谱。
在一些示例中，假设获取到的换流变压器的初始振动信号序列X＝{x1,x2...xn}(其中，n表示序列X的长度)，将初始振动信号序列X进行归一化处理，得到振动信号序列
则可以采用如下表达式，针对前述振动信号序列定义内积的操作：
进一步的，还可以采用如下表达式，获取前述振动信号序列的格拉姆角场矩阵：
本实施例通过基于格拉姆角场原理，针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换，得到时域特征图谱、频域特征图谱以及能量域特征图谱的方式，有效确保了换流变压器的状态识别过程的数据完整性，进而提高了换流变压器的状态识别结果的数据准确性。
对于获取频域振动信号序列的具体方式，在一个实施例中，如图4所示，上述步骤S202具体包括：
步骤S401，将振动信号序列的零点，移动至预设谱线位置，得到移频振动信号序列。
本步骤中，将振动信号序列的零点，移动至预设谱线位置的具体方式，可以是通过将频率轴的零点移动至预设谱线位置的方式，针对振动信号序列进行移频处理；预设谱线位置，可以是频率轴中的任意谱线位置，可根据实际需求进行设定；移频振动信号序列，是指通过将振动信号序列的零点，移动至预设谱线位置，得到的移频振动信号序列。
步骤S402，将移频振动信号序列进行低通滤波处理，得到低频振动信号序列。
本步骤中，移频振动信号序列，是指通过将振动信号序列的零点，移动至预设谱线位置，得到的移频振动信号序列；将移频振动信号序列进行低通滤波处理的具体方式，可以是采用数字低通滤波器，滤除移频振动信号序列中的目标低频分量以外的信号分量；低频振动信号序列，是指将移频振动信号序列进行低通滤波处理，得到的低频振动信号序列。
步骤S403，针对低频振动信号序列进行重采样，得到频域振动信号序列。
本步骤中，针对低频振动信号序列进行重采样时，可以通过重设分析频段的方式，改变采集得到的低频振动信号序列对应的分辨率；频域振动信号序列，是指针对低频振动信号序列进行重采样，得到的频域振动信号序列。
在一些示例中，假设针对低频振动信号序列进行重采样时，将分析频段重设为原来1/M倍，则低频振动信号序列的分辨率将变为原来M倍，低频振动信号序列对应的频率将得到进一步的细化。
本实施例通过针对振动信号序列进行移频及低通滤波处理的方式，实现了针对振动信号序列的频率细化，有效保障了换流变压器的状态识别过程的数据准确性。
对于获取时间小波能量序列的具体方式，在一个实施例中，如图5所示，上述步骤S203具体包括：
步骤S501，将振动信号序列进行连续小波变换，得到小波系数矩阵。
本步骤中，振动信号序列，是指将换流变压器的振动信号进行归一化处理之后，得到的振动信号序列；小波系数矩阵，是指将振动信号序列进行连续小波变换，得到的小波系数矩阵。
步骤S502，根据小波系数矩阵，得到时间小波能量序列。
本步骤中，小波系数矩阵，是指将振动信号序列进行连续小波变换，得到的小波系数矩阵；时间小波能量序列，是指根据小波系数矩阵，得到的时间小波能量序列。
结合上述步骤S501至S502，对于获取时间小波能量序列的具体方式，进行整体说明：
首先，采用如下表达式，针对振动信号序列X＝{x1,x2,...,xn}进行连续小波变换，得到小波系数矩阵：
其中，ψ(x)为小波基函数，将cgau8函数作为小波基函数，coefs为连续小波系数。
然后，采用以下表达式，针对上述小波基函数进行缩放：
其中，a为尺度因子，b为时移因子。
接着，由于小波变换具有如下式所示的等距效应：
其中，
为仅取决于ψ的常数，
之后，在时移因子b方向上，进行加权积分，得到如下表达式所示的结果：
其中，
即为表征时间小波能量序列的时间-小波能量谱，时间-小波能量谱可反映信号对应的小波能量随时间发生变换的情况。
本实施例通过将振动信号序列进行连续小波变换，以得到时间小波能量序列的方式，确保了换流变压器的状态识别过程的数据准确性。
对于获取时域分类模型、频域分类模型以及能量域分类模型的具体方式，在一个实施例中，如图6所示，上述步骤S103具体包括：
步骤S601，基于卷积神经网络，构建有监督学习模型；有监督学习模型的损失函数为交叉熵损失函数。
本步骤中，有监督学习模型，是指基于卷积神经网络，构建的有监督学习模型；有监督学习模型的输出数据，可以是经下采样和分类器，得到的类别判定标签；交叉熵损失函数的构造原理，可以是计算类别判定标签与真实标签之间的交叉熵损失。
在一些示例中，可以采用如下表达式，表示交叉熵损失函数Lsuper：
步骤S602，基于自动编码器，构建无监督学习模型；无监督学习模型的损失函数为MSE损失函数。
本步骤中，自动编码器，可以是与上述卷积神经网络部分结构相同，且共享网络参数的自动编码器；无监督学习模型，是指基于自动编码器，构建的无监督学习模型；无监督学习模型的具体用途，可以是将输入的图像重构后再输出；MSE损失函数的构造原理，可以是计算原始图像与真实图像的MSE损失。
在一些示例中，可以采用如下表达式，表示MSE损失函数Lrecon：
步骤S603，根据有监督学习模型及无监督学习模型，构建半监督学习模型；半监督学习模型的损失函数为依据交叉熵损失函数以及MSE损失函数得到。
本步骤中，有监督学习模型，是指基于卷积神经网络，构建的有监督学习模型；无监督学习模型，是指基于自动编码器，构建的无监督学习模型；半监督学习模型，是指根据有监督学习模型及无监督学习模型，构建的半监督学习模型；半监督学习模型的损失函数的构造原理，可以是将上述交叉熵损失函数及上述MSE损失函数，各自对应的损失值，根据相应的加权系数，进行加权组合。
在一些示例中，可以采用如图10所示的方式，进行半监督学习模型的架构；在半监督学习模型中，可以在编码器中位于卷积层与池化层之间的各层加入随机高斯噪声，并在编码器与解码器各层之间添加横向连接，进而使得解码器中的各层均同时接受来自上一层以及编码器对应层的信息；在半监督学习模型的损失函数中，交叉熵损失函数对应的加权系数，可以是随迭代次数递减的w1(epoch)，MSE损失函数对应的加权系数，可以是随迭代次数递增的w2(epoch)。
进一步的，可以采用如下表达式，表示半监督学习模型的损失函数L：
L＝w1(epoch)·Lsuper+w2(epoch)·Lrecon
步骤S604，将时域特征图谱、频域特征图谱以及能量域特征图谱，分别输入至半监督学习模型，得到时域分类模型、频域分类模型以及能量域分类模型。
本步骤中，时域特征图谱，是指基于格拉姆角场原理，针对时域特征向量进行图谱转换，得到的时域特征图谱；频域特征图谱，是指基于格拉姆角场原理，针对频域特征向量进行图谱转换，得到的频域特征图谱；能量域特征图谱，是指基于格拉姆角场原理，针对能量域特征向量进行图谱转换，得到的能量域特征图谱；时域分类模型，是指将时域特征图谱输入至半监督学习模型，得到的时域分类模型；频域分类模型，是指将频域特征图谱输入至半监督学习模型，得到的频域分类模型；能量域分类模型，是指将能量域特征图谱输入至半监督学习模型，得到的能量域分类模型。
本实施例通过将时域特征图谱、频域特征图谱以及能量域特征图谱，分别输入至半监督学习模型，得到时域分类模型、频域分类模型以及能量域分类模型的方式，不仅有效提升针对换流变压器的状态进行识别的效率，还确保了换流变压器的状态识别过程的数据准确性。
在一个实施例中，以采用如图9所示的方式获取不同工况下的换流变压器的振动信号，具体结构如图10所示的半监督学习模型为例，结合上述步骤S101至S604，针对上述换流变压器状态识别方法的具体应用方式，做整体说明：
首先，将加速度振动传感器，以如图9所示的测点布置方案(负载试验振动采集设置24个测点，空载、空投涌流及短路试验振动采集设置12个测点)，贴附于换流变压器的箱体上，并通过将振动分析系统贴附于换流变压器的箱体上的方式，实现针对处于空载、负载、空投励磁涌流以及短路试验工况下的换流变压器的振动信号的采集。将采集得到的数据划分为训练集与测试集，并分别进行标注(将标注率设定为1％、5％、10％、20％及25％)。
然后，采用GASF方法，生成如图11所示的，换流变压器的时域特征图谱、频域特征图谱以及能量特征图谱。其中，训练和测试数据是通过选择空载试验下8个电压等级的振动数据，负载工况下12台换流变压器单相振动数据，5个工况下短路试验振动数据，以及1台变压器不同测点的空投涌流振动数据，进行生成的。在振动数据图谱样本训练集以及振动数据图谱样本测试集中，前述各个工况的换流变压器电压等级(类型)以及生成样本数量，如下表1及表2所示。
表1振动数据图谱样本训练集
表2振动数据图谱样本测试集
接着，采用如图12所示的方式，针对具体结构如图10所示的半监督学习模型，采用输入上述时域特征图、频域特征图以及能量特征图的方式，进行模型的半监督训练(各类图谱的训练过程均重复了125次)。在三次训练过程中，获取的采用时域特征图、频域特征图以及能量特征图的验证集时，对应得到的测试误差率变化情况，如图13至图15所示。其中，图中的虚线表示多次训练结果的均值，误差带表示训练结果的标准差。通过观察图13至图15，可知，随着标签率的提高，模型的识别准确率也会随之提高，且模型的收敛速度也将产生明显的提高。
最后，采用软投票法，进行换流变压器的状态识别结果的融合决策过程，采用不同测试集，得到不同分类方法对应的分类实验对比结果，如图16至图21所示。其中，在实验重复次数方面，半监督分类实验共重复了125次，其余对比方法共重复了30次；在选取的测试集方面，Data1表示YDA-B-C负载测试集，Data2表示YYA-B-C负载测试集，Data3表示短路测试集、Data4表示空载测试集，Data5表示空投涌流测试集，Overall表示所有测试集的综合测试结果；在分类方法方面，DAE(堆叠降噪自动编码器)，表示无监督学习方法，SSL1％、SSL10％、SSL20％，表示本申请所提供的换流变压器状态识别方法在label％＝1％、label％＝10％以及label％＝20％时，获取得到的分类结果，ResNet(残差卷积神经网络)及VGG(深度卷积神经网络)，表示有监督学习方法；在输入的特征图类型方面，DAE、ResNet和VGG的输入对象均为时域特征图；在模型类型方面，SL、SSL以及UL，分别表示有监督学习模型，半监督学习模型，以及无监督学习模型，三者在图中以竖直虚线，由左至右进行划分；在决策结果方面，各数据的决策结果的平均精度及标准差，如下表3所示。
表3各数据集决策结果的平均精度±标准差
通过观察如表3所示的识别结果，可知，本申请提供的方法(SSL)具有较好的识别结果；在label％＝1％的条件下，平均识别准确率为93.1931％，大于Resnet和DAE模型；在label％＝10％以及label％＝20％的条件下，平均识别准确率分别为96.6934％和97.5403％，均为对比实验中的最优结果。此外，由于SL基于充足的样本标签，因此通常来说相对于SSL方法，SL方法往往具备更高的准确率。然而，在本次实验中，由于本申请提供的方法(SSL)采用了时域特征图，频域特征图，以及能量域特征图的原因，其特征量远远大于仅使用时域特征图的SL方法，因此，在该种情况下，SSL模型获得了最高的平均准确率。
通过进行单特征输入和基于软投票法的多特征输入下的对比分类实验，评估本申请提供的换流变压器状态识别方法的实际效果，获取得到了如图22所示的实验结果。通过观察图22，可知，在多特征输入的条件下，本申请提供的换流变压器状态识别方法的平均识别准确率最高，也就是说，基于软投票法，对多个分类模型的状态判别结果进行集成决策，能够有效提高针对换流变压器状态进行识别的数据准确性；在单特征输入的条件下，由于换流变压器不同工况下振动信号的频谱特性差异较大，易于被网络捕捉到，故基于频域特征图的分类模型的平均识别准确率最高。
本实施例针对本申请提供的换流变压器状态识别方法进行了有效性验证，基于以上分析可知，本申请提供的换流变压器状态识别方法，可在少量数据标记的情况下，及时且准确地识别换流变压器的状态，该识别结果可为换流变压器的故障诊断提供有效参考，进而提升直流输电系统的运行稳定性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的换流变压器状态识别方法的换流变压器状态识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个换流变压器状态识别装置实施例中的具体限定可以参见上文中对于换流变压器状态识别方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种换流变压器状态识别装置，该装置700包括：
信号序列处理模块701，用于获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；
图谱转换模块702，用于根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；
分类模型获取模块703，用于根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；
判别概率获取模块704，用于分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；
识别结果输出模块705，用于基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
在一个实施例中，图谱转换模块702，具体用于根据所述振动信号序列，得到时域振动信号序列；将所述振动信号序列进行选带快速傅里叶变换，得到频域振动信号序列；将所述振动信号序列进行连续小波变换，得到时间小波能量序列；根据所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
在一个实施例中，图谱转换模块702，还用于将所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，进行极坐标变换，得到时域特征向量、频域特征向量以及能量域特征向量；基于格拉姆角场原理，针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
在一个实施例中，图谱转换模块702，还用于将所述振动信号序列的零点，移动至预设谱线位置，得到移频振动信号序列；将所述移频振动信号序列进行低通滤波处理，得到低频振动信号序列；针对所述低频振动信号序列进行重采样，得到所述频域振动信号序列。
在一个实施例中，图谱转换模块702，还用于将所述振动信号序列进行连续小波变换，得到小波系数矩阵；根据所述小波系数矩阵，得到所述时间小波能量序列。
在一个实施例中，分类模型获取模块703，具体用于基于卷积神经网络，构建有监督学习模型；所述有监督学习模型的损失函数为交叉熵损失函数；基于自动编码器，构建无监督学习模型；所述无监督学习模型的损失函数为MSE损失函数；根据所述有监督学习模型及所述无监督学习模型，构建半监督学习模型；所述半监督学习模型的损失函数为依据所述交叉熵损失函数以及所述MSE损失函数得到；将所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，分别输入至所述半监督学习模型，得到所述时域分类模型、所述频域分类模型以及所述能量域分类模型。
上述换流变压器状态识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储换流变压器状态识别相关数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流变压器状态识别方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种换流变压器状态识别方法，其特征在于，所述方法包括：
获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；
根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；
根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；
分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；
基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱的步骤，包括：
根据所述振动信号序列，得到时域振动信号序列；
将所述振动信号序列进行选带快速傅里叶变换，得到频域振动信号序列；
将所述振动信号序列进行连续小波变换，得到时间小波能量序列；
根据所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
3.根据权利要求2所述的方法，其特征在于，所述根据所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱的步骤，包括：
将所述时域振动信号序列、所述频域振动信号序列以及所述时间小波能量序列，进行极坐标变换，得到时域特征向量、频域特征向量以及能量域特征向量；
基于格拉姆角场原理，针对时域特征向量、频域特征向量以及能量域特征向量进行图谱转换，得到所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱。
4.根据权利要求2所述的方法，其特征在于，所述将所述振动信号序列进行选带快速傅里叶变换，得到频域振动信号序列的步骤，包括：
将所述振动信号序列的零点，移动至预设谱线位置，得到移频振动信号序列；
将所述移频振动信号序列进行低通滤波处理，得到低频振动信号序列；
针对所述低频振动信号序列进行重采样，得到所述频域振动信号序列。
5.根据权利要求2所述的方法，其特征在于，所述将所述振动信号序列进行连续小波变换，得到时间小波能量序列的步骤，包括：
将所述振动信号序列进行连续小波变换，得到小波系数矩阵；
根据所述小波系数矩阵，得到所述时间小波能量序列。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型的步骤，包括：
基于卷积神经网络，构建有监督学习模型；所述有监督学习模型的损失函数为交叉熵损失函数；
基于自动编码器，构建无监督学习模型；所述无监督学习模型的损失函数为MSE损失函数；
根据所述有监督学习模型及所述无监督学习模型，构建半监督学习模型；所述半监督学习模型的损失函数为依据所述交叉熵损失函数以及所述MSE损失函数得到；
将所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，分别输入至所述半监督学习模型，得到所述时域分类模型、所述频域分类模型以及所述能量域分类模型。
7.一种换流变压器状态识别装置，其特征在于，所述装置包括：
信号序列处理模块，用于获取换流变压器的振动信号，将所述振动信号进行归一化处理，得到振动信号序列；
图谱转换模块，用于根据所述振动信号序列，得到时域特征图谱、频域特征图谱以及能量域特征图谱；
分类模型获取模块，用于根据所述时域特征图谱、所述频域特征图谱以及所述能量域特征图谱，得到时域分类模型、频域分类模型以及能量域分类模型；
判别概率获取模块，用于分别获取所述时域分类模型、所述频域分类模型以及所述能量域分类模型，各自对应的状态判别概率；
识别结果输出模块，用于基于软投票法，针对各所述状态判别概率进行集成处理，得到换流变压器的状态识别结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210973082.2A CN115392301A (zh) | 2022-08-15 | 2022-08-15 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210973082.2A CN115392301A (zh) | 2022-08-15 | 2022-08-15 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115392301A true CN115392301A (zh) | 2022-11-25 |
Family
ID=84118549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210973082.2A Pending CN115392301A (zh) | 2022-08-15 | 2022-08-15 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115392301A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680623A (zh) * | 2023-08-03 | 2023-09-01 | 国网安徽省电力有限公司超高压分公司 | 特高压换流变压器状态监测方法及系统 |
| CN116859717A (zh) * | 2023-04-17 | 2023-10-10 | 浙江万能弹簧机械有限公司 | 智能自适应采样控制系统及其方法 |
| CN117289067A (zh) * | 2023-11-23 | 2023-12-26 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
-
2022
- 2022-08-15 CN CN202210973082.2A patent/CN115392301A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116859717A (zh) * | 2023-04-17 | 2023-10-10 | 浙江万能弹簧机械有限公司 | 智能自适应采样控制系统及其方法 |
| CN116859717B (zh) * | 2023-04-17 | 2024-03-08 | 浙江万能弹簧机械有限公司 | 智能自适应采样控制系统及其方法 |
| CN116680623A (zh) * | 2023-08-03 | 2023-09-01 | 国网安徽省电力有限公司超高压分公司 | 特高压换流变压器状态监测方法及系统 |
| CN116680623B (zh) * | 2023-08-03 | 2023-10-27 | 国网安徽省电力有限公司超高压分公司 | 特高压换流变压器状态监测方法及系统 |
| CN117289067A (zh) * | 2023-11-23 | 2023-12-26 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
| CN117289067B (zh) * | 2023-11-23 | 2024-02-27 | 北京谛声科技有限责任公司 | 一种变压器运行状态在线监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Biggio et al. | Prognostics and health management of industrial assets: Current progress and road ahead | |
| Xia et al. | Intelligent fault diagnosis approach with unsupervised feature learning by stacked denoising autoencoder | |
| CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
| Lu et al. | Deep model based domain adaptation for fault diagnosis | |
| CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
| CN113780412B (zh) | 故障诊断模型训练方法、系统及其诊断方法、系统 | |
| CN114355240B (zh) | 配电网接地故障诊断方法及装置 | |
| CN113705396B (zh) | 一种电机故障诊断方法、系统及设备 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
| CN116503399B (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
| CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
| CN115238855A (zh) | 基于图神经网络的时序知识图谱的补全方法及相关设备 | |
| Kumar et al. | The Importance of Feature Processing in Deep‐Learning‐Based Condition Monitoring of Motors | |
| Zhang et al. | Inferable deep distilled attention network for diagnosing multiple motor bearing faults | |
| CN114821251B (zh) | 一种点云上采样网络的确定方法及确定装置 | |
| CN112836346A (zh) | 基于cn和pca的电机故障诊断方法、电子设备及介质 | |
| CN118173121A (zh) | 设备运行状态评估方法、装置、计算机设备和存储介质 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| CN114897032A (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
| CN117969094A (zh) | 一种滚动轴承故障诊断方法、装置及系统 | |
| CN117554798A (zh) | 高压断路器异常监测模型训练方法、装置和设备 | |
| CN117741336A (zh) | 用于复合接地系统的故障选线方法和装置 | |
| CN116008756B (zh) | 电容式电压互感器绝缘故障诊断方法、系统、设备和介质 | |
| Liang et al. | A novel intelligent fault diagnosis method for rolling bearings based on compressed sensing and stacked multi-granularity convolution denoising auto-encoder |
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 |