CN115758101A - 一种变压器故障类型的判断方法、系统、设备和介质 - Google Patents

Abstract

本发明公开了一种变压器故障类型的判断方法、系统、设备和介质，当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成振动子信号样本数据，采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型，响应于接收到的故障判断请求，选取对应的待判断变压器并获取振动子信号数据，对振动子信号数据进行多尺度操作，输出多尺度网格熵值，采用多尺度网格熵值输入目标随机森林诊断模型，生成目标故障标签类别数据，比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型；融合多尺度网格熵和随机森林的优势能够实现精准的变压器在线故障检测。

Description

一种变压器故障类型的判断方法、系统、设备和介质

技术领域

本发明涉及变压器故障检测技术领域，尤其涉及一种变压器故障类型的判断方法、系统、设备和介质。

背景技术

变压器作为电力系统中最为重要的设备之一，在各种复杂的电气和机械条件下运行。因此，对变压器潜在故障的有效检测，对于维护电网的高效运行具有重要的工程价值。

目前，现有的一种变压器故障检测方法克服了传统离线诊断方法的缺陷，其使用方便、安全可靠，满足供电要求，已成为电力变压器故障检测的主要检测方式之一。一般来说，变压器在线检测方法可归纳为两类：溶解气体分析(DGA)和振动分析；DGA主要是基于变压器油中的溶解气体成分检测，由绝缘油特性变化引起故障的诊断技术。然而，DGA的诊断效果受溶解气体浓度影响较大，导致其运用有一定的局限性。因此，检测人员通常将振动信号作为评估变压器健康状态的重要指标，基于振动信号的变压器故障诊断得到了广泛的应用。

当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型。

发明内容

本发明提供了一种变压器故障类型的判断方法、系统、设备和介质，解决了当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题。

本发明第一方面提供的一种变压器故障类型的判断方法，包括：

当接收到振动子信号数据集时，对所述振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据；

采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型；

响应于接收到的故障判断请求，选取所述故障判断请求对应的待判断变压器并获取振动子信号数据；

对所述振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值；

采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据；

比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型。

可选地，所述采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型的步骤，包括：

将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据；

计算所述训练故障标签类别数据与关联的标准故障标签类别数据之间的训练损失值；

比较所述训练损失值与预设的训练标准阈值；

若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标随机森林诊断模型。

可选地，还包括：

若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始随机森林诊断模型的参数，并跳转所述将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

可选地，所述比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型的步骤，包括：

比对所述目标故障标签类别数据与预设的实际故障标签类别数据；

若所述目标故障标签类别数据与所述实际故障标签类别数据一致，则判定所述待判断变压器发生所述实际故障标签类别数据关联的故障类型；

若所述目标故障标签类别数据与所述实际故障标签类别数据不一致，则判定所述待判断变压器未发生所述实际故障标签类别数据关联的故障类型并跳转执行所述采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

本发明第二方面提供的一种变压器故障类型的判断系统，包括：

振动子信号样本数据获取模块，用于当接收到振动子信号数据集时，对所述振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据；

目标随机森林诊断模型生成模块，用于采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型；

响应模块，用于响应于接收到的故障判断请求，选取所述故障判断请求对应的待判断变压器并获取振动子信号数据；

多尺度网格熵值获取模块，用于对所述振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值；

目标故障标签类别数据获取模块，用于采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据；

比对模块，用于比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型。

可选地，所述目标随机森林诊断模型生成模块包括：

训练标签类别数据获取子模块，用于将所述多尺度网格熵值输入所述初始随机森林诊断模型，生成对应的训练标签类别数据；

训练损失值获取子模块，用于计算所述训练标签类别数据与关联的标准标签类别数据之间的训练损失值；

比较子模块，用于比较所述训练损失值与预设的训练标准阈值；

第一数据处理子模块，用于若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标随机森林诊断模型。

可选地，所述目标随机森林诊断模型生成模块还包括：

第二数据处理子模块，用于若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始随机森林诊断模型的参数，并跳转所述将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

可选地，所述比对模块包括：

故障标签类别数据比对子模块，用于比对所述目标故障标签类别数据与预设的实际故障标签类别数据；

第一判定子模块，用于若所述目标故障标签类别数据与所述实际故障标签类别数据一致，则判定所述待判断变压器发生所述实际故障标签类别数据关联的故障类型；

第二判定子模块，用于若所述目标故障标签类别数据与所述实际故障标签类别数据不一致，则判定所述待判断变压器未发生所述实际故障标签类别数据关联的故障类型并跳转执行所述采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的变压器故障类型的判断方法的步骤。

本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的变压器故障类型的判断方法。

从以上技术方案可以看出，本发明具有以下优点：

当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据，采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型，响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据，对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值，采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据，比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型；解决当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题；实现智能故障检测，多尺度网格熵能够提取深层次具有高度表达能力和分离度故障特征。随机森林易于实现，训练速度快，可高效实现多类故障状态识别。因此，融合多尺度网格熵和随机森林的优势能够实现精准的变压器在线故障检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。

图1为本发明实施例一提供的一种变压器故障类型的判断方法的步骤流程图；

图2为本发明实施例二提供的一种变压器故障类型的判断方法的步骤流程图；

图3为本发明实施例二提供的多尺度网格熵的网格划分示意图；

图4为本发明实施例三提供的一种变压器故障类型的判断系统的结构框图。

具体实施方式

本发明实施例提供了一种变压器故障类型的判断方法、系统、设备和介质，用于解决当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种变压器故障类型的判断方法的步骤流程图。

本发明提供的一种变压器故障类型的判断方法，包括：

步骤101、当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据。

振动子信号数据集，指的是由变电站内的变压器常见的不同故障类型的振动子信号，然后进行整合，组成一个振动子信号数据集。

多尺度操作，指的是通过多尺度网格熵对振动子信号数据集进行处理。

振动子信号样本数据，指的是用于输入预设的初始随机森林诊断模型进行训练的样本数据。

在本发明实施例中，当接收到由变电站内的变压器常见的不同故障类型的振动信号组成的振动子信号数据集时，通过多尺度网格熵对振动子信号数据集进行处理，生成对应的振动子信号样本数据。

步骤102、采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型。

初始随机森林诊断模型，指的是基于随机森林策略构建的诊断模块，随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。

目标随机森林诊断模型，指的是对初始随机森林诊断模型进行模型训练所生成的目标随机森林诊断模型。

在本发明实施例中，根据获取的振动子信号样本数据输入初始随机森林诊断模型进行模型训练，生成对应的目标随机森林诊断模型。

步骤103、响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据。

故障判断请求，指的是运维人员所发送的针对变电站内的变压器发生的故障类型的故障判断请求。

振动子信号数据，指的是待判断变压器在不同状态下的振动信号并进行预处理得到的子信号数据。

在本发明实施例中，响应于运维人员所发送的针对变电站内的变压器发生的故障类型的故障判断请求，读取故障判断请求，确定对应的待判断变压器，并获取待判断变压器在不同状态下的振动信号。

步骤104、对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值。

多尺度网格熵值，指的是通过多尺度网格熵对振动子信号数据进行多尺度操作所生成的熵值数据。

在本发明实施例中，通过多尺度网格熵对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值。

步骤105、采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据。

目标故障标签类别数据，指的是采用多尺度网格熵值输入目标随机森林诊断模型中，分析得到的故障标签类别数据。

在本发明实施例中，采用多尺度网格熵值输入目标随机森林诊断模型中，输出对应的故障标签类别数据。

步骤106、比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型。

实际故障标签类别数据，指的是变压器实际发生的故障类型。

在本发明实施例中，比对目标随机森林诊断模型输出的故障标签类别数据与变压器实际发生的故障类型，判断是否一致，若一致则判定待判断变压器发生实际故障标签类别数据关联的故障类型，若未一致则判定待判断变压器未发生实际故障标签类别数据关联的故障类型并跳转执行采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

在本发明实施例中，当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据，采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型，响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据，对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值，采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据，比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型；解决当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题；实现智能故障检测，多尺度网格熵能够提取深层次具有高度表达能力和分离度故障特征。随机森林易于实现，训练速度快，可高效实现多类故障状态识别。因此，融合多尺度网格熵和随机森林的优势能够实现精准的变压器在线故障检测。

请参阅图2，图2为本发明实施例二提供的一种变压器故障类型的判断方法的步骤流程图。

本发明提供的一种变压器故障类型的判断方法，包括：

步骤201、当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据。

在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。

步骤202、采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型。

在本发明实施例中，步骤202的具体实施过程与步骤102类似，在此不再赘述。

步骤203、响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据。

在本发明实施例中，步骤203的具体实施过程与步骤103类似，在此不再赘述。

在本发明的一个示例中，获取的振动子信号数据指的是获取待判断变压器在不同故障类型的振动信号，例如匝间短路，铁芯松动，绕组变形；并标注对应的标签依次为{F1，F2，F3}，然后对不同故障类型的振动信号无重叠的划分为长度为1024个点的子信号。

步骤204、对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值。

在本发明实施例中，通过多尺度网格熵对不同类型的所有振动子信号数据进行分析，得到能高度表达故障特性的多尺度网格熵值。

在本发明的一个示例中，如图3所示，将振动子信号数据进行归一化处理；归一化后的信号进行多尺度处理，给定需要的尺度获得多个尺度下的子信号；对每一个子信号生成二维平面图；给定一个n，则二维平面图被划分成n*n网格；统计每个网格里的点数，计算每一个子信号网格熵。最后将获得的网格熵拼接在一起，形成最后的多尺度网格熵值。

计算多尺度网格熵值具体步骤如下：

假定一个长度为N的时间序列x＝{x(i),i＝1,2,…,N}。将序列归一化：

式中，min(x)表示信号中的最小幅值，max(x)表示信号中最大幅值，x表示为时间序列。

对非重叠窗口内的s个数据点进行平均获得相应的子序列x_s。子序列x_s每个元素定义为：

其中，

表示向下取整运算，s表示非重叠窗口内的数据点总数，j表示序列x的第j个点，i表示序列x的第i个点，x(i)表示归一化后的时间序列，N表示时间序列的长度。

对于每一个子序列x_s，以相邻元素构建笛卡尔坐标系中的一个点，其坐标为(x_s(k),x_s(k+1))，k表示x_s中第k个点。这样形成一个二维正方形平面。

利用n条线水平和垂直地将二维平面划分大小相等的n×n个正方形小网格。统计每个网格内的点数占平面总点数的比例p(l)：

其中，p(l)表示每个网格内的点数占平面总点数的比例，l表示第l个网格，N_l表示第l个网格内的点数。

根据香农熵定义s尺度下的网格熵GE_s，其公式为：

式中，GE_s表示单个层次的网格熵值；

给定时间尺度s_max，最终获得多尺度网格熵值：

GE(x,n,s_max)＝{GE_s},s＝1,2,…,s_max

式中，GE(x,n,s_max)表示多层次的多尺度网格熵值。

值得一提的是，多尺度网格熵的参数设置如表1所示。为了更好理解网格的划分，多尺度网格熵的网格划分示意图如图4所示。

表1多尺度网格熵参数设置

名称	取值
		网格线个数n	10
最大时间尺度s<sub>max</sub>	20

步骤205、采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据。

进一步地，步骤205可以包括以下子步骤：

S11、将振动子信号样本数据输入初始随机森林诊断模型，生成对应的训练故障标签类别数据。

故障标签类别数据，指的是振动子信号样本数据输入初始随机森林诊断模型所生成的标签类别数据，用于判断初始随机森林诊断模型是否训练完成。

在本发明实施例中，根据生成的振动子信号样本数据输入初始随机森林诊断模型进行模型训练，生成对应的训练故障标签类别数据。

S12、计算训练故障标签类别数据与关联的标准故障标签类别数据之间的训练损失值。

标准故障标签类别数据，指的是振动子信号样本数据所对应的标准故障标签类别数据。

训练损失值，指的是训练故障标签类别数据与标准故障标签类别数据之间的损失值。

在本发明实施例中，计算训练故障标签类别数据与关联的标准故障标签类别数据之间的训练损失值。

S13、比较训练损失值与预设的训练标准阈值。

训练标准阈值，指的是用于判断初始随机森林诊断模型是否训练完成的阈值。

在本发明实施例中，比较训练损失值与预设的训练标准阈值。

S14、若训练损失值小于或等于训练标准阈值，则停止训练，生成目标随机森林诊断模型。

在本发明实施例中，若训练损失值小于或等于训练标准阈值，则停止训练，生成目标随机森林诊断模型。

进一步地，步骤205还可以包括以下子步骤

S15、若训练损失值大于训练标准阈值，则按照预设梯度调整初始随机森林诊断模型的参数，并跳转将振动子信号样本数据输入初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

在本发明实施例中，若训练损失值大于训练标准阈值，则按照预设梯度调整初始随机森林诊断模型的参数，并跳转将振动子信号样本数据输入初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

在本发明的一个示例中，将振动子信号样本数据输入初始随机森林诊断模型进行模型训练中，将振动子信号样本数据按比例划分为训练集和验证集；其中，70％的样本作为训练集，剩余样本30％作为测试集。

利用训练集构建目标随机森林诊断模型，并完成模型训练。其中，随机森林中基评估器的数量为300，最大深度为12。

值得一提的是，确定随机森林中的参数：基评估器的数量和最大深度。利用Gini指数训练生成目标随机森林诊断模型。根据目标随机森林诊断模型的增益Z作为模型训练的评判标准。其中，Gini指数和增益Z的表达式为：

式中，Z表示目标随机森林诊断模型的增益，c表示故障的类别，p(i|t)表示表示样本i属于第t个类别的概率，Gini(parent)是给定父节点下的Gini指数度量，M为父节点上的记录总数，M(v_j)为与子女结点v_j相关联的记录数，Gini(v_j)表示结点v_j的Gini指数。

在本发明的另一个示例中，将测试集的样本输入训练好的目标随机森林诊断模型中验证其诊断性能。将随机森林的决策提供的标签类别与变压器实际标签作比较(如果变压器实际故障标签为F1，目标随机森林诊断模型输出的标签也是F1，说明检测准确。目标随机森林诊断模型输出其他故障标签，说明检测。)，计算检测准确率，完成对变压器故障检测。

利用下式计算准确率：

其中，N_正为正确预测的样本个数；N_总是样本的总个数。

诊断结果如表2所示，本发明提出的方法获得了98.25％的准确率，效果优于基于有效值和峭度等常用的故障特征表征方法。对比结果表明了本发明提供的变压器故障诊断方法的先进性。

表2诊断结果对比

故障特征表征方法	准确率(ACC)
		有效值(RMS)	92.52％
峭度(Kurtosis)	90.76％
		多尺度网格熵	98.25％

步骤206、比对目标故障标签类别数据与预设的实际故障标签类别数据。

实际故障标签类别数据，指的是变压器实际的故障类别标签。

在本发明实施例中，比对目标故障标签类别数据与预设的实际故障标签类别数据。

步骤207、若目标故障标签类别数据与实际故障标签类别数据一致，则判定待判断变压器发生实际故障标签类别数据关联的故障类型。

在本发明实施例中，若目标故障标签类别数据与实际故障标签类别数据一致，则判定经过目标随机森林诊断模型输出的目标故障标签类别数据准确，且待判断变压器发生实际故障标签类别数据关联的故障类型。

步骤208、若目标故障标签类别数据与实际故障标签类别数据不一致，则判定待判断变压器未发生实际故障标签类别数据关联的故障类型并跳转执行采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

在本发明实施例中，若目标故障标签类别数据与实际故障标签类别数据不一致，则判定经过目标随机森林诊断模型输出的目标故障标签类别数据不准确，并跳转执行采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

在本发明实施例中，当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据，采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型，响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据，对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值，采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据，比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型；解决当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题；实现智能故障检测，多尺度网格熵能够提取深层次具有高度表达能力和分离度故障特征。随机森林易于实现，训练速度快，可高效实现多类故障状态识别。因此，融合多尺度网格熵和随机森林的优势能够实现精准的变压器在线故障检测。

请参阅图4，图4为本发明实施例三提供的一种变压器故障类型的判断系统的结构框图。

本发明实施例提供了一种变压器故障类型的判断系统，包括：

振动子信号样本数据获取模块301，用于当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据；

目标随机森林诊断模型生成模块302，用于采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型；

响应模块303，用于响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据；

多尺度网格熵值获取模块304，用于对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值；

目标故障标签类别数据获取模块305，用于采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据；

比对模块306，用于比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型。

进一步地，目标随机森林诊断模型生成模块302包括：

训练标签类别数据获取子模块，用于将多尺度网格熵值输入初始随机森林诊断模型，生成对应的训练标签类别数据；

训练损失值获取子模块，用于计算训练标签类别数据与关联的标准标签类别数据之间的训练损失值；

比较子模块，用于比较训练损失值与预设的训练标准阈值；

第一数据处理子模块，用于若训练损失值小于或等于训练标准阈值，则停止训练，生成目标随机森林诊断模型。

进一步地，目标随机森林诊断模型生成模块302还包括：

第二数据处理子模块，用于若训练损失值大于训练标准阈值，则按照预设梯度调整初始随机森林诊断模型的参数，并跳转将振动子信号样本数据输入初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

进一步地，比对模块306包括：

故障标签类别数据比对子模块，用于比对目标故障标签类别数据与预设的实际故障标签类别数据；

第一判定子模块，用于若目标故障标签类别数据与实际故障标签类别数据一致，则判定待判断变压器发生实际故障标签类别数据关联的故障类型；

第二判定子模块，用于若目标故障标签类别数据与实际故障标签类别数据不一致，则判定待判断变压器未发生实际故障标签类别数据关联的故障类型并跳转执行采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

在本发明实施例中，当接收到振动子信号数据集时，对振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据，采用振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型，响应于接收到的故障判断请求，选取故障判断请求对应的待判断变压器并获取振动子信号数据，对振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值，采用多尺度网格熵值输入目标随机森林诊断模型，生成对应的目标故障标签类别数据，比对目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定待判断变压器发生的故障类型；解决当变压器内部发生故障时，其振动信号往往在大范围的尺度上产生波动；常规的时域分析和频域分析方法难以捕捉到多时间尺度下局部及全局的敏感故障特征；基于信号处理的故障检测方法，如小波分析、经验模态分解方法等，计算过于复杂，很难被现场监控人员掌握和分析；同时，分析的结果易受到环境噪声频率的影响，往往会降低检测模型在检测任务上的性能；从而导致无法准确的判断变压器发生故障的类型的技术问题；实现智能故障检测，多尺度网格熵能够提取深层次具有高度表达能力和分离度故障特征。随机森林易于实现，训练速度快，可高效实现多类故障状态识别。因此，融合多尺度网格熵和随机森林的优势能够实现精准的变压器在线故障检测。

本发明实施例的一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的变压器故障类型的判断方法。

存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的方法中的各个步骤。

本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如本发明任一实施例的变压器故障类型的判断方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种变压器故障类型的判断方法，其特征在于，包括：

当接收到振动子信号数据集时，对所述振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据；

采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型；

响应于接收到的故障判断请求，选取所述故障判断请求对应的待判断变压器并获取振动子信号数据；

对所述振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值；

采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据；

比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型。

2.根据权利要求1所述的变压器故障类型的判断方法，其特征在于，所述采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型的步骤，包括：

将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据；

计算所述训练故障标签类别数据与关联的标准故障标签类别数据之间的训练损失值；

比较所述训练损失值与预设的训练标准阈值；

若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标随机森林诊断模型。

3.根据权利要求2所述的变压器故障类型的判断方法，其特征在于，还包括：

若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始随机森林诊断模型的参数，并跳转所述将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

4.根据权利要求1所述的变压器故障类型的判断方法，其特征在于，所述比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型的步骤，包括：

比对所述目标故障标签类别数据与预设的实际故障标签类别数据；

若所述目标故障标签类别数据与所述实际故障标签类别数据一致，则判定所述待判断变压器发生所述实际故障标签类别数据关联的故障类型；

若所述目标故障标签类别数据与所述实际故障标签类别数据不一致，则判定所述待判断变压器未发生所述实际故障标签类别数据关联的故障类型并跳转执行所述采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

5.一种变压器故障类型的判断系统，其特征在于，包括：

振动子信号样本数据获取模块，用于当接收到振动子信号数据集时，对所述振动子信号数据集进行多尺度操作，生成对应的振动子信号样本数据；

目标随机森林诊断模型生成模块，用于采用所述振动子信号样本数据输入预设的初始随机森林诊断模型进行训练，生成对应的目标随机森林诊断模型；

响应模块，用于响应于接收到的故障判断请求，选取所述故障判断请求对应的待判断变压器并获取振动子信号数据；

多尺度网格熵值获取模块，用于对所述振动子信号数据进行多尺度操作，输出对应的多尺度网格熵值；

目标故障标签类别数据获取模块，用于采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据；

比对模块，用于比对所述目标故障标签类别数据与预设的实际故障标签类别数据，根据比对结果确定所述待判断变压器发生的故障类型。

6.根据权利要求5所述的变压器故障类型的判断系统，其特征在于，所述目标随机森林诊断模型生成模块包括：

训练标签类别数据获取子模块，用于将所述多尺度网格熵值输入所述初始随机森林诊断模型，生成对应的训练标签类别数据；

训练损失值获取子模块，用于计算所述训练标签类别数据与关联的标准标签类别数据之间的训练损失值；

比较子模块，用于比较所述训练损失值与预设的训练标准阈值；

第一数据处理子模块，用于若所述训练损失值小于或等于所述训练标准阈值，则停止训练，生成目标随机森林诊断模型。

7.根据权利要求6所述的变压器故障类型的判断系统，其特征在于，所述目标随机森林诊断模型生成模块还包括：

第二数据处理子模块，用于若所述训练损失值大于所述训练标准阈值，则按照预设梯度调整所述初始随机森林诊断模型的参数，并跳转所述将所述振动子信号样本数据输入所述初始随机森林诊断模型，生成对应的训练故障标签类别数据的步骤。

8.根据权利要求5所述的变压器故障类型的判断系统，其特征在于，所述比对模块包括：

故障标签类别数据比对子模块，用于比对所述目标故障标签类别数据与预设的实际故障标签类别数据；

第一判定子模块，用于若所述目标故障标签类别数据与所述实际故障标签类别数据一致，则判定所述待判断变压器发生所述实际故障标签类别数据关联的故障类型；

第二判定子模块，用于若所述目标故障标签类别数据与所述实际故障标签类别数据不一致，则判定所述待判断变压器未发生所述实际故障标签类别数据关联的故障类型并跳转执行所述采用所述多尺度网格熵值输入所述目标随机森林诊断模型，生成对应的目标故障标签类别数据的步骤。

9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-4任一项所述的变压器故障类型的判断方法的步骤。

10.一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，所述计算机程序被执行时实现如权利要求1-4任一项所述的变压器故障类型的判断方法。

Images