CN116150604B - 变压器故障诊断方法、装置及电子设备 - Google Patents
变压器故障诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116150604B CN116150604B CN202310100979.9A CN202310100979A CN116150604B CN 116150604 B CN116150604 B CN 116150604B CN 202310100979 A CN202310100979 A CN 202310100979A CN 116150604 B CN116150604 B CN 116150604B
- Authority
- CN
- China
- Prior art keywords
- target
- training
- data
- neural network
- fault type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 123
- 238000011208 chromatographic data Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 256
- 238000007637 random forest analysis Methods 0.000 claims description 121
- 239000007789 gas Substances 0.000 claims description 96
- 238000003066 decision tree Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 34
- 238000004587 chromatography analysis Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004817 gas chromatography Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变压器故障诊断方法、装置及电子设备。该方法包括:获取变压器运行过程中的油色谱数据;通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据;分别计算目标特征数据与各个故障类型的匹配度;基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。本发明解决了相关技术中当变压器同时发生多种故障时,对变压器的故障判断准确度低的技术问题。
Description
技术领域
本发明涉及变压器领域,具体而言,涉及一种变压器故障诊断方法、装置及电子设备。
背景技术
油浸式变压器在电力系统中长期连续运行,内部绝缘材料将会随着运行时间的延长发生老化问题,造成变压器运行时出现故障。变压器作为电力系统中的重要设备之一,经常性的停机检修会对整个电力系统的安全稳定运行产生影响。
目前针对油浸式变压器的故障诊断主要是利用油中溶解气体分析,通过气相色谱法采集变压器油中的气体数据,并通过油中气体的种类、含量与故障类型之间的关系完成故障分类。在变压器实际运行过程中,多种故障经常一起发生,当多种故障同时发生时,相关技术无法准确分类,从而具有故障判断准确度低的问题,进而导致变压器的使用安全性难以保证。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种变压器故障诊断方法、装置及电子设备,以至少解决相关技术中当变压器同时发生多种故障时,对变压器的故障判断准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种变压器故障诊断方法,包括:获取变压器运行过程中的油色谱数据;通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据;分别计算目标特征数据与各个故障类型的匹配度;基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。
进一步地,变压器故障诊断方法还包括:通过目标随机森林模型分别计算目标特征数据与各个故障类型的匹配度,其中,多个目标卷积神经网络模型和目标随机森林模型基于以下方法训练得到:获取变压器历史运行过程中的多个历史油色谱数据,并将每个历史油色谱数据分别作为一个训练样本,构建训练样本集;在第一次迭代训练时,执行以下步骤:对于每个训练样本,通过多个初始卷积神经网络模型对当前训练样本进行特征提取,得到当前训练样本的目标样本特征数据;根据训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据各个子训练集的目标决策树构建初始随机森林模型,其中,N为大于1的正整数;对于每个训练样本,通过初始随机森林模型分别计算当前训练样本的目标样本特征数据与各个故障类型的匹配度;基于每个初始卷积神经网络模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定每个初始卷积神经网络模型的损失值;基于初始随机森林模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定初始随机森林模型的损失值;调整每个初始卷积神经网络模型的参数和初始随机森林模型的参数,并重复执行迭代训练每个初始卷积神经网络模型和初始随机森林模型的步骤,直至每个初始卷积神经网络模型的损失值小于第一预设值,并且初始随机森林模型的损失值小于第二预设值,将训练得到的初始卷积神经网络模型确定为目标卷积神经网络模型,将训练得到的初始随机森林模型确定为目标随机森林模型。
进一步地,变压器故障诊断方法还包括:获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,其中,预测结果表征训练样本匹配的故障类型;根据训练样本的真实标签、训练样本的预测结果以及每个初始卷积神经网络模型的损失函数,计算每个初始卷积神经网络模型的损失值,其中,真实标签表征训练样本与各个故障类型是否匹配。
进一步地,变压器故障诊断方法还包括:获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,其中,预测结果表征训练样本匹配的故障类型;根据训练样本的真实标签、训练样本的预测结果以及初始随机森林模型的损失函数,计算初始随机森林模型的损失值,其中,真实标签表征训练样本与各个故障类型是否匹配。
进一步地,变压器故障诊断方法还包括:在所有训练样本的目标样本特征数据中有放回地随机采样出n个样本,并进行N次采样,得到N个子训练集,其中,每个子训练集由n个样本组成,n为大于1的正整数;根据各个子训练集生成与该子训练集对应的决策树;对于每个决策树的每个节点,从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,其中,m为大于1的正整数;对于每个决策树,重复执行从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,直至当前决策树的深度达到预设上限,得到目标决策树;根据每个子训练集对应的目标决策树构建初始随机森林模型。
进一步地,油色谱数据由多种气体在油中的溶解度组成,变压器故障诊断方法还包括:在通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取之前,获取每种气体匹配的目标均值和目标方差;计算各种气体的溶解度与该气体匹配的目标均值之间的差值,得到每种气体匹配的第一差值;计算各种气体匹配的目标方差的开方,得到每种气体匹配的标准差;计算各种气体匹配的第一差值与该气体匹配的标准差之间的比值,得到每种气体的目标溶解度,由每种气体的目标溶解度构成目标油色谱数据。
进一步地,变压器故障诊断方法还包括:在获取每种气体匹配的目标均值和目标方差之前,确定多个历史油色谱数据的数量;计算多个历史油色谱数据中各种气体的溶解度的平均值,得到每种气体匹配的目标均值;根据多个历史油色谱数据的数量、各种气体的溶解度以及各种气体匹配的目标均值,确定每种气体匹配的目标方差。
进一步地,变压器故障诊断方法还包括:比较目标特征数据与各个故障类型的匹配度和预设匹配度,得到每个故障类型的比较结果;根据比较结果确定匹配度大于或等于预设匹配度的故障类型,得到至少一个目标故障类型,并将至少一个目标故障类型确定为变压器的至少一个故障类型。
根据本发明实施例的另一方面,还提供了一种变压器故障诊断装置,包括:第一获取模块,用于获取变压器运行过程中的油色谱数据;特征提取模块,用于通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据;第一计算模块,用于分别计算目标特征数据与各个故障类型的匹配度;第一确定模块,用于基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的变压器故障诊断方法。
根据本发明实施例的另一方面,还提供了一种电子设备,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的变压器故障诊断方法。
在本发明实施例中,采用对变压器进行多种故障类型的识别的方式,通过获取变压器运行过程中的油色谱数据,然后通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,接着分别计算目标特征数据与各个故障类型的匹配度,从而基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据。
在上述过程中,通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,实现了对油色谱数据中与不同类型故障匹配的特征数据的有效提取。进一步地,通过计算目标特征数据与各个故障类型的匹配度,并根据匹配度确定变压器的至少一个故障类型,实现了对变压器的多故障诊断,提高了故障判断准确度。此外,通过根据油色谱提取出的特征数据进行变压器故障诊断,避免了相关技术中通过油中溶解的气体含量数据直接进行故障诊断时,由于存在过多与故障类型无关的气体数据造成的影响诊断结果的问题,从而进一步地提高了故障诊断的准确性。
由此可见,本申请所提供的方案达到了对变压器进行多种故障类型的识别的目的,从而实现了提高故障判断准确度的技术效果,进而解决了相关技术中当变压器同时发生多种故障时,对变压器的故障判断准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的变压器故障诊断方法的示意图;
图2是根据本发明实施例的一种可选的目标卷积神经网络模型和目标随机森林模型的训练示意图;
图3是根据本发明实施例的一种可选的初始随机森林模型的构建及工作示意图;
图4是根据本发明实施例的一种可选的变压器故障诊断装置的示意图;
图5是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种变压器故障诊断方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的变压器故障诊断方法的示意图,如图1所示,该方法包括如下步骤:
步骤S101,获取变压器运行过程中的油色谱数据。
可选的,可以通过电子设备、应用系统、服务器等装置获取变压器运行过程中的油色谱数据,在本实施例中,通过目标系统获取变压器运行过程中的油色谱数据。
在变压器运行过程中,可以通过油色谱监测装置利用气相色谱法采集油中溶解气体数据,从而得到油色谱数据,其中,油色谱数据由多种气体在油中的溶解度组成,溶解度用于表征气体在固定质量的油中所溶解的质量。
步骤S102,通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据。
在步骤S102中,目标系统可以将获取的油色谱数据分别输入到多个不同的目标卷积神经网络模型,通过各个目标卷积神经网络模型分别对油色谱数据进行特征提取,从而得到各个目标卷积神经网络模型输出的子特征数据。其中,各个目标卷积神经网络模型网络结构相同但参数不同。
需要说明的是,通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,实现了对油色谱数据中与不同类型故障匹配的特征数据的有效提取。
步骤S103,分别计算目标特征数据与各个故障类型的匹配度。
在步骤S103中,可以通过随机森林模型计算目标特征数据与各个故障类型的匹配度,也可以通过其它模型或算法计算目标特征数据与各个故障类型的匹配度。其中,根据油中溶解气体含量和故障机理,不同特征气体含量对应的变压器故障类型主要为无故障、中低温过热、高温过热、低能量放电、高能量放电,目标特征数据与故障类型的匹配度可以表示为:目标特征数据与无故障的匹配度为40%,目标特征数据与中低温过热的匹配度为70%等。
需要说明的是,通过计算目标特征数据与各个故障类型的匹配度,可以实现对目标特征数据的有效分类,进而便于完成对变压器的多故障诊断。此外,通过根据油色谱提取出的特征数据进行变压器故障诊断,避免了相关技术中通过油中溶解的气体含量数据直接进行故障诊断时,由于存在过多与故障类型无关的气体数据造成的影响诊断结果的问题。
步骤S104,基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。
在实际变压器运行过程中,单一故障及多种故障可能同时发生,对前述的5种故障类型排列组合,变压器在运行过程中可能出现120种不同故障。在步骤S104中,目标系统可以将目标特征数据与各个故障类型的匹配度与预设匹配度进行比较,从而将匹配度大于预设匹配度的故障类型均确定为变压器的故障类型,进而可以实现在变压器发生多种故障时,有效识别出多种故障。
基于上述步骤S101至步骤S104所限定的方案,可以获知,在本发明实施例中,采用对变压器进行多种故障类型的识别的方式,通过获取变压器运行过程中的油色谱数据,然后通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,接着分别计算目标特征数据与各个故障类型的匹配度,从而基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据。
容易注意到的是,在上述过程中,通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,实现了对油色谱数据中与不同类型故障匹配的特征数据的有效提取。进一步地,通过计算目标特征数据与各个故障类型的匹配度,并根据匹配度确定变压器的至少一个故障类型,实现了对变压器的多故障诊断,提高了故障判断准确度。此外,通过根据油色谱提取出的特征数据进行变压器故障诊断,避免了相关技术中通过油中溶解的气体含量数据直接进行故障诊断时,由于存在过多与故障类型无关的气体数据造成的影响诊断结果的问题,从而进一步地提高了故障诊断的准确性。
由此可见,本申请所提供的方案达到了对变压器进行多种故障类型的识别的目的,从而实现了提高故障判断准确度的技术效果,进而解决了相关技术中当变压器同时发生多种故障时,对变压器的故障判断准确度低的技术问题。
在一种可选的实施例中,目标系统可以通过目标随机森林模型分别计算目标特征数据与各个故障类型的匹配度,其中,多个目标卷积神经网络模型和目标随机森林模型基于以下方法训练得到:获取变压器历史运行过程中的多个历史油色谱数据,并将每个历史油色谱数据分别作为一个训练样本,构建训练样本集,在第一次迭代训练时,执行以下步骤:对于每个训练样本,通过多个初始卷积神经网络模型对当前训练样本进行特征提取,得到当前训练样本的目标样本特征数据,然后根据训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据各个子训练集的目标决策树构建初始随机森林模型,接着对于每个训练样本,通过初始随机森林模型分别计算当前训练样本的目标样本特征数据与各个故障类型的匹配度,然后基于每个初始卷积神经网络模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定每个初始卷积神经网络模型的损失值,接着基于初始随机森林模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定初始随机森林模型的损失值,从而调整每个初始卷积神经网络模型的参数和初始随机森林模型的参数,并重复执行迭代训练每个初始卷积神经网络模型和初始随机森林模型的步骤,直至每个初始卷积神经网络模型的损失值小于第一预设值,并且初始随机森林模型的损失值小于第二预设值,将训练得到的初始卷积神经网络模型确定为目标卷积神经网络模型,将训练得到的初始随机森林模型确定为目标随机森林模型,其中,N为大于1的正整数。
可选的,目标系统可以在变压器的历史运行过程中,通过油色谱监测装置利用气相色谱法采集油中溶解气体数据,从而得到历史油色谱数据。在得到历史油色谱数据后,目标系统可以将每个历史油色谱数据分别作为一个训练样本,从而构建得到训练样本集。可选的,目标系统还可以另外获取一部分历史油色谱数据,并将这些历史油色谱数据作为测试样本,构建测试样本集,其中,训练样本集和测试样本集的样本数量比例可以为7:3。
进一步地,当构建完训练样本集之后,目标系统可以开始对初始随机森林模型和初始卷积神经网络模型进行迭代训练,以不断优化初始随机森林模型的参数和初始卷积神经网络模型的参数,从而提高最终得到的目标随机森林模型和目标卷积神经网络模型的使用效果。
可选的,对在第一次迭代训练时,目标系统所执行的步骤进行说明。对于每个训练样本,目标系统可以首先将当前训练样本输入至多个初始卷积神经网络模型,以通过多个初始卷积神经网络模型对当前训练样本进行特征提取,从而得到当前训练样本的目标样本特征数据。其中,初始卷积神经网络模型为相关工作人员所预先构建的。
图2是根据本发明实施例的一种可选的目标卷积神经网络模型和目标随机森林模型的训练示意图,如图2所示,每个初始卷积神经网络模型均有9层网络,包括输入层、2个卷积层、2个池化层、Dropout层、2个全连接层、输出层,具体地,每个初始卷积神经网络模型包括依次连接的输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、第一全连接层、第二全连接层、Dropout层,输出层。其中,各层的参数尺寸、结果尺寸、参数个数如表1所示:
表1
网络层 | 参数尺寸(步长) | 结果尺寸 | 参数个数 |
输入层 | / | 2048×1/ | / |
第一一维卷积层 | 5×1 | (1024,16) | 96 |
第一最大池化层 | 2 | (512,16) | / |
第二一维卷积层 | 3×1 | (512,32) | 1568 |
第二最大池化层 | 2 | (256,32) | / |
第一全连接层 | / | (8192,1) | / |
第二全连接层 | / | (50) | 409650 |
Dropout层 | / | (25) | 1275 |
输出层 | / | 5 | 130 |
可选的,卷积层用于使用一维卷积核对输入的一维信号进行局部卷积计算,生成一维卷积特征图,一维卷积运算过程分为前向传播过程和方向传播过程,其中,前向传播的过程可用下式表示:
其中,k表示卷积核,j表示卷积核的个数,O表示卷积计算区域,i表示第i个数据,表示第l-1层的第i个卷积输出(也即表示第l层的第i个卷积输入),/>表示第l层的第i个卷积输出,Conv1D()表示一维卷积计算,bl表示第l层的偏置,F()表示激活函数。其中,激活函数为ReLU函数,激活函数如下所示:
F(p)=max{0,p}
其中,p为卷积层激活值,max{}表示从0、p中取最大值。
可选的,一维卷积神经网络误差反向求导过程中,使用链式求导法则来更新参数。
可选的,前述的池化层具有特征不变性的特性,即减少数据的同时还能够保留原始数据的特征,经过卷积层之后,往往参数会较多,因此需要池化操作,以减少神经网络的参数。全连接层是指该层的每一节点都与其上层的所有神经元进行连接,将池化操作后数据展平为特征向量进行输入,整合上层网络中的区分度较高的类别信息。
可选的,前述的Dropout层分为前向传播和反向传播。前向传播是指给定每个神经元一个随机值a(0-1之间),设定采样阈值为k,若该神经元对应的随机值a小于采样阈值k,则将该神经元设置为0,反之将该神经元设置为a/k,并保留每个神经元对应的所有随机值及设置值。反向传播是指读取前向传播中的随机值,对数据进行和前向传播相同的操作。本实施例中将采样阈值设置为0.5,需要说明的是,通过在卷积神经网络模型中加入Dropout层,可以防止过拟合现象的发生,减少网络中的参数,提高网络的泛化能力和鲁棒性。
进一步地,当多个初始卷积神经网络对训练样本集中的训练样本特征提取完成后,目标系统可以将训练样本集中每个训练样本的目标样本特征数据作为一个训练样本,以构建用于训练初始随机森林模型的目标训练样本集,并基于该目标训练样本集生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,从而根据各个子训练集的目标决策树构建初始随机森林模型。
更进一步地,如图2所示,目标系统可以将目标训练样本集中的训练样本输入至初始随机森林模型,也即将训练样本集中每个训练样本的目标样本特征数据输入至初始随机森林模型。之后,初始随机森林模型分别计算所输入的目标样本特征数据与各个故障类型的匹配度。
再进一步地,如图2所示,目标系统可以根据初始随机森林模型的输出结果以及每个初始卷积神经网络模型的损失函数,确定每个初始卷积神经网络模型的损失值,并根据初始随机森林模型的输出结果以及初始随机森林模型的损失函数,确定初始随机森林模型的损失值,从而完成一次迭代。
可选的,如图2所示,目标系统可以在每次迭代完成后,调整每个初始卷积神经网络模型的参数和初始随机森林模型的参数,并重复执行迭代训练每个初始卷积神经网络模型和初始随机森林模型的步骤,直至每个初始卷积神经网络模型的损失值小于第一预设值,并且初始随机森林模型的损失值小于第二预设值,从而将训练得到的初始卷积神经网络模型确定为目标卷积神经网络模型,将训练得到的初始随机森林模型确定为目标随机森林模型。其中,前述的第一预设值和第二预设值为工作人员所预设的,第一预设值与第二预设值可以相同,也可以不同。
可选的,在每次迭代训练初始卷积神经网络和初始随机森林模型的过程中,可以使用全部训练样本,也即每次向初始卷积神经网络模型中输入与上一次迭代相同的训练样本。可选的,在每次迭代训练初始卷积神经网络和初始随机森林模型的过程中,也可以将训练样本集拆分为多批次,每次迭代向初始卷积神经网络模型中输入与上一次迭代不同的训练样本。可选的,目标系统还可以利用交叉验证方法将训练样本集分为10个交叉训练的子集,并利用交叉验证方法对随机森林模型进行训练和验证。其中,在本实施例中,目标系统在每次迭代训练初始卷积神经网络和初始随机森林模型的过程中,使用全部训练样本。
在一种可选的实施例中,确定得到的最优的目标随机森林网络模型的决策树数目为230,单个决策树使用特征的最大值为SQRT(特征值的平方根),决策树的最大深度为203。
可选的,在得到目标卷积神经网络模型和目标随机森林网络模型后,目标系统可以将前述的测试样本集中的测试样本输入到目标卷积神经网络模型中,并将目标卷积神经网络模型的输出结果输入到目标随机森林网络模型中,得到目标随机森林模型的输出结果,为了避免一次实验的偶然性,进行10次实验。之后,对于每个测试样本,目标系统可以计算10次实验中测试样本的目标样本特征数据与各个故障类型的匹配度的平均值,并基于该平均值确定表征测试样本匹配的故障类型的预测结果,然后将预测结果与测试样本和各故障类型之间的真实匹配结果进行比较,以确定目标随机森林模型的模型效果。
需要说明的是,通过对初始卷积神经网络模型的参数和初始随机森林模型进行迭代训练,以得到目标卷积神经网络模型和目标随机森林模型,使得目标卷积神经网络模型提取的特征更加准确,目标随机森林模型的匹配度计算更加准确。
在一种可选的实施例中,在基于每个初始卷积神经网络模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定每个初始卷积神经网络模型的损失值的过程中,目标系统可以获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,从而根据训练样本的真实标签、训练样本的预测结果以及每个初始卷积神经网络模型的损失函数,计算每个初始卷积神经网络模型的损失值,其中,预测结果表征训练样本匹配的故障类型,真实标签表征训练样本与各个故障类型是否匹配。
可选的,在每次迭代训练中,目标系统可以获取当前次迭代训练中初始随机森林模型的所有输出结果,也即获取当前次迭代训练中所有输入的训练样本的目标样本特征数据与各个故障类型的匹配度,然后将每个目标样本特征数据与各个故障类型的匹配度与预设匹配度进行比较,得到每个目标样本特征数据与每个故障类型的比较结果。
进一步地,目标系统可以在目标样本特征数据与某一个故障类型的比较结果大于或等于预设匹配度时,确定该目标样本特征数据对应的训练样本与前述比较的故障类型匹配。由此,可以实现对训练样本的预测结果的确定。
更进一步地,目标系统可以将当前次迭代训练中所有输入的训练样本的预测结果与训练样本的真实标签输入至每个初始卷积神经网络模型的损失函数中,例如,将匹配作为数值1,将不匹配作为数值0代入到损失函数中,从而计算得到当前次迭代训练中的每个初始卷积神经网络模型的损失值。
需要说明的是,通过根据初始随机森林模型的输出结果,确定训练样本的预测结果,然后将训练样本的预测结果和真实标签代入到初始卷积神经网络模型的损失函数中,实现了对初始卷积神经网络模型的损失值的有效计算。
在一种可选的实施例中,在基于初始随机森林模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定初始随机森林模型的损失值的过程中,目标系统可以获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,从而根据训练样本的真实标签、训练样本的预测结果以及初始随机森林模型的损失函数,计算初始随机森林模型的损失值,其中,预测结果表征训练样本匹配的故障类型,真实标签表征训练样本与各个故障类型是否匹配。
可选的,在每次迭代训练中,目标系统可以获取当前次迭代训练中初始随机森林模型的所有输出结果,也即获取当前次迭代训练中所有输入的训练样本的目标样本特征数据与各个故障类型的匹配度,然后将每个目标样本特征数据与各个故障类型的匹配度与预设匹配度进行比较,得到每个目标样本特征数据与每个故障类型的比较结果。
进一步地,目标系统可以在目标样本特征数据与某一个故障类型的比较结果大于或等于预设匹配度时,确定该目标样本特征数据对应的训练样本与前述比较的故障类型匹配,由此,可以实现对训练样本的预测结果的确定。
更进一步地,目标系统可以将当前次迭代训练中所有输入的训练样本的预测结果与训练样本的真实标签输入至初始随机森林模型的损失函数中,例如,将匹配作为数值1,将不匹配作为数值0代入到损失函数中,从而计算得到当前次迭代训练中的初始随机森林模型的损失值。
需要说明的是,通过根据初始随机森林模型的输出结果,确定训练样本的预测结果,然后将训练样本的预测结果和真实标签代入到初始卷积神经网络模型中,实现了对初始随机森林模型的损失值的有效计算。
在一种可选的实施例中,在根据训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据各个子训练集的目标决策树构建初始随机森林模型的过程中,在所有训练样本的目标样本特征数据中有放回地随机采样出n个样本,并进行N次采样,得到N个子训练集,然后根据各个子训练集生成与该子训练集对应的决策树,对于每个决策树的每个节点,从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,从而对于每个决策树,重复执行从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,直至当前决策树的深度达到预设上限,得到目标决策树,进而根据每个子训练集对应的目标决策树构建初始随机森林模型。其中,每个子训练集由n个样本组成,n为大于1的正整数,m为大于1的正整数。
可选的,在每次迭代训练中,目标系统使用全部训练样本,目标系统可以在根据多个初始卷积神经网络模型得到所有训练样本的目标样本特征数据之后,图3是根据本发明实施例的一种可选的初始随机森林模型的构建及工作示意图,如图3所示,利用Bootstrap重采样技术,在所有训练样本的目标样本特征数据中有放回地随机采样出n个样本,并进行N次采样,从而得到如图3中的N个子训练集,其中,子训练集中的一个样本是一个目标样本特征数据。
进一步地,在每次迭代训练中,目标系统可以先根据各个子训练集生成与该子训练集对应的决策树。然后对于每个决策树的每个节点,如图3所示,从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性进行分裂。其中,特征集中包括大于m个数量的特征,特征集可是相关工作人员预设的,每个特征表征在固定质量的油中的某一气体的溶解度或溶解度区间。
更进一步地,如图3所示,对于每个决策树,重复执行从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,直至当前决策树的深度达到预设上限,确定当前决策树实现完整生长,得到目标决策树。
可选的,在得到每个子训练集对应的目标决策树(如图3中示出的目标决策树1-目标决策树N)之后,目标系统可以根据每个子训练集对应的目标决策树构建初始随机森林模型。其中,如图3所示,在初始随机森林模型对输入的数据进行处理的过程中,每个目标决策树通过投票的方式选择与目标样本特征数据匹配的故障类型,从而使得初始随机森林模型可以收集各个目标决策树的投票得到总投票结果,然后根据总投票结果计算目标样本特征数据与各个故障类型的匹配度。
其中,在收集各个目标决策树的投票得到总投票结果,然后根据总投票结果计算目标样本特征数据与各个故障类型的匹配度的过程中,各个目标决策树分别用于对一种故障类型进行判断,且各个目标决策树判断的故障类型存在不同,初始随机森林模型根据N个决策树中用于判断同一种故障类型的目标决策树的投票结果,确定目标特征数据与该故障类型的匹配度,进而可以实现对目标样本特征数据与各个故障类型的匹配度的确定。
需要说明的是,通过利用Bootstrap重采样,得到N个子训练集,然后利用N子训练集构建初始随机森林模型,实现了对初始随机森林模型的有效构建。
在一种可选的实施例中。在通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取之前,目标系统可以获取每种气体匹配的目标均值和目标方差,然后计算各种气体的溶解度与该气体匹配的目标均值之间的差值,得到每种气体匹配的第一差值,接着计算各种气体的溶解度与该气体匹配的目标均值之间的差值,得到每种气体匹配的第一差值,从而计算各种气体匹配的第一差值与该气体匹配的标准差之间的比值,得到每种气体的目标溶解度,由每种气体的目标溶解度构成目标油色谱数据。
可选的,油色谱数据由多种气体在油中的溶解度组成,在将油色谱数据输入到多个目标卷积神经网络模型之前,其目标系统可以先对油色谱数据进行归一化操作。优选的,在历史油色谱数据输入到多个初始卷积神经网络模型之前,目标系统对历史油色谱数据同样进行归一化操作。
其中,在对油色谱数据进行归一化操作的过程中,目标系统先获取每种气体匹配的目标均值和目标方差,并计算各种气体匹配的目标方差的开方,得到每种气体匹配的标准差,从而可以基于如下公式得到气体的目标溶解度:
其中,ascaley表示第y种气体的目标溶解度,也即第y种气体的溶解度的归一化结果,ay表示第y种气体的溶解度,μy表示第y种气体匹配的目标均值,σy表示第y种气体匹配的标准差。
进一步地,在得到了每种气体的目标溶解度之后,由每种气体的目标溶解度构成目标油色谱数据,从而可以将目标油色谱数据输入至多个目标卷积神经网络模型中。其中,对历史油色谱数据进行归一化的方法与对油色谱数据进行归一化的方法相同,故此处不再赘述。
需要说明的是,通过对油色谱数据进行归一化,可以有效提高多个目标卷积神经网络模型的处理效率,从而提高对变压器故障诊断的效率。
在一种可选的实施例中,在获取每种气体匹配的目标均值和目标方差之前,目标系统可以确定多个历史油色谱数据的数量,然后计算多个历史油色谱数据中各种气体的溶解度的平均值,得到每种气体匹配的目标均值,从而根据多个历史油色谱数据的数量、各种气体的溶解度以及各种气体匹配的目标均值,确定每种气体匹配的目标方差。
可选的,目标系统可以基于以下公式计算气体匹配的目标均值:
其中,ayq表示第q个历史油色谱数据中第y种气体的溶解度,z表示多个历史油色谱数据的数量,q表示第q个历史油色谱数据。
可选的,目标系统可以基于以下公式计算气体匹配的目标方差:
其中,σy 2表示第y种气体匹配的目标方差。
可选的,通过根据多个历史油色谱数据计算每种气体的目标均值的目标方差,保证了目标均值和目标方差的准确性。
在一种可选的实施例中,在基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型的过程中,目标系统可以比较目标特征数据与各个故障类型的匹配度和预设匹配度,得到每个故障类型的比较结果,然后根据比较结果确定匹配度大于或等于预设匹配度的故障类型,得到至少一个目标故障类型,并将至少一个目标故障类型确定为变压器的至少一个故障类型。
可选的,前述的预设匹配度可以是50%,即当目标特征数据与某一个故障类型的匹配度大于或等于50%时,确定该故障类型为目标故障类型,反之,当目标特征数据与某一个故障类型的匹配度小于50%时,确定该故障类型不是目标故障类型,其中,目标特征数据可能同时与多个故障类型的匹配度均大于或等于50%。
需要说明的是,通过将匹配度与预设匹配度进行比较,实现了对变压器匹配的至少一个故障类型的准确判断。
由此可见,本申请所提供的方案达到了对变压器进行多种故障类型的识别的目的,从而实现了提高故障判断准确度的技术效果,进而解决了相关技术中当变压器同时发生多种故障时,对变压器的故障判断准确度低的技术问题。
实施例2
根据本发明实施例,提供了一种变压器故障诊断装置的实施例,其中,图4是根据本发明实施例的一种可选的变压器故障诊断装置的示意图,如图4所示,该装置包括:
第一获取模块401,用于获取变压器运行过程中的油色谱数据;
特征提取模块402,用于通过多个目标卷积神经网络模型分别对油色谱数据进行特征提取,得到多个子特征数据,由多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取油色谱数据与不同故障类型所关联的子特征数据;
第一计算模块403,用于分别计算目标特征数据与各个故障类型的匹配度;
第一确定模块404,用于基于目标特征数据与各个故障类型的匹配度,确定变压器的至少一个故障类型。
需要说明的是,上述第一获取模块401、特征提取模块402、第一计算模块403以及第一确定模块404对应于上述实施例中的步骤S101至步骤S104,四个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,第一计算模块403还包括:第一计算子模块,用于通过目标随机森林模型分别计算目标特征数据与各个故障类型的匹配度;变压器故障诊断装置还包括:第二获取模块,用于获取变压器历史运行过程中的多个历史油色谱数据,并将每个历史油色谱数据分别作为一个训练样本,构建训练样本集;执行模块,用于在第一次迭代训练时,执行以下步骤:对于每个训练样本,通过多个初始卷积神经网络模型对当前训练样本进行特征提取,得到当前训练样本的目标样本特征数据;根据训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据各个子训练集的目标决策树构建初始随机森林模型,其中,N为大于1的正整数;对于每个训练样本,通过初始随机森林模型分别计算当前训练样本的目标样本特征数据与各个故障类型的匹配度;基于每个初始卷积神经网络模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定每个初始卷积神经网络模型的损失值;基于初始随机森林模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定初始随机森林模型的损失值;处理模块,用于调整每个初始卷积神经网络模型的参数和初始随机森林模型的参数,并重复执行迭代训练每个初始卷积神经网络模型和初始随机森林模型的步骤,直至每个初始卷积神经网络模型的损失值小于第一预设值,并且初始随机森林模型的损失值小于第二预设值,将训练得到的初始卷积神经网络模型确定为目标卷积神经网络模型,将训练得到的初始随机森林模型确定为目标随机森林模型。
可选的,执行模块还包括:第一获取子模块,用于获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,其中,预测结果表征训练样本匹配的故障类型;第二计算子模块,用于根据训练样本的真实标签、训练样本的预测结果以及每个初始卷积神经网络模型的损失函数,计算每个初始卷积神经网络模型的损失值,其中,真实标签表征训练样本与各个故障类型是否匹配。
可选的,执行模块还包括:第二获取子模块,用于获取训练样本的目标样本特征数据与各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定训练样本的预测结果,其中,预测结果表征训练样本匹配的故障类型;第三计算子模块,用于根据训练样本的真实标签、训练样本的预测结果以及初始随机森林模型的损失函数,计算初始随机森林模型的损失值,其中,真实标签表征训练样本与各个故障类型是否匹配。
可选的,执行模块还包括:采样子模块,用于在所有训练样本的目标样本特征数据中有放回地随机采样出n个样本,并进行N次采样,得到N个子训练集,其中,每个子训练集由n个样本组成,n为大于1的正整数;生成子模块,用于根据各个子训练集生成与该子训练集对应的决策树;抽取子模块,用于对于每个决策树的每个节点,从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,其中,m为大于1的正整数;执行子模块,用于对于每个决策树,重复执行从训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,直至当前决策树的深度达到预设上限,得到目标决策树;构建子模块,用于根据每个子训练集对应的目标决策树构建初始随机森林模型。
可选的,变压器故障诊断装置还包括:第三获取模块,用于获取每种气体匹配的目标均值和目标方差;第二计算模块,用于计算各种气体的溶解度与该气体匹配的目标均值之间的差值,得到每种气体匹配的第一差值;第三计算模块,用于计算各种气体匹配的目标方差的开方,得到每种气体匹配的标准差;第四计算模块,用于计算各种气体匹配的第一差值与该气体匹配的标准差之间的比值,得到每种气体的目标溶解度,由每种气体的目标溶解度构成目标油色谱数据。
可选的,变压器故障诊断装置还包括:第二确定模块,用于确定多个历史油色谱数据的数量;第五计算模块,用于计算多个历史油色谱数据中各种气体的溶解度的平均值,得到每种气体匹配的目标均值;第三确定模块,用于根据多个历史油色谱数据的数量、各种气体的溶解度以及各种气体匹配的目标均值,确定每种气体匹配的目标方差。
可选的,变压器故障诊断装置还包括:比较模块,用于比较目标特征数据与各个故障类型的匹配度和预设匹配度,得到每个故障类型的比较结果;第四确定模块,用于根据比较结果确定匹配度大于或等于预设匹配度的故障类型,得到至少一个目标故障类型,并将至少一个目标故障类型确定为变压器的至少一个故障类型。
实施例3
根据本发明实施例的另一方面,还提供了计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的变压器故障诊断方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图5是根据本发明实施例的一种可选的电子设备的示意图,如图5所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的变压器故障诊断方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。
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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上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来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变压器故障诊断方法,其特征在于,包括:
获取变压器运行过程中的油色谱数据;
通过多个目标卷积神经网络模型分别对所述油色谱数据进行特征提取,得到多个子特征数据,由所述多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取所述油色谱数据与不同故障类型所关联的子特征数据;
分别计算所述目标特征数据与各个故障类型的匹配度;
基于所述目标特征数据与所述各个故障类型的匹配度,确定所述变压器的至少一个故障类型;
其中,分别计算所述目标特征数据与各个故障类型的匹配度,包括:
通过目标随机森林模型分别计算所述目标特征数据与各个故障类型的匹配度;
其中,所述多个目标卷积神经网络模型和所述目标随机森林模型基于以下方法训练得到:
获取所述变压器历史运行过程中的多个历史油色谱数据,并将每个历史油色谱数据分别作为一个训练样本,构建训练样本集;
在第一次迭代训练时,执行以下步骤:对于每个训练样本,通过多个初始卷积神经网络模型对当前训练样本进行特征提取,得到所述当前训练样本的目标样本特征数据;
根据所述训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据所述各个子训练集的目标决策树构建初始随机森林模型,其中,N为大于1的正整数;
对于每个训练样本,通过所述初始随机森林模型分别计算所述当前训练样本的目标样本特征数据与所述各个故障类型的匹配度;
基于每个初始卷积神经网络模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述每个初始卷积神经网络模型的损失值;
基于所述初始随机森林模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述初始随机森林模型的损失值;
调整所述每个初始卷积神经网络模型的参数和所述初始随机森林模型的参数,并重复执行迭代训练所述每个初始卷积神经网络模型和所述初始随机森林模型的步骤,直至所述每个初始卷积神经网络模型的损失值小于第一预设值,并且所述初始随机森林模型的损失值小于第二预设值,将训练得到的初始卷积神经网络模型确定为所述目标卷积神经网络模型,将训练得到的初始随机森林模型确定为所述目标随机森林模型。
2.根据权利要求1所述的方法,其特征在于,基于每个初始卷积神经网络模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述每个初始卷积神经网络模型的损失值,包括:
获取所述训练样本的目标样本特征数据与所述各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定所述训练样本的预测结果,其中,所述预测结果表征所述训练样本匹配的故障类型;
根据所述训练样本的真实标签、所述训练样本的预测结果以及所述每个初始卷积神经网络模型的损失函数,计算所述每个初始卷积神经网络模型的损失值,其中,所述真实标签表征所述训练样本与所述各个故障类型是否匹配。
3.根据权利要求1所述的方法,其特征在于,基于所述初始随机森林模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述初始随机森林模型的损失值,包括:
获取所述训练样本的目标样本特征数据与所述各个故障类型的匹配度,根据获取的匹配度与预设匹配度的比较结果确定所述训练样本的预测结果,其中,所述预测结果表征所述训练样本匹配的故障类型;
根据所述训练样本的真实标签、所述训练样本的预测结果以及所述初始随机森林模型的损失函数,计算所述初始随机森林模型的损失值,其中,所述真实标签表征所述训练样本与所述各个故障类型是否匹配。
4.根据权利要求1所述的方法,其特征在于,根据所述训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据所述各个子训练集的目标决策树构建初始随机森林模型,包括:
在所有训练样本的目标样本特征数据中有放回地随机采样出n个样本,并进行N次采样,得到N个子训练集,其中,每个子训练集由n个样本组成,n为大于1的正整数;
根据所述各个子训练集生成与该子训练集对应的决策树;
对于每个决策树的每个节点,从所述训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,其中,m为大于1的正整数;
对于所述每个决策树,重复执行从所述训练样本集匹配的特征集中随机抽取出m个特征,并从m个特征中选出目标特征作为当前节点的分裂属性,直至当前决策树的深度达到预设上限,得到所述目标决策树;
根据每个子训练集对应的目标决策树构建所述初始随机森林模型。
5.根据权利要求1所述的方法,其特征在于,所述油色谱数据由多种气体在油中的溶解度组成,其中,在通过多个目标卷积神经网络模型分别对所述油色谱数据进行特征提取之前,所述方法还包括:
获取每种气体匹配的目标均值和目标方差;
计算各种气体的溶解度与该气体匹配的目标均值之间的差值,得到所述每种气体匹配的第一差值;
计算各种气体匹配的目标方差的开方,得到所述每种气体匹配的标准差;
计算各种气体匹配的第一差值与该气体匹配的标准差之间的比值,得到所述每种气体的目标溶解度,由每种气体的目标溶解度构成目标油色谱数据。
6.根据权利要求5所述的方法,其特征在于,在获取每种气体匹配的目标均值和目标方差之前,所述方法还包括:
确定所述多个历史油色谱数据的数量;
计算所述多个历史油色谱数据中各种气体的溶解度的平均值,得到所述每种气体匹配的目标均值;
根据所述多个历史油色谱数据的数量、所述各种气体的溶解度以及所述各种气体匹配的目标均值,确定所述每种气体匹配的目标方差。
7.根据权利要求1所述的方法,其特征在于,基于所述目标特征数据与所述各个故障类型的匹配度,确定所述变压器的至少一个故障类型,包括:
比较所述目标特征数据与所述各个故障类型的匹配度和预设匹配度,得到每个故障类型的比较结果;
根据所述比较结果确定所述匹配度大于或等于所述预设匹配度的故障类型,得到至少一个目标故障类型,并将所述至少一个目标故障类型确定为所述变压器的至少一个故障类型。
8.一种变压器故障诊断装置,其特征在于,包括:
第一获取模块,用于获取变压器运行过程中的油色谱数据;
特征提取模块,用于通过多个目标卷积神经网络模型分别对所述油色谱数据进行特征提取,得到多个子特征数据,由所述多个子特征数据构成目标特征数据,其中,不同目标卷积神经网络模型用于提取所述油色谱数据与不同故障类型所关联的子特征数据;
第一计算模块,用于分别计算所述目标特征数据与各个故障类型的匹配度;
第一确定模块,用于基于所述目标特征数据与所述各个故障类型的匹配度,确定所述变压器的至少一个故障类型;
其中,第一计算模块还包括:
第一计算子模块,用于通过目标随机森林模型分别计算所述目标特征数据与各个故障类型的匹配度;
其中,变压器故障诊断装置还包括:
第二获取模块,用于获取所述变压器历史运行过程中的多个历史油色谱数据,并将每个历史油色谱数据分别作为一个训练样本,构建训练样本集;
执行模块,用于在第一次迭代训练时,执行以下步骤:对于每个训练样本,通过多个初始卷积神经网络模型对当前训练样本进行特征提取,得到所述当前训练样本的目标样本特征数据;
根据所述训练样本集中训练样本的目标样本特征数据生成N个子训练集,根据各个子训练集生成与该子训练集对应的目标决策树,并根据所述各个子训练集的目标决策树构建初始随机森林模型,其中,N为大于1的正整数;
对于每个训练样本,通过所述初始随机森林模型分别计算所述当前训练样本的目标样本特征数据与所述各个故障类型的匹配度;
基于每个初始卷积神经网络模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述每个初始卷积神经网络模型的损失值;
基于所述初始随机森林模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述初始随机森林模型的损失值;
处理模块,用于调整所述每个初始卷积神经网络模型的参数和所述初始随机森林模型的参数,并重复执行迭代训练所述每个初始卷积神经网络模型和所述初始随机森林模型的步骤,直至所述每个初始卷积神经网络模型的损失值小于第一预设值,并且所述初始随机森林模型的损失值小于第二预设值,将训练得到的初始卷积神经网络模型确定为所述目标卷积神经网络模型,将训练得到的初始随机森林模型确定为所述目标随机森林模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的变压器故障诊断方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的变压器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100979.9A CN116150604B (zh) | 2023-02-08 | 2023-02-08 | 变压器故障诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100979.9A CN116150604B (zh) | 2023-02-08 | 2023-02-08 | 变压器故障诊断方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116150604A CN116150604A (zh) | 2023-05-23 |
CN116150604B true CN116150604B (zh) | 2023-10-24 |
Family
ID=86356648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310100979.9A Active CN116150604B (zh) | 2023-02-08 | 2023-02-08 | 变压器故障诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150604B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343581A (zh) * | 2021-06-28 | 2021-09-03 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断方法 |
CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
CN115080919A (zh) * | 2022-06-07 | 2022-09-20 | 武汉大学 | 基于深度耦合密集卷积神经网络的变压器故障诊断方法 |
CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
-
2023
- 2023-02-08 CN CN202310100979.9A patent/CN116150604B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343581A (zh) * | 2021-06-28 | 2021-09-03 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断方法 |
CN114184861A (zh) * | 2021-11-28 | 2022-03-15 | 辽宁石油化工大学 | 一种油浸式变压器的故障诊断方法 |
CN115080919A (zh) * | 2022-06-07 | 2022-09-20 | 武汉大学 | 基于深度耦合密集卷积神经网络的变压器故障诊断方法 |
CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
考虑不平衡案例样本的电力变压器故障诊断方法;崔宇;侯慧娟;苏磊;钱涛;盛戈皞;江秀臣;;高电压技术(01);全文 * |
面向电力变压器油中溶解气体的卷积神经网络诊断方法;裴小邓;罗林;陈帅;王乔;;辽宁石油化工大学学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116150604A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562358B (zh) | 基于联合模型的变压器油中气体含量预测方法及系统 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
CN111722046A (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN110991474A (zh) | 一种机器学习建模平台 | |
CN111368096A (zh) | 基于知识图谱的信息分析方法、装置、设备和存储介质 | |
CN112784918A (zh) | 基于无监督图表示学习的节点识别方法、系统、装置 | |
CN112149909A (zh) | 船舶油耗预测方法、装置、计算机设备和存储介质 | |
Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116150604B (zh) | 变压器故障诊断方法、装置及电子设备 | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
CN115277205B (zh) | 模型训练方法及装置、端口的风险识别方法 | |
Kang et al. | Semi-supervised rotation-invariant representation learning for wafer map pattern analysis | |
CN115859191A (zh) | 故障诊断方法、装置、计算机可读存储介质及计算机设备 | |
CN113918471A (zh) | 测试用例的处理方法、装置及计算机可读存储介质 | |
Bharathi et al. | The significance of feature selection techniques in machine learning | |
CN112784887A (zh) | 一种植物生命状态评价方法及装置 | |
Ramadhani et al. | Performance Comparison of Convolutional Neural Network and MobileNetV2 for Chili Diseases Classification | |
CN115080965B (zh) | 基于历史表现的无监督异常检测方法及系统 | |
CN116226767B (zh) | 一种电力系统实验数据自动诊断方法 | |
Ratnakar et al. | Detection of Arc Fault by using ML Algorithm | |
CN117235565A (zh) | 一种变压器故障诊断模型构建方法和装置 | |
Ramadhani et al. | JURNAL RESTI |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230703 Address after: 201612 No. 3555, Sixian Road, Songjiang District, Shanghai Applicant after: Chint Electric Co.,Ltd. Applicant after: Zhengtai High Voltage Electrical Equipment (Wuhan) Co.,Ltd. Address before: 3555 Sixian Road, Songjiang District, Shanghai 201600 Applicant before: Chint Electric Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |