CN116310551A - 多模态信息融合网络的电力变压器故障诊断方法及系统 - Google Patents
多模态信息融合网络的电力变压器故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116310551A CN116310551A CN202310260714.5A CN202310260714A CN116310551A CN 116310551 A CN116310551 A CN 116310551A CN 202310260714 A CN202310260714 A CN 202310260714A CN 116310551 A CN116310551 A CN 116310551A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- information fusion
- oil
- power transformer
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 73
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 239000007789 gas Substances 0.000 claims description 48
- YLQBMQCUIZJEEH-UHFFFAOYSA-N Furan Chemical compound C=1C=COC=1 YLQBMQCUIZJEEH-UHFFFAOYSA-N 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 239000013598 vector Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 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
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
- G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多模态信息融合网络的电力变压器故障诊断方法及系统，属于电力变压器故障诊断技术领域，包括：采集各变电站中变压器的油中气体和红外图形；将采集的数据按比例划分为训练集和测试集；构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，并输入训练集和测试集进行网络训练；利用实时采集的数据得到可训练的数据，进行故障诊断和网络参数的更新。本发明利用双向门控神经网络对油中气体数据进行特征提取，由全局二级池化网络对红外图像进行特征提取，利用交叉注意力机制对提取的多模态特征进行融合，从而得到电力变压器的故障状态。该多模态信息融合神经网络具有准确的故障诊断性能和稳定的鲁棒性。
Description
技术领域
本发明属于电力变压器故障诊断技术领域，更具体地，涉及一种基于多模态信息融合网络的电力变压器故障诊断方法及系统。
背景技术
高压大容量变压器的工作环境复杂，故障点追溯原因越来越复杂，存在多种因素联合影响的情况，长期以来的预防性试验与定期检修无法满足高压大容量变压器的运维要求。目前高压大容量变压器数据样本多样、非结构化、不确定性和各故障之间联系的复杂性构成了故障诊断技术上的难点，仅靠单一的特征无法完成实时故障诊断。因此，如何有效利用采集的多模态信息精确反映出变压器的运行状态是目前所面临的挑战。
在数据驱动方法中，故障诊断方法仅关注故障数据的单一模态，不能有效反映故障状态。变压器中存在多种故障状态，导致对同一故障状态的评估不同。为了克服这一问题，多模态神经网络的研究是有必要的。多模态方法融合了不同模型的显著特征，以获得统一的表示，减少了数据的冗余。总的来说，多模态方法提高了数据的利用率，建立了不同模态之间的关系，提高了故障诊断的准确性。大多数算法只对实时或离线数据进行故障诊断，而不考虑数据的时间序列，而数据的时间序列可以反映电力变压器的变化情况。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于多模态信息融合网络的电力变压器故障诊断方法及系统，解决现有技术中过于依赖单一模态数据的特征提取，无法有效融合不同模态之间的信息。
为实现上述目的，按照本发明的一个方面，提供了一种基于多模态信息融合网络的电力变压器故障诊断方法，包括：
采集各变电站中的电力变压器的油中气体数据和红外图像数据构成数据集，其中，油中气体数据包括：电力变压器的油测试、油中溶解气体和呋喃含量监测信息，电力变压器的红外图像数据包括由固定红外摄像头采集的红外图像；
将输入的数据集按比例划分为训练集和测试集，以对多模态信息融合网络的参数进行训练；
构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征；
对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数。
在一些可选的实施方案中，数据集中的每一组数据均包括电力变压器的油中气体数据和电力变压器对应的红外图像数据，油中气体数据包含九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔及呋喃含量，红外图像数据为固定红外摄像头采集的相应电力变压器的红外图像。
在一些可选的实施方案中，所述将输入的数据集按比例划分为训练集和测试集，包括：
数据集中若干比例的数据作为训练集，以对多模态信息融合网络进行训练，数据集中剩下比例的数据作为测试集，以测试多模态信息融合网络对变压器故障诊断效果。
在一些可选的实施方案中，所述构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征，包括：
由双向门控神经网络对电力变压器的油中气体数据进行特征提取得到油中气体特征，由全局二级池化网络对红外图像数据进行特征提取得到红外图像特征；
利用交叉注意力机制对油中气体特征和红外图像特征进行信息融合，并输出变压器的故障状态。
在一些可选的实施方案中，所述双向门控神经网络包括前向计算、反向计算、更新门及重置门，其中，重置门有助于捕捉时间序列里短期的依赖关系；更新门有助于捕捉时间序列里长期的依赖关系；前向计算和反向计算依次处理输入序列。
在一些可选的实施方案中，所述全局二级池化网络包括卷积层、二阶池化层和乘积层，其中卷积层对输入的红外图像进行一级的特征提取，二阶池化层提取红外图像的权重，乘积层与输入相乘得到重要的信息。
在一些可选的实施方案中，所述对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数，包括：
对于实时采集的油中气体数据和红外图像数据，进行分割为训练集和测试集，对多模态信息融合网络进行训练，进行故障诊断，若需要增加新的数据类别或相关影响因素，利用原多模态信息融合网络作为预训练模型，激活所有层进行训练。
按照本发明的另一方面，提供了一种基于多模态信息融合网络的电力变压器故障诊断系统，包括：
数据采集模块，用于采集各变电站中的电力变压器的油中气体数据和红外图像数据构成数据集，其中，油中气体数据包括：电力变压器的油测试、油中溶解气体和呋喃含量监测信息，电力变压器的红外图像数据包括由固定红外摄像头采集的红外图像；
数据划分模块，用于将输入的数据集按比例划分为训练集和测试集，以对多模态信息融合网络的参数进行训练；
网络模型训练模块，用于构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征；
诊断模块，用于对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明考虑到典型变压器故障诊断过程中存在未考虑多模态数据和精度较差等问题，利用多模态信息融合网络进行故障诊断。综合考虑多模态信息融合网络的故障诊断能力和特征提取能力不同，创新性地构建了基于双向门控神经网络和全局二级池化网络的多模态信息融合网络的故障诊断模型。
附图说明
图1是本发明实施例提供的一种基于多模态信息融合网络的电力变压器故障诊断方法实现流程图；
图2是本发明实施例提供的一种双向门控神经网络结构；
图3是本发明实施例提供的一种全局二级池化网络结构；
图4是本发明实施例提供的一种基于多模态信息融合网络的电力变压器故障诊断系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的目的是为变压器状态提供新的故障诊断方法，故障效率和准确性更高，并解决传统方法未考虑多模态信息融合情形下的故障诊断等问题。
本发明是采用如下技术方案来实现的：
如图1所示，本发明实施例的基于多模态信息融合网络的电力变压器故障诊断方法，包括以下步骤：
步骤1：首先收集各变电站油测试，油中溶解气体数据和红外图像数据构成数据集；
其中，步骤1中的数据采集于运行中电力变压器以及电力公司测试数据，其中每一组数据都包括BDV、水含量、酸度、氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、呋喃含量九种关键状态的含量及其对应的变压器的故障状态；红外图像数据由固定摄像头采集电力变压器的红外图像数据。
步骤2：将输入的数据集按比例划分为训练集和测试集；
将输入的油中溶解气体数据和红外图像数据划分为两部分，其中，80％作为训练集对多模态信息融合网络进行训练，20％作为测试集测试多模态信息融合网络对故障状态的分类效果。
本实施例将变压器故障状态分为如下6个等级：低温过热故障(T1)，中温过热故障(T2)，高温过热故障(T3)，局部放电故障(PD)，低能放电故障(D1)，高能放电故障(D2)，如表1所示：
表1变压器故障状态
| 故障状态 | 样本个数 |
| 低温过热故障(T1) | 115 |
| 中温过热故障(T2) | 219 |
| 高温过热故障(T3) | 165 |
| 局部放电故障(PD) | 123 |
| 低能放电故障(D1) | 151 |
| 高能放电故障(D2) | 164 |
步骤3：构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行网络训练；
步骤3中多模态信息融合网络的构建方法为：首先构建双向门控神经网络，如图2所示；然后构建全局二级池化网络模型，如图3所示；最后，利用交叉注意机制从两个模型提取的特征进一步提取重要的特征信息。
其中，步骤3具体可以通过以下方式实现：
步骤3.1：双向门控神经网络的组成如下所示：
双向GRU结构能够将输入的数据xi＝[x1,...,xn]T按照正反两个方向进行处理，然后将得到的两个特征向量拼接在一起，共同作为输入向量的另一种表达方式。
1)正向计算公式为
2)反向计算公式为
其中，rt、zt是当前时间步下的更新门和重置门；gt是当前时刻的隐藏状态；ht-1和ht分别是上一时刻和当前时刻的状态；Wxz、Wxr和Wxg是连接到输入向量xt的权重矩阵；Whz、Whr和Whg是连接到上一单元状态向量ht-1的权重矩阵；bz、br和bg是偏差向量；σ是激活函数，为sigmoid函数，是双向门控神经网络的门控信号；tanh为激活函数缩放数据到[-1,1]之间。最后，将正向计算得出的
和反向计算得出的/>
结果叠加起来作为模型的最终输出结果。
步骤3.2：全局二级池化网络的组成如下所示：
全局二级池化网络首先对输入的红外图像进行降维h'×w'×c，然后使用下采样将数据变为c×c，然后计算逐位置协方差矩阵得到空间注意力，与输入数据进行相乘，实现对红外图像中重要信息的提取。
步骤3.3：交叉注意力机制进一步从油中气体数据和红外图像数据提取重要信息，实现不同模态数据的交互，提高了故障诊断的准确性。其组成如下所示：
为了从多模态信息中提取有效的信息，用交互信息公式对多模态信息进行融合，公式为：
其中，HDGD是电力变压器的油中气体数据，HInf是电力变压器的红外图像数据。
交叉注意力机制能够从融合信息中进行特征提取，公式为:
CDI＝ADI·HDGD,CID＝AFI·HInf (8)
多模态信息融合网络的结果输入Softmax层，从而获得电力变压器的故障状态。
为了简洁，利用下式计算准确率。实际应用中还可以综合考虑Softmax层的输出结果，每一组数据对应每个变压器状态标签的概率，不仅选取最大概率所对应的类型作为诊断结果，当Softmax中第二大概率值与最大概率值无显著性区别时，可综合考虑这两种诊断结果。
其中，TP是指正类预测为正类数，FP是指负类预测为正类数，FN是正类预测为负类数。
步骤4：结合实际测试数据进行故障诊断和神经网络的微调。输入监测得到的变压器数据集进行故障诊断。最终的诊断准确率为99.17％。
表2为各对比算法的分类准确度结果。各对比算法按分类准确度排序为:本发明方法>FSSM>DBN>MOPSO>HMM>DTM>ANN，说明本发明方法有较高的故障诊断精度。同时，与其他方法相比，本发明方法得到了最好的F1，而ANN得到了最坏的结果。本发明方法的Ac和F1评价指标的稳定性分别为0.31和0.21，说明本发明方法的稳定性较强。本发明方法考虑不同模态之间的相互关系，克服样本少和图像模糊带来的影响。总体而言，本发明方法具有较高的故障诊断精度和较强的稳定性。
表2
步骤4中结合实际测试数据进行故障诊断和网络参数微调的方法为：对于实时采集的油中气体数据和红外图像数据，按照步骤2将数据进行分割为训练集和测试集，对多模态信息融合网络进行训练，最后按照步骤3的测试集进行故障诊断，若需要增加新的数据类别或相关影响因素，利用原多模态信息融合网络作为预训练模型，激活所有层进行训练。
本发明通过采集各变电站中的变压器的油中气体数据和红外图像数据；将输入数据按比例划分为训练集和测试集；构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行网络训练；利用实时采集的数据得到的可训练数据，进行故障诊断和网络参数的更新。本发明考虑电力变压器的多模态数据融合问题，利用双向门控神经网络和全局二级池化网络对油中气体数据和红外图像数据进行特征提取，最终由交叉注意力机制进一步提取重要信息，并利用Softmax层得到变压器的故障状态。该神经网络具有准确的评估性能和稳定的鲁棒性。
在本发明另一实施例中，如图4所示，还提供了一种基于多模态信息融合网络的电力变压器故障诊断系统，包括：
数据采集模块，用于采集各变电站中的电力变压器的油中气体数据和红外图像数据构成数据集，其中，油中气体数据包括：电力变压器的油测试、油中溶解气体和呋喃含量监测信息，电力变压器的红外图像数据包括由固定红外摄像头采集的红外图像；
数据划分模块，用于将输入的数据集按比例划分为训练集和测试集，以对多模态信息融合网络的参数进行训练；
网络模型训练模块，用于构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征；
诊断模块，用于对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数。
在本发明实施例中，各单元的具体实施方式可以参考上述方法实施例中的描述，本发明实施例将不再复述。
本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现方法实施例中的基于多模态信息融合网络的电力变压器故障诊断方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多模态信息融合网络的电力变压器故障诊断方法，其特征在于，包括：
采集各变电站中的电力变压器的油中气体数据和红外图像数据构成数据集，其中，油中气体数据包括：电力变压器的油测试、油中溶解气体和呋喃含量监测信息，电力变压器的红外图像数据包括由固定红外摄像头采集的红外图像；
将输入的数据集按比例划分为训练集和测试集，以对多模态信息融合网络的参数进行训练；
构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征；
对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数。
2.根据权利要求1所述的方法，其特征在于，数据集中的每一组数据均包括电力变压器的油中气体数据和电力变压器对应的红外图像数据，油中气体数据包含九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔及呋喃含量，红外图像数据为固定红外摄像头采集的相应电力变压器的红外图像。
3.根据权利要求1所述的方法，其特征在于，所述将输入的数据集按比例划分为训练集和测试集，包括：
数据集中若干比例的数据作为训练集，以对多模态信息融合网络进行训练，数据集中剩下比例的数据作为测试集，以测试多模态信息融合网络对变压器故障诊断效果。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征，包括：
由双向门控神经网络对电力变压器的油中气体数据进行特征提取得到油中气体特征，由全局二级池化网络对红外图像数据进行特征提取得到红外图像特征；
利用交叉注意力机制对油中气体特征和红外图像特征进行信息融合，并输出变压器的故障状态。
5.根据权利要求4所述的方法，其特征在于，所述双向门控神经网络包括前向计算、反向计算、更新门及重置门，其中，重置门有助于捕捉时间序列里短期的依赖关系；更新门有助于捕捉时间序列里长期的依赖关系；前向计算和反向计算依次处理输入序列。
6.根据权利要求5所述的方法，其特征在于，所述全局二级池化网络包括卷积层、二阶池化层和乘积层，其中卷积层对输入的红外图像进行一级的特征提取，二阶池化层提取红外图像的权重，乘积层与输入相乘得到重要的信息。
7.根据权利要求6所述的方法，其特征在于，所述对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数，包括：
对于实时采集的油中气体数据和红外图像数据，进行分割为训练集和测试集，对多模态信息融合网络进行训练，进行故障诊断，若需要增加新的数据类别或相关影响因素，利用原多模态信息融合网络作为预训练模型，激活所有层进行训练。
8.一种基于多模态信息融合网络的电力变压器故障诊断系统，其特征在于，包括：
数据采集模块，用于采集各变电站中的电力变压器的油中气体数据和红外图像数据构成数据集，其中，油中气体数据包括：电力变压器的油测试、油中溶解气体和呋喃含量监测信息，电力变压器的红外图像数据包括由固定红外摄像头采集的红外图像；
数据划分模块，用于将输入的数据集按比例划分为训练集和测试集，以对多模态信息融合网络的参数进行训练；
网络模型训练模块，用于构建基于双向门控神经网络和全局二级池化网络的多模态信息融合网络，输入训练集和测试集进行多模态信息融合网络训练，学习电力变压器的油中气体数据和红外图像的特征；
诊断模块，用于对实时运行的油中气体数据和红外图像数据进行故障诊断，同时对多模态信息融合网络的权值进行微调，使多模态信息融合网络根据数据的变化更新网络参数。
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7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310260714.5A CN116310551A (zh) | 2023-03-13 | 2023-03-13 | 多模态信息融合网络的电力变压器故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310260714.5A CN116310551A (zh) | 2023-03-13 | 2023-03-13 | 多模态信息融合网络的电力变压器故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310551A true CN116310551A (zh) | 2023-06-23 |
Family
ID=86797467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310260714.5A Pending CN116310551A (zh) | 2023-03-13 | 2023-03-13 | 多模态信息融合网络的电力变压器故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310551A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670878A (zh) * | 2024-01-31 | 2024-03-08 | 天津市沛迪光电科技有限公司 | 一种基于多模态数据融合的VOCs气体检测方法 |
| CN117725529A (zh) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
-
2023
- 2023-03-13 CN CN202310260714.5A patent/CN116310551A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117670878A (zh) * | 2024-01-31 | 2024-03-08 | 天津市沛迪光电科技有限公司 | 一种基于多模态数据融合的VOCs气体检测方法 |
| CN117670878B (zh) * | 2024-01-31 | 2024-04-26 | 天津市沛迪光电科技有限公司 | 一种基于多模态数据融合的VOCs气体检测方法 |
| CN117725529A (zh) * | 2024-02-18 | 2024-03-19 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
| CN117725529B (zh) * | 2024-02-18 | 2024-05-24 | 南京邮电大学 | 基于多模态自注意力机制的变压器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
| CN116310551A (zh) | 多模态信息融合网络的电力变压器故障诊断方法及系统 | |
| CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
| CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
| CN115081316A (zh) | 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统 | |
| CN108416032A (zh) | 一种文本分类方法、装置及存储介质 | |
| Li et al. | Multi-factor based stock price prediction using hybrid neural networks with attention mechanism | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN110646708B (zh) | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN116384487A (zh) | 用于储能站锂离子电池故障诊断分析的知识图谱构建方法 | |
| Bie et al. | HiT-DVAE: Human motion generation via hierarchical transformer dynamical VAE | |
| CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
| Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN116738983A (zh) | 模型进行金融领域任务处理的词嵌入方法、装置、设备 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| Novakovic et al. | Classification accuracy of neural networks with pca in emotion recognition | |
| CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
| CN115409122A (zh) | 一种变电设备并发故障分析方法、系统、设备及介质 | |
| Zhang et al. | BGAT: Aspect-based sentiment analysis based on bidirectional GRU and graph attention network | |
| CN112365014A (zh) | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 | |
| Bin et al. | Simple and effective fault diagnosis method of power lithium-ion battery based on GWA-DBN | |
| Chen et al. | Transient voltage stability assessment based on an improved TCN-BiLSTM framework | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 |
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 |