CN117235611A - 故障检测模型训练、故障检测方法、装置、设备及介质 - Google Patents
故障检测模型训练、故障检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117235611A CN117235611A CN202310783826.9A CN202310783826A CN117235611A CN 117235611 A CN117235611 A CN 117235611A CN 202310783826 A CN202310783826 A CN 202310783826A CN 117235611 A CN117235611 A CN 117235611A
- Authority
- CN
- China
- Prior art keywords
- model
- support vector
- vector machine
- fault detection
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 145
- 238000012549 training Methods 0.000 title claims abstract description 136
- 238000012706 support-vector machine Methods 0.000 claims abstract description 129
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 63
- 230000000306 recurrent effect Effects 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 58
- 238000012545 processing Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种故障检测模型训练、故障检测方法、装置、设备及介质。该方法包括:获取电力变压器溶解气体训练样本数据;将电力变压器溶解气体训练样本数据输入至支持向量机模型;根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练;其中,训练完成的支持向量机模型用于检测电力变压器的故障。本发明实施例的技术方案能够提高故障检测模型的检测准确率,进而提高电力变压器故障检测的准确率和效率。
Description
技术领域
本发明实施例涉及故障诊断技术领域,尤其涉及一种故障检测模型训练、故障检测方法、装置、设备及介质。
背景技术
变压器在电力系统中扮演着重要的角色,其主要负责输电和配电的关键任务。变压器的安全稳定运行对生产生活至关重要,变压器一旦发生故障,则会给电力系统带来许多负面影响。因此,及时对变压器的运行状况进行评估将有助于保障电力系统的安全稳定运行。
目前,变压器故障诊断技术主要为三比值法和人工智能方法。其中,三比值法是根据充油电气设备内油、绝缘在故障下裂解产生气体组分含量的相对浓度与温度的依赖关系,从特征气体中选取两种溶解度和扩散系数相近的气体组成三对比值,以不同的编码表示,从而根据编码规则表查找确定故障类型。人工智能方法一般包括贝叶斯分类器和神经网络等方法。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:三比值法存在编码缺失的问题,会降低变压器故障诊断的正确率;诸如贝叶斯分类器和神经网络等人工智能方法存在泛化能力较差和收敛困难等问题,降低了变压器故障诊断的准确率和效率。
发明内容
本发明实施例提供一种故障检测模型训练、故障检测方法、装置、设备及介质,能够提高故障检测模型的检测准确率,进而提高电力变压器故障检测的准确率和效率。
第一方面,本发明实施例提供了一种故障检测模型训练方法,包括:
获取电力变压器溶解气体训练样本数据;
将所述电力变压器溶解气体训练样本数据输入至支持向量机模型;
根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;
根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新,以完成所述支持向量机模型的训练;
其中,训练完成的所述支持向量机模型用于检测电力变压器的故障。
第二方面,本发明实施例还提供了一种故障检测方法,包括:
获取待检测变压器的油中溶解气体数据;
将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到所述待检测变压器的故障检测结果;
其中,所述支持向量机模型通过权利要求1-5任一所述的故障检测模型训练方法训练得到。
第三方面,本发明实施例还提供了一种故障检测模型训练装置,包括:
训练样本数据获取模块,用于获取电力变压器溶解气体训练样本数据;
训练样本数据输入模块,用于将所述电力变压器溶解气体训练样本数据输入至支持向量机模型;
目标优化模型参数获取模块,用于根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;
模型训练模块,用于根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新,以完成所述支持向量机模型的训练;
其中,训练完成的所述支持向量机模型用于检测电力变压器的故障。
第四方面,本发明实施例还提供了一种故障检测装置,包括:
数据获取模块,用于获取待检测变压器的油中溶解气体数据;
故障检测结果获取模块,用于将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到所述待检测变压器的故障检测结果;
其中,所述支持向量机模型通过本发明任一实施例所述的故障检测模型训练方法训练得到。
第五方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的故障检测模型训练方法,或者,执行本发明任一实施例所述的故障检测方法。
第六方面,本发明实施例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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的故障检测模型训练方法,或者,执行本发明任一实施例所述的故障检测方法。
本发明实施例通过获取电力变压器溶解气体训练样本数据,将电力变压器溶解气体训练样本数据输入至支持向量机模型,从而根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,以得到目标优化模型参数,进而根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练。当支持向量机模型训练完成后,可以获取待检测变压器的油中溶解气体数据,并将待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,以得到待检测变压器的故障检测结果,解决了现有电力变压器故障检测方法不准确和检测效率较低等问题,能够提高故障检测模型的检测准确率,进而提高电力变压器故障检测的准确率和效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种故障检测模型训练方法的流程图;
图2是本发明实施例二提供的一种故障检测模型训练方法的流程图;
图3是本发明实施例三提供的一种故障检测方法的流程图;
图4是本发明实施例三所适用的一种故障检测方法的流程示意图;
图5是本发明实施例三所适用的一种支持向量机模型的优化求解流程示意图;
图6是本发明实施例三所适用的一种变压器故障诊断装置的结构示意图;
图7是本发明实施例四提供的一种故障检测模型训练装置的结构示意图;
图8是本发明实施例五提供的一种故障检测装置的结构示意图;
图9是本发明实施例六提供的一种电子设备的结构示意图。
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“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。
实施例一
图1是本发明实施例一提供的一种故障检测模型训练方法的流程图,本实施例可适用于根据电力变压器溶解气体训练样本数据和改进递归神经网络模型对支持向量机模型的输出函数进行参数优化训练的情况,该方法可以由故障检测模型训练装置来执行,该故障检测模型训练装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中,该电子设备可以是终端设备,也可以是服务器设备,本发明实施例并不对电子设备的具体设备类型进行限定。相应的,如图1所示,该方法包括:
S110、获取电力变压器溶解气体训练样本数据。
其中,电力变压器溶解气体可以理解为输入电力变压器中的可以溶解的气体,例如,在油浸式电力变压器中输入的油中溶解气体可以包括但不限于CH4(甲烷)、C2H2(乙炔)、C2H4(乙烯)、C2H6(乙烷)和H2(氢气)等。训练样本数据可以是用于训练模型和算法的溶解气体样本数据。
在本发明实施例中,电力变压器故障检测系统可以根据电网在运设备记录和故障模拟试验获取的大量数据建立电力变压器溶解气体训练样本数据,并对电力变压器溶解气体训练样本数据进行数据的标准化预处理。
S120、将电力变压器溶解气体训练样本数据输入至支持向量机模型。
其中,支持向量机模型可以理解为一种监督学习算法模型,可以通过寻找一个最优超平面来实现数据的分类或回归。
相应的,在获取到电力变压器溶解气体训练样本数据之后,可以将电力变压器溶解气体训练样本数据输入至支持向量机模型,以在支持向量机模型中实现对电力变压器溶解气体训练样本数据的计算和分析。
S130、根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数。
其中,递归神经网络模型可以用于处理序列数据,例如语言、文本和音频等,递归神经网络模型引入了循环连接,可以在网络内部通过记忆状态来实现对历史信息的处理和存储。改进递归神经网络模型可以理解为对递归神经网络模型进行了模型参数优化、模型结构改变或引入新函数等改进处理的神经网络模型。目标优化模型参数可以理解为经过参数优化求解后得到的模型参数,例如目标优化模型参数可以包括但不限于改进递归神经网络模型的法向量和位移项等模型参数。
相应的,电力变压器故障检测系统可以根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,从而得到目标优化模型参数。
需要说明的是,改进递归神经网络模型可以通过引入新的函数进行递归神经网络模型的优化改进,从而提高改进递归神经网络模型算法的收敛性和并行计算能力,进而减少故障检测模型的训练时间。
S140、根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练;其中,训练完成的支持向量机模型可以用于检测电力变压器的故障。
在本发明实施例中,在根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数之后,可以根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练,训练完成的支持向量机模型可以用于检测电力变压器的故障。
本发明实施例通过获取电力变压器溶解气体训练样本数据,将电力变压器溶解气体训练样本数据输入至支持向量机模型,从而根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,以得到目标优化模型参数,进而根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练,训练完成的支持向量机模型可以采集电力变压器的溶解气体数据,以对电力变压器的故障进行检测,解决了现有电力变压器故障检测方法不准确的问题,能够提高故障检测模型的检测准确率。
实施例二
图2是本发明实施例二提供的一种故障检测模型训练方法的流程图,本实施例基于上述实施例进行进一步优化与扩展,给出了根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数的多种具体可选的实现方式。相应的,如图2所示,该方法可以包括:
S210、获取电力变压器溶解气体训练样本数据,将电力变压器溶解气体训练样本数据输入至支持向量机模型。
S220、确定递归神经网络模型初始化参数,根据递归神经网络模型初始化参数对改进递归神经网络模型的目标模型参数进行初始化配置。
其中,递归神经网络模型初始化参数可以理解为在递归神经网络模型训练之前,各个节点的权重和偏置的初始数值。目标模型参数可以理解为改进递归神经网络模型需要优化的模型参数。
相应的,可以首先确定递归神经网络模型的初始化参数,从而根据递归神经网络模型初始化参数对改进递归神经网络模型的目标模型参数进行初始化配置。
S230、建立支持向量机模型关联的凸二次规划问题。
相应的,改进递归神经网络模型的目标模型参数在完成初始化配置之后,可以建立支持向量机模型关联的凸二次规划问题。
可选的,可以基于如下公式建立所述凸二次规划问题:
其中,m表示训练样本的数目,α表示支持向量机模型中的拉格朗日乘子,αi表示第i个训练样本的拉格朗日乘子,αj表示第j个训练样本的拉格朗日乘子,yi表示第i个训练样本的数据标签,yj表示第j个训练样本的数据标签,为高斯核函数,表示第i个训练样本xi与第j个训练样本xj的核函数计算结果,σ表示核函数参数,C表示惩罚因子。
S240、将凸二次规划问题转换为标准矩阵型凸二次规划问题。
相应的,在计算的过程中,可以将凸二次规划问题转换为标准矩阵型凸二次规划问题。
可选的,可以基于如下公式表示所述标准矩阵型凸二次规划问题:
其中,E是m*m维的单位矩阵。
S250、根据标准矩阵型凸二次规划问题构建改进递归神经网络模型的惩罚函数。
相应的,在对凸二次规划问题完成标准矩阵处理后,可以根据得到的标准矩阵型凸二次规划问题构建改进递归神经网络模型的惩罚函数。
可选的,可以基于如下公式构建所述改进递归神经网络模型的惩罚函数:
其中,P(α)表示所述改进递归神经网络模型的惩罚函数,p表示惩罚项,μ表示模型常数,vi表示矩阵中第i行的行向量,Ri表示/>矩阵中第i行的行向量。
S260、根据改进递归神经网络模型的惩罚函数构建拉格朗日函数。
相应的,可以根据改进递归神经网络模型的惩罚函数构建一个拉格朗日函数进行求解。
可选的,可以基于如下公式构建所述拉格朗日函数:
其中,τ表示所述改进递归神经网络模型中的拉格朗日乘子。
S270、根据神经动力学函数对拉格朗日函数进行求解,得到目标求解表达式。
相应的,为了求解拉格朗日函数,可以基于神经动力学原理引入神经动力学函数,从而根据神经动力学函数对拉格朗日函数进行求解,以得到目标求解表达式。
可选的,可以基于如下公式表示所述神经动力学函数:
其中,t表示时间,e(t)表示随时间t变化的误差,λ表示神经动力学函数中的收敛因子;
可以基于如下公式表示所述目标求解表达式:
其中,表示核矩阵,表示样本数据标签矩阵,/> 表示c(t)的导数,
S280、根据目标求解表达式对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数。
相应的,可以根据目标求解表达式对支持向量机模型的输出函数进行参数优化,从而得到目标优化模型参数。
可选的,可以基于如下公式表示所述支持向量机模型的输出函数:
y(x)=sgn(ωTx+b)
其中,y(x)表示所述支持向量机模型的输出函数的输出值,ω表示所述支持向量机模型的法向量,b表示所述支持向量机模型的位移项。
S290、根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练;其中,训练完成的支持向量机模型用于检测电力变压器的故障。
S2100、获取电力变压器溶解气体测试数据,根据电力变压器溶解气体测试数据对支持向量机模型的检测准确率进行测试。
其中,测试数据可以是用于测试支持向量机模型的检测准确率的测试数据。
相应的,在根据目标优化模型参数对支持向量机模型的输出函数进行更新,得到训练完成的支持向量机模型之后,可以获取电力变压器溶解气体测试数据,从而根据电力变压器溶解气体测试数据对训练完成的支持向量机模型的检测准确率进行测试。
可选的,可以根据故障检测需求预先设置一个检测准确率满足需求的条件,示例性的,可以设置检测准确率满足条件为检测准确率达到了一个预设的数值,例如可以是检测准确率为95%。如果测试得到的支持向量机模型的检测准确率达到了满足检测准确率条件,那么表示支持向量机模型的输出函数已经完成了优化;如果测试得到的支持向量机模型的检测准确率未达到满足检测准确率条件,那么表示支持向量机模型的输出函数没有完成优化,需要继续训练求解直至满足检测准确率条件。
本发明实施例的技术方案,通过建立支持向量机模型关联的凸二次规划问题,并将凸二次规划问题转换为标准矩阵型凸二次规划问题,从而根据标准矩阵型凸二次规划问题构建改进递归神经网络模型的惩罚函数,以根据改进递归神经网络模型的惩罚函数构建拉格朗日函数,进而根据神经动力学函数对拉格朗日函数进行求解,得到目标求解表达式,从而根据目标求解表达式对支持向量机模型的输出函数进行参数优化,以得到目标优化模型参数,提高了故障检测模型的训练效率和可靠性。
实施例三
图3是本发明实施例三提供的一种故障检测方法的流程图,本实施例可适用于基于训练得到的故障检测模型进行变压器故障检测的情况,该方法可以由故障检测装置来执行,该故障检测装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中,该电子设备可以是终端设备,也可以是服务器设备,本发明实施例并不对电子设备的具体设备类型进行限定。相应的,如图3所示,该方法包括:
S310、获取待检测变压器的油中溶解气体数据。
其中,油中溶解气体数据可以包括但不限于CH4、C2H2、C2H4、C2H6和H2等气体组分数据。
在本发明实施例中,电力变压器故障检测系统可以获取待检测变压器的油中溶解气体数据。
S320、将待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到待检测变压器的故障检测结果。
其中,支持向量机模型可以通过上述任一实施例所述的故障检测模型训练方法训练得到。
相应的,电力变压器故障检测系统可以将待检测变压器的油中溶解气体数据输入至通过上述任一实施例所述的故障检测模型训练方法训练得到得支持向量机模型进行故障检测,从而得到待检测变压器的故障检测结果。
在一个具体的例子中,为了更清楚的表述本发明实施例提供的技术方案,以油浸式电力变压器的故障检测为例进行具体说明,图4是本发明实施例三所适用的一种故障检测方法的流程示意图,如图4所示,该故障检测方法可以包括下述操作步骤:
步骤一、建立油浸式电力变压器油中溶解气体数据集并进行数据预处理,示例性的,数据预处理方式为标准化处理。
步骤二、构建基于支持向量神经网络(即支持向量机模型)的油浸式电力变压器故障分类预测模型。
步骤三、划分油浸式电力变压器数据集并进行模型训练,以获得分类预测模型参数的最优值,模型参数的最优值可以通过支持向量机模型训练求解获得,图5是本发明实施例三所适用的一种支持向量机模型的优化求解流程示意图,如图5所示,支持向量机模型的优化求解流程可以包括:(1)输入油浸式电力变压器油中溶解气体数据集并进行数据集划分和数据预处理操作,示例性的,训练集和测试集可以按照4:3的比例进行划分,输入气体组分数据可以为CH4、C2H2、C2H4、C2H6和H2。(2)对支持向量机模型进行参数初始化,初始化的参数可以包括但不限于惩罚因子C和核函数参数σ。(3)可以通过改进递归神经网络模型对支持向量机模型的输出函数参数ω和b进行求解,并根据所求解到的参数在测试集上进行验证,若模型的故障检测准确率满足预设条件则输出ω和b的最优解,否则优化参数重新训练求解直至满足预设条件。
步骤四、基于训练完成获得的支持向量机模型进行油浸式电力变压器测试数据集的故障预测验证,并根据验证结果进行模型优化。
步骤五、根据在线实测的油浸式电力变压器油中溶解气体数据,通过已经优化训练完成的支持向量机模型分析处理后,输出显示油浸式电力变压器的故障结果。
示例性的,图6是本发明实施例三所适用的一种变压器故障诊断装置的结构示意图,如图6所示,该变压器故障诊断装置可以包括:数据获取模块、数据处理模块、故障诊断模块和结果显示模块。其中,数据获取模块,用于获取当前正在运行的变压器的油中溶解气体数据;数据处理模块,用于根据采集的变压器油中溶解气体数据进行标准化处理;故障诊断模块,用于将经过数据预预处理后的变压器油中溶解气体数据输入至支持向量机预测模型中进行计算分析,从而得出变压器的故障诊断情况;结果显示模块,用于输出可视化当前正在运行的变压器是否存在故障以及故障下的故障类型等结果。
通过采用上述技术方案,改进递归神经网络模型的全局寻优能力能够准确地求解出支持向量机模型的最优模型参数,有效提高了变压器故障诊断的准确率,且改进递归神经网络模型相比于现有的递归神经网络模型提高了收敛性和并行计算能力,能够减少模型的训练时间和故障诊断时间,可以为电力系统的安全运行提供重要技术保障。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
本发明实施例的技术方案,通过应用上述各实施例所述的故障检测模型训练方法训练得到的故障检测模型对待检测变压器的油中溶解气体数据进行故障检测,提高了电力变压器故障检测的准确率和效率。
实施例四
图7是本发明实施例四提供的一种故障检测模型训练装置的结构示意图,如图7所示,该故障检测模型训练装置包括:训练样本数据获取模块410、训练样本数据输入模块420、目标优化模型参数获取模块430以及模型训练模块440。
其中,训练样本数据获取模块410,用于获取电力变压器溶解气体训练样本数据;训练样本数据输入模块420,用于将电力变压器溶解气体训练样本数据输入至支持向量机模型;目标优化模型参数获取模块430,用于根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;模型训练模块440,用于根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练;其中,训练完成的支持向量机模型用于检测电力变压器的故障。
本发明实施例通过获取电力变压器溶解气体训练样本数据,将电力变压器溶解气体训练样本数据输入至支持向量机模型,从而根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化,以得到目标优化模型参数,进而根据目标优化模型参数对支持向量机模型的输出函数进行更新,以完成支持向量机模型的训练,训练完成的支持向量机模型可以采集电力变压器的溶解气体数据,以对电力变压器的故障进行检测,解决了现有电力变压器故障检测方法不准确的问题,能够提高故障检测模型的检测准确率。
可选的,该故障检测模型训练装置还包括:初始化参数确定模块,用于确定递归神经网络模型初始化参数;初始化配置模块,用于根据递归神经网络模型初始化参数对改进递归神经网络模型的目标模型参数进行初始化配置。
可选的,目标优化模型参数获取模块430,具体用于:建立支持向量机模型关联的凸二次规划问题;将凸二次规划问题转换为标准矩阵型凸二次规划问题;根据标准矩阵型凸二次规划问题构建改进递归神经网络模型的惩罚函数;根据改进递归神经网络模型的惩罚函数构建拉格朗日函数;根据神经动力学函数对拉格朗日函数进行求解,得到目标求解表达式;根据目标求解表达式对支持向量机模型的输出函数进行参数优化,得到目标优化模型参数。
可选的,目标优化模型参数获取模块430,具体用于:基于如下公式建立凸二次规划问题:
其中,m表示训练样本的数目,α表示支持向量机模型中的拉格朗日乘子,αi表示第i个训练样本的拉格朗日乘子,αj表示第j个训练样本的拉格朗日乘子,yi表示第i个训练样本的数据标签,yj表示第j个训练样本的数据标签,为高斯核函数,表示第i个训练样本xi与第j个训练样本xj的核函数计算结果,σ表示核函数参数,C表示惩罚因子;
基于如下公式表示标准矩阵型凸二次规划问题:
其中,E是m*m维的单位矩阵;
基于如下公式构建改进递归神经网络模型的惩罚函数:
/>
其中,P(α)表示改进递归神经网络模型的惩罚函数,p表示惩罚项,μ表示模型常数,vi表示矩阵中第i行的行向量,Ri表示/>矩阵中第i行的行向量;
基于如下公式构建拉格朗日函数:
其中,τ表示改进递归神经网络模型中的拉格朗日乘子;
基于如下公式表示神经动力学函数:
其中,t表示时间,e(t)表示随时间t变化的误差,λ表示神经动力学函数中的收敛因子;
基于如下公式表示目标求解表达式:
其中,表示核矩阵,表示样本数据标签矩阵,/> 表示c(t)的导数,
基于如下公式表示支持向量机模型的输出函数:
y(x)=sgn(ωTx+b)
其中,y(x)表示支持向量机模型的输出函数的输出值,ω表示支持向量机模型的法向量,b表示支持向量机模型的位移项。
可选的,该故障检测模型训练装置还包括:测试数据获取模块,用于获取电力变压器溶解气体测试数据;检测准确率测试模块,用于根据电力变压器溶解气体测试数据对支持向量机模型的检测准确率进行测试。
本发明实施例所提供的故障检测模型训练装置可执行本发明任意实施例所提供的故障检测模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例五
图8是本发明实施例五提供的一种故障检测装置的结构示意图,如图8所示,该故障检测装置包括:数据获取模块510和故障检测结果获取模块520。
其中,数据获取模块510,用于获取待检测变压器的油中溶解气体数据;故障检测结果获取模块520,用于将待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到待检测变压器的故障检测结果;其中,支持向量机模型通过上述任一实施例所述的故障检测模型训练方法训练得到。
本发明实施例的技术方案,通过应用上述各实施例所述的故障检测模型训练方法训练得到的故障检测模型对待检测变压器的油中溶解气体数据进行故障检测,提高了电力变压器故障检测的准确率和效率。
本发明实施例所提供的故障检测装置可执行本发明任意实施例所提供的故障检测方法,具备执行方法相应的功能模块和有益效果。
实施例六
图9示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图9所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如本发明各实施例所述的故障检测模型训练方法或故障检测方法。
在一些实施例中,故障检测模型训练方法或故障检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的故障检测模型训练方法或故障检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行如本发明各实施例所述的故障检测模型训练方法或故障检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种故障检测模型训练方法,其特征在于,包括:
获取电力变压器溶解气体训练样本数据;
将所述电力变压器溶解气体训练样本数据输入至支持向量机模型;
根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;
根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新,以完成所述支持向量机模型的训练;
其中,训练完成的所述支持向量机模型用于检测电力变压器的故障。
2.根据权利要求1所述的方法,其特征在于,在所述根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化之前,还包括:
确定递归神经网络模型初始化参数;
根据所述递归神经网络模型初始化参数对所述改进递归神经网络模型的目标模型参数进行初始化配置。
3.根据权利要求1所述的方法,其特征在于,所述根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数,包括:
建立所述支持向量机模型关联的凸二次规划问题;
将所述凸二次规划问题转换为标准矩阵型凸二次规划问题;
根据所述标准矩阵型凸二次规划问题构建所述改进递归神经网络模型的惩罚函数;
根据所述改进递归神经网络模型的惩罚函数构建拉格朗日函数;
根据神经动力学函数对所述拉格朗日函数进行求解,得到目标求解表达式;
根据所述目标求解表达式对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数。
4.根据权利要求3所述的方法,其特征在于:
基于如下公式建立所述凸二次规划问题:
其中,m表示训练样本的数目,α表示所述支持向量机模型中的拉格朗日乘子,αi表示第i个训练样本的拉格朗日乘子,αj表示第j个训练样本的拉格朗日乘子,yi表示第i个训练样本的数据标签,yj表示第j个训练样本的数据标签,为高斯核函数,表示第i个训练样本xi与第j个训练样本xj的核函数计算结果,σ表示核函数参数,C表示惩罚因子;
基于如下公式表示所述标准矩阵型凸二次规划问题:
其中,E是m*m维的单位矩阵;
基于如下公式构建所述改进递归神经网络模型的惩罚函数:
其中,P(α)表示所述改进递归神经网络模型的惩罚函数,p表示惩罚项,μ表示模型常数,vi表示矩阵中第i行的行向量,Ri表示/>矩阵中第i行的行向量;
基于如下公式构建所述拉格朗日函数:
其中,τ表示所述改进递归神经网络模型中的拉格朗日乘子;
基于如下公式表示所述神经动力学函数:
其中,t表示时间,e(t)表示随时间t变化的误差,λ表示神经动力学函数中的收敛因子;
基于如下公式表示所述目标求解表达式:
其中,表示核矩阵,/>表示样本数据标签矩阵,/> 表示c(t)的导数,
基于如下公式表示所述支持向量机模型的输出函数:
y(x)=sgn(ωTx+b)
其中,y(x)表示所述支持向量机模型的输出函数的输出值,ω表示所述支持向量机模型的法向量,b表示所述支持向量机模型的位移项。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新,以完成所述支持向量机模型的训练之后,还包括:
获取电力变压器溶解气体测试数据;
根据所述电力变压器溶解气体测试数据对所述支持向量机模型的检测准确率进行测试。
6.一种故障检测方法,其特征在于,包括:
获取待检测变压器的油中溶解气体数据;
将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到所述待检测变压器的故障检测结果;
其中,所述支持向量机模型通过权利要求1-5任一所述的故障检测模型训练方法训练得到。
7.一种故障检测模型训练装置,其特征在于,包括:
训练样本数据获取模块,用于获取电力变压器溶解气体训练样本数据;
训练样本数据输入模块,用于将所述电力变压器溶解气体训练样本数据输入至支持向量机模型;
目标优化模型参数获取模块,用于根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化,得到目标优化模型参数;
模型训练模块,用于根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新,以完成所述支持向量机模型的训练;
其中,训练完成的所述支持向量机模型用于检测电力变压器的故障。
8.一种故障检测装置,其特征在于,包括:
数据获取模块,用于获取待检测变压器的油中溶解气体数据;
故障检测结果获取模块,用于将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测,得到所述待检测变压器的故障检测结果;
其中,所述支持向量机模型通过权利要求1-5任一所述的故障检测模型训练方法训练得到。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一所述的故障检测模型训练方法,或者执行权利要求6所述的故障检测方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一所述的故障检测模型训练方法,或者实现权利要求6所述的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783826.9A CN117235611A (zh) | 2023-06-28 | 2023-06-28 | 故障检测模型训练、故障检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310783826.9A CN117235611A (zh) | 2023-06-28 | 2023-06-28 | 故障检测模型训练、故障检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117235611A true CN117235611A (zh) | 2023-12-15 |
Family
ID=89083291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310783826.9A Pending CN117235611A (zh) | 2023-06-28 | 2023-06-28 | 故障检测模型训练、故障检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235611A (zh) |
-
2023
- 2023-06-28 CN CN202310783826.9A patent/CN117235611A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN115293149A (zh) | 一种实体关系识别方法、装置、设备及存储介质 | |
KR102608867B1 (ko) | 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램 | |
CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
CN115761648A (zh) | 应用于变压器的渗油评估方法、装置、设备、介质及产品 | |
CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
CN117235611A (zh) | 故障检测模型训练、故障检测方法、装置、设备及介质 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN117851598A (zh) | 一种大语言模型辅助分类方法、装置、设备及介质 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 | |
CN117236234B (zh) | 半导体器件模拟中迭代步数预测方法及装置 | |
CN117633525A (zh) | 一种变压器故障的识别方法、装置、设备及介质 | |
CN116594901A (zh) | 一种软件测试方法、装置、电子设备及存储介质 | |
CN116225767A (zh) | 日志故障分类模型训练方法、装置、设备及存储介质 | |
CN116845287A (zh) | 一种燃料电池的测试数据预测方法、装置、设备及介质 | |
CN116913406A (zh) | 一种变压器的故障识别方法、装置、设备及介质 | |
CN117330865A (zh) | 基于电力芯片的变压器故障检测方法、装置、设备及介质 | |
CN116595380A (zh) | 表格标题分类模型的训练方法及表格标题的分类方法 | |
CN118100151A (zh) | 一种电网负荷预测方法、装置、设备及存储介质 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 |
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 |