CN117330865A - 基于电力芯片的变压器故障检测方法、装置、设备及介质 - Google Patents

基于电力芯片的变压器故障检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN117330865A
CN117330865A CN202311260730.0A CN202311260730A CN117330865A CN 117330865 A CN117330865 A CN 117330865A CN 202311260730 A CN202311260730 A CN 202311260730A CN 117330865 A CN117330865 A CN 117330865A
Authority
CN
China
Prior art keywords
model
data
training
detection
fault
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
Application number
CN202311260730.0A
Other languages
English (en)
Inventor
陈军健
习伟
余盛灿
关志华
张巧惠
向柏澄
谢心昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202311260730.0A priority Critical patent/CN117330865A/zh
Publication of CN117330865A publication Critical patent/CN117330865A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种基于电力芯片的变压器故障检测方法、装置、设备及介质。该方法包括：获取待测变压器的待测油色谱数据；将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果；根据各目标故障检测模型的故障检测结果和模型权重参数，确定待测变压器的变压器故障类型。上述技术方案提高了对变压器故障类型的检测准确度。

Description

基于电力芯片的变压器故障检测方法、装置、设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于电力芯片的变压器故障检测方法、装置、设备及介质。
背景技术
近年来，随着太阳能、风能和潮汐能等清洁能源的发展利用，实现电力系统各个环节万物互联，并打造状态全面感知、信息高效处理及应用便捷灵活的泛在电力物联网是当前的研究重点。物联网技术与电力的结合实际是将传感技术、通信技术、射频识别技术等引入，使得传统电网具有多源、高维和异构等特征，变压器的复杂故障发生概率也随之增加。
目前，针对变压器故障类型的检测通常是基于经验知识进行检测，例如比值法或专家系统等；或者，基于数据驱动的方法进行检测，例如，神经网络算法、聚类分析和关联分析等。然而，现有的故障类型检测方法对变压器故障类型的检测准确度较低。
发明内容
本发明提供了一种基于电力芯片的变压器故障检测方法、装置、设备及介质，以提高对变压器故障类型的检测准确度。
根据本发明的一方面，提供了一种基于电力芯片的变压器故障检测方法，所述方法包括：
获取待测变压器的待测油色谱数据；
将所述待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各所述目标故障检测模型的故障检测结果；
根据各所述目标故障检测模型的故障检测结果和模型权重参数，确定所述待测变压器的变压器故障类型。
根据本发明的另一方面，提供了一种程序界面录屏装置，所述装置包括：
油色谱数据获取模块，用于获取待测变压器的待测油色谱数据；
故障检测结果确定模块，用于将所述待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各所述目标故障检测模型的故障检测结果；
故障类型确定模块，用于根据各所述目标故障检测模型的故障检测结果和模型权重参数，确定所述待测变压器的变压器故障类型。
根据本发明的另一方面，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基于电力芯片的变压器故障检测方法。
根据本发明的另一方面，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基于电力芯片的变压器故障检测方法。
本发明实施例技术方案通过获取待测变压器的待测油色谱数据；将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果；根据各目标故障检测模型的故障检测结果和模型权重参数，确定待测变压器的变压器故障类型。上述技术方案通过采用多个目标故障检测模型同时对待测油色谱数据进行故障检测，提高了对故障检测结果的容错率，能够发挥各目标故障检测模型在不同故障检测场景的优势，从而提高了对基于电力芯片的变压器故障检测的准确度。
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是根据本发明实施例一提供的一种基于电力芯片的变压器故障检测方法的流程图；
图2是根据本发明实施例二提供的一种变压器的目标故障检测模型的训练方法的流程图；
图3是根据本发明实施例三提供的一种变压器的目标故障检测模型的训练方法的流程图；
图4是根据本发明实施例四提供的一种基于电力芯片的变压器故障检测装置的结构示意图；
图5是实现本发明实施例的基于电力芯片的变压器故障检测方法的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“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。
实施例一
图1为本发明实施例一提供的一种基于电力芯片的变压器故障检测方法的流程图，本实施例可适用于对变压器进行故障类型检测的情况，该方法可以由基于电力芯片的变压器故障检测装置来执行，该基于电力芯片的变压器故障检测装置可以采用硬件和/或软件的形式实现，该基于电力芯片的变压器故障检测装置可配置于电子设备中。
需要说明的是，面对设备运维大数据处理问题的情况下，集合多种电子元器件来实现某种特定功能的芯片化集成电路模块，成为新型电力系统的智能化运维策略的关键环节。芯片化变电站运维场景下集成电力芯片的研发具备检测、运算、转换、存储、控制和通信等诸多功能，为分布式智能终端在电力故障检测方面带来了新的思路。本实施例方法可以由电力芯片执行。
如图1所示，该方法包括：
S110、获取待测变压器的待测油色谱数据。
其中，待测变压器可以是待进行故障类型检测的变压器；待测油色谱数据中可以包括至少一种检测参数指标，例如，通过对待测油色谱数据进行检测可以得到变压器相关的气体数据、设备温度数据和环境湿度数据等中的至少一种。其中，气体数据中可以包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)等中的至少一种。
其中，待测油色谱数据中的检测参数指标的指标数据含量和指标之间的占比，可以用于表征待测变压器的不同故障类型；故障类型可以包括热性故障、电性故障和受潮故障等。
S120、将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果。
其中，目标故障检测模型的数量可以为多个，且多个目标故障检测模型均预先训练得到用于对变压器进行故障类型检测。各目标故障检测模型的训练方式可以是基于历史周期下的历史油色谱数据，对预设的检测网络模型进行模型训练得到。
示例性的，将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型分别输出的故障类型。其中，各目标故障检测模型输出的故障类型可能相同也可能不同，具体与各目标故障检测模型的模型准确度相关。
S130、根据各目标故障检测模型的故障检测结果和模型权重参数，确定待测变压器的变压器故障类型。
其中，各目标故障检测模型分别对应的模型权重参数可以由相关技术人员根据实际需求进行预先设定。例如，模型权重参数可以根据检测任务的任务类型和数据特征进行设定；例如，当前检测任务为对故障类型进行确定，其实质为分类任务，数据为油色谱数据，特征为具有多种检测参数指标，因此，可以将各目标故障检测模型中，为更适用于进行分类任务检测的目标故障检测模型设置较高的权重参数，以及为能够对油色谱数据进行丰富特征提取的目标故障检测模型设置较高的权重参数。
在一个可选实施例中，可以根据各目标故障检测模型的故障检测结果，基于模型投票机制，选取故障检测结果中的故障类型得票数最高的作为待测变压器的变压器故障类型。示例性的，若存在5个目标故障检测模型分别为模型A、模型B、模型C、模型D和模型E，模型A的故障检测结果为故障类型a、模型B的故障检测结果为故障类型b、模型C的故障检测结果为故障类型a、模型D的故障检测结果为故障类型c以及模型E的故障检测结果为故障类型a，根据投票机制，选取得票数最高的故障类型a作为待测变压器的变压器故障类型。
在另一个可选实施例中，可以根据各目标故障检测模型的故障检测结果，基于各目标故障检测模型的模型权重参数，选取目标得分最高的故障类型作为待测变压器的变压器故障类型。示例性的，若存在5个目标故障检测模型分别为模型A、模型B、模型C、模型D和模型E；其中，模型A的模型权重参数为0.2、模型B的模型权重参数为0.1、模型C的模型权重参数为0.3、模型D的模型权重参数为0.3和模型E的模型权重参数为0.1。模型A的故障检测结果为故障类型a、模型B的故障检测结果为故障类型b、模型C的故障检测结果为故障类型a、模型D的故障检测结果为故障类型c以及模型E的故障检测结果为故障类型b，则根据各目标故障检测模型的故障检测结果和相应模型权重参数可以得到，故障类型a的目标得分为0.5、故障类型b的目标得分为0.2和故障类型c的目标得分为0.3，因此，选取目标得分最高的故障类型a作为待测变压器的变压器故障类型。
本发明实施例技术方案通过获取待测变压器的待测油色谱数据；将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果；根据各目标故障检测模型的故障检测结果和模型权重参数，确定待测变压器的变压器故障类型。上述技术方案通过采用多个目标故障检测模型同时对待测油色谱数据进行故障检测，提高了对故障检测结果的容错率，能够发挥各目标故障检测模型在不同故障检测场景的优势，从而提高了对基于电力芯片的变压器故障检测的准确度。
实施例二
图2为本发明实施例二提供的一种变压器的目标故障检测模型的训练方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进，完善了对各目标故障检测模型的训练过程。
进一步的，在“将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果”之前，还包括对各目标故障模型进行模型训练的过程，具体为：获取变压器在至少一个历史时间周期下的历史油色谱数据；历史油色谱数据具有故障类型标签；根据各历史周期下的历史油色谱数据，生成样本数据集；将样本数据集分别输入至预先构建的至少一个检测网络模型，得到各检测网络模型的模型输出，并根据模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。进一步详细描述了对各目标故障检测模型的训练方式。需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。
如图2所示，对各目标故障检测模型的训练过程包括以下具体步骤：
S210、获取变压器在至少一个历史时间周期下的历史油色谱数据；历史油色谱数据具有故障类型标签。
其中，历史时间周期可以由相关技术人员进行预先设定，例如，历史时间周期可以是1小时，即历史时间下每间隔1小时获取一次油色谱数据作为该历史时间周期下的历史油色谱数据。
示例性的，若历史时间周期为1小时，则可以获取2023/08/01/00:00的历史油色谱数据、2023/08/01/01:00的历史油色谱数据、…、2023/08/01/24:00的历史油色谱数据。且获取的历史油色谱数据的数据量可以由相关技术人员根据实际需求进行设定，例如，根据实际需求需要获取200条历史油色谱数据，则可以获取不同日期下的各个获取时间戳下的历史油色谱数据，从而得到满足需求数据量的历史油色谱数据。
其中，故障类型标签可以是根据历史油色谱数据得到的故障类型所生成的标签。例如，故障类型标签可以包括热性故障标签、电性故障标签和受潮故障标签等。
其中，历史油色谱数据中可以包括历史气体数据、历史设备温度数据和历史温度数据等。其中，历史气体数据中可以包括氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)等中的至少一种。
需要说明的是，每一条历史油色谱数据均对应有其相应的故障类型标签，具体可以由相关技术人员为历史油色谱数据进行预先标注生成。例如，针对2023/08/01/00:00的历史油色谱数据，其对应的故障类型标签为电性故障标签。
可以理解的是，在实际对历史油色谱数据进行标签标注的过程中，不同的故障类型可以采用相应的整数进行标记对应，便于后续模型训练。
S220、根据各历史周期下的历史油色谱数据，生成样本数据集。
需要说明的是，在得到的历史油色谱数据中，可能存在缺失数据，例如，某一项检测参数指标如历史设备温度或某个气体数据存在数据缺失。因此，可以采用均值法对各历史周期下的历史油色谱数据进行数据填充，得到填充后的完整的历史油色谱数据。
示例性的，根据填充后的历史油色谱数据，和各历史油色谱数据对应的故障类型标签，生成样本数据集，用于进行模型训练。
S230、将样本数据集分别输入至预先构建的至少一个检测网络模型，得到各检测网络模型的模型输出，并根据模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。
其中，检测网络模型可以由相关技术人员进行预先构建，例如，检测网络模型可以为KNN(K-nearest neighbor，K近邻)模型、LR(logistic regression，逻辑斯蒂回归)模型、LDA(Linear Discriminant Analysis，线性判别式分析)模型、DT(Decision Tree，决策树)模型、RF(RandomForests，随机森林)模型、GBM(Gradient Boosting Machine，梯度提升机)模型和CatBoost(oblivious trees，对称决策树)模型。
其中，模型训练结束条件可以由相关技术人员进行预先设定，例如，模型训练结束条件可以是达到预设的迭代次数阈值，还可以是损失值趋于稳定或不在发生变化等。
示例性的，可以将样本数据集分别输入至预先构建的至少一个检测网络模型中，对各检测网络模型进行分别训练，并在训练过程中得到相应检测网络模型的模型输出；其中，检测网络模型训练过程中的模型输出可以为该模型的预测故障类型，也即预测值，而故障类型标签中的故障类型为真实故障类型，也即真实值。因此，可以根据模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，例如达到预设的迭代次数或损失值趋于稳定等，得到各检测网络模型分别对应的目标故障检测模型。其中，模型训练过程中的损失值可以根据模型输出的预测值和故障类型标签对应的真实值，基于预设的损失函数进行确定。
需要说明的是，为提高模型训练效率，减轻承载模型训练的服务器的计算压力，在生成样本数据集后，可以在云端服务器中预先训练得到算法模型学习器，并将预先学习得到的先验知识传递给芯片层的子算法模型学习器。其中，算法模型学习器可以是在芯片化智能远程终端部署有强大的算法模型集合，算法模型集合在进行模型训练过程中所使用到的训练数据不仅仅是单个变电站设备的相关数据，而是汇集整个电力系统的数据作为训练数据集进行模型训练，其模型能够学习得到全部变电站的知识经验。
其中，芯片层可以是指安装在每一个变电站在线监测运维管理系统终端的设备内部的芯片处理器。
子模型学习器作为硬件IP(Intellectual Property，知识产权)模块嵌入在集成电力物联网芯片的IP模块中，运用子模型进行在线预测，子模型在智能变电站芯片化保护远程运维系统中进行分析整合，进行配网设备电力大数据快速边缘计算，在本发明的说明案例中，各目标故障检测模型作为纳米继电器对历史油色谱数据进行训练。所涉及的各纳米继电器，集成在电力物联网芯片中，纳米继电器算法直接集成为IP作为边缘计算的人工智能模块，存储为可以被调用的形式，以减轻云服务计算的压力。
其中，硬件IP模型中的IP通常称为IP核(Intellectual Property Core)。IP核是指芯片中具有独立功能的电路模块的成熟设计。该电路模块设计可以应用在包含该电路模块的其他芯片设计项目中，从而减少设计工作量，缩短设计周期，提高芯片设计的成功率。该电路模块的成熟设计凝聚着设计者的智慧，体现了设计者的知识产权，因此，芯片行业通常使用IP核来表示这种电路模块的成熟设计，IP核也可以理解为芯片设计的中间构件。
本实施例技术方案通过获取变压器在至少一个历史时间周期下的历史油色谱数据；历史油色谱数据具有故障类型标签；根据各历史周期下的历史油色谱数据，生成样本数据集；将样本数据集分别输入至预先构建的至少一个检测网络模型，得到各检测网络模型的模型输出，并根据模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。上述技术方案通过基于历史周期下得到的历史油色谱数据，对各检测网络模型进行模型训练，实现了对目标故障检测模型的模型生成。
实施例三
图3为本发明实施例三提供的一种变压器的目标故障检测模型的训练方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进，完善了对各目标故障检测模型的训练过程。
进一步的，历史油色谱数据中包括至少一个检测参数指标的指标数据；相应的，将步骤“根据各历史周期下的历史油色谱数据，生成样本数据集”细化为“根据各历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标；根据各故障类型分别对应的关联参数指标，更新各历史油色谱数据中的检测参数指标和相应的指标数据，得到更新后的历史油色谱数据；生成包括更新后的历史油色谱数据的样本数据集。”以完善对历史油色谱数据的样本数据集的生成方式。
进一步的，将步骤“将样本数据集分别输入至预先构建的至少一个检测网络模型，得到各检测网络模型的模型输出，并根据模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型”细化为“基于预设的数据集划分比例，将样本数据集划分得到样本训练集和样本测试集；分别将样本训练集和样本测试集输入至预先构建的至少一个检测网络模型，得到在预设训练次数下的各所述检测网络模型基于样本训练集的第一模型输出和基于样本测试集的第二模型输出；根据各检测网络模型的第一模型输出和样本训练集中的历史油色谱数据的故障类型标签，以及各检测网络模型的第二模型输出和样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。”以完善对目标故障检测模型的确定方式。需要说明的是，在本发明实施例中未详述的部分，可参见其他实施例的表述。
如图3所示，对各目标故障检测模型的训练过程包括以下具体步骤：
S310、获取变压器在至少一个历史时间周期下的历史油色谱数据；历史油色谱数据具有故障类型标签；历史油色谱数据中包括至少一个检测参数指标的指标数据。
其中，检测参数指标可以包括温度参数指标、湿度参数指标、氢气参数指标、甲烷参数指标、乙烷参数指标、乙烯参数指标和乙炔参数指标等中的至少一种。指标数据可以是各项参数指标分别对应的指标参数值，例如，温度参数指标对应的指标数据可以是设备温度值；湿度参数指标对应的指标数据可以是湿度值；氢气参数指标对应的指标数据可以是氢气浓度值等，其他检测参数指标的指标数据同理，本实施例对此不再进行赘述。
S320、根据各历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标。
其中，关联参数指标可以是在各检测参数指标中与相应故障类型的相关性最高或影响力度最大的参数指标。不同故障类型的关联参数指令可能相同也可能不同；各故障类型对应的关联参数指标的数量可以由相关技术人员进行预先设定，例如，可以是将各检测参数指标中与相应故障类型的相关性较高的前五个作为关联参考指标。
示例性的，可以根据各历史油色谱数据的各检测参数指标的指标数据，确定各检测参数指标和各故障类型之间的协方差和标准差；基于各检测参数指标和各故障类型之间的协方差和标准差，确定各故障类型与各检测参数指标的相关性，并从相关性较高的检测参数指标中选取得到相应故障类型的关联参考指标。
需要说明的是，为进一步提高对各故障类型分别关联的关联参数指标的确定准确度，还可以采用确定各故障类型与各检测参数指标之间的相关性系数的方式，对各故障类型的关联参数指标进行选取。
在一个可选实施例中，根据各历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标，包括：根据各历史油色谱数据的各检测参数指标的指标数据，基于预设的历史油色谱数据量，确定各故障类型与各检测参数指标之间的相关性系数；根据相关性系数，确定各故障类型分别关联的关联参数指标。
其中，各故障类型与各检测参数指标之间的相关性系数r的确定方式如下：
其中，n为历史油色谱数据的数量，例如，100条历史油色谱数据，则n为100；xi为第i个检测参数指标的指标数据；yj为第j个故障类型对应的数值数据；r表示第i个检测参数指标和第j个故障类型之间的相关性系数。
示例性的，若各故障类型的关联参数指标的数量为5个，则可以根据相应故障类型和各检测参数指标之间的相关性系数，选取相关性系数的数值由高至低排序中的前五位检测参数指标作为关联参数指标；不同故障数类型对应的关联参数指标可能并不相同。
S330、根据各故障类型分别对应的关联参数指标，更新各历史油色谱数据中的检测参数指标和相应的指标数据，得到更新后的历史油色谱数据。
示例性的，针对任一历史油色谱数据，根据该历史油色谱数据对应的故障类型，对该历史油色谱数据中的检测参数指标进行指标剔除，仅保留该历史油色谱数据中的关联参数指标，以及关联参数指标的指标数据，得到更新后的历史油色谱数据。
在一个具体例子中，存在检测参数指标p1至p10，针对历史油色谱数据A，其对应的故障类型a的关联参数指标为指标p1、p3、p4、p5和p7。则对历史油色谱数据A中的检测参数指标p2、p6、p8、p9和p10进行剔除，仅保留指标p1、p3、p4、p5和p7和相应的指标数据，得到更新后的历史油色谱指标数据A。
S340、生成包括更新后的历史油色谱数据的样本数据集。
S350、基于预设的数据集划分比例，将样本数据集划分得到样本训练集和样本测试集。
其中，数据集划分比例可以由相关技术人员进行预先设定，例如，数据划分比例可以是样本训练集和样本测试集的比例为4:1。
示例性的，可以基于预设的数据集划分比例，将样本数据集划分成预设的份数，例如，若数据集划分比例为4:1，则将样本数据集划分为5份，其中4份为样本训练集，1份为样本测试集。
S360、分别将样本训练集和样本测试集输入至预先构建的至少一个检测网络模型，得到在预设训练次数下的各检测网络模型基于样本训练集的第一模型输出和基于样本测试集的第二模型输出。
示例性的，将样本训练集和样本测试集分别输入至预先构建的至少一个检测网络模型，得到在预设训练次数下，各检测网络模型基于样本训练集的第一模型输出，以及基于样本测试集的第二模型输出。其中，预设训练次数可以由相关技术人员根据实际需求进行预先设定，例如，预设训练次数可以根据数据集划分比例进行设定，例如，若数据集划分比例为4：1，则预设训练次数可以为5次。
在一个具体实施例中，若数据集划分比例为4：1，则样本训练集占4份，样本测试集占1份，若预设训练次数为5次，则可以得到每一次训练次数周期下，各检测网络模型基于每一份样本训练集的第一模型输出，以及各检测网络模型基于一份样本测试集的第二模型输出。其中，第一模型输出为各检测网络模型分别基于4份样本训练集分别得到的4个第一模型输出的结果。因此，在任意一个预设训练次数周期下，可以得到各检测网络模型的4个第一模型输出和1个第二模型输出。
S370、根据各检测网络模型的第一模型输出和样本训练集中的历史油色谱数据的故障类型标签，以及各检测网络模型的第二模型输出和样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。
示例性的，可以根据各检测网络模型的第一模型输出和样本训练集中的历史油色谱数据的故障类型标签，基于预设的损失函数，确定第一损失值；各检测网络模型的第二模型输出和样本测试集中的历史油色谱数据的故障类型标签，基于预设的损失函数，确定第二损失值；根据各检测网络模型的第一损失值和第二损失值进行模型训练，直到第一损失值和第二损失值趋于稳定或不再发生变化后终止模型训练，得到各检测网络模型分别对应的目标故障检测模型。
需要说明的是，为提高模型训练准确度，实现模型参数的自适应调优以节省人力成本，还可以采用交叉验证的方式对模型进行训练，并基于天牛须优化算法对各检测网络模型进行参数智能调优，以提高模型训练过程的准确度。
在一个可选实施例中，根据各检测网络模型的第一模型输出和样本训练集中的历史油色谱数据的故障类型标签，以及各检测网络模型的第二模型输出和样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型，包括：根据各检测网络模型的第一模型输出和样本训练集中的历史油色谱数据的故障类型标签，确定训练集准确率；以及，根据各检测网络模型的第二模型输出和样本测试集中的历史油色谱数据的故障类型标签，确定测试集准确率；根据预设训练次数下的各检测网络模型的训练集准确率和测试集准确率进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。
需要说明的是，在基于预设训练次数对各检测网络模型进行模型训练过程中，每次训练次数下均可得到当前训练次数周期下的训练集准确率和测试集准确率。可以理解的是，由于每一次训练次数下，样本训练集和样本测试集被划分得到的份数不同，例如，若样本训练集和样本测试集是按照4:1进行划分，则样本训练集占4份，样本测试集占1份。在当前训练次数周期下，各检测网络模型基于样本训练集进行训练过程中会得到4次准确率确定结果，因此，在当前训练次数周期下，训练集准确率可以为为4个准确率确定结果的平均值。
示例性的，可以根据预设训练次数下的各检测网络模型的训练集准确率和测试集准确率进行模型训练。具体的，可以是基于预设训练次数，确定训练集准确率的平均值和测试集准确率的平均值，从而基于训练集准确率的平均值和测试集准确率的平均值对各检测网络模型进行模型训练，知道准确率达到峰值，并将准确率达到峰值下的模型参数作为最优模型参数，终止模型训练过程，得到基于最优模型参数下的各检测网络模型分别对应的目标故障检测模型。
需要说明的是，为进一步提高训练过程的样本训练集和样本测试集的随机性，以使得各检测网络模型适应与各随机组合的样本数据集，在每一次训练次数周期下，可以采用交叉选取的方式确定选取的样本测试集和样本训练接。
在一个具体例子中，若基于数据集划分比例划分得到5份数据集分别为数据集A、数据集B、数据集C、数据集D和数据集E，样本训练集和样本测试集的划分比例为4:1。预设训练次数为5次，在第一次训练次数周期下，可以将数据集A、数据集B、数据集C和数据集D作为样本训练集，将数据集E作为样本测试集；在第二次训练次数周期下，可以将数据集A、数据集B、数据集C和数据集E作为样本训练集，将数据集D作为样本测试集；在第三次训练次数周期下，可以将数据集A、数据集B、数据集D和数据集E作为样本训练集，将数据集C作为样本测试集；在第四次训练次数周期下，可以将数据集A、数据集C、数据集D和数据集D作为样本训练集，将数据集B作为样本测试集；在第五次训练次数周期下，可以将数据集B、数据集C、数据集D和数据集E作为样本训练集，将数据集A作为样本测试集。
需要说明的是，为进一步使得训练过程中对模型参数优化达到最优，还可以对基于准确度确定模型训练结束条件进行调整，以使得模型参数达到最优时终止模型训练，以及在优化参数过程中所采用的算法上进行优化，使得参数优化效果最佳。
在一个可选实施例中，根据预设训练次数下的各检测网络模型的训练集准确率和测试集准确率进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型，包括：根据各检测网络模型的训练集准确率和测试集准确率，基于预设训练次数，确定数据集准确率；根据训练集准确度、测试集准确率和数据集准确率，确定各检测网络模型的目标准确率；根据各检测网络模型的目标准确率进行模型训练，直到满足预设的模型训练结束条件，得到各检测网络模型分别对应的目标故障检测模型。
其中，数据集准确率可以是预设训练次数下的训练集准确率和测试集准确率的准确率平均值。例如，可以将每一次训练次数下的训练集准确率和测试集准确率的平均值作为当前训练次数下的参考数据集准确率，根据预设训练次数，将每一次训练次数下的参考数据集准确率的平均值，确定为数据集准确率。
示例性的，可以将训练集准确度、测试集准确率和数据集准确率之间的平均准确率，确定为各检测网络模型的目标准确率；还可以将训练集准确度、测试集准确率和数据集准确率之间的加权平均得到加权平均准确率，确定为各检测网络模型的目标准确率，本实施例对此不进行限制。
示例性的，根据各检测网络模型的目标准确率进行模型训练，直到目标准确率达到峰值后终止训练，得到各检测网络模型分别对应的目标故障检测模型。或者，还可以是根据各检测网络模型的目标准确率进行模型训练，直到达到预设的迭代数量后终止训练，并将各迭代次数下的目标准确率达到峰值时的模型迭代参数最为最优模型参数，并得到最优模型参数下的目标故障检测模型。
需要说明的是，在基于目标准确率对各检测网络模型进行训练过程中，为实现参数的自适应调优，以及进一步提高模型调优效果和效率，还可以在参数调优过程中采用天牛须优化算法对模型参数进行调优，以使得模型调优效果最佳。
本实施例技术方案通过根据各历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标，并根据各故障类型分别对应的关联参数指标，更新各历史油色谱数据中的检测参数指标和相应的指标数据，得到更新后的历史油色谱数据从而生成包括更新后的历史油色谱数据的样本数据集，实现了对样本数据集的精准生成，以及实现了对样本数据集的精准降维，从而减轻后续模型基于样本数据集进行模型训练的负担，提高训练效率。通过基于预设的数据集划分比例，将样本数据集划分得到样本训练集和样本测试集，分别将样本训练集和样本测试集输入至预先构建的至少一个检测网络模型，得到在预设训练次数下的各所述检测网络模型基于样本训练集的第一模型输出和基于样本测试集的第二模型输出；根据各检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，以及各检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型，实现了对目标故障检测模型的训练准确度。
实施例四
图4为本发明实施例四提供的一种基于电力芯片的变压器故障检测装置的结构示意图。本发明实施例所提供的一种基于电力芯片的变压器故障检测装置，该装置可适用于对变压器进行故障类型检测的情况，该基于电力芯片的变压器故障检测装置可以采用硬件和/或软件的形式实现，如图4所示，该装置具体包括：油色谱数据获取模块401、故障检测结果确定模块402和故障类型确定模块403。其中，
油色谱数据获取模块401，用于获取待测变压器的待测油色谱数据；
故障检测结果确定模块402，用于将所述待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各所述目标故障检测模型的故障检测结果；
故障类型确定模块403，用于根据各所述目标故障检测模型的故障检测结果和模型权重参数，确定所述待测变压器的变压器故障类型。
本发明实施例技术方案通过获取待测变压器的待测油色谱数据；将待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各目标故障检测模型的故障检测结果；根据各目标故障检测模型的故障检测结果和模型权重参数，确定待测变压器的变压器故障类型。上述技术方案通过采用多个目标故障检测模型同时对待测油色谱数据进行故障检测，提高了对故障检测结果的容错率，能够发挥各目标故障检测模型在不同故障检测场景的优势，从而提高了对基于电力芯片的变压器故障检测的准确度。
可选的，所述装置还包括：模型训练模块，用于对各所述目标故障检测模型进行模型训练；
所述模型训练模块，包括：
历史数据获取单元，用于获取变压器在至少一个历史时间周期下的历史油色谱数据；所述历史油色谱数据具有故障类型标签；
样本数据集生成单元，用于根据各所述历史周期下的历史油色谱数据，生成样本数据集；
模型训练单元，用于将所述样本数据集分别输入至预先构建的至少一个检测网络模型，得到各所述检测网络模型的模型输出，并根据所述模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
可选的，所述历史油色谱数据中包括至少一个检测参数指标的指标数据；相应的，所述样本数据集生成单元，包括：
关联指标确定子单元，用于根据各所述历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标；
历史数据更新子单元，用于根据各故障类型分别对应的关联参数指标，更新各所述历史油色谱数据中的检测参数指标和相应的指标数据，得到更新后的历史油色谱数据；
样本数据集生成子单元，用于生成包括更新后的历史油色谱数据的样本数据集。
可选的，所述关联指标确定子单元，具体用于：
根据各所述历史油色谱数据的各检测参数指标的指标数据，基于预设的历史油色谱数据量，确定各所述故障类型与各所述检测参数指标之间的相关性系数；
根据所述相关性系数，确定各所述故障类型分别关联的关联参数指标。
可选的，所述模型训练单元，包括：
数据集划分子单元，用于基于预设的数据集划分比例，将所述样本数据集划分得到样本训练集和样本测试集；
输出结果确定子单元，用于分别将所述样本训练集和所述样本测试集输入至预先构建的至少一个检测网络模型，得到在预设训练次数下的各所述检测网络模型基于所述样本训练集的第一模型输出和基于所述样本测试集的第二模型输出；
模型训练子单元，用于根据各所述检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，以及各所述检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
可选的，所述模型训练子单元，包括：
训练准确率确定从单元，用于根据各所述检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，确定训练集准确率；以及，
测试准确率确定从单元，用于根据各所述检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签，确定测试集准确率；
模型训练从单元，用于根据预设训练次数下的各所述检测网络模型的训练集准确率和测试集准确率进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
可选的，所述模型训练从单元，具体用于：
根据各所述检测网络模型的训练集准确率和测试集准确率，基于所述预设训练次数，确定数据集准确率；
根据所述训练集准确度、所述测试集准确率和所述数据集准确率，确定各所述检测网络模型的目标准确率；
根据各所述检测网络模型的目标准确率进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
本发明实施例所提供的基于电力芯片的变压器故障检测装置可执行本发明任意实施例所提供的基于电力芯片的变压器故障检测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备50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5所示，电子设备50包括至少一个处理器51，以及与至少一个处理器51通信连接的存储器，如只读存储器(ROM)52、随机访问存储器(RAM)53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51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序，来执行各种适当的动作和处理。在RAM 53中，还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55，包括：输入单元56，例如键盘、鼠标等；输出单元57，例如各种类型的显示器、扬声器等；存储单元58，例如磁盘、光盘等；以及通信单元59，例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50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51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51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51执行上文所描述的各个方法和处理，例如基于电力芯片的变压器故障检测方法。
在一些实施例中，基于电力芯片的变压器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58。在一些实施例中，计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时，可以执行上文描述的基于电力芯片的变压器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51可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于电力芯片的变压器故障检测方法。
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)

1.一种基于电力芯片的变压器故障检测方法，其特征在于，包括：
获取待测变压器的待测油色谱数据；
将所述待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各所述目标故障检测模型的故障检测结果；
根据各所述目标故障检测模型的故障检测结果和模型权重参数，确定所述待测变压器的变压器故障类型。
2.根据权利要求1所述的方法，其特征在于，各所述目标故障检测模型的模型训练方式如下：
获取变压器在至少一个历史时间周期下的历史油色谱数据；所述历史油色谱数据具有故障类型标签；
根据各所述历史周期下的历史油色谱数据，生成样本数据集；
将所述样本数据集分别输入至预先构建的至少一个检测网络模型，得到各所述检测网络模型的模型输出，并根据所述模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
3.根据权利要求2所述的方法，其特征在于，所述历史油色谱数据中包括至少一个检测参数指标的指标数据；
相应的，所述根据各所述历史周期下的历史油色谱数据，生成样本数据集，包括：
根据各所述历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标；
根据各故障类型分别对应的关联参数指标，更新各所述历史油色谱数据中的检测参数指标和相应的指标数据，得到更新后的历史油色谱数据；
生成包括更新后的历史油色谱数据的样本数据集。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述历史油色谱数据的各检测参数指标的指标数据，确定与各故障类型分别关联的关联参数指标，包括：
根据各所述历史油色谱数据的各检测参数指标的指标数据，基于预设的历史油色谱数据量，确定各所述故障类型与各所述检测参数指标之间的相关性系数；
根据所述相关性系数，确定各所述故障类型分别关联的关联参数指标。
5.根据权利要求2所述的方法，其特征在于，所述将所述样本数据集分别输入至预先构建的至少一个检测网络模型，得到各所述检测网络模型的模型输出，并根据所述模型输出和相应的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型，包括：
基于预设的数据集划分比例，将所述样本数据集划分得到样本训练集和样本测试集；
分别将所述样本训练集和所述样本测试集输入至预先构建的至少一个检测网络模型，得到在预设训练次数下的各所述检测网络模型基于所述样本训练集的第一模型输出和基于所述样本测试集的第二模型输出；
根据各所述检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，以及各所述检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
6.根据权利要求5所述的方法，其特征在于，根据各所述检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，以及各所述检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型，包括：
根据各所述检测网络模型的第一模型输出和所述样本训练集中的历史油色谱数据的故障类型标签，确定训练集准确率；以及，
根据各所述检测网络模型的所述第二模型输出和所述样本测试集中的历史油色谱数据的故障类型标签，确定测试集准确率；
根据预设训练次数下的各所述检测网络模型的训练集准确率和测试集准确率进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
7.根据权利要求6所述的方法，其特征在于，所述根据预设训练次数下的各所述检测网络模型的训练集准确率和测试集准确率进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型，包括：
根据各所述检测网络模型的训练集准确率和测试集准确率，基于所述预设训练次数，确定数据集准确率；
根据所述训练集准确度、所述测试集准确率和所述数据集准确率，确定各所述检测网络模型的目标准确率；
根据各所述检测网络模型的目标准确率进行模型训练，直到满足预设的模型训练结束条件，得到各所述检测网络模型分别对应的目标故障检测模型。
8.一种基于电力芯片的变压器故障检测装置，其特征在于，包括：
油色谱数据获取模块，用于获取待测变压器的待测油色谱数据；
故障检测结果确定模块，用于将所述待测油色谱数据输入至预先训练得到的至少一个目标故障检测模型中进行故障类型检测，得到各所述目标故障检测模型的故障检测结果；
故障类型确定模块，用于根据各所述目标故障检测模型的故障检测结果和模型权重参数，确定所述待测变压器的变压器故障类型。
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1-7中任一项所述的基于电力芯片的变压器故障检测方法。
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1-7中任一项所述的基于电力芯片的变压器故障检测方法。
CN202311260730.0A 2023-09-27 2023-09-27 基于电力芯片的变压器故障检测方法、装置、设备及介质 Pending CN117330865A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311260730.0A CN117330865A (zh) 2023-09-27 2023-09-27 基于电力芯片的变压器故障检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311260730.0A CN117330865A (zh) 2023-09-27 2023-09-27 基于电力芯片的变压器故障检测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117330865A true CN117330865A (zh) 2024-01-02

Family

ID=89291144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311260730.0A Pending CN117330865A (zh) 2023-09-27 2023-09-27 基于电力芯片的变压器故障检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117330865A (zh)

Similar Documents

Publication Publication Date Title
CN114330097A (zh) 一种异构数据与深度学习的风电集群功率预测方法及设备
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN115423009A (zh) 一种面向云边协同的电力设备故障识别方法及系统
CN115374948B (zh) 量子神经网络的训练方法、数据处理方法、设备及介质
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN116245033A (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
Zu et al. A simple gated recurrent network for detection of power quality disturbances
CN118100171B (zh) 能源转换系统的功率预测方法、系统和电子设备
CN114721345A (zh) 基于强化学习的工业控制方法、装置、系统和电子设备
CN115860190A (zh) 负荷检测模型的训练、用电负荷的检测方法及相关装置
CN115294397A (zh) 一种分类任务的后处理方法、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
CN117455067A (zh) 一种电量消耗预测方法、装置、电子设备及存储介质
CN115600607A (zh) 一种日志检测方法、装置、电子设备及介质
CN115774663B (zh) 一种LabVIEW的测试系统的优化方法、装置、设备及存储介质
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
CN115563507A (zh) 可再生能源发电场景的生成方法、装置及设备
Zhang et al. Named Entity Recognition for Smart Grid Operation and Inspection Domain using Attention Mechanism
CN117235611A (zh) 故障检测模型训练、故障检测方法、装置、设备及介质
CN118734948A (zh) 知识图谱构建模型的训练和知识图谱构建方法、装置及设备
CN118095050A (zh) 基于人工智能的考虑样本不平衡的电力系统暂态稳定评估方法
CN118378952A (zh) 一种数字员工评价方法及装置
CN116431809A (zh) 基于银行客服场景下的文本标注方法、装置和存储介质
CN116128296A (zh) 风险预测方法、装置、电子设备及存储介质

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