CN117633525A - 一种变压器故障的识别方法、装置、设备及介质 - Google Patents
一种变压器故障的识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117633525A CN117633525A CN202311649646.8A CN202311649646A CN117633525A CN 117633525 A CN117633525 A CN 117633525A CN 202311649646 A CN202311649646 A CN 202311649646A CN 117633525 A CN117633525 A CN 117633525A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- sample data
- transformer
- dissolved gas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000009467 reduction Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 8
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 4
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 230000008689 nuclear function Effects 0.000 claims description 4
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 238000013386 optimize process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 76
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 108700026244 Open Reading Frames Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/09—Supervised learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种变压器故障的识别方法、装置、设备及介质。其中，该方法包括：获取变压器油中的溶解气体的初始样本数据；对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。本技术方案通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，精准得到了目标变压器的故障识别结果，且通过数据降维降低了模型训练过程中的负担，提高了模型训练效率。
Description
技术领域
本发明涉及变压器技术领域，尤其涉及一种变压器故障的识别方法、装置、设备及介质。
背景技术
电力变压器的安全稳定运行对社会生活生产至关重要。对变压器进行故障识别时，一种方法是通过油中溶解气体的浓度识别变压器的故障。
油中溶解气体分析(Dissolved gas analysis，DGA)是通过分析变压器内部油液中溶解的气体成分来判断潜在的故障情况。基于DGA的传统方法如特征气体组分法、改良三比值法、Rogers比值法、大卫三角法等都存在依赖经验积累和编码区域模糊的问题，故障诊断准确率较低。
发明内容
本发明提供了一种变压器故障的识别方法、装置、设备及介质，能够通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，在精准得到目标变压器的故障识别结果的同时，降低了模型训练过程中的负担。
根据本发明的一方面，提供了一种变压器故障的识别方法，所述方法包括：
获取变压器油中的溶解气体的初始样本数据；
对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；
基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
根据本发明的另一方面，提供了一种变压器故障的识别装置，包括：
初始样本数据获取模块，用于获取变压器油中的溶解气体的初始样本数据；
数据降维模块，用于对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；
模型训练模块，用于基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
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变压器故障的识别方法。
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变压器故障的识别方法。
本申请实施例的技术方案，包括：获取变压器油中的溶解气体的初始样本数据；对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。本技术方案通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，精准得到了目标变压器的故障识别结果，且通过数据降维降低了模型训练过程中的负担，提高了模型训练效率。
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申请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是根据本申请实施例一提供的一种变压器故障的识别方法的流程图；
图2是根据本申请实施例二提供的一种变压器故障的识别方法的流程图；
图3是根据本申请实施例三提供的一种变压器故障的识别装置的结构示意图；
图4是实现本申请实施例的一种变压器故障的识别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，下面将结合本申请实施例中的附图，对本申请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”“目标”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为本申请实施例一提供了一种变压器故障的识别方法的流程图，本申请实施例可适用于对变压器故障进行识别的情况，该方法可以由变压器故障的识别装置来执行，该变压器故障的识别装置可以采用硬件和/或软件的形式实现，该变压器故障的识别装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110，获取变压器油中的溶解气体的初始样本数据。
其中，变压器油中的溶解气体可以根据实际情况确定，本申请实施例对此不做限定，示例性的，本申请实施例所用到的溶解气体为：H2、CH4、C2H6、C2H4和C2H2。初始样本数据是指由溶解气体的浓度数据以及溶解气体的浓度的比值组成的样本，所述溶解气体的浓度的比值可以是C2H4/C2H6等各类溶解气体的比值。
示例性的，初始样本数据的标签包括无故障、温度150℃-700℃的中低温过热、温度大于700℃的高温过热、低能量放电、高能量放电和局部放电六种。
具体的，溶解气体的浓度数据存储入硬盘后，根据溶解气体的浓度数据生成初始样本数据，并由工作人员对初始样本数据打标签，再从硬盘中读取变压器油中的溶解气体的初始样本数据。
S120，对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据。
其中，数据降维是指降低样本数据的维度，通常数据降维包括线性降维和非线性降维，本申请实施例的技术方案对应于非线性降维。
具体的，由于初始样本数据中包括了较多的特征，例如各溶解气体的浓度数据，不同溶解气体的比值等，上述各个特征若均用于后续的模型训练，会存在模型训练和推理计算负担过重的问题，因此，可以通过数据降维的方式对主要特征进行提取，得到数据降维后的样本数据。
示例性的，可以采用用于数据降维的模型、算法等对初始样本数据进行处理，得到数据降维后的样本数据。示例性的，采用核主成分分析(KPCA)对初始样本数据进行处理，得到数据降维后的样本数据。进一步的，采用被人工蜂鸟优化算法优化过的核主成分分析对初始样本数据进行处理，得到数据降维后的样本数据。
S130，基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
其中，待训练的变压器故障识别模型可以为分类模型，基于样本数据对待训练的变压器故障识别模型进行训练后，得到变压器故障识别模型。示例性的，待训练的变压器故障识别模型是极限学习机(Extreme Learning Machine，ELM)网络模型，进一步的，待训练的变压器故障识别模型是经人工蜂鸟算法优化后的ELM模型。
具体的，得到变压器故障模型后，将目标变压器的目标溶解气体数据输入变压器故障模型，变压器故障识别模型对目标溶解气体数据进行处理，得到目标变压器的故障识别结果。需要说明的是，目标溶解气体数据中所包括的数据内容与样本数据相对应，例如样本数据中有10个特征，则目标溶解气体数据也是这10个特征，只是具体的数据的值是根据目标变压器确定的。
本申请实施例的技术方案，包括：获取变压器油中的溶解气体的初始样本数据；对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。本技术方案通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，精准得到了目标变压器的故障识别结果，且通过数据降维降低了模型训练过程中的负担，提高了模型训练效率。
实施例二
图2为本申请实施例二提供的一种变压器故障的识别方法的流程图，本申请实施例以上述实施例为基础进行优化。
如图2所示，本申请实施例的方法具体包括如下步骤：
S210，获取变压器油中的溶解气体的初始样本数据。
本申请实施例中，可选的，获取变压器油中的溶解气体的初始样本数据，包括：将变压器油中的溶解气体的浓度数据以及溶解气体的比值数据确定为初始样本数据；所述溶解气体的比值数据为溶解气体的浓度数据与至少一种溶解气体的浓度数据的比值。
示例性的，变压器油中的溶解气体的浓度数据可以包括：H2、CH4、C2H6、C2H4和C2H2；溶解气体的比值数据可以包括：C2H2/C2H4、CH4/H2、C2H4/C2H6、C2H2/(C2H2+C2H4+CH4)、C2H4/(C2H2+C2H4+CH4)、CH4/(C2H2+C2H4+CH4)、C2H2/CH4、C2H2/H2、C2H2/C2H6、C2H4/H2、C2H4/CH4、C2H6/H2、CH4/C2H6、C2H4/(CH4+C2H6+C2H4+C2H2)、H2/(CH4+C2H6+C2H4+C2H2)、C2H2/(CH4+C2H6+C2H4+C2H2)、CH4/(CH4+C2H6+C2H4+C2H2)、C2H6/(CH4+C2H6+C2H4+C2H2)。
本方案这样设置，使得初始样本数据中包括了较多的特征。
本申请实施例中，可选的，所述溶解气体的比值数据的确定过程，包括：将各溶解气体的浓度数据与总烃含量的比值；和/或将具有关联关系的溶解气体的浓度数据的比值确定为所述溶解气体的比值数据。
本申请实施例中，溶解气体的比值数据中，一部分是各溶解气体的浓度数据与总烃含量的比值，另一部分是具有关联关系的溶解气体之间的比值，所述具有关联关系的溶解气体为相互影响的几种溶解气体，可根据该溶解气体之间应呈现的比例关系判断变压器故障，具体可以将大卫三角形法等所反映的具有一定比例关系的溶解气体，确定为具有关联关系的溶解气体。
示例性的，对初始样本数据进行归一化处理，即将多维气体浓度比值特征的数值映射到[0,1]之间。
归一化公式为：
xij为第i种气体特征的第j个值；max(xij)、min(xij)分别为第i种气体特征的最大值、最小值。
S220，基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据。
其中，核主成分分析(KPCA)是基于核技巧的一种非线性降维方法，能更好地处理非线性数据。
具体的，若通过人工迭代确定核主成分分析中的核参数，存在耗时长且效率低下的问题，难以满足实际工程的要求，所以，本申请通过人工蜂鸟算法对核主成分分析进行迭代优化，具有用时短、效率高的优点。
本申请实施例中，可选的，基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据，包括步骤A1-A6：
步骤A1，基于人工蜂鸟算法对核主成分分析的核函数的核参数进行优化，得到目标核参数，并根据目标核参数确定目标核函数。
本申请实施例中，可选的，基于人工蜂鸟算法对核主成分分析的核函数的核参数进行优化，得到目标核参数，包括：将径向基函数中的高斯核参数确定为核主成分分析的核函数的核参数。
示例性的，选择径向基函数作为KPCA的核函数，它的数学表达式如下：
式中，σ为高斯核参数。
设置人工蜂鸟算法的最大迭代次数、种群数量以及核参数的寻优范围。
示例性的，适应度函数Fg旨在优化样本在降维后的空间中的类别可分性，通过最大化类间散度矩阵Sb并最小化类内散度矩阵Sw来达到目标。
采用人工蜂鸟算法对所述核参数进行处理，将适应度函数最大时对应的核参数确定为目标核参数；
其中，所述适应度函数Fg为：
Fg＝trace(Sb)/trace(Sw)；
Sw＝∑∑(xj-mi)T(xj-mi)；
Sb＝∑Ni(mi-M)T(mi-M)；
其中，trace为矩阵的迹运算；xj为第j个初始样本数据，G为类别数，Ni代表第i个类别中有Ni个样本，mi(i＝1，2，…，G)为每类样本的几何中心，M为所有样本类别的中心，x可以为数据向量。
示例性的，步骤A1相当于对AHA-KPCA进行迭代优化，找到适应度函数值最好的目标核参数。
步骤A2，根据所述目标核函数以及所述初始样本数据，确定核矩阵。
核矩阵K可用如下公式表示：
其中，K为核矩阵，k(xn,xn)为径向基函数即为核函数，xn为初始样本数据中第n个特征，xn×m表示有n组m维数据(角标m已省略)。X可以为数据向量。
步骤A3，对所述核矩阵进行中心化处理，得到中心化核矩阵。
其中，中心化核矩阵可用如下公式表示：
其中，K*为中心化核矩阵，角标T表示矩阵的转置，Ln表示所有元素值均为1/n的n×n矩阵。
步骤A4，计算出所述中心化核矩阵的特征值以及对应的特征向量，并对特征值进行排序。
示例性的，采用如下公式计算特征值以及特征向量：
K*v＝(XXT)v＝λv。
步骤A5，在排序后的特征值中，选择目标特征值对应的特征向量为主成分。
本申请实施例中，可选的，在排序后的特征值中，选择目标特征值对应的特征向量为主成分，包括：从大到小对排序后的特征值进行遍历；若叠加结果与所有特征值之和的比值，大于预设比值阈值，则将目标特征值以及大于目标特征值的各特征值对应的特征向量确定为主成分；所述叠加结果为目标特征值与所有大于目标特征值的其它特征值的和，所述目标特征值为当前遍历过程所针对的特征值。
其中，预设比值阈值可以根据实际情况确定，本申请实施例对此不做限定，示例性的，预设比值阈值为85％。
示例性的，对特征值从大到小排列，选择累积贡献率达到85％的前k个最大的特征值作为目标特征值；基于目标特征值对应的特征向量构建降维空间。
示例性的，若排序后的特征值为0.43、0.21、0.05、0.04……，则计算各特征值之和，从大到小对特征值进行累加，什么时候累加的特征值之和/各特征值之和刚好大于85％，则将累加的特征值们均确定为目标特征值。
步骤A6，基于所述主成分构建降维空间，并将所述初始样本数据投影到所述降维空间中，输出得到样本数据。
将初始样本数据按照下式投影到所述降维空间中，输出得到样本数据：
其中，λ为特征值，v为特征向量。
S230，基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
本申请实施例中，可选的，所述待训练的变压器故障识别模型为经人工蜂鸟算法优化后的极限学习机；所述方法还包括：将诊断误差率作为适应度函数，将适应度函数值为最小时对应的输入权值和节点偏置确定为目标输入权值和目标节点偏置；所述诊断误差率为极限学习机在被优化过程中对样本的识别结果为错误的数量与所识别的样本的总数量的比值；根据目标输入权值和目标节点偏置确定经人工蜂鸟算法优化后的极限学习机。
示例性的，设置人工蜂鸟算法的最大迭代次数、种群数量以及极限学习机网络模型的输入权值W和隐藏层节点的偏置b的寻优范围，初始化蜂鸟种群，并将诊断误差率作为人工蜂鸟算法的适应度函数，对极限学习机进行迭代优化，找到适应度函数值最好的蜂鸟位置，即为模型的输入权值W和隐藏层节点的偏置b的最优值，该最优值为目标输入权值和目标节点偏置，根据目标输入权值和目标节点偏置确定经人工蜂鸟算法优化后的极限学习机。
本申请实施例中，可选的，基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，包括：基于所述样本数据对经人工蜂鸟算法优化后的极限学习机进行训练，得到变压器故障识别模型。
进一步的，基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
本申请实施例的技术方案，包括：获取变压器油中的溶解气体的初始样本数据；基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据；基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。本技术方案通过被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据，再通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，精准得到了目标变压器的故障识别结果，且通过数据降维降低了模型训练过程中的负担，提高了模型训练效率。
实施例三
图3为本申请实施例三提供的一种变压器故障的识别装置的结构示意图，该装置可执行本发明任意实施例所提供的变压器故障的识别方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
初始样本数据获取模块310，用于获取变压器油中的溶解气体的初始样本数据；
数据降维模块320，用于对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；
模型训练模块330，用于基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
本申请实施例的技术方案，包括：初始样本数据获取模块310，用于获取变压器油中的溶解气体的初始样本数据；数据降维模块320，用于对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；模型训练模块330，用于基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。本技术方案通过降维后的样本数据训练出变压器故障识别模型，并基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，精准得到了目标变压器的故障识别结果，且通过数据降维降低了模型训练过程中的负担，提高了模型训练效率。
可选的，数据降维模块320，包括：
数据降维单元，用于基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据。
可选的，数据降维单元，包括：
目标核参数确定子单元，用于基于人工蜂鸟算法对核主成分分析的核函数的核参数进行优化，得到目标核参数，并根据目标核参数确定目标核函数；
核矩阵确定子单元，用于根据所述目标核函数以及所述初始样本数据，确定核矩阵；
核矩阵中心化子单元，用于对所述核矩阵进行中心化处理，得到中心化核矩阵；
特征值计算子单元，用于计算出所述中心化核矩阵的特征值以及对应的特征向量，并对特征值进行排序；
主成分确定子单元，用于在排序后的特征值中，选择目标特征值对应的特征向量为主成分；
降维空间构建子单元，用于基于所述主成分构建降维空间，并将所述初始样本数据投影到所述降维空间中，输出得到样本数据。
可选的，目标核参数确定子单元，具体用于：
将径向基函数中的高斯核参数确定为核主成分分析的核函数的核参数；
采用人工蜂鸟算法对所述核参数进行处理，将适应度函数最大时对应的核参数确定为目标核参数；
其中，所述适应度函数Fg为：
Fg＝trace(Sb)/trace(Sw)；
Sw＝∑∑(xj-mi)T(xj-mi)；
Sb＝∑Ni(mi-M)T(mi-M)；
其中，trace为矩阵的迹运算；xj为第j个初始样本数据，G为类别数，Ni代表第i个类别中有Ni个样本，mi(i＝1，2，…，G)为每类样本的几何中心，M为所有样本类别的中心。
可选的，主成分确定子单元，具体用于：
从大到小对排序后的特征值进行遍历；
若叠加结果与所有特征值之和的比值，大于预设比值阈值，则将目标特征值以及大于目标特征值的各特征值对应的特征向量确定为主成分；所述叠加结果为目标特征值与所有大于目标特征值的其它特征值的和，所述目标特征值为当前遍历过程所针对的特征值。
可选的，所述待训练的变压器故障识别模型为经人工蜂鸟算法优化后的极限学习机；
所述装置还包括：
目标输入权值和目标节点偏置确定模块，用于将诊断误差率作为适应度函数，将适应度函数值为最小时对应的输入权值和节点偏置确定为目标输入权值和目标节点偏置；所述诊断误差率为极限学习机在被优化过程中对样本的识别结果为错误的数量与所识别的样本的总数量的比值；
极限学习机优化模块，用于根据目标输入权值和目标节点偏置确定经人工蜂鸟算法优化后的极限学习机；
相应的，模型训练模块330，包括：
模型训练单元，用于基于所述样本数据对经人工蜂鸟算法优化后的极限学习机进行训练，得到变压器故障识别模型。
可选的，初始样本数据获取模块310，包括：
初始样本数据确定单元，用于将变压器油中的溶解气体的浓度数据以及溶解气体的比值数据确定为初始样本数据；所述溶解气体的比值数据为溶解气体的浓度数据与至少一种溶解气体的浓度数据的比值。
可选的，所述装置还包括：溶解气体的比值数据的确定模块，具体包括：
将各溶解气体的浓度数据与总烃含量的比值；和/或
将具有关联关系的溶解气体的浓度数据的比值确定为所述溶解气体的比值数据。
本申请实施例所提供的一种变压器故障的识别装置可执行本发明任意实施例所提供的一种变压器故障的识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4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4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，例如变压器故障的识别方法。
在一些实施例中，变压器故障的识别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变压器故障的识别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)而被配置为执行变压器故障的识别方法。
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)、复杂可编程逻辑设备(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)
1.一种变压器故障的识别方法，其特征在于，包括：
获取变压器油中的溶解气体的初始样本数据；
对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；
基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
2.根据权利要求1所述的方法，其特征在于，对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据，包括：
基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据。
3.根据权利要求2所述的方法，其特征在于，基于被人工蜂鸟算法优化后的核主成分分析对所述初始样本数据进行数据降维处理，得到样本数据，包括：
基于人工蜂鸟算法对核主成分分析的核函数的核参数进行优化，得到目标核参数，并根据目标核参数确定目标核函数；
根据所述目标核函数以及所述初始样本数据，确定核矩阵；
对所述核矩阵进行中心化处理，得到中心化核矩阵；
计算出所述中心化核矩阵的特征值以及对应的特征向量，并对特征值进行排序；
在排序后的特征值中，选择目标特征值对应的特征向量为主成分；
基于所述主成分构建降维空间，并将所述初始样本数据投影到所述降维空间中，输出得到样本数据。
4.根据权利要求3所述的方法，其特征在于，基于人工蜂鸟算法对核主成分分析的核函数的核参数进行优化，得到目标核参数，包括：
将径向基函数中的高斯核参数确定为核主成分分析的核函数的核参数；
采用人工蜂鸟算法对所述核参数进行处理，将适应度函数最大时对应的核参数确定为目标核参数；
其中，所述适应度函数Fg为：
Fg＝trace(Sb)/trace(Sw)；
Sw＝∑∑(xj-mi)T(xj-mi)；
Sb＝∑Ni(mi-M)T(mi-M)；
其中，trace为矩阵的迹运算；xj为第j个初始样本数据，G为类别数，Ni代表第i个类别中有Ni个样本，mi(i＝1，2，…，G)为每类样本的几何中心，M为所有样本类别的中心。
5.根据权利要求3所述的方法，其特征在于，在排序后的特征值中，选择目标特征值对应的特征向量为主成分，包括：
从大到小对排序后的特征值进行遍历；
若叠加结果与所有特征值之和的比值，大于预设比值阈值，则将目标特征值以及大于目标特征值的各特征值对应的特征向量确定为主成分；所述叠加结果为目标特征值与所有大于目标特征值的其它特征值的和，所述目标特征值为当前遍历过程所针对的特征值。
6.根据权利要求1所述的方法，其特征在于，所述待训练的变压器故障识别模型为经人工蜂鸟算法优化后的极限学习机；
所述方法还包括：
将诊断误差率作为适应度函数，将适应度函数值为最小时对应的输入权值和节点偏置确定为目标输入权值和目标节点偏置；所述诊断误差率为极限学习机在被优化过程中对样本的识别结果为错误的数量与所识别的样本的总数量的比值；
根据目标输入权值和目标节点偏置确定经人工蜂鸟算法优化后的极限学习机；
相应的，基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，包括：
基于所述样本数据对经人工蜂鸟算法优化后的极限学习机进行训练，得到变压器故障识别模型。
7.根据权利要求1所述的方法，其特征在于，获取变压器油中的溶解气体的初始样本数据，包括：
将变压器油中的溶解气体的浓度数据以及溶解气体的比值数据确定为初始样本数据；所述溶解气体的比值数据为溶解气体的浓度数据与至少一种溶解气体的浓度数据的比值；
所述溶解气体的比值数据的确定过程，包括：
将各溶解气体的浓度数据与总烃含量的比值；和/或
将具有关联关系的溶解气体的浓度数据的比值确定为所述溶解气体的比值数据。
8.一种变压器故障的识别装置，其特征在于，包括：
初始样本数据获取模块，用于获取变压器油中的溶解气体的初始样本数据；
数据降维模块，用于对所述初始样本数据进行数据降维处理，得到数据降维后的样本数据；
模型训练模块，用于基于所述样本数据对待训练的变压器故障识别模型进行训练，得到变压器故障识别模型，以基于变压器故障识别模型对目标变压器的目标溶解气体数据进行处理，得到目标变压器的故障识别结果。
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中任一项所述的变压器故障的识别方法。
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中任一项所述的变压器故障的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649646.8A CN117633525A (zh) | 2023-11-30 | 2023-11-30 | 一种变压器故障的识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311649646.8A CN117633525A (zh) | 2023-11-30 | 2023-11-30 | 一种变压器故障的识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117633525A true CN117633525A (zh) | 2024-03-01 |
Family
ID=90031805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311649646.8A Pending CN117633525A (zh) | 2023-11-30 | 2023-11-30 | 一种变压器故障的识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633525A (zh) |
-
2023
- 2023-11-30 CN CN202311649646.8A patent/CN117633525A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420822B (zh) | 模型训练方法和装置、文本预测方法和装置 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN115116559A (zh) | 氨基酸中原子坐标的确定及训练方法、装置、设备和介质 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN114037059A (zh) | 预训练模型、模型的生成方法、数据处理方法及装置 | |
| CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
| CN116629620A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
| CN113590774A (zh) | 事件查询方法、装置以及存储介质 | |
| CN117611011A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
| CN117611005A (zh) | 客服服务质量的评估方法、装置、设备及存储介质 | |
| CN117633525A (zh) | 一种变压器故障的识别方法、装置、设备及介质 | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
| CN114912541A (zh) | 分类方法、装置、电子设备和存储介质 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| CN113221564B (zh) | 训练实体识别模型的方法、装置、电子设备和存储介质 | |
| CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
| CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
| CN115223574B (zh) | 语音信息处理方法、模型的训练方法、唤醒方法及装置 | |
| CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
| CN117235611A (zh) | 故障检测模型训练、故障检测方法、装置、设备及介质 | |
| CN115952403A (zh) | 评估对象性能的方法、装置、电子设备及存储介质 | |
| CN113591613A (zh) | 窃电行为识别方法、系统、终端设备及存储介质 | |
| CN116913406A (zh) | 一种变压器的故障识别方法、装置、设备及介质 | |
| CN113869406A (zh) | 噪声样本的识别方法、装置、电子设备以及存储介质 |
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 |