CN117725529A - 基于多模态自注意力机制的变压器故障诊断方法 - Google Patents
基于多模态自注意力机制的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN117725529A CN117725529A CN202410179949.6A CN202410179949A CN117725529A CN 117725529 A CN117725529 A CN 117725529A CN 202410179949 A CN202410179949 A CN 202410179949A CN 117725529 A CN117725529 A CN 117725529A
- Authority
- CN
- China
- Prior art keywords
- transformer
- loss
- self
- mode
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012512 characterization method Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 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
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于多模态自注意力机制的变压器故障诊断方法，获取待诊断的变压器图像，输入到预先训练好的基于多模态自注意力机制诊断模型，得到变压器的诊断信息；基于多模态自注意力机制诊断模型的训练过程，包括：对历史变压器的图像和历史采集变压器参数信息的传感器数据进行故障分类并做标签并划分训练集和验证集；对自注意力网络模型进行训练以及验证，得到训练好的基于多模态自注意力机制诊断模型；输入为：将传感器数据分成若干个模态，对每个模态提取特征，通过特征编码器将对各个特征映射到统一特征表示空间，并分为两种聚类表征；将两种聚类表征进行重构得到所述自注意力网络模型的输入。优点：在故障诊断精度和速度上有明显优势。
Description
技术领域
本发明涉及一种基于多模态自注意力机制的变压器故障诊断方法，属于人工智能技术领域。
背景技术
变压器在电力系统中更是扮演着非常关键的角色。电力变压器具有电压等级变换、电能转移和分配等功能，其安全稳定的运行对于整个电网的状况都极为重要。 若变压器发生故障，轻则会造成设备损坏、报废，重则会导致大面积区域停电等重大生活生产事故。
在现有的技术下，传统式变压器故障诊断方法DGA法操作简单，但存在故障诊断准确度较低以及反应速度过慢的缺点。近年来，人工智能的飞速发展为变压器的故障诊断和排查工作提供了新的方法。极限学习机(Extreme Learning Machine，ELM)的训练速度较快，但模型诊断的稳定性较差。专家系统难以取得足够的专家知识和经验；支持向量机可以解决小样本、局部极小值及过拟合等问题，但其实质上是二分类计算，在处理多类型问题时存在不完全分类或分类结果重复的情况；BP神经网络的训练约束速度很慢，容易陷入局部最优导致分类精度差。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于多模态自注意力机制的变压器故障诊断方法。
为解决上述技术问题，本发明提供一种基于多模态自注意力机制的变压器故障诊断方法，包括：
获取待诊断的变压器图像，输入到预先训练好的基于多模态自注意力机制诊断模型，得到变压器的诊断信息；
所述基于多模态自注意力机制诊断模型的训练过程，包括：
获取历史变压器的图像和历史采集变压器参数信息的传感器数据，对历史变压器的图像和历史采集变压器参数信息的传感器数据进行故障分类并做标签，得到标签区分后的数据集，对标签区分后的数据集按照预设比例进行训练集、验证集、测试集划分；
获取用于对每种聚类表征进行融合预测的自注意力网络模型和对应的损失函数；
基于所述训练集、所述验证集、所述测试集和所述损失函数对所述自注意力网络模型进行训练、验证以及测试，测试通过所对应的自注意力网络模型作为所述训练好的基于多模态自注意力机制诊断模型；
输入自注意力网络模型的数据的处理过程，包括：
将变压器的图像和采集变压器参数信息的传感器数据分成若干个模态，并分别对每个模态提取特征，通过特征编码器将对各个模态提取的特征映射到统一特征表示空间，并分为两种聚类表征；
将所述两种聚类表征进行重构得到自注意力网络模型的输入。
进一步的，所述若干个模态包括：模态一、模态二、模态三和模态四；
模态一包括：各传感器采集的振动频率、变压器的局放采样峰值、变压器的局放峰值相位；
模态二包括：氢气量、一氧化碳量、二氧化碳量、甲烷量、乙烷量、乙烯量、乙炔量、总烃；
模态三包括：温度情况、是否漏油、声音情况；
模态四包括：传感器采集数据时的变压器图像信息。
进一步的，所述对每个模态提取特征，包括：
模态一至模态三通过两次双向长短期记忆神经网络进行特征提取，得到三种模态的特征提取表征，将所述三种模态的特征提取表征进行整合得到特征提取结果，公式表示为：
；
式中，H 1,2,3表示整合得到特征提取结果，X 1,2,3表示模态一至模态三的输入，LSTM 1表示第一个长短期记忆神经网络，LSTM 2表示第二个长短期记忆神经网络；
通过应用PIL库中的Image类将模态四对应的具体的图片转化为抽象的张量，通过对抽象的张量进行维度转化得到预设维度的结果，最后将得到的预设维度的结果经全连接层得出最终实际的结果。
进一步的，所述通过特征编码器将对各个模态提取的特征映射到统一特征表示空间，包括：
将根据模态一、模态二、模态三和模态四所分别提取到的特征通过两种编码器，映射到统一特征表示空间，并分为两种聚类表征；
所述两种编码器分别为各个模态自身应用的私有编码器以及所有四个模态公用的共享编码器。
进一步的，将所述两种聚类表征进行重构得到自注意力网络模型的输入；
所述重构的过程表示为：
；
式中，表示重构后的自注意力网络模型的输入，/>表示各个模态通过各自私有编码器后的结果，/>表示各个模态通过共享编码器后的结果，recon表示重构网络，m表示模态的序号。
进一步的，所述自注意力网络模型的训练融合过程表示为：
；
式中，表示最终结果，fusion表示融合网络，Transformer表示多头注意力机制Transformer网络。
进一步的，所述损失函数包括：平均平方误差损失、不变性损失、相似性损失和重构性损失；
平均平方误差损失L mse 表示为：
；
式中，是实际值结果，MSE表示求平均平方误差；
不变性损失L diff 表示为：
；
式中，是平方Frobenius范数，T表示矩阵的转置，m 1和m 2分别表示两种不同的模态，/>和/>分别表示m 1和m 2两种不同模态通过私有编码器后的结果；
相似性损失L sim 表示为：
；
式中，CMD表示中心力矩差异度量，和/>分别表示m 1和m 2两种不同模态通过共享编码器后的结果；
重构性损失L recon 表示为：
；
式中，为预先定义的Decoder函数，/>，H m 为各个模态特征提取后的结果，/>是平方Frobenius范数，d h 为batch_size， batch_size表示单次传递给程序用以训练的样本个数。
进一步的，还包括：
整体Loss值计算，表示为：
；
式中，W diff 、W sim 、W recon 为设置的不变性损失、相似性损失、重构性损失的初始权重，Loss为整体损失，MSELoss、difLoss、CMD Loss、recon Loss分别为平均平方误差损失、不变性损失、相似性损失、重构性损失的计算值；
计算整体Loss值，而后损失函数反向传播以更新权重值，判断训练集中的所有内容是否都已经训练完毕，如果还有未曾训练的内容，进入下一个batch，直至全部训练完毕。
本发明所达到的有益效果：
相较于特征气体判别法和IEC三比值法，本发明方法综合了各种变压器相关数据以及变压器图像，而特征气体判别法和IEC三比值法的判断依据更多源于实践经验，因此，本方法在理论上和实际上的精度都优于传统方法；
相较于支持向量机(SVM)，本发明方法能够在多分类任务上有比较好的结果，而SVM实际上只能应用于二分类任务；
整体上本发明方法相较于现有的变压器故障诊断方法，在故障诊断精度和速度上有明显优势。
附图说明
图1是本发明多模态自注意力机制的变压器故障诊断工作原理流程图；
图2是诊断结果准确率示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示为本发明实施例提供的一种基于多模态自注意力机制的变压器故障诊断方法流程图，具体包括如下步骤：
步骤1：读取已有的变压器相应参数以及变压器图像信息，将不同的变压器故障按照不同的标签区分开。
步骤1中变压器故障与标签值对应关系表1所示：
表1：变压器故障-标签值对应关系
步骤2：将读取到的变压器参数信息已经变压器图像信息分为4个模态，具体地，模态1：各通道频率、局放采样峰值、局放峰值相位；模态2：氢气量、一氧化碳量、二氧化碳量、甲烷量、乙烷量、乙烯量、乙炔量、总烃；
模态3：温度情况（高温或低温）、是否漏油、声音情况（正常或异常）；
模态4：当前变压器图像信息。
步骤3：对上述得到的4个模态提取特征，具体地，
步骤3-1：对于变压器的参数信息，即模态1至模态3，将其送入两个双向长短期记忆神经网络以提取特征，具体方法如下：
；
式中，H 1,2,3表示整合得到特征提取结果，X 1,2,3表示模态一至模态三的输入，LSTM 1表示第一个长短期记忆神经网络，LSTM 2表示第二个长短期记忆神经网络。
步骤3-2：对于变压器的图像信息，即模态4，首先通过应用PIL库中的Image类将具体的图片转化为抽象的张量，而后通过残差神经网络ResNet50和一个全连接层，提取到变压器图像信息的特征H 4。
步骤4：将这4个模态所分别提取到的特征结果通过2个编码器，映射到两个子空间，即特定向量私有子空间(private)和不变向量共享子空间(shared)。具体地：
，/>，/>，/>，；
式中，H 1,2,3,4表示模态1至模态4特征提取后的结果。
步骤5：依据上述步骤，可以得到4个模态分别在统一特征表示空间中的不同输入形态，对这些新的输入形态做重构操作，得到4个模态的重构输入。具体地：
；
式中，表示重构后的自注意力网络模型的输入，/>表示各个模态通过各自私有编码器后的结果，/>表示各个模态通过共享编码器后的结果，recon表示重构网络，m表示模态的序号。
步骤6：将步骤4中的4个模态映射到统一特征表示空间中的结果，同步骤5中的4个模态进行重构后的输入，全部作为自注意力神经网络的输入，进行一次自注意力神经网络训练融合。具体地：
；
式中，表示最终结果，fusion表示融合网络，Transformer表示多头注意力机制Transformer网络。
步骤7：分别计算各个损失函数的loss值，具体包括：
步骤7-1：计算平均平方误差损失(MSELoss)，计算公式为：
；
式中，是实际值结果，MSE表示求平均平方误差；
平均平方误差MSE的计算方法为：
；
式中，k为设置的batch_size，这里k取值为20。
步骤7-2：计算不变性损失(Difference Loss)，计算公式为：
；
式中，是平方Frobenius范数，T表示矩阵的转置，m 1和m 2分别表示两种不同的模态，/>和/>分别表示m 1和m 2两种不同模态通过私有编码器后的结果；这里除了不变向量与特定向量之间的约束外，还增加了特定模态向量之间的正交性约束，以保证不同的模态特征捕获不同的信息，防止信息冗余。
步骤7-3：计算相似性损失(Similarity Loss)，计算公式为：
；
式中，CMD表示中心力矩差异度量，和/>分别表示m 1和m 2两种不同模态通过共享编码器后的结果；最小化相似性损失减少了每个模态的共享表示之间的差异。这有助于在共享子空间(shared)中将公共的跨模态特征对齐在一起。这里使用中心力矩差异(CMD)度量来实现这一目的。
步骤7-4：计算重构性损失(Recon Loss)，计算公式为：
；
式中，为预先定义的Decoder函数，/>，H m 为各个模态特征提取后的结果，/>是平方Frobenius范数，d h 为batch_size， batch_size表示单次传递给程序用以训练的样本个数。为了防止存在由特定于模态的编码器学习琐碎表示的风险，设计了Recon Loss。
步骤8：依据步骤7中所计算出的loss值，对其做加权运算，计算公式为：
；
设置初始权重W diff =0.5，W sim =0.5，W recon =0.5，得出整体Loss值，而后损失函数反向传播以更新权重值。判断训练集(train)中的所有内容是否都已经训练完毕，如果还有未曾训练的内容，进入下一个batch，跳转至步骤3，如果全部训练完毕，进行下一步骤。
步骤9：在测试集(test)上验证算法结果，具体步骤与训练集(train)类似，即步骤3至步骤7。
根据上述基于多模态自注意力机制的变压器故障诊断方法，选择3600条数据作为训练集，600条数据作为验证集，得到的诊断结果如图2所示。
从图2中结果可以看出，基于多模态自注意力机制的变压器故障诊断方法在多分类任务上诊断精度能够达到98%。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于多模态自注意力机制的变压器故障诊断方法，其特征在于，包括：
获取待诊断的变压器图像，输入到预先训练好的基于多模态自注意力机制诊断模型，得到变压器的诊断信息；
所述基于多模态自注意力机制诊断模型的训练过程，包括：
获取历史变压器的图像和历史采集变压器参数信息的传感器数据，对历史变压器的图像和历史采集变压器参数信息的传感器数据进行故障分类并做标签，得到标签区分后的数据集，对标签区分后的数据集按照预设比例进行训练集、验证集、测试集划分；
获取用于对每种聚类表征进行融合预测的自注意力网络模型和对应的损失函数；
基于所述训练集、所述验证集、所述测试集和所述损失函数对所述自注意力网络模型进行训练、验证以及测试，测试通过所对应的自注意力网络模型作为所述训练好的基于多模态自注意力机制诊断模型；
输入自注意力网络模型的数据的处理过程，包括：
将变压器的图像和采集变压器参数信息的传感器数据分成若干个模态，并分别对每个模态提取特征，通过特征编码器将对各个模态提取的特征映射到统一特征表示空间，并分为两种聚类表征；
将所述两种聚类表征进行重构得到自注意力网络模型的输入。
2.根据权利要求1所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，所述若干个模态包括：模态一、模态二、模态三和模态四；
模态一包括：各传感器采集的振动频率、变压器的局放采样峰值、变压器的局放峰值相位；
模态二包括：氢气量、一氧化碳量、二氧化碳量、甲烷量、乙烷量、乙烯量、乙炔量、总烃；
模态三包括：温度情况、是否漏油、声音情况；
模态四包括：传感器采集数据时的变压器图像信息。
3.根据权利要求2所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，所述对每个模态提取特征，包括：
模态一至模态三通过两次双向长短期记忆神经网络进行特征提取，得到三种模态的特征提取表征，将所述三种模态的特征提取表征进行整合得到特征提取结果，公式表示为：
；
式中，H 1,2,3表示整合得到特征提取结果，X 1,2,3表示模态一至模态三的输入，LSTM 1表示第一个长短期记忆神经网络，LSTM 2表示第二个长短期记忆神经网络；
通过应用PIL库中的Image类将模态四对应的具体的图片转化为抽象的张量，通过对抽象的张量进行维度转化得到预设维度的结果，最后将得到的预设维度的结果经全连接层得出最终实际的结果。
4.根据权利要求2所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，所述通过特征编码器将对各个模态提取的特征映射到统一特征表示空间，包括：
将根据模态一、模态二、模态三和模态四所分别提取到的特征通过两种编码器，映射到统一特征表示空间，并分为两种聚类表征；
所述两种编码器分别为各个模态自身应用的私有编码器以及所有四个模态公用的共享编码器。
5.根据权利要求4所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，将所述两种聚类表征进行重构得到自注意力网络模型的输入；
所述重构的过程表示为：
；
式中，表示重构后的自注意力网络模型的输入，/>表示各个模态通过各自私有编码器后的结果，/>表示各个模态通过共享编码器后的结果，recon表示重构网络，m表示模态的序号。
6.根据权利要求5所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，所述自注意力网络模型的训练融合过程表示为：
；
式中，表示最终结果，fusion表示融合网络，Transformer表示多头注意力机制Transformer网络。
7.根据权利要求6所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，所述损失函数包括：平均平方误差损失、不变性损失、相似性损失和重构性损失；
平均平方误差损失L mse 表示为：
；
式中，是实际值结果，MSE表示求平均平方误差；
不变性损失L diff 表示为：
；
式中，是平方Frobenius范数，T表示矩阵的转置，m 1和m 2分别表示两种不同的模态，和/>分别表示 m 1和m 2两种不同模态通过私有编码器后的结果；
相似性损失L sim 表示为：
；
式中，CMD表示中心力矩差异度量，和/>分别表示 m 1和m 2两种不同模态通过共享编码器后的结果；
重构性损失L recon 表示为：
；
式中，为预先定义的Decoder函数，/>，H m 为各个模态特征提取后的结果，/>是平方Frobenius范数，d h 为batch_size， batch_size表示单次传递给程序用以训练的样本个数。
8.根据权利要求7所述的基于多模态自注意力机制的变压器故障诊断方法，其特征在于，还包括：
整体Loss值计算，表示为：
；
式中，W diff 、W sim 、W recon 为设置的不变性损失、相似性损失、重构性损失的初始权重，Loss为整体损失，MSELoss、difLoss、CMD Loss、recon Loss分别为平均平方误差损失、不变性损失、相似性损失、重构性损失的计算值；
计算整体Loss值，而后损失函数反向传播以更新权重值，判断训练集中的所有内容是否都已经训练完毕，如果还有未曾训练的内容，进入下一个batch，直至全部训练完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179949.6A CN117725529B (zh) | 2024-02-18 | 2024-02-18 | 基于多模态自注意力机制的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179949.6A CN117725529B (zh) | 2024-02-18 | 2024-02-18 | 基于多模态自注意力机制的变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117725529A true CN117725529A (zh) | 2024-03-19 |
| CN117725529B CN117725529B (zh) | 2024-05-24 |
Family
ID=90209293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410179949.6A Active CN117725529B (zh) | 2024-02-18 | 2024-02-18 | 基于多模态自注意力机制的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725529B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| KR20200014129A (ko) * | 2018-07-31 | 2020-02-10 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 변압기 진단 방법 |
| US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
| CN113807444A (zh) * | 2021-09-22 | 2021-12-17 | 湖南工业大学 | 基于约束对抗卷积自编码记忆融合网络的故障诊断方法 |
| CN114881106A (zh) * | 2022-03-28 | 2022-08-09 | 南京邮电大学 | 一种基于mpa-svm的变压器故障诊断方法及装置 |
| CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
| CN115563539A (zh) * | 2022-10-19 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障诊断方法、装置、存储介质及设备 |
| CN116310551A (zh) * | 2023-03-13 | 2023-06-23 | 宁波力斗智能技术有限公司 | 多模态信息融合网络的电力变压器故障诊断方法及系统 |
| CN116842423A (zh) * | 2023-06-16 | 2023-10-03 | 成都航天科工大数据研究院有限公司 | 基于多模态深度学习的航空发动机故障诊断方法及系统 |
| CN116955951A (zh) * | 2023-07-12 | 2023-10-27 | 合肥工业大学 | 基于自注意力的异构网络的变压器故障诊断方法及装置 |
| CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
| CN117312930A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种变压器零样本故障诊断方法、装置、存储介质及设备 |
| CN117349708A (zh) * | 2023-11-06 | 2024-01-05 | 上海电机学院 | 一种基于浅层特征融合的电机故障智能诊断方法 |
| CN117390407A (zh) * | 2023-12-13 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 变电站设备的故障识别方法、系统、介质和设备 |
-
2024
- 2024-02-18 CN CN202410179949.6A patent/CN117725529B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200014129A (ko) * | 2018-07-31 | 2020-02-10 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 변압기 진단 방법 |
| CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
| US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
| CN113807444A (zh) * | 2021-09-22 | 2021-12-17 | 湖南工业大学 | 基于约束对抗卷积自编码记忆融合网络的故障诊断方法 |
| CN114881106A (zh) * | 2022-03-28 | 2022-08-09 | 南京邮电大学 | 一种基于mpa-svm的变压器故障诊断方法及装置 |
| CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
| CN115563539A (zh) * | 2022-10-19 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 一种变压器故障诊断方法、装置、存储介质及设备 |
| CN116310551A (zh) * | 2023-03-13 | 2023-06-23 | 宁波力斗智能技术有限公司 | 多模态信息融合网络的电力变压器故障诊断方法及系统 |
| CN116842423A (zh) * | 2023-06-16 | 2023-10-03 | 成都航天科工大数据研究院有限公司 | 基于多模态深度学习的航空发动机故障诊断方法及系统 |
| CN116955951A (zh) * | 2023-07-12 | 2023-10-27 | 合肥工业大学 | 基于自注意力的异构网络的变压器故障诊断方法及装置 |
| CN117349708A (zh) * | 2023-11-06 | 2024-01-05 | 上海电机学院 | 一种基于浅层特征融合的电机故障智能诊断方法 |
| CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
| CN117312930A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种变压器零样本故障诊断方法、装置、存储介质及设备 |
| CN117390407A (zh) * | 2023-12-13 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 变电站设备的故障识别方法、系统、介质和设备 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIKAI XING 等: "Multi-modal information analysis for fault diagnosis with time-series data from power transformer", 《INTERNATIONAL JOURNAL OF ELECTRICAL POWER AND ENERGY SYSTEMS》, vol. 144, 30 August 2022 (2022-08-30), pages 1 - 11, XP087184189, DOI: 10.1016/j.ijepes.2022.108567 * |
| 黄锦波 等: "基于BERT预训练的电力变压器故障预测", 《制造业自动化》, vol. 45, no. 09, 25 September 2023 (2023-09-25), pages 89 - 93 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117725529B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444939B (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
| CN116679211B (zh) | 一种锂电池健康状态的预测方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN113033678A (zh) | 一种基于自适应对抗网络的锂电池组故障诊断方法 | |
| CN113887661A (zh) | 一种基于表示学习重构残差分析的图像集分类方法及系统 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
| CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
| CN107944468A (zh) | 基于隐空间编码的零样本学习分类方法 | |
| CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
| CN117725529B (zh) | 基于多模态自注意力机制的变压器故障诊断方法 | |
| CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
| CN117150383A (zh) | 一种ShuffleDarkNet37-SE的新能源汽车动力电池故障分类方法 | |
| CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
| CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
| CN116500480A (zh) | 一种基于特征迁移学习混合模型的智能电池健康监测方法 | |
| CN115913112A (zh) | 一种智能化光伏组件复合故障诊断方法 | |
| CN115019183A (zh) | 基于知识蒸馏和图像重构的遥感影像模型迁移方法 | |
| Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
| CN115865627B (zh) | 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法 | |
| CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
| CN115329906B (zh) | 一种基于图正则化网络的故障诊断方法及装置 | |
| CN118260700B (zh) | 一种dc/dc设备异常预警的方法及终端 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |