并行异构卷积与重标定网络的变压器故障诊断方法及装置与流程

本发明涉及电力设备状态监测与智能故障诊断，具体涉及一种基于并行异构卷积与重标定网络的变压器故障诊断方法及装置。

背景技术：

1、电力变压器是电力系统中核心枢纽设备，其运行状态直接决定电网供电可靠性。变压器在长期运行过程中，内部绝缘老化、局部过热、局部放电、电弧放电等缺陷会导致绝缘油裂解，产生氢气（h2）、甲烷（ch4）、乙烷（c2h6）、乙烯（c2h4）、乙炔（c2h2）等特征气体。油中溶解气体分析（dga）是目前变压器故障诊断最主流、最有效的离线与在线监测手段。

2、传统dga故障诊断主要采用三比值法、改良三比值法、罗杰斯法等人工判据方法，该类方法依赖运维人员经验，阈值固定、泛化性差，对于边缘样本、复合故障识别准确率低。随着人工智能技术的发展，机器学习、深度学习逐步应用于dga故障诊断，但现有技术仍存在以下缺陷：

3、（1）特征信息利用不足：现有技术尝试引入气体组分比值、烃类占比等人工特征，但多直接与原始浓度特征混合输入网络，破坏了人工特征的物理意义，且现有特征构建流程仅支持固定格式的完整7气体数据，对缺少co、co2的5气体等多源异构数据，特征信息利用率低；

4、（2）特征提取能力不足：现有技术虽有采用多尺度卷积结构提取多粒度特征，但多对所有卷积分支采用统一的全局通道权重，未对不同感受野分支进行独立重标定，且仅采用单路平均池化压缩特征，无法捕捉乙炔浓度突增等反映严重故障的极值信息，对局部放电、高能放电等不同故障对应的差异化气体变化规律适配性差；

5、（3）特征冗余干扰：现有技术虽引入通道注意力机制筛选特征，但多采用单路全局平均池化生成注意力权重，仅能捕捉特征的统计均值信息，无法区分不同感受野分支的特征重要性，气体特征维度混杂，部分特征对故障判别贡献度低，未针对dga场景设计分支独立的自适应筛选与强化机制，模型抗干扰能力弱；

6、（4）样本不均衡问题突出：现有技术虽采用加权交叉熵、过采样等手段缓解样本不平衡，但加权交叉熵仅能针对大类整体调整权重，无法针对难分类边缘样本做自适应调制，而过采样易导致模型过拟合，实际场景中变压器正常样本数通常是故障样本的10倍以上，少数类高能放电、局部放电样本占比不足5%，易导致模型偏向多数类，故障识别准确率低；

7、（5）模型泛化能力弱：针对小样本、类别不平衡的dga故障诊断场景，现有技术多仅采用基础交叉熵损失训练模型，无法有效降低难分类样本的权重占比，且缺少针对类别不平衡的调制机制，模型容易偏向大样本类别，对小样本故障类别识别精度低；同时常规图像领域的数据增强策略（如旋转、裁剪）不适用于离散dga特征，现有仅采用dropout、l2正则化的手段难以有效约束模型拟合过程，泛化能力不足。

8、（6）异构数据融合困难：不同厂家、不同电压等级变压器提供的dga数据列数、命名规则、标签体系各异，现有方法多要求数据严格遵循固定的列名和格式，仅能处理单源标准化数据，无法自动匹配中英文列名、兼容不同编码体系的标签，难以直接融合利用多源数据，导致模型适用性差。

9、因此，亟需一种能够充分挖掘dga特征信息、适配多源异构数据、泛化能力更强的变压器故障诊断方法及装置，来弥补现有技术存在的上述缺陷，提升电力变压器故障诊断的准确性和可靠性，保障电力系统的稳定运行。

技术实现思路

1、针对上述现有技术存在的缺陷，本发明提出一种基于并行异构卷积与重标定网络的变压器故障诊断方法，能够充分融合dga领域人工特征与深度卷积提取的多粒度深度特征，通过独立分支重标定机制强化关键特征的权重，结合复合损失函数缓解类别不平衡与过拟合问题，实现高准确率、强泛化的变压器故障诊断。

2、为实现上述目的，本发明采用如下技术方案：

3、基于并行异构卷积与重标定网络的变压器故障诊断方法，包括以下步骤：

4、s1、多源数据采集与预处理：

5、获取变压器油中溶解气体分析dag数据集，提取h2、ch4、c2h6、c2h4、c2h2、co、co2七种特征气体浓度数据及故障类别标签数据，并进行预处理；

6、s2、构建多维特征集：

7、构建单样本27维特征集，包括7维对数气体特征和20维人工衍生特征；n个样本的27维特征集及对应故障类别标签，构成完整数据集；

8、s3、数据集划分与标准化处理：采用分层抽样策略，将数据集划分为训练集、验证集和测试集，并进行标准化处理；

9、s4、构建故障诊断模型：

10、故障诊断模型包括并行异构一维卷积与特征重标定模块、跨维度特征融合模块、全局池化层、特征拼接层和分类器；将标准化处理后的7维对数气体特征张量转换为一维卷积输入特征张量，利用多个不同尺寸的卷积核对其进行并行卷积与特征重标定，得到48通道分支特征图，再拼接生成192通道多粒度特征图，再依次完成跨维度特征融合、正则化处理与自适应全局平均池化，得到128维深度特征，将128维深度特征与20维人工衍生特征拼接得到148维联合特征，输入分类器输出故障类别的预测概率分布；

11、s5、利用标准化后的训练集，并结合mixup数据增强与标签平滑策略对故障诊断模型进行训练；

12、s6、故障诊断：将测试集输入训练后的故障诊断模型中，诊断得出故障类型。

13、进一步地，所述步骤s1的预处理包括以下操作：

14、非正值修正：合并所有数据后，对所有气体浓度值进行裁剪，统一裁剪到不低于极小正常数ε，ε取值，所有小于极小正常数ε的浓度值统一替换为ε，以保证对数和比值计算稳定，无法转换的值记为nan；

15、缺失样本剔除：剔除气体浓度数据或故障类别标签无法转换的缺失样本，得到七种特征气体浓度值，生成七种特征气体浓度向量；

16、所述七种特征气体浓度向量为：

17、；

18、其中，g为七种特征气体浓度向量；

19、h2,ch4,c2h6,c2h4,c2h2,co,co2分别表示氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳的气体浓度值；t表示转置；

20、气体存在性掩码生成：根据修正前的原始气体浓度数据生成7维气体存在性掩码特征；

21、所述7维气体存在性掩码特征为：

22、；

23、其中，m为气体存在性掩码特征；

24、分别为h2,ch4,c2h6,c2h4,c2h2,co,co2的存在性掩码，取值0或1，0表示该气体在气体浓度数据中缺失，1表示该气体在气体浓度数据中真实存在；

25、标签统一编码：将故障类别标签统一编码为0,1,2,3,4,5，依次对应正常、中低温过热、高温过热、局部放电、低能放电、高能放电六类状态。

26、进一步地，所述步骤s2构建多维特征集及数据集具体构建步骤如下：

27、s201、对七种特征气体浓度向量执行对数变换得到7维对数气体特征，所述7维对数气体特征具体为：glog=log(1+clip(g,ε,+∞))；

28、其中，glog为7维对数气体特征；

29、clip(·)表示截断函数；

30、clip(g,ε,+∞)表示将七种特征气体浓度向量g中各气体浓度值截断到[ε,+∞)，确保输入对数时为正；ε为极小正常数，取值；

31、s202、基于七种特征气体浓度值计算得到7维气体比值特征，并对得到的7维气体比值特征做对数变换，生成7维对数比值特征；

32、所述7维气体比值特征具体为：

33、；

34、其中，r为7维气体比值特征；

35、为co2的存在性掩码，取值0或1；

36、mco为co的存在性掩码，取值0或1；

37、所述7维对数比值特征具体为：

38、()

39、其中，rlog为7维对数比值特征；

40、clip(r,0,ε)表示将七维气体比值特征r的各分量截断到{0,ε}；

41、s203、分别计算总烃thc与全气体总量tall，进而计算得到6维占比特征；其中，总烃thc为ch4、c2h6、c2h4、c2h2的气体浓度值总和，并加ε保证为正；全气体总量tall为总烃thc、co与co2的气体浓度值总和，并加ε保证为正；

42、总烃thc的计算公式为：thc=ch4+c2h6+c2h4+c2h2+ε；

43、全气体总量tall的计算公式为：tall=thc+co+co2+ε；

44、所述6维占比特征具体为：

45、；

46、其中，p为6维占比特征；

47、mco、分别为co的存在性掩码和co2的存在性掩码；

48、s204、将7维对数比值特征、6维占比特征与7维气体存在性掩码特征拼接，得到20维人工衍生特征，再将20维人工衍生特征与7维对数气体特征拼接，得到27维特征集；

49、s205、对n个样本均执行步骤s201-s204，得到n个样本的27维特征集，结合对应故障类别标签，构成完整数据集。

50、进一步地，所述步骤s204中，20维人工衍生特征具体为：

51、；

52、其中，a表示20维人工衍生特征；

53、27维特征集具体为：

54、；

55、其中，x表示27维特征集。

56、进一步地，所述步骤s3中所述分层抽样策略具体为：

57、先按比例α从数据集中抽取测试集，剩余样本作为训练验证集，再从训练验证集中再次分层抽样，对每个故障类别，按比例β抽取出验证集，剩余样本作为训练集，确保各故障类别在各集合中的分布比例一致；

58、标准化具体为：仅在训练集上拟合，基于训练集计算各特征的均值与标准差，并对训练集、验证集和测试集的特征分别进行z-score标准化，并将标准化后的训练集、验证集和测试集中，每个样本的7维对数气体特征、20维人工衍生特征均转换为7维对数气体特征张量和20维人工衍生特征张量，并将故障类别标签转换为pytorch长整型张量。

59、进一步地，所述基于训练集计算各特征的均值与标准差具体为：

60、设训练集的样本数量为ntrain，每个样本具有j=1,2,3…27个特征维度，通过下式计算训练集中第j维特征的均值和标准差：

61、；

62、其中，μj为训练集中第j维特征的均值；

63、σj为训练集中第j维特征的标准差；

64、ntrain为训练集的样本数量；

65、xij为训练集中第i个样本的第j维特征值；

66、对训练集的特征采用标准化变换公式进行z-score标准化：

67、；

68、其中，为xij标准化变换后的特征值；

69、若某维特征在训练集中所有样本取值完全相同，则标准差σj=0，此时直接令，避免除零错误；

70、同样，利用标准化公式对验证集和测试集中的特征进行z-score标准化。

71、进一步地，所述步骤s4中，并行异构一维卷积与特征重标定模块具体操作为：

72、将标准化处理后的7维对数气体特征张量扩充通道维，转换为一维卷积输入特征张量作为输入特征，利用多个不同尺寸的卷积核分别对输入特征进行并行卷积与特征重标定，各卷积核尺寸分别为2、4、6、8，每个卷积核对输入特征依次执行无偏置same一维卷积、批归一化、relu函数激活和特征重标定操作，得到48通道分支特征图；

73、所述特征重标定操作具体包括：

74、首先对经relu函数激活后的特征图执行双路压缩操作，一路对特征图执行全局平均池化，得到均值描述符；另一路对特征图执行全局最大池化，得到极值描述符；均值描述符和极值描述符输入共享的激励网络，所述共享的激励网络包括依次连接的第一全连接层、relu激活层和第二全连接层；均值描述符和该极值描述符经该激励网络处理后，得到均值激励信号和极值激励信号，均值激励信号和极值激励信号逐元素相加后，再经sigmoid函数激活得到通道注意力权重，利用所述通道注意力权重对经relu函数激活后的特征图逐通道相乘完成重标定，输出重标定后的特征图，即分支特征图；随后将各分支特征图沿通道维拼接，生成192通道包含不同感受野的多粒度特征图；

75、跨维度特征融合模块具体操作为：将多粒度特征图经过1×1卷积进行跨粒度信息融合并映射至128通道，再依次经过批归一化、relu函数激活和dropout操作，得到正则化后的融合特征图；

76、全局池化层具体操作为：沿长度维对融合特征图执行自适应全局平均池化，得到128维深度特征；

77、特征拼接层具体操作为：用于将128维深度特征与20维人工衍生特征拼接，得到148维联合特征；

78、分类器具体操作为：所述分类器为三层全连接分类器，148维联合特征输入三层全连接分类器后，输出六类故障类别的预测概率分布。

79、进一步地，所述步骤s5中，mixup数据增强根据训练批次的随机概率触发，每个训练批次随机生成一个[0,1]区间的随机数；

80、（1）若随机数<0.2，则执行mixup分支，具体包括以下步骤：

81、样本混合：将当前训练批次中随机两个不同样本混合，按照混合强度λ生成用于输入故障诊断模型的混合样本，混合强度λ服从贝塔分布，即λbeta(0.2,0.2)，值域为(0,1)；

82、单次前向传播得到预测概率分布：将混合样本输入故障诊断模型，得到故障类别的预测概率分布；

83、标签平滑与混合样本焦点损失计算：根据故障类别概率分布、平滑系数、类别总数量，分别计算两个样本原始故障类别标签的平滑软标签，并计算两个样本的焦点损失，将两个样本的焦点损失按照混合强度λ进行加权求和，得到当前混合样本的焦点损失；

84、mixup分支批次总焦点损失lfocal,1计算：对当前训练批次内所有混合样本焦点损失取平均值，并对nan和无穷值进行数值保护，作为mixup分支批次总焦点损失lfocal,1；

85、通过最小化mixup分支批次总焦点损失更新模型参数；

86、（2）若随机数≥0.2，则执行非mixup分支，具体步骤为：

87、每个训练批次内的单个样本输入故障诊断模型，做两次独立前向传播，得到两个故障类别预测概率分布和对应的2个128维深度特征；

88、①标签平滑与单个样本两次前向传播的焦点损失计算：根据两次前向传播得到的故障类别概率分布、平滑系数、类别总数量，分别计算得到单个样本的两次前向传播的焦点损失，并取平均值作为该样本的最终焦点损失；

89、非mixup分支批次总焦点损失lfocal,2计算：对各样本最终焦点损失取平均值，并对nan和无穷值进行数值保护，作为非mixup分支批次总焦点损失lfocal,2；

90、②非mixup分支批次中心损失lcenter计算：对单个样本两次前向传播得到的深度特征取平均值，并基于类别特征中心向量，计算得到非mixup分支批次中心损失lcenter；

91、③非mixup分支批次一致性正则化损失lcons计算：根据单个样本两次前向输出的预测概率分布，计算得到单个样本的对称kl散度，将批次所有样本的对称kl散度取平均值；

92、④非mixup分支复合总损失ltotal计算：非mixup分支复合总损失按公式ltotal=lfocal,2+0.03lcenter+0.01lcons计算得到；

93、通过最小化非mixup分支复合总损失ltotal更新模型参数。

94、本发明同时还提供一种基于并行异构卷积与重标定网络的变压器故障诊断装置，包括：

95、数据获取及预处理模块，用于获取变压器油中溶解气体分析dag数据集，提取h2、ch4、c2h6、c2h4、c2h2、co、co2七种特征气体浓度数据及故障类别标签数据，并进行预处理；

96、多维特征集构建模块，用于构建单样本27维特征集，包括7维对数气体特征和20维人工衍生特征；n个样本的27维特征集及对应故障类别标签，构成完整数据集；

97、数据集划分与标准化处理模块，用于采用分层抽样策略，将数据集划分为训练集、验证集和测试集，并进行标准化处理；

98、故障诊断模型构建模块，用于构建故障诊断模型，故障诊断模型包括并行异构一维卷积与特征重标定模块、跨维度特征融合模块、全局池化层、特征拼接层和分类器；标准化处理后的7维对数气体特征张量转换为一维卷积输入特征张量，利用多个不同尺寸的卷积核对其进行并行卷积与特征重标定，得到48通道分支特征图，再拼接生成192通道多粒度特征图，再依次完成跨维度特征融合、正则化处理与自适应全局平均池化，得到128维深度特征，将128维深度特征与20维人工衍生特征拼接得到148维联合特征，输入分类器输出故障类别的预测概率分布；

99、模型训练模块，用于利用标准化后的训练集，并结合mixup数据增强与标签平滑策略对故障诊断模型进行训练；

100、故障诊断模块，用于将测试集输入训练后的故障诊断模型中，诊断得出故障类型。

101、与现有技术相比，本发明具有以下有益效果：

102、1、本发明多源异构dga数据特征，能够自动兼容不同厂家、不同监测体系的不完整dga数据，通过中英文列名匹配、缺失气体补零和存在性掩码，可兼容完整7气体数据与缺少co、co2的5气体数据；同时，通过引入气体存在性掩码融合原始对数气体特征、对数比值特征和占比特征三类信息，既保留了人工经验特征的物理意义，又充分整合了多维度互补特征，提升了特征信息利用率。

103、2、本发明采用并行异构一维卷积结构对原始对数气体特征分别提取多感受野粒度的局部关联特征，各输出48通道，且对每个卷积分支独立执行通道重标定操作，自适应筛选通道信息，同时结合全局平均池化和全局最大池化的双路压缩机制生成通道注意力权重，既可以保留统计均值信息，也能够捕捉极值故障对应的关键特征，相比传统单路重标定机制更适配dga故障诊断场景，可自适应强化关键故障通道权重、抑制冗余干扰，有效提升了多尺度特征提取的质量。

104、3、本发明将并行异构及重标定提取的深度特征与人工经验衍生特征直接拼接融合，既发挥了深度学习自动挖掘非线性特征的优势，也保留了经工业实践验证的人工特征的可靠性，实现了两类特征的优势互补，进一步提升了诊断精度。

105、4、本发明采用焦点损失、中心损失和一致性正则化相结合的复合损失函数约束训练过程，结合随机触发的mixup数据增强与标签平滑策略，批归一化、dropout、一致性正则化、adamw权重衰减、学习率预热、梯度裁剪和早停等措施联合作用，提高模型收敛稳定性与抗扰动能力，能够有效缓解样本类别不平衡问题，提升模型对少数类故障的识别能力，同时增强模型泛化性，降低过拟合风险，现场实测诊断稳定性更好。

106、5、本发明方法可嵌入变压器在线监测系统，输入原始dga数据即可自动输出诊断结果，无需人工干预，流程自动化程度高，可推广性好。

107、综上所述，本发明针对现有变压器油中溶解气体分析故障诊断技术存在的特征利用率低、特征提取能力不足、样本不平衡、泛化能力弱、难以适配多源异构数据等问题，从特征构建、网络结构设计、训练策略优化多个维度进行改进，能够有效提升变压器故障诊断的准确性与可靠性，增强模型对复杂实际场景的适配能力，可为电力变压器的状态评估与故障运维提供有力的技术支撑，具备较高的工程实用价值与推广应用前景。