多源信息融合与深度学习的变压器故障诊断方法及系统与流程

本发明涉及电力设备状态监测与故障诊断，尤其涉及一种基于多源信息融合与深度学习的变压器故障诊断方法及系统。

背景技术：

1、变压器是电网的核心设备，其可靠运行至关重要。变压器在运行中因磁致伸缩和绕组、铁芯受电磁力作用会产生振动。其机械状态（如绕组压紧力松动、铁芯夹件松动、内部结构变形等）的变化会直接反映在振动信号的特性上。

2、目前，现有的变压器振动监测方法主要存在以下不足：

3、（1）分析手段单一：多数系统仅监测振动总量或特定频带的能量，缺乏对振动信号与运行工况（如负荷、温度）动态关联的深入分析。

4、（2）故障诊断能力弱：传统方法依赖专家经验设定特征频率阈值，对于复合故障、早期不典型故障的识别准确率低，缺乏自适应和学习能力。

5、（3）定位功能缺失：现有系统大多只能判断“有无异常”，无法对异常振源（如绕组变形或压紧力松动的具体位置）进行精准的空间定位，给检修决策带来困难。

6、（4）早期预警滞后：由于未能建立振动的动态预期模型，无法在振动绝对值尚未超标但相对其预期值已出现显著偏差时发出早期预警。

技术实现思路

1、本发明提供一种基于多源信息融合与深度学习的变压器故障诊断方法及系统，用以解决现有技术中振动监测分析手段单一、故障诊断与早期预警能力弱、以及异常振源定位功能缺失的缺陷，实现了对变压器机械状态的全方位、智能化评估与早期故障预警。

2、本发明提供一种基于多源信息融合与深度学习的变压器故障诊断方法，包括：

3、同步采集安装在变压器箱壁的振动传感器阵列的振动信号、变压器运行侧的负荷电流信号以及顶层油温信号；

4、基于所述负荷电流信号和所述顶层油温信号，计算当前运行工况下振动基频幅值的预期值；

5、基于所述预期值与从所述振动信号中提取的基频幅值的实际值，得到振动残差；当所述振动残差满足预设的异常触发条件时，生成异常触发信号；

6、响应于所述异常触发信号，将触发时刻的所述振动信号输入至预训练的深度学习故障诊断模型，得到故障诊断结果；所述故障诊断结果包括：故障类型以及对应置信度；

7、若所述故障诊断结果指示的故障类型为异常时，通过到达时间差tdoa定位算法对故障源进行空间定位。

8、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述基于所述负荷电流信号和所述顶层油温信号，计算当前运行工况下振动基频幅值的预期值，具体包括：

9、将所述负荷电流信号和所述顶层油温信号输入至预建立的振动基频幅值量化关系模型，得到所述预期值；所述振动基频幅值量化关系模型通过如下公式表征：

10、

11、其中，表示振动基频幅值的预期值；i表示负荷电流值；表示油温值；k、m、c及b为通过历史正常数据回归学习得到的模型参数。

12、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述异常触发条件包括以下一项或多项：

13、所述振动残差的绝对值单次超出预设的安全阈值上限；

14、所述振动残差连续n个监测周期超过一动态预警阈值，所述动态预警阈值基于历史正常运行数据中振动残差的统计分布确定，其中n为大于1的整数；

15、在所述负载电流信号与所述顶层油温信号无显著变化时，所述振动残差呈现持续的系统性偏置，其偏置幅度超过基于历史正常运行数据统计得到的噪声基准水平。

16、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述深度学习故障诊断模型，包括：

17、一维卷积神经网络，用于自适应提取所述振动信号的高频局部特征和瞬态突变特征；

18、长短期记忆网络，用于基于所述高频局部特征和瞬态突变特征，输出表征故障发展趋势的隐藏状态；

19、时序注意力网络，用于对各时刻的所述隐藏状态进行可学习的权重分配。

20、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述深度学习故障诊断模型采用focal loss作为训练时的损失函数。

21、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述通过到达时间差tdoa定位算法对故障源进行空间定位，具体包括：

22、根据所述故障诊断结果指示的故障类型，确定对应的故障特征频段；

23、对所述振动传感器阵列中各传感器在异常触发时刻采集的振动信号进行所述故障特征频段的带通滤波，得到各所述传感器的特征频段信号；

24、以各所述传感器的特征频段信号中信号能量最大的传感器通道作为参考传感器通道；

25、采用广义互相关相位变换算法，计算所述特征频段信号到达所述参考传感器通道与到达其他各传感器通道之间的精确时间差；

26、根据预先标定的各传感器空间坐标、振动波在变压器箱体中的传播速度以及所述时间差，解算得到所述故障源的空间坐标。

27、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，所述振动传感器阵列包括至少四个加速度传感器，以不规则多边形阵列布置于变压器箱壁的预设位置。

28、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，在将所述振动信号输入至所述预训练的深度学习故障诊断模型之前，或在模型训练阶段，对所述振动信号进行基于z-score的标准化预处理。

29、根据本发明提供的一种基于多源信息融合与深度学习的变压器故障诊断方法，在故障诊断与定位的过程中，方法还包括：

30、当所述故障诊断结果的置信度低于预设阈值时，部署于变压器本地的边缘计算单元将触发时刻相关的多源数据片段标记为存疑样本，并上传至云端服务器；

31、所述云端服务器收集来自多个边缘计算单元的存疑样本及人工复核确认后的样本，定期对所述深度学习故障诊断模型进行增量训练与优化，并将优化后的模型参数下发至各边缘计算单元进行更新。

32、本发明还提供一种基于多源信息融合与深度学习的变压器故障诊断装置，包括：

33、采集模块，用于同步采集安装在变压器箱壁的振动传感器阵列的振动信号、变压器运行侧的负荷电流信号以及顶层油温信号。

34、计算模块，用于基于所述负荷电流信号和所述顶层油温信号，计算当前运行工况下振动基频幅值的预期值。

35、生成模块，用于基于所述预期值与从所述振动信号中提取的基频幅值的实际值，得到振动残差；当所述振动残差满足预设的异常触发条件时，生成异常触发信号。

36、诊断模块，用于响应于所述异常触发信号，将触发时刻的所述振动信号输入至预训练的深度学习故障诊断模型，得到故障诊断结果；所述故障诊断结果包括：故障类型以及对应置信度。

37、定位模块，用于若所述故障诊断结果指示的故障类型为异常时，通过到达时间差tdoa定位算法对故障源进行空间定位。

38、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多源信息融合与深度学习的变压器故障诊断方法。

39、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多源信息融合与深度学习的变压器故障诊断方法。

40、与现有技术相比，本发明的有益效果是：

41、（1）本发明通过建立振动基频幅值与负荷电流、油温的量化关系模型，实现了振动基准值的动态校正，剥离运行工况变化带来的影响，实现了对潜在机械故障的超前感知，将预警时间大幅提前。

42、（2）本发明通过1d-cnn-lstm-attention混合深度学习模型，能够自动从原始振动信号中提取深层次特征，并结合注意力机制聚焦于故障敏感时段，提高了自适应识别与分类能力；尤其通过focal loss损失函数优化，加强了对样本数量少的早期、微弱故障特征的感知，显著提高了诊断准确率与对不典型故障的泛化能力。

43、（3）本发明通过依据诊断结果自适应选取最优故障特征频段进行信号滤波，并利用高精度定位算法，解算变压器上故障源的空间坐标，为运维人员检修提供了直接导航，极大缩短故障排查时间。