变压器的故障诊断方法、装置和变压器的故障诊断系统与流程

1.本技术涉及故障诊断技术领域，具体而言，涉及一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统。


背景技术：

2.变压器故障诊断技术是指通过变压器运行状态检测数据检测变压器是否发生故障。传统的变压器故障诊断通过人工巡检的视觉听觉感知和点检设备进行诊断。常用点检设备检测的信号以振动和温度为主。随着电网信息化水平的发展，利用传感器和通信技术实现变压器运行状态在线监测的技术方案得到了发展和应用。在线监测实现了将变压器的状态数据集中到中控系统统一处理诊断，但诊断方法仍然主要依赖人工经验，有限的自动报警功能也是基于人工制作的特征值和简单的报警阈值来实现。近年来，基于人工智能技术的故障诊断技术开始应用到变压器故障诊断中，但是所用技术仍囿于传统人工诊断的信号特征和基于统计学习的分类方法。
3.现有变压器故障诊断方法存在的缺点包括：1)状态监测信号种类不全，频带不够宽，通常使用人工分析常用的振动和温度信号，对早期故障不敏感；2)用于故障智能诊断模型的信号特征仍然是人工分析常用的幅值统计量和简单的频谱；3)用于故障诊断的模型类型为统计学习分析方法和浅层的神经网络模型。综上所述，现有方法输入信息不全、细微特征缺失、分类方法简单，诊断准确率不高。
4.在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。


技术实现要素：

5.本技术的主要目的在于提供一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统，以解决现有技术中变压器故障诊断的准确率低的问题。
6.根据本发明实施例的一个方面，提供了一种变压器的故障诊断方法，包括：获取预定时间段内的变压器的监测数据，所述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；对所述监测数据进行数据处理得到特征向量；将所述特征向量输入故障诊断模型，得到独热编码向量，所述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为所述变压器无故障的概率，所述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史特征向量和历史故障对应的所述独热编码向量，所述历史特征向量为历史时间段的监测数据对应的所述特征向量，所述历史故障为所述历史时间段出现的故障；根据所述独热编码向量确定所述变压器的故障诊断结果。
7.可选地，对所述监测数据进行数据处理得到特征向量，包括：计算所述预定时间段
内的所述温度数据的平均值，得到平均温度，所述平均温度组成的1维向量形成温度特征向量；计算所述预定时间段内的所述电流数据的平均值，得到平均电流，所述平均电流组成的1维向量形成电流特征向量；计算所述预定时间段内的所述电压数据的平均值，得到平均电压，所述平均电压组成的1维向量形成电压特征向量；对所述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，所述振动幅值特征向量包括3个振动强度、3个峭度和3个峰峰值，所述振动谱特征向量包括3l个频率域子带滤波窗对数能量；对所述声音数据进行数据处理得到声音幅值特征向量和声音谱特征向量，所述声音幅值特征向量包括1个振动强度、1个峭度和1个峰峰值，所述声音谱特征向量包括m个频率域子带滤波窗对数能量；所述温度特征向量、所述电流特征向量、所述电压特征向量、所述振动幅值特征向量、所述振动谱特征向量、所述声音幅值特征向量和所述声音谱特征向量组成所述特征向量。
8.可选地，所述三分量振动数据包括第一振动分量的波形数据、第二振动分量的波形数据和第三振动分量的波形数据，对所述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，包括：根据所述第一振动分量的波形数据计算振动强度、峭度和峰峰值，得到第一振动强度、第一峭度和第一峰峰值；根据所述第二振动分量的波形数据计算振动强度、峭度和峰峰值，得到第二振动强度、第二峭度和第二峰峰值；根据所述第三振动分量的波形数据计算振动强度、峭度和峰峰值，得到第三振动强度、第三峭度和第三峰峰值；根据所述第一振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第一对数能量；根据所述第二振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第二对数能量；根据所述第三振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第三对数能量；所述第一振动强度、所述第一峭度、所述第一峰峰值、第二振动强度、第二峭度、第二峰峰值、第三振动强度、第三峭度和第三峰峰值组成所述振动幅值特征向量，l个所述第一对数能量、l个所述第二对数能量和l个所述第三对数能量组成所述振动谱特征向量。
9.可选地，所述故障诊断模型的训练过程包括：将所述历史特征向量输入神经网络进行训练，得到相似特征向量，所述相似特征向量的数据与所述历史特征向量的数据一一对应，所述神经网络由自编码器网络和所述自编码器网络的对称神经网络构成；计算所有第一元素和对应的第二元素的差值的平方和，得到目标参数，所述第一元素为所述相似特征向量的元素，所述第二元素为所述历史特征向量的元素；在所述目标参数小于预定阈值的情况下，将所述自编码器网络确定为目标自编码器网络；采用所述训练数据对预备故障诊断模型进行训练，得到所述故障诊断模型，所述预备故障诊断模型由目标自编码器网络和softmax分类层构成，所述softmax分类层输出的向量为n 1维向量。
10.可选地，所述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，所述输入层、所述第一隐藏层、所述第二隐藏层、所述第三隐藏层构成所述自编码器网络，所述第三隐藏层、所述第四隐藏层、所述第五隐藏层和所述输出层构成所述自编码器网络的对称神经网络。
11.可选地，根据所述独热编码向量确定所述变压器的故障诊断结果，包括：在所述独热编码向量中第k个元素大于或者等于预定阈值的情况下，确定所述变压器存在第k种所述故障，所述预定阈值大于0.5；在所述独热编码向量中前n个元素均小于所述预定阈值且第n 1个元素大于或者等于0.5的情况下，确定所述变压器不存在故障；在所述独热编码向量中第k个元素大于或者等于0.5且小于所述预定阈值以及第n 1个元素小于0.5的情况下，确定
所述变压器疑似存在第k种所述故障；在所述独热编码向量中前n个元素均小于0.5且第n 1个元素小于0.5的情况下，确定所述变压器疑似存在多种所述故障或者存在未知故障。
12.根据本发明实施例的另一方面，还提供了一种变压器的故障诊断装置，包括：获取单元，用于获取预定时间段内的变压器的监测数据，所述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；处理单元，用于对所述监测数据进行数据处理得到特征向量；分析单元，用于将所述特征向量输入故障诊断模型，得到独热编码向量，所述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为所述变压器无故障的概率，所述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史特征向量和历史故障对应的所述独热编码向量，所述历史特征向量为历史时间段的监测数据对应的所述特征向量，所述历史故障为所述历史时间段出现的故障；确定单元，用于根据所述独热编码向量确定所述变压器的故障诊断结果。
13.根据本发明实施例的再一方面，还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包括存储的程序，其中，所述程序执行任意一种所述的方法。
14.根据本发明实施例的又一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
15.根据本发明实施例的再一方面，还提供了一种变压器的故障诊断系统，包括变压器的故障诊断装置，所述变压器的故障诊断装置包括用于执行任意一种所述的方法。
16.在本发明实施例中，上述变压器的故障诊断方法中，首先，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；然后，对上述监测数据进行数据处理得到特征向量；之后，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；最后，根据上述独热编码向量确定上述变压器的故障诊断结果。该方法采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了根据本技术的一种实施例的变压器的故障诊断方法的流程图；
19.图2示出了根据本技术的一种实施例的变压器的故障诊断装置的示意图。
具体实施方式
20.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
21.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
22.需要说明的是，本技术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，以便这里描述的本技术的实施例。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。
23.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
24.正如背景技术中所说的，现有技术中变压器故障诊断的准确率低，为了解决上述问题，本技术的一种典型的实施方式中，提供了一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统。
25.根据本技术的实施例，提供了一种变压器的故障诊断方法。
26.图1是根据本技术实施例的变压器的故障诊断方法的流程图。如图1所示，该方法包括以下步骤：
27.步骤s101，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；
28.步骤s102，对上述监测数据进行数据处理得到特征向量；
29.步骤s103，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；
30.步骤s104，根据上述独热编码向量确定上述变压器的故障诊断结果。
31.上述变压器的故障诊断方法中，首先，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；然后，对上述监测数据进行数据处理得到特征向量；之后，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通
过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；最后，根据上述独热编码向量确定上述变压器的故障诊断结果。该方法采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
32.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
33.本技术的一种实施例中，对上述监测数据进行数据处理得到特征向量，包括：计算上述预定时间段内的上述温度数据的平均值，得到平均温度，上述平均温度组成的1维向量形成温度特征向量；计算上述预定时间段内的上述电流数据的平均值，得到平均电流，上述平均电流组成的1维向量形成电流特征向量；计算上述预定时间段内的上述电压数据的平均值，得到平均电压，上述平均电压组成的1维向量形成电压特征向量；对上述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，上述振动幅值特征向量包括3个振动强度、3个峭度和3个峰峰值，上述振动谱特征向量包括3l个频率域子带滤波窗对数能量；对上述声音数据进行数据处理得到声音幅值特征向量和声音谱特征向量，上述声音幅值特征向量包括1个振动强度、1个峭度和1个峰峰值，上述声音谱特征向量包括m个频率域子带滤波窗对数能量；上述温度特征向量、上述电流特征向量、上述电压特征向量、上述振动幅值特征向量、上述振动谱特征向量、上述声音幅值特征向量和上述声音谱特征向量组成上述特征向量。具体地，对声音数据、三分量振动数据、温度数据、电流数据和电压数据进行数据处理，分别得到对应的特征向量，即上述温度特征向量、上述电流特征向量、上述电压特征向量、上述振动幅值特征向量、上述振动谱特征向量、上述声音幅值特征向量和上述声音谱特征向量，并将1维温度特征向量、1维电流特征向量、1维电压特征向量、9维振动幅值特征向量、3l维上述振动谱特征向量、3维声音幅值特征向量和m维声音谱特征向量进行拼接得到上述特征向量，上述特征向量为15 3l m维，上述平均温度的计算公式为t
平
＝mean(t)，t为预定时间段内的温度数据，mean为数据平均计算函数，上述平均电流的计算公式为c
平
＝mean(c)，c为预定时间段内的电流数据，mean为数据平均计算函数，上述平均电压的计算公式为v
平
＝mean(v)，v为预定时间段内的电压数据，mean为数据平均计算函数。
34.本技术的一种实施例中，上述三分量振动数据包括第一振动分量的波形数据、第二振动分量的波形数据和第三振动分量的波形数据，对上述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，包括：根据上述第一振动分量的波形数据计算振动强度、峭度和峰峰值，得到第一振动强度、第一峭度和第一峰峰值；根据上述第二振动分量的波形数据计算振动强度、峭度和峰峰值，得到第二振动强度、第二峭度和第二峰峰值；根据上述第三振动分量的波形数据计算振动强度、峭度和峰峰值，得到第三振动强度、第三峭度和第三峰峰值；根据上述第一振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第一对数能量；根据上述第二振动分量的波形数据计算频率域子带滤波窗对数
能量，得到l个第二对数能量；根据上述第三振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第三对数能量；上述第一振动强度、上述第一峭度、上述第一峰峰值、第二振动强度、第二峭度、第二峰峰值、第三振动强度、第三峭度和第三峰峰值组成上述振动幅值特征向量，l个上述第一对数能量、l个上述第二对数能量和l个上述第三对数能量组成上述振动谱特征向量。具体地，上述第一振动强度x1＝rms(s
x
)，上述第一峭度x2＝kurtosis(s
x
)，上述第一峰峰值x3＝peak2peak(s
x
)，上述第二振动强度y1＝rms(sy)，上述第二峭度y2＝kurtosis(sy)，上述第二峰峰值y3＝peak2 peak(sy)，上述第三振动强度z1＝rms(sz)，上述第三峭度z2＝kurtosis(sz)，上述第三峰峰值z3＝peak2peak(sz)，其中，上述s
x
、sy和sz分别为振动三个分量的波形数据，上述rms为均方根计算函数，上述kurtosis为峭度计算函数，上述第一对数能量的计算公式为fxi＝log{filteri[fft(s
x
)]}，上述第二对数能量的计算公式为fyi＝log{filteri[fft(sy)]}，上述第三对数能量的计算公式为fzi＝log{filteri[fft(sz)]}，其中，i＝1，2
…
l，fft为傅里叶变换函数，filteri为频率域滤波窗函数。
[0035]
同理，上述声音幅值特征向量和上述声音谱特征向量也可以通过上述计算公式计算得到。
[0036]
本技术的一种实施例中，上述故障诊断模型的训练过程包括：将上述历史特征向量输入神经网络进行训练，得到相似特征向量，上述相似特征向量的数据与上述历史特征向量的数据一一对应，上述神经网络由自编码器网络和上述自编码器网络的对称神经网络构成；计算所有第一元素和对应的第二元素的差值的平方和，得到目标参数，上述第一元素为上述相似特征向量的元素，上述第二元素为上述历史特征向量的元素；在上述目标参数小于预定阈值的情况下，将上述自编码器网络确定为目标自编码器网络；采用上述训练数据对预备故障诊断模型进行训练，得到上述故障诊断模型，上述预备故障诊断模型由目标自编码器网络和softmax分类层构成，上述softmax分类层输出的向量为n 1维向量。具体地，将历史特征向量输入上述神经网络进行训练，得到相似特征向量，上述相似特征向量的元素与上述历史特征向量的元素一一对应，上述相似特征向量包括a1、a2
……
an，上述历史特征向量包括b1、b2
……
bn，目标参数c的计算公式为c＝(a1-b1)2 (a2-b2)2
……
(an-bn)2，通过大量数据样本的反复迭代训练神经网络模型调整神经网络的连接权重使目标参数最小化，在上述目标参数小于预定阈值的情况下，上述神经网络训练完成，保证重建数据与上述振动数据相似度较高，可认为上述自编码器网络编码得到的特征已经融合了多传感特征，并消除了大量多传感特征中包含的相关冗余的信息，进一步提高故障诊断的准确度，上述目标自编码器网络加上一个softmax分类层，构建一个分类器，分类器输出的向量为n 1维向量，形成预备故障诊断模型，采用上述训练数据对预备故障诊断模型进行训练，进一步调整网络参数，得到上述故障诊断模型。
[0037]
本技术的一种实施例中，上述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，上述输入层、上述第一隐藏层、上述第二隐藏层、上述第三隐藏层构成上述自编码器网络，上述第三隐藏层、上述第四隐藏层、上述第五隐藏层和上述输出层构成上述自编码器网络的对称神经网络。具体地，以640个采样点输入5层隐层为例为例，各层网络节点数为：输入层：640个节点，第一隐藏层：256个节点，第二隐藏层：128个节点，第三隐藏层：64个节点，第四隐藏层：128个节点，第五隐藏层：256个节点，输出层：640个节点。
[0038]
本技术的一种实施例中，根据上述独热编码向量确定上述变压器的故障诊断结果，包括：在上述独热编码向量中第k个元素大于或者等于预定阈值的情况下，确定上述变压器存在第k种上述故障，上述预定阈值大于0.5；在上述独热编码向量中前n个元素均小于上述预定阈值且第n 1个元素大于或者等于0.5的情况下，确定上述变压器不存在故障；在上述独热编码向量中第k个元素大于或者等于0.5且小于上述预定阈值以及第n 1个元素小于0.5的情况下，确定上述变压器疑似存在第k种上述故障；在上述独热编码向量中前n个元素均小于0.5且第n 1个元素小于0.5的情况下，确定上述变压器疑似存在多种上述故障或者存在未知故障。具体地，上述预定阈值t的取值范围为0.7～1.0，prob_k为第k种故障的概率，在prob_k≥t的情况下，确定上述变压器存在第k种上述故障，在所有的prob_k《t且prob_n 1≥0.5的情况下，确定上述变压器不存在故障，在prob_k≥0.5且prob_n 1《0.5的情况下，确定上述变压器疑似存在第k种上述故障，在prob_k《0.5且prob_n 1《0.5的情况下，确定上述变压器疑似存在多种上述故障或者存在未知故障。
[0039]
本技术实施例还提供了一种变压器的故障诊断装置，需要说明的是，本技术实施例的变压器的故障诊断装置可以用于执行本技术实施例所提供的用于变压器的故障诊断方法。以下对本技术实施例提供的变压器的故障诊断装置进行介绍。
[0040]
图2是根据本技术实施例的变压器的故障诊断装置的示意图。如图2所示，该装置包括：
[0041]
获取单元10，用于获取预定时间段内的变压器的监测数据，上述监测数据为包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；
[0042]
处理单元20，用于对上述监测数据进行数据处理得到特征向量；
[0043]
分析单元30，用于将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；
[0044]
确定单元40，用于根据上述独热编码向量确定上述变压器的故障诊断结果。
[0045]
上述变压器的故障诊断装置中，获取单元获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；处理单元对上述监测数据进行数据处理得到特征向量；分析单元将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；确定单元根据上述独热编码向量确定上述变压器的故障诊断结果。该装置采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现
有技术中变压器故障诊断的准确率低的问题。
[0046]
本技术的一种实施例中，上述处理单元包括第一计算模块、第二计算模块、第三计算模块、第四计算模块、第五计算模块和处理模块，其中，上述第一计算模块用于计算上述预定时间段内的上述温度数据的平均值，得到平均温度，上述平均温度组成的1维向量形成温度特征向量；上述第二计算模块用于计算上述预定时间段内的上述电流数据的平均值，得到平均电流，上述平均电流组成的1维向量形成电流特征向量；上述第三计算模块用于计算上述预定时间段内的上述电压数据的平均值，得到平均电压，上述平均电压组成的1维向量形成电压特征向量；上述第四计算模块用于对上述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，上述振动幅值特征向量包括3个振动强度、3个峭度和3个峰峰值，上述振动谱特征向量包括3l个频率域子带滤波窗对数能量；上述第五计算模块用于对上述声音数据进行数据处理得到声音幅值特征向量和声音谱特征向量，上述声音幅值特征向量包括1个振动强度、1个峭度和1个峰峰值，上述声音谱特征向量包括m个频率域子带滤波窗对数能量；上述处理模块用于上述温度特征向量、上述电流特征向量、上述电压特征向量、上述振动幅值特征向量、上述振动谱特征向量、上述声音幅值特征向量和上述声音谱特征向量组成上述特征向量。具体地，对声音数据、三分量振动数据、温度数据、电流数据和电压数据进行数据处理，分别得到对应的特征向量，即上述温度特征向量、上述电流特征向量、上述电压特征向量、上述振动幅值特征向量、上述振动谱特征向量、上述声音幅值特征向量和上述声音谱特征向量，并将1维温度特征向量、1维电流特征向量、1维电压特征向量、9维振动幅值特征向量、3l维上述振动谱特征向量、3维声音幅值特征向量和m维声音谱特征向量进行拼接得到上述特征向量，上述特征向量为15 3l m维，上述平均温度的计算公式为t
平
＝mean(t)，t为预定时间段内的温度数据，mean为数据平均计算函数，上述平均电流的计算公式为c
平
＝mean(c)，c为预定时间段内的电流数据，mean为数据平均计算函数，上述平均电压的计算公式为v
平
＝mean(v)，v为预定时间段内的电压数据，mean为数据平均计算函数。
[0047]
本技术的一种实施例中，上述三分量振动数据包括第一振动分量的波形数据、第二振动分量的波形数据和第三振动分量的波形数据，上述第四计算模块包括第一计算子模块、第二计算子模块、第三计算子模块、第四计算子模块、第五计算子模块、第六计算子模块和处理子模块，其中，上述第一计算子模块用于根据上述第一振动分量的波形数据计算振动强度、峭度和峰峰值，得到第一振动强度、第一峭度和第一峰峰值；上述第二计算子模块用于根据上述第二振动分量的波形数据计算振动强度、峭度和峰峰值，得到第二振动强度、第二峭度和第二峰峰值；上述第三计算子模块用于根据上述第三振动分量的波形数据计算振动强度、峭度和峰峰值，得到第三振动强度、第三峭度和第三峰峰值；上述第四计算子模块用于根据上述第一振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第一对数能量；上述第五计算子模块用于根据上述第二振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第二对数能量；上述第六计算子模块用于根据上述第三振动分量的波形数据计算频率域子带滤波窗对数能量，得到l个第三对数能量；上述处理子模块用于上述第一振动强度、上述第一峭度、上述第一峰峰值、第二振动强度、第二峭度、第二峰峰值、第三振动强度、第三峭度和第三峰峰值组成上述振动幅值特征向量，l个上述第一对数能量、l个上述第二对数能量和l个上述第三对数能量组成上述振动谱特征向量。具体地，上述
第一振动强度x1＝rms(s
x
)，上述第一峭度x2＝kurtosis(s
x
)，上述第一峰峰值x3＝peak2peak(s
x
)，上述第二振动强度y1＝rms(sy)，上述第二峭度y2＝kurtosis(sy)，上述第二峰峰值y3＝peak2 peak(sy)，上述第三振动强度z1＝rms(sz)，上述第三峭度z2＝kurtosis(sz)，上述第三峰峰值z3＝peak2peak(sz)，其中，上述s
x
、sy和sz分别为振动三个分量的波形数据，上述rms为均方根计算函数，上述kurtosis为峭度计算函数，上述第一对数能量的计算公式为fxi＝log{filteri[fft(s
x
)]}，上述第二对数能量的计算公式为fyi＝log{filteri[fft(sy)]}，上述第三对数能量的计算公式为fzi＝log{filteri[fft(sz)]}，其中，i＝1，2
…
l，fft为傅里叶变换函数，filteri为频率域滤波窗函数。
[0048]
同理，上述声音幅值特征向量和上述声音谱特征向量也可以通过上述计算公式计算得到。
[0049]
本技术的一种实施例中，上述装置还包括训练单元，上述训练单元包括第一训练模块、第六计算模块、第一确定模块和第二训练模块，其中，上述第一训练模块用于将上述历史特征向量输入神经网络进行训练，得到相似特征向量，上述相似特征向量的数据与上述历史特征向量的数据一一对应，上述神经网络由自编码器网络和上述自编码器网络的对称神经网络构成；上述第六计算模块用于计算所有第一元素和对应的第二元素的差值的平方和，得到目标参数，上述第一元素为上述相似特征向量的元素，上述第二元素为上述历史特征向量的元素；上述第一确定模块用于在上述目标参数小于预定阈值的情况下，将上述自编码器网络确定为目标自编码器网络；上述第二训练模块用于采用上述训练数据对预备故障诊断模型进行训练，得到上述故障诊断模型，上述预备故障诊断模型由目标自编码器网络和softmax分类层构成，上述softmax分类层输出的向量为n 1维向量。具体地，将历史特征向量输入上述神经网络进行训练，得到相似特征向量，上述相似特征向量的元素与上述历史特征向量的元素一一对应，上述相似特征向量包括a1、a2
……
an，上述历史特征向量包括b1、b2
……
bn，目标参数c的计算公式为c＝(a1-b1)2 (a2-b2)2
……
(an-bn)2，通过大量数据样本的反复迭代训练神经网络模型调整神经网络的连接权重使目标参数最小化，在上述目标参数小于预定阈值的情况下，上述神经网络训练完成，保证重建数据与上述振动数据相似度较高，可认为上述自编码器网络编码得到的特征已经融合了多传感特征，并消除了大量多传感特征中包含的相关冗余的信息，进一步提高故障诊断的准确度，上述目标自编码器网络加上一个softmax分类层，构建一个分类器，分类器输出的向量为n 1维向量，形成预备故障诊断模型，采用上述训练数据对预备故障诊断模型进行训练，进一步调整网络参数，得到上述故障诊断模型。
[0050]
本技术的一种实施例中，上述神经网络包括1层输入层、5层隐藏层和1层输出层，5层隐藏层包括第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和第五隐藏层，上述输入层、上述第一隐藏层、上述第二隐藏层、上述第三隐藏层构成上述自编码器网络，上述第三隐藏层、上述第四隐藏层、上述第五隐藏层和上述输出层构成上述自编码器网络的对称神经网络。具体地，以640个采样点输入5层隐层为例为例，各层网络节点数为：输入层：640个节点，第一隐藏层：256个节点，第二隐藏层：128个节点，第三隐藏层：64个节点，第四隐藏层：128个节点，第五隐藏层：256个节点，输出层：640个节点。
[0051]
本技术的一种实施例中，上述确定单元包括第二确定模块、第三确定模块、第四确定模块和第五确定模块，其中，上述第二确定模块用于在上述独热编码向量中第k个元素大
于或者等于预定阈值的情况下，确定上述变压器存在第k种上述故障，上述预定阈值大于0.5；上述第三确定模块用于在上述独热编码向量中前n个元素均小于上述预定阈值且第n 1个元素大于或者等于0.5的情况下，确定上述变压器不存在故障；上述第四确定模块用于在上述独热编码向量中第k个元素大于或者等于0.5且小于上述预定阈值以及第n 1个元素小于0.5的情况下，确定上述变压器疑似存在第k种上述故障；上述第五确定模块用于在上述独热编码向量中前n个元素均小于0.5且第n 1个元素小于0.5的情况下，确定上述变压器疑似存在多种上述故障或者存在未知故障。具体地，上述预定阈值t的取值范围为0.7～1.0，prob_k为第k种故障的概率，在prob_k≥t的情况下，确定上述变压器存在第k种上述故障，在所有的prob_k《t且prob_n 1≥0.5的情况下，确定上述变压器不存在故障，在prob_k≥0.5且prob_n 1《0.5的情况下，确定上述变压器疑似存在第k种上述故障，在prob_k《0.5且prob_n 1《0.5的情况下，确定上述变压器疑似存在多种上述故障或者存在未知故障。
[0052]
本技术实施例还提供了一种变压器的故障诊断系统，包括变压器的故障诊断装置，上述变压器的故障诊断装置包括用于执行任意一种上述的方法。
[0053]
上述故障诊断系统中，包括变压器的故障诊断装置，获取单元获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；处理单元对上述监测数据进行数据处理得到特征向量；分析单元将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；确定单元根据上述独热编码向量确定上述变压器的故障诊断结果。该系统采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
[0054]
上述变压器的故障诊断装置包括处理器和存储器，上述获取单元、处理单元、分析单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0055]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中变压器故障诊断的准确率低的问题。
[0056]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0057]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述方法。
[0058]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述方法。
[0059]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可
在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0060]
步骤s101，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；
[0061]
步骤s102，对上述监测数据进行数据处理得到特征向量；
[0062]
步骤s103，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；
[0063]
步骤s104，根据上述独热编码向量确定上述变压器的故障诊断结果。
[0064]
本文中的设备可以是服务器、pc、pad、手机等。
[0065]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0066]
步骤s101，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；
[0067]
步骤s102，对上述监测数据进行数据处理得到特征向量；
[0068]
步骤s103，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；
[0069]
步骤s104，根据上述独热编码向量确定上述变压器的故障诊断结果。
[0070]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0071]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0072]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0073]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0074]
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用
时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0075]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0076]
1)、本技术的变压器的故障诊断方法中，首先，获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；然后，对上述监测数据进行数据处理得到特征向量；之后，将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；最后，根据上述独热编码向量确定上述变压器的故障诊断结果。该方法采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
[0077]
2)、本技术的变压器的故障诊断装置中，获取单元获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；处理单元对上述监测数据进行数据处理得到特征向量；分析单元将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；确定单元根据上述独热编码向量确定上述变压器的故障诊断结果。该装置采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
[0078]
3)、本技术的故障诊断系统中，包括变压器的故障诊断装置，获取单元获取预定时间段内的变压器的监测数据，上述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；处理单元对上述监测数据进行数据处理得到特征向量；分析单元将上述特征向量输入故障诊断模型，得到独热编码向量，上述独热编码向量包括n 1个元素，其中，前n个元素分别为n种故障出现的概率，第n 1个元素为上述变压器无故障的概率，上述
故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组上述训练数据中的每组上述训练数据均包括：历史特征向量和历史故障对应的上述独热编码向量，上述历史特征向量为历史时间段的监测数据对应的上述特征向量，上述历史故障为上述历史时间段出现的故障；确定单元根据上述独热编码向量确定上述变压器的故障诊断结果。该系统采用故障诊断模型对变压器的故障进行诊断，监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据，输入的数据相比于现有技术更全面，输出的独热编码向量的元素为变压器是否故障和出现不同类型的故障的概率，根据概率分布给出故障诊断结果，提高故障诊断的准确度，解决了现有技术中变压器故障诊断的准确率低的问题。
[0079]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。