一种基于深度学习的电力变压器故障诊断方法与流程

1.本技术涉及故障诊断技术领域，尤其涉及一种基于深度学习的电力变压器故障诊断方法、装置及存储介质。


背景技术：

2.电力变压器的故障诊断是其运维过程中的重要环节，对于电力系统的稳定至关重要。随着人工智能技术被引入电力设备故障诊断领域，基于人工智能技术开展电力变压器故障诊断得到了应用。
3.相关技术中，基于遗传算法优化定阶后的差分自回归移动平均（arima）模型对油中溶解气体开展预测分析，然后引入网格搜索算法改进支持向量机模型并针对预测结果进行分类实现变压器的故障诊断。但是，相关技术中依赖于训练数据中特征提取的效果，并且由于特征提取的不同容易出现误判，从而使得故障分析的准确度较低。


技术实现要素：

4.本技术提供基于深度学习的电力变压器故障诊断方法、装置及存储介质，以解决上述相关技术中出现的技术问题。
5.本技术第一方面实施例提出基于深度学习的电力变压器故障诊断方法，包括：获取电力变压器的故障样本数据集，其中，所述故障样本数据集中的每个样本数据包括以多种不同气体的含量组成的多维向量；对所述故障样本数据集进行预处理，得到用于训练的训练数据集；构建基于cnn的预设故障诊断模型，通过所述训练数据集对所述预设故障诊断模型进行训练，得到训练后的故障诊断模型；优化所述训练后的故障诊断模型的超参数，得到目标故障诊断模型；获取待分析的数据，通过所述目标故障诊断模型对所述待分析的数据进行分析，输出所述待分析的数据对应的故障诊断结果。
6.本技术第二方面实施例提出基于深度学习的电力变压器故障诊断装置，包括：获取模块，用于获取电力变压器的故障样本数据集，其中，所述故障样本数据集中的每个样本数据包括以多种不同气体的含量组成的多维向量；预处理模块，用于对所述故障样本数据集进行预处理，得到用于训练的训练数据集；训练模块，用于构建基于cnn的预设故障诊断模型，通过所述训练数据集对所述故障诊断模型进行训练，得到训练后的故障诊断模型；优化模块，用于优化所述训练后的故障诊断模型的超参数，得到目标故障诊断模型；故障分析模块，用于获取待分析的数据，通过所述目标故障诊断模型对所述待分析的数据进行分析，输出所述待分析的数据对应的故障诊断结果。
7.本技术第三方面实施例提出的计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如上第一方面所述的方法。
8.本技术第四方面实施例提出的计算机设备，其中，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，能够实现如上第一方面所述的方法。
9.本技术的实施例提供的技术方案至少带来以下有益效果：本技术提出的基于深度学习的电力变压器故障诊断方法、装置及存储介质，获取样本数据集，其中，样本数据集中的每个样本数据为以多种不同气体的含量组成的多维向量，之后，通过聚类算法对样本数据进行聚类，得到样本数据集中的噪声数据，将样本数据集中的噪声数据删除，得到用于训练故障分类模型的训练数据集。由此，本技术中将电力变压器产生故障后产生的多种油中溶解气体构成样本数据，然后利用聚类算法筛选出样本数据中的噪声数据，从而使得训练数据集中不存在难以真实表征电力变压器的故障类型的样本数据，进而使得后续通过训练数据集训练得到的故障分类模型的分析结果更加准确。
附图说明
10.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本技术一个实施例提供的基于深度学习的电力变压器故障诊断方法的流程示意图；图2为根据本技术一个实施例提供的基于深度学习的电力变压器故障诊断装置的结构示意图。
具体实施方式
11.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
12.下面参考附图描述本技术实施例的基于深度学习的电力变压器故障诊断方法及装置。
13.实施例一图1 为根据本技术一个实施例提供的基于深度学习的电力变压器故障诊断方法的流程示意图，如图1所示，所述方法可以包括：步骤101、获取电力变压器的故障样本数据集。
14.其中，在本公开实施例中，上述故障样本数据集中的每个样本数据包括以多种不同气体的含量组成的多维向量。
15.具体的，在本公开实施例中，上述以多种不同气体的含量组成的多维向量可以包括：多种不同气体中每种气体含量的单位化特征向量和多种不同气体中每种气体分别占气体总容量的比例。以及，在本公开实施例中，上述多种不同气体可以包括：氢气、甲烷、乙烷、乙烯、乙炔。
16.示例的，在本公开实施例中，假设上述氢气、甲烷、乙烷、乙烯、乙炔的含量分别为、、、、，则第i种气体对应的单位化特征向量为：以及，在本公开实施例中，在将上述5种气体含量的单位化特征向量作为样本数据中的5个向量维度的基础上，将上述5种气体分别占气体总容量的比例所得到的5个比值作为另外5个向量维度，此时，每个样本数据可以为维度为10的向量。基于此，通过引入高维度数据，使得输入样本的特征更为显著，从而提升了后续故障诊断的准确度。
17.步骤102、对故障样本数据集进行预处理，得到用于训练的训练数据集。
18.其中，在本公开实施例中，对故障样本数据集进行预处理，得到用于训练的训练数据集的方法可以包括以下步骤：步骤1021、通过聚类算法对样本数据进行聚类，得到样本数据集中的噪声数据。
19.其中，在本公开实施例中，噪声数据为样本数据集中错误或异常的数据。
20.以及，在本公开实施例中，通过聚类算法对样本数据进行聚类，得到样本数据集中的噪声数据的方法可以包括以下步骤：步骤a、确定邻域半径和密度阈值。
21.其中，在本公开实施例中，上述邻域半径和密度阈值可以根据经验预先设置。
22.步骤b、将样本数据集中所有的样本数据点标记为未访问，从任意未访问样本数据点开始，判断在未访问样本数据点的邻域半径范围内包含的未访问样本数据点的数量是否达到密度阈值。
23.其中，在本公开实施例中，上述未访问样本数据点的邻域半径范围为以未访问样本数据点为圆心，以邻域半径为半径的空间范围。以及，在本公开实施例中，上述密度阈值为在空间范围内未访问样本数据点的数量阈值。
24.步骤c、若在未访问样本数据点的邻域半径范围内包含的未访问样本数据点未达到密度阈值，则未访问样本数据点为噪声数据，并将未访问数据点标记为已访问。
25.步骤d、若在未访问样本数据点的邻域半径范围内包含的未访问样本数据点达到密度阈值，则未访问样本数据点为核心数据，并将所有与核心数据为直接密度达到关系或密度到达关系的未访问样本数据点均归到核心数据，并将核心数据和归到核心数据的未访问数据点均标记为已访问。
26.步骤e、查找下一个未访问样本数据点，重复上述步骤b~步骤d的操作，直到所有的样本数据均被标记为已访问为止。
27.其中，在本公开实施例中，上述直接密度达到关系可以包括：当核心数据p在以邻域半径ε为半径的空间范围内存在未访问样本数据点q，则核心数据q与未访问样本数据点p之间是直接密度到达关系。
28.以及，在本公开实施例中，上述密度到达关系，包括：若存在一个序列的点为p1，p2，
…
，pn，其中p1＝p且pn＝q，若对于每个 p
i 1
与pi都是直接密度到达关系，则q与 p存在密度到达关系，n为p到达q经过的点数。
29.步骤1022、将样本数据集中的噪声数据删除，得到用于训练的训练数据集。
30.其中，在本公开实施例中，将样本数据集中的噪声数据删除后，剩余的样本数据为用于训练故障分类模型的训练数据集，从而使得训练数据集中不存在难以真实表征电力变压器的故障类型的样本数据，进而使得后续通过步骤1022得到的训练数据集训练得到的故障分类模型的分析结果更加准确。
31.步骤103、构建基于cnn（convolutional neural networks，卷积神经网络）的预设故障诊断模型，通过训练数据集对预设故障诊断模型进行训练，得到训练后的故障诊断模型。
32.其中，在本公开实施例中，表1为本公开实施提供的基于cnn的预设故障诊断模型的结构参数。
33.表1结构参数 数量 输入层 1 卷积层 2 池化层 2 全连接层 1 输出层 1 如表1所示，构建的基于cnn的预设故障诊断模型包括输入层，卷积层1、池化层1、卷积层2、池化层2、全连接层以及输出层。
34.以及，在本公开实施例中，上述构建的基于cnn的预设故障诊断模型的输入为步骤102得到的训练数据集中的训练数据，该预设故障诊断模型的输出为预测训练数据所属的故障类型，并基于预测的故障类型与训练数据所属的故障类型得到预设故障诊断模型的损失值，基于损失值对预设故障诊断模型的参数进行调整，直至损失值收敛得到训练后的故障诊断模型。
35.其中，在本公开实施例中，上述故障类型可以包括：低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、正常状态。
36.以及，在本公开实施例中，上述基于cnn的预设故障诊断模型中cnn神经网络本身有较为优异的特征提取功能，可以有效化简变压器的诊断步骤，直接对数据样本进行分类，从而使得故障诊断模型不需要提取样本特征，进而使得预设故障诊断模型分析的准确度较高。
37.步骤104、优化训练后的故障诊断模型的超参数，得到目标故障诊断模型。
38.其中，在本公开实施例中，上述训练后的故障诊断模型中具有较多的超参数，通过人工经验选取难以保证故障诊断模型的分析精度，若少数超参数的错误选择就可能导致训练结果存在大幅偏差。基于此，在本公开实施例中，采用麻雀搜索算法优化训练后的故障诊断模型的超参数，得到目标故障诊断模型。
39.以及，在本公开实施例中，在采用麻雀搜索算法优化训练后的故障诊断模型的超参数之前，需要设定故障诊断模型的超参数取值范围。其中，表2为本公开提供的故障诊断模型的超参数取值范围。
40.表2
以及，在本公开实施例中，上述麻雀搜索算法可以包括以下步骤：步骤1041、初始化种群参数，设定最大迭代次数、寻优阈值、寻优步长等参数，初始化种群中发现者和跟随者两种角色的比例。
41.步骤1042、计算种群中各个个体的适应度值，并按照数值大小进行排序，筛选出当前种群内最优与最劣的个体。
42.步骤1043、发现者在种群中的位置lf通过第一公式计算并更新，其中，第一公式为：其中，表示麻雀种群中第m只雀在第n维的位置，且n为[1，d]范围内的整数，t表示的是迭代的次数，α表示的是0~1之间的随机数，c表示的是常数，r是服从标准化正态分布的一个随机数，d表示的是1
×
d维的矩阵，表示的是预警阈值，表示的是安全值。
[0043]
步骤1044、跟随者在种群中的位置lg通过第二公式计算并更新，其中，第二公式
为：其中，表示的是第t次迭代时整个种群中的最劣位置，表示的是第t次迭代时跟随者在种群中的位置，表示的是第t 1次迭代时种群中发现者的最优位置，表示的是1
×
d维的矩阵且，n表示的是种群中的个体总数。
[0044]
步骤1045、设定种群中的预警者，对预警者所处位置lj进行随机设定，模拟天敌来袭时其未知的变化，并通过第三公式进行位置更新，其中第三公式为：其中，表示当前种群中个体的最优位置，β是服从标准化正态分布的一个随机数，e是常数，fi表示的是现有个体的适应度值，fg表示的是全局最优的适应度值，fw表示的是全局最劣的适应度值。
[0045]
步骤1046、当求解得到全局最优解时，则算法终止并输出最优超参数，得到目标故障诊断模型；否则重复上述步骤1042~步骤1045直至迭代终止。
[0046]
进一步地，在本公开实施例中，通过上述麻雀搜索算法得到最优超参数，并将训练后的故障诊断模型的超参数更新为最优超参数，以得到目标故障诊断模型。
[0047]
需要说明的是，在本公开实施例中，通过上述麻雀搜索算法可以不依赖人工经验，从故障诊断模型的超参数取值范围中选取最优超参数，以使得目标故障诊断模型中的超参数为最优的，从而提高了故障诊断模型的分析准确度。
[0048]
步骤105、获取待分析的数据，通过目标故障诊断模型对待分析的数据进行分析，输出待分析的数据对应的故障诊断结果。
[0049]
其中，在本公开实施例中，通过目标故障模型对待分析的数据进行分析，输出待分析的数据对应的故障类型。
[0050]
综上所述，本技术提出的基于深度学习的电力变压器故障诊断方法，获取电力变压器的故障样本数据集，对故障样本数据集进行预处理，得到用于训练的训练数据集，构建基于cnn的预设故障诊断模型，通过训练数据集对预设故障诊断模型进行训练，得到训练后的故障诊断模型，优化训练后的故障诊断模型的超参数，得到目标故障诊断模型，获取待分
析的数据，通过目标故障诊断模型对待分析的数据进行分析，输出待分析的数据对应的故障诊断结果。由此，本技术中的故障诊断模型利用cnn本身的特征提取功能，从而使得故障诊断模型不需要提取样本特征，可以直接对样本进行故障诊断，从而提高了故障诊断模型分析的准确度。同时，本技术中优化了训练后的故障诊断模型的超参数，以使得故障诊断模型的超参数不依赖人工经验进行选取，具体采用麻雀搜索算法得到故障诊断模型的最优超参数，从而进一步提高了故障诊断模型分析的准确度。
[0051]
实施例二图2为根据本技术一个实施例提供的基于深度学习的电力变压器故障诊断装置的结构示意图，如图2所示，所述装置可以包括：获取模块201，用于获取电力变压器的故障样本数据集，其中，故障样本数据集中的每个样本数据包括以多种不同气体的含量组成的多维向量；预处理模块202，用于对故障样本数据集进行预处理，得到用于训练的训练数据集；训练模块203，用于构建基于cnn的预设故障诊断模型，通过训练数据集对预设故障诊断模型进行训练，得到训练后的故障诊断模型；优化模块204，用于优化训练后的故障诊断模型的超参数，得到目标故障诊断模型；故障分析模块205，用于获取待分析的数据，通过目标故障诊断模型对待分析的数据进行分析，输出待分析的数据对应的故障诊断结果。
[0052]
综上所述，本技术提出的基于深度学习的电力变压器故障诊断装置，获取电力变压器的故障样本数据集，对故障样本数据集进行预处理，得到用于训练的训练数据集，构建基于cnn的预设故障诊断模型，通过训练数据集对预设故障诊断模型进行训练，得到训练后的故障诊断模型，优化训练后的故障诊断模型的超参数，得到目标故障诊断模型，获取待分析的数据，通过目标故障诊断模型对待分析的数据进行分析，输出待分析的数据对应的故障诊断结果。由此，本技术中的故障诊断模型利用cnn本身的特征提取功能，从而使得故障诊断模型不需要提取样本特征，可以直接对样本进行故障诊断，从而提高了故障诊断模型分析的准确度。同时，本技术中优化了训练后的故障诊断模型的超参数，以使得故障诊断模型的超参数不依赖人工经验进行选取，具体采用麻雀搜索算法得到故障诊断模型的最优超参数，从而进一步提高了故障诊断模型分析的准确度。
[0053]
为了实现上述实施例，本公开还提出一种计算机存储介质。
[0054]
本公开实施例提供的计算机存储介质，存储有可执行程序；所述可执行程序被处理器执行后，能够实现如图1所示的方法。
[0055]
为了实现上述实施例，本公开还提出一种计算机设备。
[0056]
本公开实施例提供的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述程序时，能够实现如图1所示的方法。
[0057]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0058]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0059]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。