[发明专利]一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备

权利要求书

1.一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述方法实现依赖于油色谱时频域信息采集处理程序模块和残差注意力网络程序模块，所述油色谱时频域信息采集处理程序模块包括油色谱监测数据采集清洗程序子模块和油色谱时频域信息样本数据生成程序子模块，所述残差注意力网络程序模块堆叠多层残差注意力机制程序子模块，所述残差注意力机制程序子模块由用于计算注意力权重的表层注意力网络和用于特征提取和学习的表征残差网络组成、按照跨层连接对残差进行学习的残差网络模型构建残差注意力网络；包括以下步骤：

S1、油色谱监测数据采集清洗程序子模块采集油浸式变压器油色谱监测数据、进行数据清洗；

S2、油色谱时频域信息样本数据生成程序子模块根据步骤S1的数据生成气体浓度时域序列、频域分量序列、时域序列比值以及频域序列浓度比值样本数据集；

S3、残差注意力网络程序模块利用步骤S2生成的样本数据集训练和测试变压器故障分类残差注意力网络；

S4、残差注意力网络程序模块利用训练好的残差注意力网络输入经过步骤S1、步骤S2生成的样本数据进行变压器故障判别预警。

2.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于所述步骤S2：采用窗口长度可调整的时间窗口对数据进行截取切片的方式生成样本数据集，并对生成的样本数据集进行归一化处理。

3.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于所述步骤S3：残差注意力网络将变压器故障分类为正常状态和异常状态，异常状态包括低温过热、中温过热、高温过热、局部放电、低能放电和高能放电六种故障类型。

4.根据权利要求1所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力机制程序子模块通过表层注意力网络提供注意力权重动态自适应地调整表征残差网络学习到的权重。

5.根据权利要求4所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述表层注意力网络利用三种激活函数提供注意力权重，包括对残差注意力网络每个通道和空间位置使用sigmoid函数不添加额外约束限制的混合注意力激活函数利用L2正则对残差注意力网络所有通道的每一个空间位置进行约束消除空间信息的通道注意力激活函数以及对残差注意力网络每一个通道实现正则化的空间注意力激活函数其中i范围涵盖残差注意力网络所有的空间位置，c涵盖残差注意力网络所有的通道，mean_c和std_c表示残差注意力网络第c个通道特征图的平均值和方差，x_i，c表示残差注意力网络第i个空间位置的特征向量。

6.根据权利要求5所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力网络以端到端模式进行训练，所述表层注意力网络采用从底到顶的结构模仿注意力训练过程中的前向和反馈机制；任一所述残差注意力机制程序子模块输入为x，表征残差网络对应的输出为T(x)，表层注意力网络得到的注意力权重输出M(x)，最终任一所述残差注意力机制程序子模块的输出为H_i，c(x)＝M_i，c(x)×T_i，c(x)，其中i的范围涵盖残差注意力网络所有的空间位置，c∈{1，K，C}表示残差注意力网络通道的索引。

7.根据权利要求6所述的一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法，其特征在于：所述残差注意力机制程序子模块表层注意力网络输出的注意力权重在前向传播中作为一种特征选择方式，同时在反向传播中参与梯度的更新，所述残差注意力机制程序子模块输入特征的梯度为其中θ是表层注意力网络参数，φ是表征残差网络参数。