[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

说明书

本发明涉及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，所述设备包括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。有益效果是基于油色谱时频域信息和残差注意力网络、提升变压器故障分类诊断准确度。

【技术领域】

本发明涉及电站设备故障分类技术领域，具体涉及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。

【背景技术】

色谱又称色层法或层析法，是一种物理化学分析方法，它利用不同溶质(样品)与固定相和流动相之间的作用力(分配、吸附、离子交换等)的差别，当两相做相对移动时，各溶质在两相间进行多次平衡，使各溶质达到相互分离。分析性色谱的目的是定量或者定性测定混合物中各组分的性质和含量。色谱图是指被分离组分的检测信号随时间分布的图像，样品流经色谱柱和检测器，所得到的信号-时间曲线，又称色谱流出曲线。

对于电力系统中变压器故障的诊断检测，是否能够迅速的对其故障类型进行判断，及时给出检修方案进行故障排查和检修是非常重要的，这会直接影响最终是否会造成大范围的停电，甚至引发设备的爆炸，影响周围工作人员的生命安全，给人民的生产和生活带来重大的经济损失。目前广泛使用的是油浸式变压器。用色谱法测定变压器油中溶解气体的组分含量，是发供电企业判断运行中的充油电力设备是否存在潜伏性的过热、放电等故障，以保障电网安全有效运行的有效手段。在油浸式变压器的运行中，会受到外界环境和自身运行的影响，产生一些气体，如甲烷、乙烷、乙炔等。在正常运行和异常状态时，这些气体的浓度会呈现不同的比例形式。从而可以根据这些气体浓度，实现对变压器状态的评估和故障的分类。

已有的研究方法包括阈值法、三比值法和数据驱动的智能算法等。阈值法通过大量的实际数据，总结出来的一个经验范围。该阈值只能粗略的判断设备是否处于正常运行状态，如果出现了异常，则并不能判断具体的故障类型；并且变压器的故障发生是一个动态连续的过程，在故障发生初期，可能浓度并没有超过阈值，但是此时已经算在故障内，所以利用阈值法无法对早期的故障进行侦测。三比值法也是通过实验总结得出的结论，使用的方法包括IEC比值、 Rogers比值、Dornenburg比值和Duval比值等；在实际的变压器运行时，由于故障发生时的不确定性和复杂性，利用比值法规定的界限过于绝对，其划分的编码区域存在一定的模糊性，无法准确的覆盖所有的故障形式；同时，三比值法也无法对故障发生的动态过程进行分析，对早期故障的识别效果较差。目前随着在线监测装置的使用，大量的实测数据可以获取。并且随着智能算法的不断研究法发展，已经有很多利用数据驱动的智能算法来对变电站的运行状态进行评估。

近年来，虽然基于数据驱动的智能算法已经取得了一定的研究成果，但是仍然存在一些问题。首先传统的智能算法只是将油色谱数据的原始数据，即时域信息输入到网络模型，忽略了频域所蕴含的丰富的潜在信息。目前流行的人工智能方法如各种卷积神经网络往往不具备可解释性，模型提取的特征人类无法理解，也因此无法判断特征好坏和引入先验知识。其次由于变电站故障的多样性和复杂性，为了更加准确的对故障进行分类，传统模型通过增加网络层数来期待提高网络的学习能力。但是随着网络层数的增加，模型能加容易趋于过拟合状态，反而降低了分类准确度。并且更多的网络层数意味着有更多的网络参数需要进行训练，大大增加了网络的训练时间。

基于此，期望获得一种新的故障分类诊断方法，其能够进一步提升对变压器故障分类诊断的准确度。