[发明专利]一种变压器故障诊断方法、装置、存储介质及设备

权利要求书

1.一种变压器故障诊断方法，其特征在于，所述方法包括：

获取不同状态下的变压器油中溶解的特征气体的产气速度数据，确定带有不同状态标签的第一数据集，以及获取不同状态下的变压器油中溶解的特征气体的含量数据，确定带有不同状态标签的第二数据集；

将所述带有不同状态标签的第一数据集和第二数据集进行数据预处理后得到多模态数据集；

将所述多模态数据集划分为训练集和测试集，并将所述训练集划分为模型训练集和模型验证集；

搭建注意力机制LSTM自编码神经网络，将所述模型训练集输入至所述注意力机制LSTM自编码神经网络中训练后得到变压器故障诊断深度学习模型，并将所述模型验证集输入至所述变压器故障诊断深度学习模型后得到超参数更新深度学习模型；

将所述测试集输入至所述超参数更新深度学习模型后得到不同状态下的维实向量，根据所述不同状态下的维实向量确定所述不同状态下的变压器故障等级。

2.根据权利要求1所述的方法，其特征在于，所述将所述带有不同状态标签的第一数据集和第二数据集进行数据预处理后得到多模态数据集，包括：

将所述不同状态标签的第一数据集和第二数据集依次进行数据清洗处理、差分去噪处理、数据异常值处理、标准化处理后得到所述多模态数据集。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述多模态数据集划分为训练集和测试集，并将所述训练集划分为模型训练集和模型验证集，包括：

将80％的所述多模态数据集划分为所述训练集，将20％的所述多模态数据集划分为所述测试集；

将80％的所述训练集划分为所述模型训练集，将20％的所述训练集划分为所述模型验证集。

4.根据权利要求1所述的方法，其特征在于，在所述注意力机制LSTM自编码神经网络中训练时，采用的损失函数为交叉熵损失函数；

所述交叉熵损失函数的表达式为

其中，L为交叉熵，n为所述模型训练集中数据的数量，y_j为第j个状态对应的状态标签的值，y_j的取值范围为[0，1]，越接近1变压器故障等级越低，越接近0变压器故障等级越高，p_j为第j个状态的实数域结果，log是以自然常数e为底的对数。

5.根据权利要求1所述的方法，其特征在于，所述将所述测试集输入至所述超参数更新深度学习模型后得到不同状态下的维实向量，包括：

将所述测试集输入至所述超参数更新深度学习模型时，获得不同状态下的实数域结果；

利用激活函数对所述不同状态下的实数域结果进行映射处理得到所述不同状态下的维实向量。

6.根据权利要求5所述方法，其特征在于，所述激活函数为归一化指数函数；

利用公式确定所述不同状态下的维实向量；

其中，σ(p)_j为第j个状态下的维实向量，σ(p)_j的取值范围为[0，1]，越接近1变压器故障等级越低，越接近0变压器故障等级越高，p_j为第j个状态的实数域结果，N为所述特征气体的种类，e为自然常数。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

若所述维实向量大于或等于预设值，则输出提示信息；

若所述维实向量小于所述预设值，则输出报警信息；

其中，所述预设值大于0且小于1。