[发明专利]一种变压器故障诊断方法、装置、存储介质及设备

说明书

本发明实施例公开了一种变压器故障诊断方法、装置、存储介质及设备，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和含量数据，确定带有不同状态标签的第一数据集和第二数据集，对其进行处理后得到多模态数据集；将其划分为训练集和测试集，并将训练集划分为模型训练集和模型验证集；将模型训练集输入至注意力机制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，并将模型验证集输入至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；将测试集输入至超参数更新深度学习模型后得到不同状态下的维实向量，根据不同状态下的维实向量确定不同状态下的变压器故障等级。该方法能确定变压器故障的程度等。

技术领域

本发明涉及故障诊断领域，尤其涉及一种变压器故障诊断方法、装置、存储介质及设备。

背景技术

变压器是构成配电网的关键基础设备，对配电网安全的可靠运行性和用户的供电可靠性起着至关重要的作用。变压器一旦发生故障，可能会造成突发大面积停电，不仅影响企业正常生产，还会给人民生活带来不便，对国家经济效益和社会效益均造成严重危害，因此，需要对变压器进行故障的诊断。

目前，对于变压器故障的诊断，是需要通过分析溶解变压器油中的气体组成成分、含量及产气速率，从而来确定变压器是否存在故障，但目前该故障诊断方式存在以下问题：不能随时准确的获取变压器油中的气体组成成分、含量及产气速度(基于试验数据、维护检修记录等历史数据获取)；需要使变压器退出运行才可以对变压器进行故障诊断；只能对变压器进行故障诊断，不能确定变压器故障的程度；过于依赖专业技术人员的诊断经验；对变压器故障诊断的效率低下。

发明内容

基于此，有必要针对上述问题，提出了一种变压器故障诊断方法、装置、存储介质及设备，使得无需使变压器退出运行就能对变压器进行故障诊断，可以确定变压器故障的程度，无需专业技术人员的诊断经验就能进行故障诊断，对变压器故障诊断的效率高等。

为实现上述目的，本发明在第一方面提供一种变压器故障诊断方法，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。

可选地，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。

可选地，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。

可选地，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；