[发明专利]变压器故障诊断方法、装置及电子设备

权利要求书

1.一种变压器故障诊断方法，其特征在于，包括：

获取变压器运行过程中的油色谱数据；

通过多个目标卷积神经网络模型分别对所述油色谱数据进行特征提取，得到多个子特征数据，由所述多个子特征数据构成目标特征数据，其中，不同目标卷积神经网络模型用于提取所述油色谱数据与不同故障类型所关联的子特征数据；

分别计算所述目标特征数据与各个故障类型的匹配度；

基于所述目标特征数据与所述各个故障类型的匹配度，确定所述变压器的至少一个故障类型。

2.根据权利要求1所述的方法，其特征在于，分别计算所述目标特征数据与各个故障类型的匹配度，包括：

通过目标随机森林模型分别计算所述目标特征数据与各个故障类型的匹配度；

其中，所述多个目标卷积神经网络模型和所述目标随机森林模型基于以下方法训练得到：

获取所述变压器历史运行过程中的多个历史油色谱数据，并将每个历史油色谱数据分别作为一个训练样本，构建训练样本集；

在第一次迭代训练时，执行以下步骤：对于每个训练样本，通过多个初始卷积神经网络模型对当前训练样本进行特征提取，得到所述当前训练样本的目标样本特征数据；

根据所述训练样本集中训练样本的目标样本特征数据生成N个子训练集，根据各个子训练集生成与该子训练集对应的目标决策树，并根据所述各个子训练集的目标决策树构建初始随机森林模型，其中，N为大于1的正整数；

对于每个训练样本，通过所述初始随机森林模型分别计算所述当前训练样本的目标样本特征数据与所述各个故障类型的匹配度；

基于每个初始卷积神经网络模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述每个初始卷积神经网络模型的损失值；

基于所述初始随机森林模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述初始随机森林模型的损失值；

调整所述每个初始卷积神经网络模型的参数和所述初始随机森林模型的参数，并重复执行迭代训练所述每个初始卷积神经网络模型和所述初始随机森林模型的步骤，直至所述每个初始卷积神经网络模型的损失值小于第一预设值，并且所述初始随机森林模型的损失值小于第二预设值，将训练得到的初始卷积神经网络模型确定为所述目标卷积神经网络模型，将训练得到的初始随机森林模型确定为所述目标随机森林模型。

3.根据权利要求2所述的方法，其特征在于，基于每个初始卷积神经网络模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述每个初始卷积神经网络模型的损失值，包括：

获取所述训练样本的目标样本特征数据与所述各个故障类型的匹配度，根据获取的匹配度与预设匹配度的比较结果确定所述训练样本的预测结果，其中，所述预测结果表征所述训练样本匹配的故障类型；

根据所述训练样本的真实标签、所述训练样本的预测结果以及所述每个初始卷积神经网络模型的损失函数，计算所述每个初始卷积神经网络模型的损失值，其中，所述真实标签表征所述训练样本与所述各个故障类型是否匹配。

4.根据权利要求2所述的方法，其特征在于，基于所述初始随机森林模型的损失函数、所述目标样本特征数据与所述各个故障类型的匹配度确定所述初始随机森林模型的损失值，包括：

获取所述训练样本的目标样本特征数据与所述各个故障类型的匹配度，根据获取的匹配度与预设匹配度的比较结果确定所述训练样本的预测结果，其中，所述预测结果表征所述训练样本匹配的故障类型；

根据所述训练样本的真实标签、所述训练样本的预测结果以及所述初始随机森林模型的损失函数，计算所述初始随机森林模型的损失值，其中，所述真实标签表征所述训练样本与所述各个故障类型是否匹配。