[发明专利]变压器故障诊断方法、装置及电子设备

说明书

本发明公开了一种变压器故障诊断方法、装置及电子设备。该方法包括：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油色谱数据进行特征提取，得到多个子特征数据，由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；分别计算目标特征数据与各个故障类型的匹配度；基于目标特征数据与各个故障类型的匹配度，确定变压器的至少一个故障类型。本发明解决了相关技术中当变压器同时发生多种故障时，对变压器的故障判断准确度低的技术问题。

技术领域

本发明涉及变压器领域，具体而言，涉及一种变压器故障诊断方法、装置及电子设备。

背景技术

油浸式变压器在电力系统中长期连续运行，内部绝缘材料将会随着运行时间的延长发生老化问题，造成变压器运行时出现故障。变压器作为电力系统中的重要设备之一，经常性的停机检修会对整个电力系统的安全稳定运行产生影响。

目前针对油浸式变压器的故障诊断主要是利用油中溶解气体分析，通过气相色谱法采集变压器油中的气体数据，并通过油中气体的种类、含量与故障类型之间的关系完成故障分类。在变压器实际运行过程中，多种故障经常一起发生，当多种故障同时发生时，相关技术无法准确分类，从而具有故障判断准确度低的问题，进而导致变压器的使用安全性难以保证。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种变压器故障诊断方法、装置及电子设备，以至少解决相关技术中当变压器同时发生多种故障时，对变压器的故障判断准确度低的技术问题。

根据本发明实施例的一个方面，提供了一种变压器故障诊断方法，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油色谱数据进行特征提取，得到多个子特征数据，由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；分别计算目标特征数据与各个故障类型的匹配度；基于目标特征数据与各个故障类型的匹配度，确定变压器的至少一个故障类型。

进一步地，变压器故障诊断方法还包括：通过目标随机森林模型分别计算目标特征数据与各个故障类型的匹配度，其中，多个目标卷积神经网络模型和目标随机森林模型基于以下方法训练得到：获取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，得到当前训练样本的目标样本特征数据；根据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，通过初始随机森林模型分别计算当前训练样本的目标样本特征数据与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、目标样本特征数据与各个故障类型的匹配度确定每个初始卷积神经网络模型的损失值；基于初始随机森林模型的损失函数、目标样本特征数据与各个故障类型的匹配度确定初始随机森林模型的损失值；调整每个初始卷积神经网络模型的参数和初始随机森林模型的参数，并重复执行迭代训练每个初始卷积神经网络模型和初始随机森林模型的步骤，直至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目标随机森林模型。

进一步地，变压器故障诊断方法还包括：获取训练样本的目标样本特征数据与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训练样本的预测结果，其中，预测结果表征训练样本匹配的故障类型；根据训练样本的真实标签、训练样本的预测结果以及每个初始卷积神经网络模型的损失函数，计算每个初始卷积神经网络模型的损失值，其中，真实标签表征训练样本与各个故障类型是否匹配。