变压器故障诊断方法、装置、设备及存储介质

1.本发明涉及变压器技术领域，尤其涉及变压器故障诊断方法、装置、设备及存储介质。


背景技术：

2.变压器状况评估是电力变压器性能维护的基本任务，且由于变压器是整个变电站的重要设备，它的安全工作状态直接影响着整个供电系统的稳定供电，因此，及时、准确以及高效地对变压器的故障诊断是当前亟待解决的问题，而目前常用单一算法(支持向量机、决策树)进行变压器故障的诊断，但是变压器的故障可能是由多方面因素造成，即故障数据的种类较多，若还是利用单一算法诊断变压器故障，则会造成最终诊断的效率和准确率较低，并且未及时诊断出变压器的故障以及未及时对故障进行修理，会造成故障范围不断扩大，最终影响整个供电系统。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种变压器故障诊断方法、装置、设备及存储介质，旨在解决现有技术诊断变压器故障的效率和准确率较低，造成故障范围扩大的技术问题。
5.为实现上述目的，本发明提供了一种变压器故障诊断方法，所述变压器故障诊断方法包括以下步骤：
6.在检测到待诊断变压器发生故障时，获取原始故障数据；
7.根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；
8.通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；
9.根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。
10.可选地，所述根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集，包括：
11.对所述原始故障数据进行检测；
12.在检测结果为存在故障数据异常时，对所述原始故障数据进行数据填充；
13.对填充后的原始故障数据进行数据修改；
14.对修改后的原始故障数据进行分类，得到油溶解气体故障数据和铁芯接地电流故障数据；
15.对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集；
16.根据所述铁芯接地电流故障数据得到铁芯接地电流验证集。
17.可选地，所述对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集，包括：
18.对所述油溶解气体故障数据进行三比值计算，并根据预设气体比值范围对所述油溶解气体三比值计算结果进行编码；
19.对编码后的油溶解气体三比值计算结果进行分类，得到油溶解气体三比值类别集合；
20.通过预设标签规则对所述油溶解气体三比值类别集合进行标记，并根据标记后的油溶解气体三比值类别集合对油溶解气体故障数据进行one-hot编码；
21.根据one-hot编码后的油溶解气体故障数据确定油溶解气体验证集。
22.可选地，所述通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果之前，还包括：
23.获取油溶解气体故障数据的特性信息，并根据所述油溶解气体故障数据的特性信息得到油溶解气体故障数据训练集；
24.确定初始bp神经网络模型的隐藏层激活函数和输出层激活函数；
25.根据所述隐藏层激活函数和输出层激活函数采用初始bp神经网络模型对所述油溶解气体故障数据训练集进行训练，得到各隐藏层的神经元节点输出数据和输出层的神经元节点输出数据；
26.计算所述输出层的神经元节点输出数据与第一期望数据之间的输出层误差；
27.在所述输出层误差不满足预设要求时，计算所述各隐藏层的神经元节点输出数据与第二期望数据之间的隐藏层误差；
28.计算所述隐藏层误差的梯度；
29.根据所述隐藏层误差的梯度和学习函数对所述初始bp神经网络模型的参数进行调整；
30.在调整后的初始bp神经网络模型的输出层的神经元节点输出数据与第一期望数据之间的输出层误差满足预设要求时，将调整后的初始bp神经网络模型作为目标bp神经网络模型。
31.可选地，所述通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果之前，还包括：
32.获取铁芯接地电流数据的特性信息，并根据所述铁芯接地电流数据的特性信息得到铁芯接地电流训练数据；
33.根据所述铁芯接地电流训练数据确定铁芯接地电流数据初始训练集和铁芯接地电流数据验证集；
34.将所述铁芯接地电流数据初始训练集划分为铁芯接地电流数据目标训练集和铁芯接地电流数据测试集；
35.根据所述铁芯接地电流数据目标训练集设置超参数集合；
36.采用svm高斯核函数根据所述超参数集合和铁芯接地电流数据测试集对初始svm模型进行交叉验证；
37.根据初始svm模型的验证结果确定最优超参数，并根据所述最优超参数训练目标
svm模型；
38.通过所述铁芯接地电流数据验证集对所述目标svm模型进行验证；
39.在目标svm模型的验证结果满足预设验证要求时，执行通过目标svm模型对所述铁芯接地电流验证集进行预测的步骤。
40.可选地，所述通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果，包括：
41.通过目标bp神经网络模型对所述油溶解气体验证集进行分类；
42.采用目标输出激活函数通过目标bp神经网络模型对分类后的油溶解气体验证集进行预测，得到油溶解故障基础概率，并将所述油溶解故障基础概率作为油溶解故障诊断结果；
43.通过目标svm模型对所述铁芯接地电流验证集进行分类；
44.通过目标svm模型对分类后的铁芯接地电流验证集进行预测，得到铁芯接地故障基础概率，并将所述铁芯接地故障基础概率作为铁芯接地故障诊断结果。
45.可选地，所述根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型，包括：
46.根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，得到故障诊断融合结果；
47.根据所述故障诊断融合结果得到融合故障概率集合；
48.根据所述融合故障概率集合确定所述待诊断变压器的故障类型；
49.相应地，根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型之后，还包括：
50.分别计算融合前故障类型的准确率和融合后故障类型的准确率；
51.在所述融合后故障类型的准确率大于融合前故障类型的准确率时，确定上述确定所述待诊断变压器的故障类型的策略满足故障诊断理论基础。
52.此外，为实现上述目的，本发明还提出一种变压器故障诊断装置，所述变压器故障诊断装置包括：
53.获取模块，用于在检测到待诊断变压器发生故障时，获取原始故障数据；
54.确定模块，用于根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；
55.预测模块，用于通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；
56.融合模块，用于根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。
57.此外，为实现上述目的，本发明还提出一种变压器故障诊断设备，所述变压器故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变压器故障诊断程序，所述变压器故障诊断程序配置为实现如上文所述的变压器故障诊断方法。
58.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有变压
器故障诊断程序，所述变压器故障诊断程序被处理器执行时实现如上文所述的变压器故障诊断方法。
59.本发明提出的变压器故障诊断方法，通过在检测到待诊断变压器发生故障时，获取原始故障数据；根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型；通过上述方式，利用多模型分别对多源验证集进行预测，然后将预测的故障诊断结果进行融合，再基于融合结果确定待诊断变压器的故障类型，从而能够有效提高诊断变压器故障的效率和准确率，进而防止扩大故障范围。
附图说明
60.图1是本发明实施例方案涉及的硬件运行环境的变压器故障诊断设备的结构示意图；
61.图2为本发明变压器故障诊断方法第一实施例的流程示意图；
62.图3为本发明变压器故障诊断方法一实施例的初始bp神经网络模型的loss曲线图；
63.图4为本发明变压器故障诊断方法一实施例的目标bp神经网络模型的loss曲线图；
64.图5为本发明变压器故障诊断方法第二实施例的流程示意图；
65.图6为本发明变压器故障诊断装置第一实施例的功能模块示意图。
66.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
67.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
68.参照图1，图1为本发明实施例方案涉及的硬件运行环境的变压器故障诊断设备结构示意图。
69.如图1所示，该变压器故障诊断设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
70.本领域技术人员可以理解，图1中示出的结构并不构成对变压器故障诊断设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
71.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模
块、用户接口模块以及变压器故障诊断程序。
72.在图1所示的变压器故障诊断设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明变压器故障诊断设备中的处理器1001、存储器1005可以设置在变压器故障诊断设备中，所述变压器故障诊断设备通过处理器1001调用存储器1005中存储的变压器故障诊断程序，并执行本发明实施例提供的变压器故障诊断方法。
73.基于上述硬件结构，提出本发明变压器故障诊断方法实施例。
74.参照图2，图2为本发明变压器故障诊断方法第一实施例的流程示意图。
75.在第一实施例中，所述变压器故障诊断方法包括以下步骤：
76.步骤s10，在检测到待诊断变压器发生故障时，获取原始故障数据。
77.需要说明的是，本实施例的执行主体为变压器故障诊断设备，还可为其他可实现相同或相似功能的设备，例如故障诊断控制器等，本实施例对此不作限制，在本实施例中，以故障诊断控制器为例进行说明。
78.应当理解的是，原始故障数据指的是待诊断变压器发生故障时的数据，该原始故障数据可以为多源数据，待诊断变压器指的是需要进行故障诊断的变压器，该待诊断变压器可以为多台。
79.步骤s20，根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集。
80.可以理解的是，油溶解气体验证集指的是由原始故障数据中的油溶解气体故障数据构成的验证集，该油溶解气体验证集用于预测出油溶解故障基础概率，同样，铁芯接地电流验证集指的是由原始故障数据中的铁芯接地电流故障数据构成的验证集，该铁芯接地电流验证集用于预测出铁芯接地故障基础概率。
81.步骤s30，通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果。
82.应当理解的是，目标bp神经网络模型指的是用于预测出油溶解故障基础概率的模型，该目标bp神经网络模型可以通过输出层误差和隐藏层误差共同确定，目标svm模型指的是用于预测出铁芯接地故障基础概率的模型，该目标svm模型可以通过svm高斯核函数和最优超参数共同确定。
83.进一步地，所述通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果之前，还包括：获取油溶解气体故障数据的特性信息，并根据所述油溶解气体故障数据的特性信息得到油溶解气体故障数据训练集；确定初始bp神经网络模型的隐藏层激活函数和输出层激活函数；根据所述隐藏层激活函数和输出层激活函数采用初始bp神经网络模型对所述油溶解气体故障数据训练集进行训练，得到各隐藏层的神经元节点输出数据和输出层的神经元节点输出数据；计算所述输出层的神经元节点输出数据与第一期望数据之间的输出层误差；在所述输出层误差不满足预设要求时，计算所述各隐藏层的神经元节点输出数据与第二期望数据之间的隐藏层误差；计算所述隐藏层误差的梯度；根据所述隐藏层误差的梯度和学习函数对所述初始bp神经网络模型的参数进行调整；在调整后的初始bp神经网络模型的输出层的神经元节点输出数据与第一期望数据之间的输出层误差满足预设要求时，将调整后的初始bp神经网络模型作为目标bp神经网络模型。
84.可以理解的是，油溶解气体故障数据训练集包括但不限于油溶解气体验证集的油溶解气体故障数据和变压器油中溶解气体色谱分析出的故障数据，即根据特性信息从变压器油中溶解气体色谱中分析出故障数据，以得到油溶解气体故障数据训练集，该隐藏层激活函数可以为sigmoid函数，该输出层激活函数可以为softmax函数，以及将交叉熵作为损失函数，然后通过隐藏层激活函数和输出层激活函数的初始bp神经网络模型对油溶解气体故障数据训练集进行训练，第一期望数据指的是期待输出层输出的数据，第二期望数据指的是期待隐藏层输出的数据，输出层误差指的是初始bp神经网络模型的输出层的神经元节点输出数据与第一期望数据之间的误差，同样，隐藏层误差指的是各隐藏层的神经元节点输出数据与第二期望数据之间的误差，在得到输出层误差后，判断输出层误差是否满足预设要求，若是，则求解隐藏层误差的梯度，然后根据隐藏层误差的梯度和学习函数对初始bp神经网络模型的参数进行调整，该参数包括但不限于权值、神经元数目以及迭代次数等，然后继续计算调整后的初始bp神经网络模型的输出层的神经元节点输出数据，经过上述方式多次迭代，直至调整后的初始bp神经网络模型的输出层的神经元节点输出数据与预设期望数据之间的输出层误差满足预设要求，然后将调整后的初始bp神经网络模型作为目标bp神经网络模型。
85.应当理解的是，参考图3，图3为初始bp神经网络模型的loss曲线图，具体为：隐藏层采用sigmoid作为激活函数，输出层采用softmax函数作为激活函数，使用5个神经元作为输入、9个神经元隐藏层、7个神经元输出层，迭代次数100次，学习率为0.15，此时正确率为0.74665，参考图4，图4为目标bp神经网络模型的loss曲线图，具体为：隐藏层采用sigmoid作为激活函数，输出层采用softmax函数作为激活函数，采用输入五个神经元，使用5种油溶解气体故障数据(h2、ch4、c2h2、c2h4、c2h6)，使用9个神经元作为隐藏层，因为使用one-hot编码，则使用7个神经元作为输出，迭代次数700次，学习率为0.15，此时正确率为0.809346，即目标bp神经网络模型预测的正确率相较于初始bp神经网络模型预测的正确率明显提高。
86.进一步地，所述通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果之前，还包括：获取铁芯接地电流数据的特性信息，并根据所述铁芯接地电流数据的特性信息得到铁芯接地电流训练数据；根据所述铁芯接地电流训练数据确定铁芯接地电流数据初始训练集和铁芯接地电流数据验证集；将所述铁芯接地电流数据初始训练集划分为铁芯接地电流数据目标训练集和铁芯接地电流数据测试集；根据所述铁芯接地电流数据目标训练集设置超参数集合；采用svm高斯核函数根据所述超参数集合和铁芯接地电流数据测试集对初始svm模型进行交叉验证；根据初始svm模型的验证结果确定最优超参数，并根据所述最优超参数训练目标svm模型；通过所述铁芯接地电流数据验证集对所述目标svm模型进行验证；在目标svm模型的验证结果满足预设验证要求时，执行通过目标svm模型对所述铁芯接地电流验证集进行预测的步骤。
87.应当理解的是，铁芯接地电流训练数据包括但不限于铁芯接地电流验证集的铁芯接地电流故障数据和多个气体浓度传感器和变压器故障时的数据，然后将铁芯接地电流训练数据确定铁芯接地电流数据初始训练集和铁芯接地电流数据验证集，以及将铁芯接地电流数据初始训练集划分为铁芯接地电流数据目标训练集和铁芯接地电流数据测试集，例如，铁芯接地电流训练数据的数量为863组，铁芯接地电流数据初始训练集的数量为663组，铁芯接地电流数据验证集的数量为200组，此时的铁芯接地电流数据目标训练集的数量为
464组，铁芯接地电流数据测试集的数量为139组，然后根据铁芯接地电流数据目标训练集设置超参数集合，再采用svm高斯核函数根据超参数集合和铁芯接地电流数据测试集对初始svm模型进行交叉验证，以得到初始svm模型进行预测的正确率，然后根据预测的正确率确定最优超参数，该最优超参数包括但不限于c和y，再利用最优超参数训练目标svm模型，根据所述最优超参数训练目标svm模型；通过所述铁芯接地电流数据验证集对目标svm模型进行验证，此时铁芯接地电流数据目标训练集的准确率为0.855，铁芯接地电流数据验证集的准确率为0.735-0.845，即满足预设验证要求，此时就可以通过目标svm模型对铁芯接地电流验证集进行预测。
88.进一步地，步骤s30，包括：通过目标bp神经网络模型对所述油溶解气体验证集进行分类；采用目标输出激活函数通过目标bp神经网络模型对分类后的油溶解气体验证集进行预测，得到油溶解故障基础概率，并将所述油溶解故障基础概率作为油溶解故障诊断结果；通过目标svm模型对所述铁芯接地电流验证集进行分类；通过目标svm模型对分类后的铁芯接地电流验证集进行预测，得到铁芯接地故障基础概率，并将所述铁芯接地故障基础概率作为铁芯接地故障诊断结果。
89.可以理解的是，目标输出激活函数可以为softmax函数，通过目标bp神经网络模型对油溶解气体验证集进行分类，得到融合前油溶解气体验证集的分类情况，然后采用目标输出激活函数通过目标bp神经网络模型对分类后的油溶解气体验证集进行预测，得到油溶解故障基础概率，该油溶解故障基础概率的数量为多个，例如，n1、n2、n3、n4、n5、n6以及n7，即为油溶解故障诊断结果，同样，通过目标svm模型对铁芯接地电流验证集进行分类，得到融合前铁芯接地电流验证集的分类情况，然后通过目标svm模型对分类后的铁芯接地电流验证集进行预测，得到铁芯接地故障基础概率，该铁芯接地故障基础概率的数量可以为多个，例如，m1、m2、m3、m4、m5、m6以及m7，即为铁芯接地故障诊断结果。
90.步骤s40，根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。
91.可以理解的是，目标合成规则指的是将多个故障诊断结果进行融合的规则，该目标合成规则可以为dempster合成规则，即根据目标合成规则对油溶解故障诊断结果和铁芯接地故障诊断结果进行融合，然后根据故障诊断融合结果确定待诊断变压器的故障类型，再利用故障类型确定的维修策略对待诊断变压器进行维修，以保证供电系统的安全。
92.进一步地，步骤s40，包括：根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，得到故障诊断融合结果；根据所述故障诊断融合结果得到融合故障概率集合；根据所述融合故障概率集合确定所述待诊断变压器的故障类型；相应地，根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型之后，还包括：分别计算融合前故障类型的准确率和融合后故障类型的准确率；在所述融合后故障类型的准确率大于融合前故障类型的准确率时，确定上述确定所述待诊断变压器的故障类型的策略满足故障诊断理论基础。
93.应当理解的是，融合故障概率集合指的是融合后的故障概率，然后从融合故障概率集合中选取大于预设概率值的融合故障概率，具体参考表1：
[0094][0095]
表1
[0096]
需要说明的是，在目标合成规则中，如果任意一条证据否定了某个基本假设，不管其他证据以多大信度支持该基本假设，合成结果将完全否定该基本假设，dempster合成规则如下：
[0097][0098]
其中，冲击系数k＝∑
b∩c＝空集
m1(b)m2(c)，a表示融合故障概率，b和c分别表示融合前基础概率，冲击系数k能够描述出证据间的冲突大小情况，k越大表明证据之间的冲突越大，当k＝1时，目标合成规则无法进行计算，1/1-k为正则化因子，本质上是为了使m(a)的总和值为1。即冲击系数k满足：
[0099]
可以理解的是，在得到油溶解故障基础概率和铁芯接地故障基础概率后，将目标冲击系数表示为：
[0100][0101]
然后将上述公式进行转换后，得到融合故障概率：
[0102][0103]
应当理解的是，在得到融合故障概率后，根据该融合故障概率确定待诊断变压器的故障类型，然后分别计算融合前故障类型的准确率和融合后故障类型的准确率，判断融合后故障类型的准确率是否大于融合前故障类型的准确率，若是，则确定上述确定待诊断变压器的故障类型的策略满足故障诊断理论基础，例如，融合前故障类型的准确率分别为0.8093、0.755，而融合后故障类型的准确率为0.9543，表明上述策略满足故障诊断理论基础。
[0104]
本实施例通过在检测到待诊断变压器发生故障时，获取原始故障数据；根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型；通过上述方式，利用多模型分别对多源验证集进行预测，然后将预测的故障诊断结果进行融合，再基于融合结果确定待诊断变压器的故障类型，从而能够有效提高诊断变压器故障的效率和准确率，进而防止扩大故障范围。
[0105]
在一实施例中，如图5所述，基于第一实施例提出本发明变压器故障诊断方法第二实施例，所述步骤s20，包括：
[0106]
步骤s201，对所述原始故障数据进行检测。
[0107]
应当理解的是，在获取到待诊断变压器的原始故障数据后，对原始故障数据进行检测。
[0108]
步骤s202，在检测结果为存在故障数据异常时，对所述原始故障数据进行数据填充。
[0109]
可以理解的是，在得到检测结果后，判断检测结果是否为存在故障数据异常的结果，若是，则表明需要对原始故障数据进行预处理，该预处理操作包括但不限于数据填充、数据修改等。
[0110]
步骤s203，对填充后的原始故障数据进行数据修改。
[0111]
应当理解的是，在对原始故障数据进行填充后，再对填充后的原始故障数据进行
数据修改，修改的内容包括但不限于错误值数据、存在“0”值的数据。
[0112]
步骤s204，对修改后的原始故障数据进行分类，得到油溶解气体故障数据和铁芯接地电流故障数据。
[0113]
可以理解的是，在修改完成后，修改后的原始故障数据是完整和准确的，此时将修改后的原始故障数据进行分类，以得到油溶解气体故障数据和铁芯接地电流故障数据。
[0114]
步骤s205，对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集。
[0115]
进一步地，步骤s205，包括：对所述油溶解气体故障数据进行三比值计算，并根据预设气体比值范围对所述油溶解气体三比值计算结果进行编码；对编码后的油溶解气体三比值计算结果进行分类，得到油溶解气体三比值类别集合；通过预设标签规则对所述油溶解气体三比值类别集合进行标记，并根据标记后的油溶解气体三比值类别集合对油溶解气体故障数据进行one-hot编码；根据one-hot编码后的油溶解气体故障数据确定油溶解气体验证集。
[0116]
可以理解的是，油溶解气体三比值计算结果包括c2h2/c2h4、ch4/h2以及c2h4/c2h6的三比值，然后根据预设气体比值范围对油溶解气体三比值计算结果进行编码，该预设气体比值范围包括《0.1、0.1-1、1-3以及》3，具体表示可参考表2：
[0117][0118]
表2
[0119]
应当理解的是，在得到编码后的油溶解气体三比值计算结果，对编码后的油溶解气体三比值计算结果进行分类，然后通过预设标签规则对油溶解气体三比值类别集合进行标记，具体表示可参考表3：
[0120][0121]
表3
[0122]
需要说明的是，不同c2h2/c2h4、ch4/h2以及c2h4/c2h6的编码值对应不同的故障描述，该故障描述包括但不限于正常老化、低过热、低能局放、中低温过热、中高温过热、高温过热、高能局放、低能放电以及高能放电等。
[0123]
可以理解的是，在得到标记后的油溶解气体三比值类别集合后，根据标记后的油溶解气体三比值类别集合对油溶解气体故障数据进行one-hot编码，具体参考表4：
[0124][0125]
表4
[0126]
需要说明的是，在得到one-hot编码后的油溶解气体三比值类别集合确定油溶解气体验证集，该one-hot编码后的油溶解气体三比值类别集合包括但不限于1000000、
0100000、0010000、0001000、0000100、0000010以及0000001。
[0127]
步骤s206，根据所述铁芯接地电流故障数据得到铁芯接地电流验证集。
[0128]
应当理解的是，在得到铁芯接地电流故障数据后，按照油溶解气体故障数据的三比值计算结果所标记的故障类型对铁芯接地电流故障数据进行标记，得到铁芯接地电流故障数据标记结果，并根据铁芯接地电流故障数据标记结果对铁芯接地电流故障数据进行划分，以得到铁芯接地电流验证集。
[0129]
本实施例通过对所述原始故障数据进行检测；在检测结果为存在故障数据异常时，对所述原始故障数据进行数据填充；对填充后的原始故障数据进行数据修改；对修改后的原始故障数据进行分类，得到油溶解气体故障数据和铁芯接地电流故障数据；对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集；根据所述铁芯接地电流故障数据得到铁芯接地电流验证集；通过上述方式，在原始故障数据的检测结果为存在故障数据异常时，分别对原始故障数据进行数据填充和数据修改，然后对所述油溶解气体故障数据进行三比值计算，再根据三比值计算结果确定油溶解气体验证集，然后利用油溶解气体故障数据的三比值计算结果根据铁芯接地电流故障数据确定铁芯接地电流验证集，从而能够有效提高确定验证集的准确性。
[0130]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有变压器故障诊断程序，所述变压器故障诊断程序被处理器执行时实现如上文所述的变压器故障诊断方法的步骤。
[0131]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0132]
此外，参照图6，本发明实施例还提出一种变压器故障诊断装置，所述变压器故障诊断装置包括：
[0133]
获取模块10，用于在检测到待诊断变压器发生故障时，获取原始故障数据。
[0134]
确定模块20，用于根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集。
[0135]
预测模块30，用于通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果。
[0136]
融合模块40，用于根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。
[0137]
本实施例通过在检测到待诊断变压器发生故障时，获取原始故障数据；根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型；通过上述方式，利用多模型分别对多源验证集进行预测，然后将预测的故障诊断结果进行融合，再基于融合结果确定待诊断变压器的故障类型，从而能够有效提高诊断变压器故障的效率和准确率，进而防止扩大故障范围。
[0138]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范
围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0139]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的变压器故障诊断方法，此处不再赘述。
[0140]
本发明所述变压器故障诊断装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
[0141]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0142]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0143]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，一体化平台工作站，或者网络设备等)执行本发明各个实施例所述的方法。
[0144]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种变压器故障诊断方法，其特征在于，所述变压器故障诊断方法包括以下步骤：在检测到待诊断变压器发生故障时，获取原始故障数据；根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。2.如权利要求1所述的变压器故障诊断方法，其特征在于，所述根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集，包括：对所述原始故障数据进行检测；在检测结果为存在故障数据异常时，对所述原始故障数据进行数据填充；对填充后的原始故障数据进行数据修改；对修改后的原始故障数据进行分类，得到油溶解气体故障数据和铁芯接地电流故障数据；对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集；根据所述铁芯接地电流故障数据得到铁芯接地电流验证集。3.如权利要求2所述的变压器故障诊断方法，其特征在于，所述对所述油溶解气体故障数据进行三比值计算，并根据三比值计算结果确定油溶解气体验证集，包括：对所述油溶解气体故障数据进行三比值计算，并根据预设气体比值范围对所述油溶解气体三比值计算结果进行编码；对编码后的油溶解气体三比值计算结果进行分类，得到油溶解气体三比值类别集合；通过预设标签规则对所述油溶解气体三比值类别集合进行标记，并根据标记后的油溶解气体三比值类别集合对油溶解气体故障数据进行one-hot编码；根据one-hot编码后的油溶解气体故障数据确定油溶解气体验证集。4.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果之前，还包括：获取油溶解气体故障数据的特性信息，并根据所述油溶解气体故障数据的特性信息得到油溶解气体故障数据训练集；确定初始bp神经网络模型的隐藏层激活函数和输出层激活函数；根据所述隐藏层激活函数和输出层激活函数采用初始bp神经网络模型对所述油溶解气体故障数据训练集进行训练，得到各隐藏层的神经元节点输出数据和输出层的神经元节点输出数据；计算所述输出层的神经元节点输出数据与第一期望数据之间的输出层误差；在所述输出层误差不满足预设要求时，计算所述各隐藏层的神经元节点输出数据与第二期望数据之间的隐藏层误差；计算所述隐藏层误差的梯度；根据所述隐藏层误差的梯度和学习函数对所述初始bp神经网络模型的参数进行调整；
在调整后的初始bp神经网络模型的输出层的神经元节点输出数据与第一期望数据之间的输出层误差满足预设要求时，将调整后的初始bp神经网络模型作为目标bp神经网络模型。5.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果之前，还包括：获取铁芯接地电流数据的特性信息，并根据所述铁芯接地电流数据的特性信息得到铁芯接地电流训练数据；根据所述铁芯接地电流训练数据确定铁芯接地电流数据初始训练集和铁芯接地电流数据验证集；将所述铁芯接地电流数据初始训练集划分为铁芯接地电流数据目标训练集和铁芯接地电流数据测试集；根据所述铁芯接地电流数据目标训练集设置超参数集合；采用svm高斯核函数根据所述超参数集合和铁芯接地电流数据测试集对初始svm模型进行交叉验证；根据初始svm模型的验证结果确定最优超参数，并根据所述最优超参数训练目标svm模型；通过所述铁芯接地电流数据验证集对所述目标svm模型进行验证；在目标svm模型的验证结果满足预设验证要求时，执行通过目标svm模型对所述铁芯接地电流验证集进行预测的步骤。6.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果，包括：通过目标bp神经网络模型对所述油溶解气体验证集进行分类；采用目标输出激活函数通过目标bp神经网络模型对分类后的油溶解气体验证集进行预测，得到油溶解故障基础概率，并将所述油溶解故障基础概率作为油溶解故障诊断结果；通过目标svm模型对所述铁芯接地电流验证集进行分类；通过目标svm模型对分类后的铁芯接地电流验证集进行预测，得到铁芯接地故障基础概率，并将所述铁芯接地故障基础概率作为铁芯接地故障诊断结果。7.如权利要求1至6中任一项所述的变压器故障诊断方法，其特征在于，所述根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型，包括：根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，得到故障诊断融合结果；根据所述故障诊断融合结果得到融合故障概率集合；根据所述融合故障概率集合确定所述待诊断变压器的故障类型；相应地，根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型之后，还包括：分别计算融合前故障类型的准确率和融合后故障类型的准确率；在所述融合后故障类型的准确率大于融合前故障类型的准确率时，确定上述确定所述
待诊断变压器的故障类型的策略满足故障诊断理论基础。8.一种变压器故障诊断装置，其特征在于，所述变压器故障诊断装置包括：获取模块，用于在检测到待诊断变压器发生故障时，获取原始故障数据；确定模块，用于根据所述原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；预测模块，用于通过目标bp神经网络模型对所述油溶解气体验证集进行预测，得到油溶解故障诊断结果，以及通过目标svm模型对所述铁芯接地电流验证集进行预测，得到铁芯接地故障诊断结果；融合模块，用于根据目标合成规则对所述油溶解故障诊断结果和所述铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定所述待诊断变压器的故障类型。9.一种变压器故障诊断设备，其特征在于，所述变压器故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的变压器故障诊断程序，所述变压器故障诊断程序配置有实现如权利要求1至7中任一项所述的变压器故障诊断方法。10.一种存储介质，其特征在于，所述存储介质上存储有变压器故障诊断程序，所述变压器故障诊断程序被处理器执行时实现如权利要求1至7中任一项所述的变压器故障诊断方法。

技术总结
本发明涉及变压器技术领域，公开了一种变压器故障诊断方法、装置、设备及存储介质，该方法包括：在检测到待诊断变压器发生故障时，根据原始故障数据确定油溶解气体验证集和铁芯接地电流验证集；通过目标BP神经网络模型对油溶解气体验证集进行预测，以及通过目标SVM模型对铁芯接地电流验证集进行预测；根据目标合成规则对油溶解故障诊断结果和铁芯接地故障诊断结果进行融合，并根据故障诊断融合结果确定待诊断变压器的故障类型；通过上述方式，利用多模型分别对多源验证集进行预测，然后将预测的故障诊断结果进行融合，再基于融合结果确定待诊断变压器的故障类型，从而能够有效提高诊断变压器故障的效率和准确率，进而防止扩大故障范围。故障范围。故障范围。


技术研发人员：侯凯 万丽莉
受保护的技术使用者：武汉轻工大学
技术研发日：2023.05.30
技术公布日：2023/10/7