一种变压器故障检测方法及相关装置制造方法及图纸

本申请公开了一种变压器故障检测方法，包括：获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，第一样本数据的数据量小于第二样本数据的数据量；根据第一样本数据进行深度信念神经网络训练，得到第一诊断模型；根据第二样本数据进行深度信念神经网络训练，得到第二诊断模型；将第二诊断模型的预设范围的权重参数迁移至第一诊断模型中，得到诊断模型；采用诊断模型对第一变压器的待检测数据进行诊断处理，得到诊断结果。通过迁移学习将第二诊断模型的参数迁移至第一诊断模型中，以便提高第一诊断模型的诊断精度和准确率。本申请还公开了一种变压器故障检测装置、故障检测设备以及计算机可读存储介质，具有以上有益效果。

A transformer fault detection method and related devices

The application discloses a transformer fault detection method, which includes: obtaining the first sample data of the first transformer and the second sample data of the second transformer; wherein, the data amount of the first sample data is less than the data amount of the second sample data; training the deep belief neural network according to the first sample data to obtain the first diagnosis model; and obtaining the second sample number According to the deep belief neural network training, the second diagnosis model is obtained; the weight parameters of the preset range of the second diagnosis model are transferred to the first diagnosis model to get the diagnosis model; the diagnosis model is used to diagnose the data to be detected of the first transformer to get the diagnosis results. The parameters of the second diagnosis model are transferred to the first diagnosis model by transfer learning, so as to improve the diagnosis accuracy and accuracy of the first diagnosis model. The application also discloses a transformer fault detection device, a fault detection device and a computer-readable storage medium, which have the above beneficial effects.

【技术实现步骤摘要】
一种变压器故障检测方法及相关装置
本申请涉及故障检测领域，特别涉及一种变压器故障检测方法、变压器故障检测装置、故障检测设备以及计算机可读存储介质。
技术介绍
电力变压器是电力系统不可或缺的组成部分，其故障将影响整个电力系统的正常、稳定运行，带来无法估量的损失。所以，准确监控其运行状态、及时诊断出潜在的故障显得尤为重要。因此，通常采用溶解气体分析，也就是比较电力变压器在正常运行状态下与发生故障状态下的油中溶解气体含量，检测并判断油浸式电力变压器故障。现有技术中，更具体的是采用神经网络进行溶解气体分析。但是，现有技术中传统单一的神经网络易陷入局部最优的问题，不能达到最优的故障诊断效果，并且单一的预测方法很难处理高度非线性影响因素，采用组合模型能够对最终的结果有一个很好提升。最后，现有的神经网络需要大量的训练数据，针对小样本数据来说很难做到高精度的故障诊断。可见，现有技术中由于采用的神经网络，以及训练的样本数据等问题，无法达到较高的问题解决效果，降低了变压器故障检测的精度和准确率。因此，如何提高变压器故障检测的精度和准确率是本领域技术人员关注的重点问题。
技术实现思路
本申请的目的是提供一种变压器故障检测方法、变压器故障检测装置、故障检测设备以及计算机可读存储介质，通过迁移学习的方法将第二诊断模型的参数迁移至第一诊断模型中，以便提高第一诊断模型的诊断精度和准确率。为解决上述技术问题，本申请提供一种变压器故障检测方法，包括：获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，所述第一样本数据的数据量小于所述第二样本数据的数据量；根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型；根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型；将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型；采用所述诊断模型对所述第一变压器的待检测数据进行诊断处理，得到诊断结果。可选的，根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型，包括：采用纵横交叉优化算法根据所述第一样本数据进行深度信念神经网络训练，得到所述第一诊断模型。可选的，根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型，包括：采用纵横交叉优化算法根据所述第二样本数据进行深度信念神经网络训练，得到所述第二诊断模型。可选的，将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型，包括：将所述第二诊断模型中的输入层参数和隐含层参数迁移至所述第一诊断模型中，得到所述诊断模型。本申请还提供一种变压器故障检测装置，包括：数据获取模块，用于获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，所述第一样本数据的数据量小于所述第二样本数据的数据量；第一模型训练模块，用于根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型；第二模型训练模块，用于根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型；参数迁移模块，用于将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型；诊断模块，用于采用所述诊断模型对所述第一变压器的待检测数据进行诊断处理，得到诊断结果。可选的，所述第一模型训练模块，具体用于采用纵横交叉优化算法根据所述第一样本数据进行深度信念神经网络训练，得到所述第一诊断模型。可选的，所述第二模型训练模块，具体用于采用纵横交叉优化算法根据所述第二样本数据进行深度信念神经网络训练，得到所述第二诊断模型。可选的，所述参数迁移模块，具体用于将所述第二诊断模型中的输入层参数和隐含层参数迁移至所述第一诊断模型中，得到所述诊断模型。本申请还提供一种故障检测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上所述的变压器故障检测方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的变压器故障检测方法的步骤。本申请所提供的一种变压器故障检测方法，包括：获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型；根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型；将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型；采用所述诊断模型对所述第一变压器的待检测数据进行诊断处理，得到诊断结果。通过先训练出两个诊断模型，将第二诊断模型的权重参数迁移至第一诊断模型中，实现两个模型之间的迁移学习，当第一诊断模型的训练数据的数据量不够时，第二诊断模型的参数弥补了第一诊断模型的缺陷，提高了第一诊断模型的精度和准确率。本申请还提供一种变压器故障检测装置、故障检测设备以及计算机可读存储介质，具有以上有益效果，在此不作赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种变压器故障检测方法的流程图；图2为本申请实施例所提供的一种变压器故障检测装置的结构示意图。具体实施方式本申请的核心是提供一种变压器故障检测方法、变压器故障检测装置、故障检测设备以及计算机可读存储介质，通过迁移学习的方法将第二诊断模型的参数迁移至第一诊断模型中，以便提高第一诊断模型的诊断精度和准确率。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。现有技术中，是采用神经网络进行溶解气体分析。但是，现有技术中传统单一的神经网络易陷入局部最优的问题，不能达到最优的故障诊断效果，并且单一的预测方法很难处理高度非线性影响因素，采用组合模型能够对最终的结果有一个很好提升。最后，现有的神经网络需要大量的训练数据，当针对小样本数据来说很难做到高精度的故障诊断。可见，现有技术中由于采用的神经网络，以及训练的样本数据等问题，无法达到较高的问题解决效果，降低了变压器故障检测的精度和准确率。因此，本申请提供一种变压器故障检测方法，通过先训练出两个诊断模型，将第二诊断模型的权重参数迁移至第一诊断模型中，实现两个模型之间的迁移学习，当第一诊断模型的训练数据的数据量不够时，第二诊断模型的参数弥补了第一诊断模型的缺陷，提高了第一诊断模型的精度和准确率。本文档来自技高网...

【技术保护点】
1.一种变压器故障检测方法，其特征在于，包括：/n获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，所述第一样本数据的数据量小于所述第二样本数据的数据量；/n根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型；/n根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型；/n将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型；/n采用所述诊断模型对所述第一变压器的待检测数据进行诊断处理，得到诊断结果。/n

【技术特征摘要】
1.一种变压器故障检测方法，其特征在于，包括：
获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，所述第一样本数据的数据量小于所述第二样本数据的数据量；
根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型；
根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型；
将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型；
采用所述诊断模型对所述第一变压器的待检测数据进行诊断处理，得到诊断结果。


2.根据权利要求1所述的变压器故障检测方法，其特征在于，根据所述第一样本数据进行深度信念神经网络训练，得到第一诊断模型，包括：
采用纵横交叉优化算法根据所述第一样本数据进行深度信念神经网络训练，得到所述第一诊断模型。


3.根据权利要求1所述的变压器故障检测方法，其特征在于，根据所述第二样本数据进行深度信念神经网络训练，得到第二诊断模型，包括：
采用纵横交叉优化算法根据所述第二样本数据进行深度信念神经网络训练，得到所述第二诊断模型。


4.根据权利要求1至3任一项所述的变压器故障检测方法，其特征在于，将所述第二诊断模型的预设范围的权重参数迁移至所述第一诊断模型中，得到诊断模型，包括：
将所述第二诊断模型中的输入层参数和隐含层参数迁移至所述第一诊断模型中，得到所述诊断模型。


5.一种变压器故障检测装置，其特征在于，包括：
数据获取模块，用于获取到第一变压器的第一样本数据，获取到第二变压器的第二样本数据；其中，所述第一...

【专利技术属性】
技术研发人员：邵慧栋，孟安波，殷豪，刘诗韵，李皓，吴非，许锐埼，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44