基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统技术方案

本发明专利技术公开了一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其包括：输入层，其用于输入表征变压器状态类型的原始数据；特征提取层，所述特征提取层包括若干个不同尺度的BiLSTM层以及融合层，其中各所述BiLSTM层提取所述原始数据中不同尺度的多重特征，并将提取后的多重特征分别输入到所述融合层，融合层将不同尺度的多重特征进行拼接，以形成原始特征矩阵；注意力模块，其对所述原始特征矩阵进行权重参数优化，以得到优化后的特征矩阵；分类层，其基于优化后的特征矩阵，对表征变压器状态的数据进行分类并输出变压器状态类型。此外，本发明专利技术还公开了一种变压器状态诊断方法。相应地，本发明专利技术还公开了一种变压器状态诊断系统，其用于实施上述诊断方法。

【技术实现步骤摘要】
基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
本专利技术涉及一种故障诊断方法和系统，尤其涉及一种变压器故障诊断方法和系统。
技术介绍
变压器是电力系统中最为重要的设备之一，其是保证电力系统安全、可靠、经济、优质运行的关键。但是，需要说明的是，绝缘自然老化、环境条件恶劣和运行负荷过高等多种因素都可诱发电力变压器的故障，进而造成严重的社会经济损失。基于已有的变压器故障案例的特征参量进行故障诊断的研究，有利于利用不同故障类型在指标属性上的差异化表现，准确识别故障类型，进而对于投运中的变压器的维护、制定合适的检修策略等具有重要的指导意义。需要注意的是，传统的变压器故障诊断方法大多依赖于专家知识，通过人工手段对原始信号进行特征提取，该方式效率低下，且难以处理高速增长的海量数据。在现有技术中，存在采用长短期记忆神经网络(LSTM)对变压器状态进行识别的方法。长短期记忆神经网络属于深度循环神经网络，其可以有效适用于处理时序性数据，解决传统算法无法学习长时间特征关系及梯度弥散的问题。因此，采用LSTM神经网络可以对电机进行本文档来自技高网...

【技术保护点】
1.一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其特征在于，其包括：/n输入层，其用于输入表征变压器状态类型的原始数据；/n特征提取层，所述特征提取层包括若干个不同尺度的BiLSTM层以及融合层，其中各所述BiLSTM层提取所述原始数据中不同尺度的多重特征，并将提取后的多重特征分别输入到所述融合层，所述融合层将不同尺度的多重特征进行拼接，以形成原始特征矩阵；/n注意力模块，其对所述原始特征矩阵进行权重参数优化，以得到优化后的特征矩阵；/n分类层，其基于优化后的特征矩阵，对表征变压器状态的数据进行分类并输出变压器状态类型。/n

【技术特征摘要】
1.一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其特征在于，其包括：
输入层，其用于输入表征变压器状态类型的原始数据；
特征提取层，所述特征提取层包括若干个不同尺度的BiLSTM层以及融合层，其中各所述BiLSTM层提取所述原始数据中不同尺度的多重特征，并将提取后的多重特征分别输入到所述融合层，所述融合层将不同尺度的多重特征进行拼接，以形成原始特征矩阵；
注意力模块，其对所述原始特征矩阵进行权重参数优化，以得到优化后的特征矩阵；
分类层，其基于优化后的特征矩阵，对表征变压器状态的数据进行分类并输出变压器状态类型。


2.如权利要求1所述的用于变压器状态诊断的基于注意力机制的BiLSTM模块，其特征在于，所述若干个不同尺度的BiLSTM层至少包括单层BiLSTM、双层BiLSTM和三层BiLSTM。


3.如权利要求1所述的用于变压器状态诊断的基于注意力机制的BiLSTM模块，其特征在于，所述分类层包括全连接层和Softmax分类器，其中所述全连接层将注意力模块输出的优化后的特征矩阵转变为一维序列；所述Softmax分类器对表征变压器状态的数据进行分类并输出变压器状态类型。


4.如权利要求1所述的用于变压器状态诊断的基于注意力机制的BiLSTM模块，其特征在于，所述BiLSTM模块采用交叉熵损失函数，以输出变压器状态类型。


5.一种变压器状态诊断方法，其特征在于，包括步骤：
(1)采集不同状态类型的变压器油色谱样本数据；
(2)对采集的变压器油色谱样本数据进行预处理；
(3)构建如权利要求1-4中任意一项所述的基于注意力机制的BiLST...

【专利技术属性】
技术研发人员：陈洪岗，王劭菁，任茂鑫，任辰，徐鹏，盛戈皞，宋辉，江秀臣，
申请(专利权)人：国网上海市电力公司，华东电力试验研究院有限公司，上海交通大学，
类型：发明
国别省市：上海;31