基于图马尔可夫神经网络的变压器故障的诊断方法技术

本公开描述了一种基于图马尔可夫神经网络的变压器故障的诊断方法。该诊断方法包括获取多个包括类型为文本的初始特征的故障数据；对多个故障数据进行预处理以获取多个包括多个目标特征的目标故障数据，多个目标故障数据中包括已知故障类型的数据和未知故障类型的数据；构建基于图马尔可夫神经网络的诊断模型以同时对目标故障数据的故障类型之间的依赖关系和目标故障数据的特征表示进行建模，利用目标故障数据构建图结构并基于图结构对基于图马尔可夫神经网络的诊断模型进行优化以获取目标诊断模型；并且将待诊断的故障数据进行预处理后输入目标诊断模型以输出待诊断的故障数据所属的故障类型。由此，能够提高对故障类型预测的准确率。类型预测的准确率。类型预测的准确率。

【技术实现步骤摘要】
基于图马尔可夫神经网络的变压器故障的诊断方法


[0001]本公开大体涉及变压器故障诊断领域，具体涉及一种基于图马尔可夫神经网络的变压器故障的诊断方法。

技术介绍

[0002]变压器作为电网系统的核心设备，若发生故障，将会对整个电网系统的稳定运行造成严重威胁，不仅影响到居民的用电生活，还会由于断电引发其他相关问题，造成灾难性的后果。因此，及时准确地对变压器进行故障诊断以确定故障类型后进行精准维修显得至关重要，有利于提高电网系统的安全性和可靠性。
[0003]现有变压器故障诊断方法一般是收集变压器的故障数据，并利用机器学习的算法对变压器的故障类型进行预测，机器学习的算法例如决策树、支持序列向量机、聚类和关联分析等。然而，由于变压器的故障数据一般包括大量的文本类型的数据，对收集变压器的故障数据进行预处理后转成可用于训练基于机器学习的模型的数据往往耗时较长，并且现有变压器故障诊断方法常常关注于对变压器的故障类型进行预测，却忽略了故障类型之间的依赖关系。因此对变压器的故障类型进行诊断的准确率还有待于提高。

技术实现思路

[0004]本公开是有鉴于上述的状况，经过多次调研和实验，提供了一种同时对故障数据的故障类型之间的依赖关系和故障数据的特征表示进行建模且能够提高对故障类型预测的准确率的基于图马尔可夫神经网络的变压器故障的诊断方法。
[0005]为此，本公开第一方面提供了一种基于图马尔可夫神经网络的变压器故障的诊断方法，包括：从多个变压器获取多个故障数据，各个故障数据包括多个初始特征，所述初始特征的类型包括文本；对所述多个故障数据进行预处理以获取多个包括多个目标特征的目标故障数据，多个所述目标故障数据中包括已知故障类型的数据和未知故障类型的数据，所述预处理包括缺失值处理和构建序列向量处理，其中，对所述多个故障数据进行所述缺失值处理以获取多个包括多个第一目标特征的第一故障数据，所述构建序列向量处理为利用连续词袋模型将类型为文本的第一目标特征更新为序列向量并将更新后的第一目标特征作为第二目标特征以获取多个包括多个所述第二目标特征的第二故障数据，将所述第二故障数据作为所述目标故障数据，将所述第二目标特征作为所述目标特征，其中，所述连续词袋模型利用多个类型为文本的第一目标特征的值进行训练；构建基于图马尔可夫神经网络的诊断模型以同时对所述目标故障数据的故障类型之间的依赖关系和所述目标故障数据的特征表示进行建模，利用所述目标故障数据构建图结构并基于所述图结构对所述诊断模型进行优化以获取目标诊断模型，其中，所述图结构G表示为G＝(V，E，x
V
)，V为多个所述目标故障数据的集合，x
V
为多个所述目标故障数据的目标特征的集合，E为各个所述目标故障数据之间的关系的集合；并且将待诊断的故障数据进行所述预处理后输入所述目标诊断模型以输出所述待诊断的故障数据所属的故障类型，其中，所述初始特征包括变压器的油
中铜的浓度、变压器的油中铁的浓度，变压器的油中溶解气体的含量和变压器的缺陷信息。在本公开中，能够将故障数据、故障数据的特征以及故障数据的之间的关系用图结构进行表示并用于基于图马尔可夫神经网络的诊断模型的训练，另外还针对变压器的故障数据中文本类型的特征值较多的情况利用连续词袋模型将特征值转成序列向量。在这种情况下，能够快速且准确地将变压器的故障数据中的特征值转成序列向量，进而提高预处理的效率，且同时对故障数据的故障类型之间的依赖关系和故障数据的特征表示进行建模，进而能够结合故障类型之间的依赖关系来预测故障类型。由此，能够提高对故障类型预测的准确率。
[0006]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述缺失值处理为对所述初始特征的缺失比例进行检测并将所述缺失比例大于预设比例的初始特征进行删除和将不大于所述预设比例的初始特征的缺失值进行填充以获取所述第一目标特征。由此，能够完善用于训练的故障数据。
[0007]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述预处理还包括初步去重，所述初步去重为在存在相关性的多个初始特征中保留至少一个初始特征。由此，能够对故障数据中的初步特征进行初步筛选以快速降低特征的维度。
[0008]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述预处理还包括特征降维处理和数据规范化处理；所述特征降维处理为利用训练线性回归或逻辑回归提取所述第二故障数据的各个第二目标特征的表决系数并进行重要性排序以获取重要性大于预设重要性的第二目标特征，然后利用主成分分析和/或因子分析提取所述重要性大于预设重要性的第二目标特征中的主要特征；所述数据规范化处理为利用所述第二目标特征的均值和方差对所述第二故障数据进行规范化。由此，能够提取出主要特征和能够对第二故障数据进行规范化。
[0009]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述初始特征还包括变压器的油的温度、变压器的设备型号、变压器的生产厂家、变压器的投运年限、变压器的负荷、变压器的突发短路的次数、恶劣气象的信息和绝缘老化的情况中的至少一种，其中，所述溶解气体包括氢气、甲烷、乙烷、乙烯和乙炔。由此，能够获取较多的特征用于后续的预处理。
[0010]另外，在本公开第一方面所涉及的诊断方法中，可选地，将多个类型为文本的第一目标特征的值用独热编码进行表示以获取多个独热编码向量，将各个所述独热编码向量分别与第一权重矩阵相乘以获取该第一目标特征的值对应的序列向量，其中，所述第一权重矩阵通过利用所述多个独热编码向量对所述连续词袋模型进行训练获得。在这种情况下，通过连续词袋模型将类型为文本的第一目标特征快速地转成序列向量。由此，能够提高预处理的效率。
[0011]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述诊断模型利用条件随机分布通过所述目标特征来建模所述目标故障数据的故障类型之间的联合分布并使用变分EM算法进行优化，所述变分EM算法包括E步骤和M步骤，其中，在所述E步骤中通过第一图神经网络来学习所述目标故障数据的特征表示以预测故障类型，在所述M步骤中通过第二图神经网络来建模所述目标故障数据的故障类型之间的依赖关系。在这种情况下，能够结合故障类型之间的依赖关系来预测故障类型。由此，能够提高对故障类型预测的准确率。
[0012]另外，在本公开第一方面所涉及的诊断方法中，可选地，所述故障类型包括高温过
热、中低温过热、高能放电、低能放电、放电兼过热和局部放电。由此，能够对多种故障类型进行预测。
[0013]本公开第二方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的诊断方法的步骤。
[0014]本公开第三方面提供了一种计算机可读存储介质，其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上述的诊断方法的步骤。
[0015]根据本公开，能够提供一种同时对故障数据的故障类型之间的依赖关系和故障数据的特征表示进行建模且能够提高对故障类型预测的准确率的基于图马尔可夫神经网络的变压器故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图马尔可夫神经网络的变压器故障的诊断方法，其特征在于，包括：从多个变压器获取多个故障数据，各个故障数据包括多个初始特征，所述初始特征的类型包括文本；对所述多个故障数据进行预处理以获取多个包括多个目标特征的目标故障数据，多个所述目标故障数据中包括已知故障类型的数据和未知故障类型的数据，所述预处理包括缺失值处理和构建序列向量处理，其中，对所述多个故障数据进行所述缺失值处理以获取多个包括多个第一目标特征的第一故障数据，所述构建序列向量处理为利用连续词袋模型将类型为文本的第一目标特征更新为序列向量并将更新后的第一目标特征作为第二目标特征以获取多个包括多个所述第二目标特征的第二故障数据，将所述第二故障数据作为所述目标故障数据，将所述第二目标特征作为所述目标特征，其中，所述连续词袋模型利用多个类型为文本的第一目标特征的值进行训练；构建基于图马尔可夫神经网络的诊断模型以同时对所述目标故障数据的故障类型之间的依赖关系和所述目标故障数据的特征表示进行建模，利用所述目标故障数据构建图结构并基于所述图结构对所述诊断模型进行优化以获取目标诊断模型，其中，所述图结构G表示为G＝(V，E，x
V
)，V为多个所述目标故障数据的集合，x
V
为多个所述目标故障数据的目标特征的集合，E为各个所述目标故障数据之间的关系的集合；并且将待诊断的故障数据进行所述预处理后输入所述目标诊断模型以输出所述待诊断的故障数据所属的故障类型，其中，所述初始特征包括变压器的油中铜的浓度、变压器的油中铁的浓度，变压器的油中溶解气体的含量和变压器的缺陷信息。2.根据权利要求1所述的诊断方法，其特征在于：所述缺失值处理为对所述初始特征的缺失比例进行检测并将所述缺失比例大于预设比例的初始特征进行删除和将不大于所述预设比例的初始特征的缺失值进行填充以获取所述第一目标特征。3.根据权利要求1所述的诊断方法，其特征在于：所述预处理还包括初步去重，所述初步去重为在存在相关性的多个初始特征中保留至少一个初始特征。4.根据权利要求1所述的诊断...

【专利技术属性】
技术研发人员：杨会轩，张瑞照，朱曰超，
申请(专利权)人：北京华清智汇能源技术有限公司，
类型：发明
国别省市：