【技术实现步骤摘要】
一种应用于变压器的状态监测系统及监测方法
[0001]本专利技术涉及变压器故障的智能监测领域，且更为具体地，涉及一种应用于变压器的状态监测系统及监测方法。
技术介绍
[0002]我国的经济迅速地发展，电力工业也相应地大规模壮大，导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源，煤矿中的电力变压器更是在电能传输中起关键作用。因此，定期对煤矿变压器检测维护显得十分重要。
[0003]电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法，快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法，这种方法操作比较复杂，不适合在线检测，不能快速地检查出故障原因。因此，期待一种优化的用于电路变压器的故障检测方案。
[0004]深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平...
【技术保护点】
【技术特征摘要】
1.一种应用于变压器的状态监测系统，其特征在于，包括：状态监测数据获取单元，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；降噪优化单元，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；特征提取单元，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；统计特征提取单元，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；统计特征编码单元，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障。2.根据权利要求1所述的变压器状态监测系统，其中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。3.根据权利要求2所述的变压器状态监测系统，其中，所述特征提取单元，进一步用于：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：卷积处理得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；以及由所述第二卷积神经网络的最后一层输出所述光谱特征向量。4.根据权利要求3所述的变压器状态监测系统，其中，所述统计特征编码单元，包括：输入向量排列子单元，用于将所述多个预定波长下的计数值排列为一维的输入向量；一维卷积子单元，用于使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；全连接子单元，用于使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特
征值的高维隐含特征，其中，所述公式为：其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘。5.根据权利要求4所述的变压器状态监测系统，其中，所述关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；其中，所述公式为：其中M
c
表示所述关联特征矩阵，V1表示所述光谱特征向量，V2表示所述统计特征向量，且V1和V2均为列向量，||
·
||
F<...
【专利技术属性】
技术研发人员：曹成功，朱德亮，姚晖，罗希，倪杰，陈和升，童旸，
申请(专利权)人：安徽南瑞继远电网技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。