一种变压器异常检测模型训练和部署方法及装置制造方法及图纸

本发明专利技术公开了一种变压器异常检测模型训练和部署方法及装置，方法包括步骤：变压器异常检测模型训练；对完成训练的变压器异常检测模型进行多次迭代验证，得到对应数量的输出结果；对输出结果进行后处理，得到对应数量的预测结果，基于所有预测结果，利用综合判断策略，得到最终预测结果；模型部署和在线推理，异常标注和预警统计等。本发明专利技术方法利用实时数据驱动，能够自动化迭代式地在线训练和部署变压器异常检测模型，能够极大的减少人工离线的模型训练和部署的成本，同时不断提高模型的预测精度，降低异常误报率。降低异常误报率。降低异常误报率。

【技术实现步骤摘要】
一种变压器异常检测模型训练和部署方法及装置


[0001]本专利技术属于变压器检测
，具体涉及一种基于数据驱动的变压器异常检测模型训练和部署方法及装置。

技术介绍

[0002]传统的变电站内变压器故障检测需要定期指派运维人员去现场检查，不仅造成维护成本的高昂，而且效率低下，无法及时发现设备异常信号。随着科学技术的进步，越来越多的变电站开始利用人工智能技术来对站内的各类设备进行在线实时监测。当AI模型检测到异常声纹信号时会立刻发出警告信息，方便运维人员及时进行检修，避免由于设备故障带来的损失。
[0003]当前变电站部署的变压器异常检测模型以离线训练为主，由于每个变电站的变压器本体噪声以及环境干扰声等存在一定的差异，导致模型的泛化性较差，很难训练出一个通用的大模型来适用于所有变电站内的变压器。为了提高变电站内每个变压器预测的精度，可能需要对每个变压器训练和部署一个特定的模型。当涉及的站点和变压器设备数量较多时，会耗费极大的人力成本。

技术实现思路

[0004]技术目的：针对上述技术问题，本专利技术提出了一种能够自动化实现变压器异常声纹在线训练和部署的基于数据驱动的变压器异常检测模型训练和部署方法及装置。
[0005]技术方案：为实现上述技术目的，本专利技术采用了如下技术方案：
[0006]一种变压器异常检测模型训练和部署方法，用于变压器状态在线监测系统，其特征在于，包括步骤：
[0007]对完成训练的变压器异常检测模型，使用测试集进行多次迭代验证，得到对应数量的输出结果；
[0008]对变压器异常检测模型的输出结果进行后处理，得到对应数量的预测结果，基于所有预测结果，利用综合判断策略，得到最终预测结果。
[0009]优选地，变压器异常检测模型完成验证后，进行模型部署和在线推理，即将模型参数自动加载到变压器系统中，对外提供推理服务接口，对实时采集的变压器声纹数据进行在线推理，若变压器异常检测模型检测到异常信号，发出预警信息，存储预警数据。
[0010]优选地，完成模型部署和在线推理后，由人工定期对预警数据进行人工异常校正，确定变压器异常检测模型推断的异常是否是真实的异常，以及异常的类别是否属实，如果预警数据与真实情况不符，即进行人工标注类别，同时将标注后的数据更新到声纹数据库，用于后续变压器异常检测模型的迭代训练。
[0011]优选地，还包括预警数据定期统计步骤，即在预设一个周期内自动统计变压器异常检测模型的误报率，当误报率达到预设的指标时，自动触发自动化训练任务，基于上一个变压器异常检测模型的模型参数进行初始化，更新参数以及训练集，进行迭代式训练；
[0012]若一个周期内误报率未达到期望目标，通过调度器重启训练服务，开启下一轮迭代训练，否则不重启。
[0013]优选地，所述变压器异常检测模型包括检测模型和分类模型，后处理的步骤包括：
[0014]将一个声纹数据切分成若干份，进行预处理，依次输入检测模型和分类模型进行推理，检测模型和分类模型分别输出一个异常分数，对两个异常分数进行加权平均，得到一个总的异常分数，将总的异常分数与预设的基准分数比较，得到预测结果；
[0015]总的异常分数通过以下公式确定：
[0016]Score
abnormal
＝(w1*Score
det
+w2*Score
cls
)/(w1+w2)
[0017]其中，w1和w2分别为权重系数，Score
det
为检测模型预测的异常分数，Score
cls
为分类模型预测的异常分数，Score
cls
＝1
‑
Confidence
normal
，Confidence
normal
为分类模型预测的正常类别的置信度分数。
[0018]优选地，所述综合判断策略为：计算N组预测结果的总的异常分数的方差var，以及基于经验的基准方差var'，和N组分类模型预测结果中预测为异常的数量n，按下式确定最终预测结果：
[0019][0020]y表示预测结果，若根据上述得到的最终预测结果为异常，即类别标签为abnormal，异常类别则取N组分类结果中类别数量最多的类型，否则，则为正常类别normal或者未知类别unknown。
[0021]优选地，验证变压器异常检测模型时，如果在预设最大迭代训练次数内，均未达到预设性能指标，则选取其中性能最好的一个异常检测模型，进入下一步。
[0022]优选地，训练变压器异常检测模型的步骤包括：
[0023]获取包括正常声纹数据和异常声纹数据的变压器声纹数据，作为原始数据，异常声纹数据来源于声纹数据库；
[0024]对原始数据进行预处理；
[0025]基于提取出的特征，利用音频检测和分类算法依次训练一组检测模型和分类模型，变压器异常检测模型包括特征提取模型、检测模型和分类模型，检测模型用于检测变压器声纹数据有无异常，分类模型用于识别变压器声纹数据的类型；
[0026]变压器异常检测模型训练完成后，使用测试集进行变压器异常检测模型多次迭代验证，如果性能达到预设指标，则进入下一步，否则返回对原始数据进行预处理的步骤，以及调整变压器异常检测模型超参数以及训练数据重新进行训练。
[0027]一种变压器异常检测模型训练和部署装置，用于变压器系统，其特征在于，包括：
[0028]变压器异常检测模型，用于检测识别变压器声纹异常数据，并根据系统更新的声纹数据库进行模型训练；
[0029]验证模块，用于对完成训练的变压器异常检测模型，使用测试集对变压器异常检测模型进行多次迭代验证，得到对应数量的输出结果；
[0030]后处理模块，对变压器异常检测模型的输出结果进行后处理，得到对应数量的预测结果，基于所有预测结果，利用综合判断策略，得到最终预测结果；
[0031]模型部署和在线推理模块，用于在变压器异常检测模型完成验证后，进行模型部署和在线推理，即将模型参数自动加载到变压器系统中，对外提供推理服务接口，对实时采集的变压器声纹数据进行在线推理，若变压器异常检测模型检测到异常信号，发出预警信息，存储预警数据；
[0032]异常标注模块，用于在完成模型部署和在线推理后，由人工定期对预警数据进行人工异常校正，确定变压器异常检测模型推断的异常是否是真实的异常，以及异常的类别是否属实，如果预警数据与真实情况不符，即进行人工标注类别，同时将标注后的数据更新到声纹数据库，用于后续变压器异常检测模型的迭代训练；
[0033]预警数定期统计模块，用于在预设一个周期内自动统计变压器异常检测模型的误报率，当误报率达到预设的指标时，自动触发自动化训练任务，基于上一个变压器异常检测模型的模型参数进行初始化，更新训练集，进行迭代式训练；若一个周期内误报率未达到期望目标，通过调度器重启训练服务，开启下一轮迭代训练，否则不重启。...

【技术保护点】

【技术特征摘要】
1.一种变压器异常检测模型训练和部署方法，用于变压器状态在线监测系统，其特征在于，包括步骤：对完成训练的变压器异常检测模型，使用测试集进行多次迭代验证，得到对应数量的输出结果；对变压器异常检测模型的输出结果进行后处理，得到对应数量的预测结果，基于所有预测结果，利用综合判断策略，得到最终预测结果。2.根据权利要求1所述的一种变压器异常检测模型训练和部署方法，其特征在于，变压器异常检测模型完成验证后，进行模型部署和在线推理，即将模型参数自动加载到变压器系统中，对外提供推理服务接口，对实时采集的变压器声纹数据进行在线推理，若变压器异常检测模型检测到异常信号，发出预警信息，存储预警数据。3.根据权利要求2所述的一种变压器异常检测模型训练和部署方法，其特征在于，完成模型部署和在线推理后，由人工定期对预警数据进行人工异常校正，确定变压器异常检测模型推断的异常是否是真实的异常，以及异常的类别是否属实，如果预警数据与真实情况不符，即进行人工标注类别，同时将标注后的数据更新到声纹数据库，用于后续变压器异常检测模型的迭代训练。4.根据权利要求3所述的一种变压器异常检测模型训练和部署方法，其特征在于，还包括预警数据定期统计步骤，即在预设一个周期内自动统计变压器异常检测模型的误报率，当误报率达到预设的指标时，自动触发自动化训练任务，基于上一个变压器异常检测模型的模型参数进行初始化，更新参数以及训练集，进行迭代式训练；若一个周期内误报率未达到期望目标，通过调度器重启训练服务，开启下一轮迭代训练，否则不重启。5.根据权利要求1所述的一种变压器异常检测模型训练和部署方法，其特征在于，所述变压器异常检测模型包括检测模型和分类模型，后处理的步骤包括：将一个声纹数据切分成若干份，进行预处理，依次输入检测模型和分类模型进行推理，检测模型和分类模型分别输出一个异常分数，对两个异常分数进行加权平均，得到一个总的异常分数，将总的异常分数与预设的基准分数比较，得到预测结果；总的异常分数通过以下公式确定：Score
abnormal
＝(w1*Score
det
+w2*Score
cls
)/(w1+w2)其中，w1和w2分别为权重系数，Score
det
为检测模型预测的异常分数，Score
cls
为分类模型预测的异常分数，Score
cls
＝1
‑
Confidence
normal
，Confidence
normal
为分类模型预测的正常类别的置信度分数。6.根据权利要求5所述的一种变压器异常检测模型训练和部署方法，其特征在于，所述综合判断策略为：计算N组预测结果的总的异常分数的方差var，u为N个Score
abnormal
的均值；基于经验的基准方差var'，和N组分类模型预测结果中预测为异常...

【专利技术属性】
技术研发人员：尹帅，宋广伟，谢杰斌，张鹏，
申请(专利权)人：深圳亿嘉和科技研发有限公司，
类型：发明
国别省市：