一种基于自然语言处理的变压器噪声故障分析与检修方法和系统技术方案

本发明专利技术公开了一种基于自然语言处理的变压器噪声故障分析与检修方法和系统，包括：构成变压器的噪声词典库；对变压器历史运维文本进行向量化处理，得到相应的词向量矩阵；确定变压器当前运维文本的故障类型，计算变压器当前运维文本中故障噪声特征在同类型变压器运维文本中出现的概率；对变压器噪声实测数据进行FFT处理，计算变压器噪声偏离系数；根据上述计算值和检修判据，确定变压器检修策略。本发明专利技术将现场噪声监测数据与运维文本历史故障发生几率进行结合，实现变压器噪声状态的评估与检修策略的精确、高效。高效。高效。

【技术实现步骤摘要】
一种基于自然语言处理的变压器噪声故障分析与检修方法和系统


[0001]本专利技术属于变压器故障检测
，涉及一种基于自然语言处理的变压器噪声故障分析与检修方法和系统。

技术介绍

[0002]变压器作为电力系统中的重要设备，其安全可靠的运行关系到电力系统的可靠运行。变压器运维文本多采用自然语言进行描述，篇幅一般在几百字范围内。运维文本中记录变压器在运维中很多信息，当前对运维文本的利用相对较少，尤其是自然语言描述的运维文本，因为非结构化的特征增加运维文本的中历史数据挖掘的困难。利用变压器运维检修文本形成变压器历史故障数据库为变压器故障诊断提供数据支撑。当前基于自然语言的运维文本处理还是以运维文本的分类为基础，没有结合实际检修情况，没有形成深度有效的检修策略。

技术实现思路

[0003]为解决现有技术中存在的不足，本专利技术提供一种基于自然语言处理的变压器噪声故障分析与检修方法和系统，深度利用变压器运维文本数据，挖掘变压器历史运维数据和当前运行噪声的关系(如噪声字典库)，更加准确的利用变压器噪声对电力变压器的运行状态进行评估确定检修策略。
[0004]为了实现上述目标，本专利技术采用如下技术方案：
[0005]一种基于自然语言处理的变压器噪声故障分析与检修方法，所述方法包括以下步骤：
[0006]步骤1：分析确定变压器历史运维文本中噪声词汇及其相应的状态描述、故障部位、故障类型的描述性词汇，构成变压器的噪声词典库；
[0007]步骤2：对变压器历史运维文本进行向量化处理，得到相应的词向量矩阵；
[0008]步骤3：基于步骤2得到的词向量矩阵，以噪声词典库中噪声词汇的词向量为故障分类特征，确定变压器当前运维文本的故障类型，计算变压器当前运维文本中故障噪声特征在同类型变压器运维文本中出现的概率P(w)；
[0009]步骤4：对变压器噪声实测数据进行FFT处理，得到变压器噪声的主倍频f与相对应的幅值A，以及变压器噪声频域最大幅值A
max
和平均幅值A
avg
，进而计算变压器噪声偏离系数P
fa
、P
fm
；
[0010]步骤5：根据P(w)、P
fa
、P
fm
的计算值和检修判据，确定变压器检修策略。
[0011]本专利技术进一步包括以下优选方案：
[0012]优选地，步骤1中，分析变压器运维文本，对文本内容进行分词，提取运维文本内的常见噪声词汇及其相应的状态描述、故障部位、故障类型的描述性词汇，构建变压器基本的噪声词典；
[0013]当产生新的运维文本时，对其进行噪声词汇查找和故障情况分析，对词典进行扩充。
[0014]优选地，步骤2中，运用word2vec连续词袋模型CBOW对运维文本进行向量化处理，生成相应的词向量矩阵。
[0015]优选地，步骤3中，基于步骤2得到的词向量矩阵，以噪声词典库中的噪声词汇的词向量为故障分类特征，利用深度学习网络对变压器历史运维文本进行学习，确定变压器当前运维文本的故障类型；
[0016]所述深度学习网络包括卷积层、池化层和连接层；
[0017]所述卷积层，首先建立卷积核对词向量矩阵进行特征提取，得到特征图，以向量Y
c
表示；然后根据卷积核得到的特征图的尺寸与输出特征通道数C确定权重S
c
；
[0018]所述池化层，对Y
c
进行加权处理，得到加强特征Y
OUT
：
[0019]Y
OUT
＝S
c
·
Y
c
[0020]对Y
OUT
进行最大池化操作来提取最优特征Y
M
：
[0021]Y
M
＝max(Y
OUT
)
[0022]所述连接层，将Y
M
作为输入量进行特征拼接，并利用softmax函数对Y
p
进行分类，确定文本的故障类型。
[0023]优选地，权重S
c
的计算公式为：
[0024]S
c
＝σ(W2δ(W1z
c
))
[0025][0026]其中，σ表示Sigmoid激活函数，δ表示ReLu激活函数，W1与W2分别表示训练参数；
[0027]W
’
，H
’
分别是对卷积核词向量进行卷积处理得到的特征图的尺寸，Y
c
(u,v)为特征图中特征点(u,v)的值，c∈[1,C]。
[0028]优选地，特征拼接公式为：
[0029]Y
P
＝B
·
Y
M
+b
[0030]式中，b为偏置项，B为权重矩阵。
[0031]优选地，步骤3中，变压器当前运维文本中故障噪声特征在同类型变压器运维文本中出现的概率P(w)计算公式为：
[0032][0033]式中，N为同类型变压器运维文本总数量；
[0034]∑
N
n
g
为噪声词典库中典型特征词向量g所对应故障类型在当前型号变压器运维文本中出现的次数之和；n
g
为噪声词典库中典型特征词向量g在运维文本中出现的次数；
[0035]∑
N
n
k
为所有运维文本中当前型号变压器故障的总次数；n
k
为第k台变压器运维文本中出现故障的次数。
[0036]优选地，步骤4中，变压器噪声偏离系数P
fa
、P
fm
的计算公式分别为：
[0037][0038][0039]优选地，步骤5中，检修判据及其对应的变压器检修策略具体为：
[0040]若P
fm
≥0，则立即安排检修；
[0041]若P
fm
<0且P(w)
·
P
fa
>0.25，则预警并优先检修；
[0042]若P
fm
<0且P(w)
·
P
fa
<0.25，则计划检修；
[0043]若P
fa
<0，则延期检修。
[0044]一种基于自然语言处理的变压器噪声故障分析与检修系统，用于实现所述的基于自然语言处理的变压器噪声故障分析与检修方法，所述系统包括：
[0045]噪声词典库构建模块，用于分析确定变压器历史运维文本中噪声词汇及其相应的状态描述、故障部位、故障类型的描述性词汇，构成变压器的噪声词典库；
[0046]向量化处理模块，用于对变压器历史运维文本进行向量化处理，得到相应的词向量矩阵；
[0047]故障分类与概本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自然语言处理的变压器噪声故障分析与检修方法，其特征在于：所述方法包括以下步骤：步骤1：分析确定变压器历史运维文本中噪声词汇及其相应的状态描述、故障部位、故障类型的描述性词汇，构成变压器的噪声词典库；步骤2：对变压器历史运维文本进行向量化处理，得到相应的词向量矩阵；步骤3：基于步骤2得到的词向量矩阵，以噪声词典库中噪声词汇的词向量为故障分类特征，确定变压器当前运维文本的故障类型，计算变压器当前运维文本中故障噪声特征在同类型变压器运维文本中出现的概率P(w)；步骤4：对变压器噪声实测数据进行FFT处理，得到变压器噪声的主倍频f与相对应的幅值A，以及变压器噪声频域最大幅值A
max
和平均幅值A
avg
，进而计算变压器噪声偏离系数P
fa
、P
fm
；步骤5：根据P(w)、P
fa
、P
fm
的计算值和检修判据，确定变压器检修策略。2.根据权利要求1所述的一种基于自然语言处理的变压器噪声故障分析与检修方法，其特征在于：步骤1中，分析变压器运维文本，对文本内容进行分词，提取运维文本内的常见噪声词汇及其相应的状态描述、故障部位、故障类型的描述性词汇，构建变压器基本的噪声词典；当产生新的运维文本时，对其进行噪声词汇查找和故障情况分析，对词典进行扩充。3.根据权利要求1所述的一种基于自然语言处理的变压器噪声故障分析与检修方法，其特征在于：步骤2中，运用word2vec连续词袋模型CBOW对运维文本进行向量化处理，生成相应的词向量矩阵。4.根据权利要求1所述的一种基于自然语言处理的变压器噪声故障分析与检修方法，其特征在于：步骤3中，基于步骤2得到的词向量矩阵，以噪声词典库中的噪声词汇的词向量为故障分类特征，利用深度学习网络对变压器历史运维文本进行学习，确定变压器当前运维文本的故障类型；所述深度学习网络包括卷积层、池化层和连接层；所述卷积层，首先建立卷积核对词向量矩阵进行特征提取，得到特征图，以向量Y
c
表示；然后根据卷积核得到的特征图的尺寸与输出特征通道数C确定权重S
c
；所述池化层，对Y
c
进行加权处理，得到加强特征Y
OUT
：Y
OUT
＝S
c
·
Y
c
对Y
OUT
进行最大池化操作来提取最优特征Y
M
：Y
M
＝max(Y
OUT
)所述连接层，将Y
M
作为输入量进行特征拼接，特征拼接后的特征为Y
p
，并利用softmax函数对Y
p
进行分类，确定文本的故障类型。5.根据权利要求4所述的一种基于自然语言处理的变压器噪声故障分析与检修方法，其特征在于：权重S
c
的计算公式为：S
c
＝σ(W2δ(W1z
c
))
其中，σ表示Sigmoid激活函数，δ表示ReLu激活函数，W1与W2分别表示训练参数；W
’
，H
’
分别是对卷积核词向量进行卷积处理得到的特征图的尺寸，Y
c
(u,v)为特征图中特征点(u,v)的值，c∈[1,C]。6.根据权利要求4所述的一种基于自然语言处理的变...

【专利技术属性】
技术研发人员：何萍，李勇，许洪华，朱雷，陈寿龙，尹来宾，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
类型：发明
国别省市：