基于多元感知和特征提取的变压器状态预测方法技术

公开了一种基于多元感知和特征提取的变压器状态预测方法，方法中，对正常状态和故障状态下的变压器的油箱表面采集振动信号；预处理振动信号并可视化为灰度特征图像，将一部分灰度特征图像存作故障特征图库，剩下的灰度特征图像用作模型数据集，基于模型数据集结合卷积神经网络与长短时记忆网络的算法提取特征，并使用3D卷积神经网络对原始灰度特征图像进行编码和解码，故障状态下的振动信号的特征图像作为基准，从所有时间步中选择匹配的解码器解码输出的特征图像，并计算其与故障特征图库之间的空间相似性，使用相似度IoU指标来对特征进行分类，当大于预定阈值，认为两者之间属于同一特征状态，输出故障特征图库中所述特征状态的标签。状态的标签。状态的标签。

【技术实现步骤摘要】
基于多元感知和特征提取的变压器状态预测方法


[0001]本专利技术属于变压器监测
，特别是一种基于多元感知和特征提取的变压器状态预测方法。

技术介绍

[0002]电力变压器是电网中实现远距离输送及电能分配的重要电力设备，其稳定性对电网安全至关重要。电力变压器的故障和运行状态受到多个方面影响，自然环境因素、人为因素以及变压器及其配套设备本身的缺陷等都会影响变压器的稳定运行。变压器振动是由于变压器本体(铁芯、绕组等的统称)的振动及冷却装置的振动产生的。铁芯的振动主要由硅钢片的磁致伸缩现象引起。绕组的振动是由线圈中流过的负载电流时漏磁场的存在，绕组间、线饼间、线匝间产生动态电磁力引起。长期的振动效应使得变压器内部机械结构发生变形等机械缺陷，这些状态的改变是不可逆转的，同时振动形态也相应地随之发生改变，因此变压器的振动信号包含着丰富的机械故障信息。目前变压器绕组机械状态识别方法包括溶解气体分析法、故障声音分析法，溶解气体分析法，这些基于电气量的方法相对成熟但需要变压器退出运行，无法满足在线监测的需要，很难对故障的征兆进行定量分析。故障声音分析法包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多元感知和特征提取的变压器状态预测方法，其特征在于，其包括，对正常状态和故障状态下的变压器的油箱表面采集振动信号；预处理所述振动信号并可视化为灰度特征图像，将一部分灰度特征图像存作故障特征图库，剩下的灰度特征图像用作模型数据集，其中，预处理中，读取所述振动信号并进行特征值的计算并保存为特征值矩阵，基于所述特征值矩阵进行Z
‑
Score标准化，公式(1)：其中，T
′
是特征值，μ是样本均值，σ是样本标准差，T为经过标准化处理后的特征值，且服从均值为0，标准差为1的正态分布，再使用各个通道元素最值比、相邻差值的绝对值与最值比构造灰度特征图像M，公式(2)：其中，T为经过标准化处理后的特征值的矩阵形式，矩阵尺寸为L*1，L即一张图像包含的特征值的数量，i、j、a、b的范围从0到L，T
i
为序列第i行的值，|T|
max
为最大值的绝对值，T
i
‑
T
j
为序列相邻元素的差值，|T
a
‑
T
b
|
max
为序列中任意两元素差值的最大值也即最大值与最小值的差，得到的灰度图像矩阵M的尺寸为L*L，特征值范围为[0，1]；基于模型数据集结合卷积神经网络与长短时记忆网络的算法提取特征，并使用3D卷积神经网络对灰度特征图像进行编码和解码，在编码器部分，采用注意力模块、动态语义向量序列代替固定语义向量作为输入信息编码，并在解码器解码的过程中自动选择向量的子集，解码器解码输出的特征图像与所述灰度特征图像用峰值信噪比PSNR和结构相似度SSIM定量比对；故障状态下的振动信号的特征图像作为基准，从所有时间步中选择匹配的解码器解码输出的特征图像，并计算其与故障特征图库之间的空间相似性，使用相似度IoU指标来对特征进行分类，当大于预定阈值，认为两者之间属于同一特征状态，输出故障特征图库中所述特征状态的标签。2.根据权利要求1所述的基于多元感知和特征提取的变压器状态预测方法，其特征在于，优选的，在正常状态下和故障状态下分别调整变压器振动噪声在线检测系统的负载电流，以4A...

【专利技术属性】
技术研发人员：张凡，陈美琴，汲胜昌，张玉焜，李继胜，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：