一种变压器状态评估方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种变压器状态评估方法、装置、电子设备及存储介质，方法包括：获取变压器图像的时间序列，并根据时间序列的特征变化确定递归图；将递归图中的元素缩放为灰度值，得到递归图对应的灰度图；通过残差模块和卷积网络获取灰度图中关于变压器的退化特征；从预设的映射关系中确定退化特征对应的变压器当前健康状态，映射关系为基于度量约束的门控循环单元模型，所构建的退化特征与变压器健康状态的映射关系；根据预设的评价指标输出当前健康状态的状态评估。本发明专利技术可以准确评估变压的健康状态，可广泛应用于变压器状态评估领域。可广泛应用于变压器状态评估领域。

【技术实现步骤摘要】
一种变压器状态评估方法、装置、电子设备及存储介质


[0001]本专利技术涉及变压器状态评估领域，尤其是一种变压器状态评估方法、装置、电子设备及存储介质。

技术介绍

[0002]变压器作为配电网的重要元件和贵重资产，在电网智能化的背景下，对其健康评估提出了更高的要求。目前变压器健康评估的数据驱动方法基于监测数据描述变压器的退化规律。数据驱动方法需要通过信号处理或统计工具手动提取变压器的退化特征，提取的特征也往往仅关注全局特征，舍弃了局部退化特征。此外，现有的数据驱动方法往往关注时域模态信息，但时域模态信息不能很好的体现老化过程中的非稳态信息。现有技术存在以下问题：基于数据驱动的变压器健康评估方法通常需要通过信号处理或统计工具手动提取变压器的退化特征，但手动提取的特征往往仅能适用于某一种场合或某一种故障形式，当变压器工作环境或运行负荷发生改变时，其评估的准确性会大大降低；变压器的故障信号在采集过程中包含了大量的环境干扰信息，这些信息一方面可能使状态评估出现误判，另一方面可能包含大量的冗余信息，如何在消除环境信息干扰的同时完成故障信息的降维存在挑战；由于变压器故障信息的低采样率问题，导致现有的数据驱动方法往往只能提取大时间尺度下变压器的退化特征，忽略了变压器的局部退化特征，易造成关键退化信息的丢失。
[0003]上述的数据驱动方法的局限性使其难以应对复杂工况下变压器健康状态的准确评估。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种变压器状态评估方法、装置、电子设备及存储介质，用于准确评估变压的健康状态。
[0005]本专利技术实施例的一方面提供了一种变压器状态评估方法，包括：
[0006]获取变压器图像的时间序列，并根据所述时间序列的特征变化确定递归图；
[0007]将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图；
[0008]通过残差模块和卷积网络获取所述灰度图中关于变压器的退化特征；
[0009]从预设的映射关系中确定所述退化特征对应的变压器当前健康状态，所述映射关系为基于度量约束的门控循环单元模型，所构建的退化特征与变压器健康状态的映射关系；
[0010]根据预设的评价指标输出所述当前健康状态的状态评估。
[0011]可选地，所述将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图，包括：
[0012]根据第一表达式将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图，第一表达式为：
[0013][0014]其中，B
U
和B
L
为灰度图元素的上界和下界，P
scale
设定为255，N表示时间序列数。
[0015]可选地，所述通过残差模块和卷积网络获取所述灰度图中关于变压器的退化特征，包括：
[0016]通过残差模块获取所述灰度图中关于变压器的局部动态特征；
[0017]通过卷积网络获取所述灰度图中关于变压器的全局动态特征；
[0018]将所述局部动态特征与所述全局动态特征进行融合，并提取变压器的退化特征。
[0019]可选地，所述方法还包括：
[0020]使用直方图均衡化增加像素的对比度，以平衡所述局部动态特征与所述全局动态特征；
[0021]其中，根据第二表达式计算第k个灰度c
k
的累积分布函数，第二表达式为：
[0022][0023]k代表第k个灰度，n
j
为第k个灰度的像素数，n为一幅灰度图像中的像素数；
[0024]根据第三表达式计算像素(i,j)平衡之后的灰度，第三表达式为：
[0025][0026]c
Gij
为像素(i,j)的原始累积分布。
[0027]可选地，所述残差模块和卷积网络的训练过程，包括：
[0028]根据第四表达式训练所述残差模块和卷积网络，直至所述灰度图的重建误差处于预设范围内；
[0029]第四表达式为：
[0030][0031]其中，x
ij
和x'
ij
分别表示原始的灰度图和重建灰度图中像素(i,j)的值。
[0032]可选地，所述映射关系的构建过程，包括：
[0033]通过度量约束深度学习并根据第五表达式将变压器的退化特征映射为变压器的健康状态，第五表达式为：
[0034]h(t)＝G(z
t
‑
N+1
,z
t
‑
N+2
,z
t
‑
N+3
,...,z
t
‑
N+i
,...,z
t
；θ)
[0035]其中，G(
·
)为退化特征与变压器健康状态之间的映射模型，θ是G(
·
)中的参数集，z
t
为基于灰度图的时间切片特征向量，N为与构造变压器健康状态相关特征序列的样本数量。
[0036]可选地，所述根据预设的评价指标输出所述当前健康状态的状态评估，包括：
[0037]根据第六表达式计算单调性和时间校正的状态评估；
[0038]第六表达式为：
[0039][0040][0041]其中，表示变压器的健康状态，Δh(
·
)表示H的正向差值，Num(
·
)表示计数函数，T表示变压器的健康状态的长度，Mon(
·
)和Corr(
·
)分别表示单调性函数和时间相关函数；
[0042]在输出所述当前健康状态的状态评估之前，在训练损失中加入L1约束，L1的计算方法由第七表达式确定，第七表达式为：
[0043][0044]综合损失计算由第八表达式确定，第八表达式为：
[0045]L
c
＝α1·
Corr+α2·
Mon+α3·
L1[0046]其中，α1、α2、α3为度量的加权值，α1+α2+α3＝1，采用网格搜索法确定加权值。
[0047]本专利技术实施例的另一方面还提供了一种变压器状态评估装置，包括：
[0048]递归图确定单元，用于获取变压器图像的时间序列，并根据所述时间序列的特征变化确定递归图；
[0049]灰度图确定单元，用于将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图；
[0050]退化特征获取单元，用于通过残差模块和卷积网络获取所述灰度图中关于变压器的退化特征；
[0051]健康状态确定单元，用于从预设的映射关系中确定所述退化特征对应的变压器当前健康状态，所述映射关系为基于度量约束的门控循环单元模型，所构建的退化特征与变压器健康状态的映射关系；
[0052]状态评估输出单元，用于根据预设的评价指标输出所述当前健康状态的状态评估。
[0053]本专利技术实施例的另一方面还提供了一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器状态评估方法，其特征在于，包括：获取变压器图像的时间序列，并根据所述时间序列的特征变化确定递归图；将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图；通过残差模块和卷积网络获取所述灰度图中关于变压器的退化特征；从预设的映射关系中确定所述退化特征对应的变压器当前健康状态，所述映射关系为基于度量约束的门控循环单元模型，所构建的退化特征与变压器健康状态的映射关系；根据预设的评价指标输出所述当前健康状态的状态评估。2.根据权利要求1所述的一种变压器状态评估方法，其特征在于，所述将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图，包括：根据第一表达式将所述递归图中的元素缩放为灰度值，得到所述递归图对应的灰度图，第一表达式为：其中，B
U
和B
L
为灰度图元素的上界和下界，P
scale
设定为255，N表示时间序列数。3.根据权利要求1所述的一种变压器状态评估方法，其特征在于，所述通过残差模块和卷积网络获取所述灰度图中关于变压器的退化特征，包括：通过残差模块获取所述灰度图中关于变压器的局部动态特征；通过卷积网络获取所述灰度图中关于变压器的全局动态特征；将所述局部动态特征与所述全局动态特征进行融合，并提取变压器的退化特征。4.根据权利要求3所述的一种变压器状态评估方法，其特征在于，所述方法还包括：使用直方图均衡化增加像素的对比度，以平衡所述局部动态特征与所述全局动态特征；其中，根据第二表达式计算第k个灰度c
k
的累积分布函数，第二表达式为：k代表第k个灰度，n
j
为第k个灰度的像素数，n为一幅灰度图像中的像素数；根据第三表达式计算像素(i,j)平衡之后的灰度，第三表达式为：c
Gij
为像素(i,j)的原始累积分布。5.根据权利要求1所述的一种变压器状态评估方法，其特征在于，所述残差模块和卷积网络的训练过程，包括：根据第四表达式训练所述残差模块和卷积网络，直至所述灰度图的重建误差处于预设范围内；第四表达式为：其中，x
ij
和x'
ij
分别表示原始的灰度图和重建灰度图中像素(i,j)的值。6.根据权利要求1所述的一种变压器状态评估方法，其特征在于，所述映射关系的构建
过程，包括：通过度量约束深度学习并根据第五表达式将变压器的退化特征映射为变压器的健康状态，第五表达式为：h(t)＝G(z
t
‑
N...

【专利技术属性】
技术研发人员：李今宋，李冬，钱飞翔，邓清飞，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：