一种变压器故障诊断方法、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故障诊断方法、装置、电子设备及存储介质。通过实时获取待故障诊断的变压器对应的变压器状态性能数据；将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果；其中，变压器故障分类器模型基于优化后的集成支持向量递归神经网络模型算法；将所述变压器故障诊断结果反馈至用户，以实现实时监测变压器的状态。本发明专利技术解决了不能实时对变压器进行状态诊断的问题，实现了及时对变压器的运行状况进行评估，有助于保障电力系统的安全稳定运行。定运行。定运行。

【技术实现步骤摘要】
一种变压器故障诊断方法、装置、电子设备及存储介质


[0001]本专利技术涉及数据处理
，尤其涉及一种变压器故障诊断方法、装置、电子设备及存储介质。

技术介绍

[0002]变压器在电力系统中扮演着重要的角色，负责输电和配电的关键任务。它的安全稳定运行对生产生活至关重要，一旦发生故障，则会给电力系统带来许多负面影响。因此，及时对变压器的运行状况进行评估将有助于保障电力系统的安全稳定运行。
[0003]专利技术人在实现本专利技术的过程中，发现现有技术存在如下缺陷：目前，变压器诊断技术主要为三比值法和人工智能方法。但是，三比值法存在编码缺失的问题，会降低变压器诊断正确率；而当前的一些人工智能技术诸如贝叶斯分类器，神经网络等存在泛化能力较差、收敛困难等问题。。

技术实现思路

[0004]本专利技术提供了一种变压器故障诊断方法、装置、电子设备及存储介质，以实现及时对变压器的运行状况进行评估，有助于保障电力系统的安全稳定运行。
[0005]根据本专利技术的一方面，提供了一种变压器故障诊断方法，其中，包括：
[0006]实时获取待故障诊断的变压器对应的变压器状态性能数据；
[0007]将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果；
[0008]其中，所述变压器故障分类器模型基于优化后的ESVRNN(Ensemble Support Vector Recurrent Neural Network，集成支持向量递归神经网络)模型算法；
[0009]将所述变压器故障诊断结果反馈至用户，以实现实时监测变压器的状态。
[0010]根据本专利技术的另一方面，提供了一种变压器故障诊断装置，其中，包括：
[0011]变压器状态性能数据获取模块，用于实时获取待故障诊断的变压器对应的变压器状态性能数据；
[0012]变压器故障诊断结果确定模块，用于将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果；
[0013]其中，所述变压器故障分类器模型基于优化后的ESVRNN模型算法；
[0014]变压器故障诊断结果反馈模块，用于将所述变压器故障诊断结果反馈至用户，以实现实时监测变压器的状态。
[0015]根据本专利技术的另一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本专利技术任一实施例所述的变压器故障诊断方法。
[0016]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述
的变压器故障诊断方法。
[0017]本专利技术实施例的技术方案，通过实时获取待故障诊断的变压器对应的变压器状态性能数据；将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果；其中，变压器故障分类器模型基于优化后的集成支持向量递归神经网络模型算法；将所述变压器故障诊断结果反馈至用户，以实现实时监测变压器的状态。本专利技术解决了不能实时对变压器进行状态诊断的问题，实现了及时对变压器的运行状况进行评估，有助于保障电力系统的安全稳定运行。
[0018]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是根据本专利技术实施例一提供的一种变压器故障诊断方法的流程图；
[0021]图2是根据本专利技术实施例二提供的一种变压器故障诊断装置的结构示意图；
[0022]图3是根据本专利技术实施例三提供的一种电子设备的结构示意图。
具体实施方式
[0023]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0024]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0025]实施例一
[0026]图1为本专利技术实施例一提供了一种变压器故障诊断方法的流程图，本实施例可适用于对变压器进行实时状监测的情况，该方法可以由变压器故障诊断装置来执行，该变压器故障诊断装置可以采用硬件和/或软件的形式实现。
[0027]相应的，如图1所示，该方法包括：
[0028]S110、实时获取待故障诊断的变压器对应的变压器状态性能数据。
[0029]其中，变压器状态性能数据可以是描述变压器状态的性能好坏的数据。一般来说，
一个采集时间点对应一组变压器状态性能数据，通过一组变压器状态性能数据来对变压器进行状态性能的描述处理。
[0030]在本实施例中，可以实时获取目标变压器的变压器状态性能数据，当采集到变压器状态性能数据，需要将其进行分析处理，来得到对应的数据分析结果。
[0031]S120、将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果。
[0032]其中，所述变压器故障分类器模型基于优化后的ESVRNN模型算法。
[0033]其中，变压器故障分类器模型可以是能够根据变压器状态性能数据进行处理，得到变压器故障类型的分类器。
[0034]另外的，变压器故障诊断结果可以包括变压器故障诊断正常结果和变压器故障诊断不正常结果。
[0035]在本实施例中，ESVRNN模型算法是集成支持向量递归神经网络算法模型。具体的，ESVRNN模型算法中的递归神经网络可以把一个树或者图结构信息编码为一个向量，也就是把信息映射到一个语义向量空间中。具体的，递归神经网络是一种表示学习，它可以将词、句、段、或者篇按照它们的语义映射到同一个向量空间中，也就是把可组合的信息表示为一个个有意义的向量，也即将树或者图结构进行向量的表示。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，包括：实时获取待故障诊断的变压器对应的变压器状态性能数据；将所述变压器状态性能数据输入至预先训练好的变压器故障分类器模型中，得到变压器故障诊断结果；其中，所述变压器故障分类器模型基于优化后的集成支持向量递归神经网络ESVRNN模型算法；将所述变压器故障诊断结果反馈至用户，以实现实时监测变压器的状态。2.根据权利要求1所述的方法，其特征在于，在所述实时获取待故障诊断的变压器对应的变压器状态性能数据之前，还包括：获取多个历史变压器状态性能数据，以及与各所述历史变压器状态性能数据分别对应的历史变压器故障诊断类型；将各所述历史变压器状态性能数据和历史变压器故障诊断类型联合输入至预先构建初始变压器故障分类器模型进行训练，当所述初始变压器故障分类器模型对应的故障判定准确率达到预设的准确率阈值时，确定训练完成所述变压器故障分类器模型。3.根据权利要求2所述的方法，其特征在于，所述获取多个历史变压器状态性能数据，以及与各所述历史变压器状态性能数据分别对应的历史变压器故障诊断类型，包括：根据公式分别对各所述历史变压器状态性能数据进行极大极小归一化处理，得到各所述历史变压器状态性能归一化数据x
′
；其中，x表示由历史变压器状态性能数据构成的向量矩阵，且x∈R
n
×1；分别获取各所述历史变压器状态性能归一化数据对应的数据类型标签，并根据各所述数据类型标签，分别确定出与所述历史变压器状态性能归一化数据对应的历史变压器故障诊断类型。4.根据权利要求3所述的方法，其特征在于，所述变压器故障分类器模型对应的决策函数为f(x)＝w
T
x+b；其中，w表示权重向量矩阵，且w∈R
n
×1；b表示偏置；f(x)表示决策函数。5.根据权利要求4所述的方法，其特征在于，还包括：对所述决策函数进行标准二次规划处理，并根据遗传算法对获取到的ESVRNN模型算法中的核函数参数和惩罚函数进行优化，来确定出与所述变压器故障分类器模型对应的神经动力学方程为其中，γ表示标量参数，且γ＞0；γe
t
表示误差函数调整参数；ε(t)表示误差函数。6.根据权利要求5所述的方法，其特征在于，所述对所述决策函数进行标准二次规划处理，并根据遗传算法对获取到的ESVRNN模型算法中的核函数参数和惩罚函数进行优化，来确定出与所述变压器故障分类器模型对应的神经动力学方程，包括：对所述决策函数进行标准二次规划...

【专利技术属性】
技术研发人员：张建涛，邓惠华，杨星，潘文博，韩金尅，靳英，朱丽媛，冯文晴，张林海，江伟奇，巫耀发，刘宇兴，
申请(专利权)人：广东电网有限责任公司梅州供电局，
类型：发明
国别省市：