故障检测模型训练制造技术

本发明专利技术实施例公开了一种故障检测模型训练

【技术实现步骤摘要】
故障检测模型训练、故障检测方法、装置、设备及介质


[0001]本专利技术实施例涉及故障诊断
，尤其涉及一种故障检测模型训练
、
故障检测方法
、
装置
、
设备及介质
。

技术介绍

[0002]变压器在电力系统中扮演着重要的角色，其主要负责输电和配电的关键任务
。
变压器的安全稳定运行对生产生活至关重要，变压器一旦发生故障，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]目前，变压器故障诊断技术主要为三比值法和人工智能方法
。
其中，三比值法是根据充油电气设备内油
、
绝缘在故障下裂解产生气体组分含量的相对浓度与温度的依赖关系，从特征气体中选取两种溶解度和扩散系数相近的气体组成三对比值，以不同的编码表示，从而根据编码规则表查找确定故障类型
。
人工智能方法一般包括贝叶斯分类器和神经网络等方法
。
[0004]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：三比值法存在编码缺失的问题，会降低变压器故障诊断的正确率；诸如贝叶斯分类器和神经网络等人工智能方法存在泛化能力较差和收敛困难等问题，降低了变压器故障诊断的准确率和效率
。

技术实现思路

[0005]本专利技术实施例提供一种故障检测模型训练
、
故障检测方法
、
装置
、
设备及介质，能够提高故障检测模型的检测准确率，进而提高电力变压器故障检测的准确率和效率
。
[0006]第一方面，本专利技术实施例提供了一种故障检测模型训练方法，包括：
[0007]获取电力变压器溶解气体训练样本数据；
[0008]将所述电力变压器溶解气体训练样本数据输入至支持向量机模型；
[0009]根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化，得到目标优化模型参数；
[0010]根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新，以完成所述支持向量机模型的训练；
[0011]其中，训练完成的所述支持向量机模型用于检测电力变压器的故障
。
[0012]第二方面，本专利技术实施例还提供了一种故障检测方法，包括：
[0013]获取待检测变压器的油中溶解气体数据；
[0014]将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测，得到所述待检测变压器的故障检测结果；
[0015]其中，所述支持向量机模型通过权利要求1‑5任一所述的故障检测模型训练方法训练得到
。
[0016]第三方面，本专利技术实施例还提供了一种故障检测模型训练装置，包括：
[0017]训练样本数据获取模块，用于获取电力变压器溶解气体训练样本数据；
[0018]训练样本数据输入模块，用于将所述电力变压器溶解气体训练样本数据输入至支持向量机模型；
[0019]目标优化模型参数获取模块，用于根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化，得到目标优化模型参数；
[0020]模型训练模块，用于根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新，以完成所述支持向量机模型的训练；
[0021]其中，训练完成的所述支持向量机模型用于检测电力变压器的故障
。
[0022]第四方面，本专利技术实施例还提供了一种故障检测装置，包括：
[0023]数据获取模块，用于获取待检测变压器的油中溶解气体数据；
[0024]故障检测结果获取模块，用于将所述待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测，得到所述待检测变压器的故障检测结果；
[0025]其中，所述支持向量机模型通过本专利技术任一实施例所述的故障检测模型训练方法训练得到
。
[0026]第五方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0027]至少一个处理器；以及
[0028]与所述至少一个处理器通信连接的存储器；其中，
[0029]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的故障检测模型训练方法，或者，执行本专利技术任一实施例所述的故障检测方法
。
[0030]第六方面，本专利技术实施例还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故障检测模型训练方法，或者，执行本专利技术任一实施例所述的故障检测方法
。
[0031]本专利技术实施例通过获取电力变压器溶解气体训练样本数据，将电力变压器溶解气体训练样本数据输入至支持向量机模型，从而根据改进递归神经网络模型对支持向量机模型的输出函数进行参数优化，以得到目标优化模型参数，进而根据目标优化模型参数对支持向量机模型的输出函数进行更新，以完成支持向量机模型的训练
。
当支持向量机模型训练完成后，可以获取待检测变压器的油中溶解气体数据，并将待检测变压器的油中溶解气体数据输入至支持向量机模型进行故障检测，以得到待检测变压器的故障检测结果，解决了现有电力变压器故障检测方法不准确和检测效率较低等问题，能够提高故障检测模型的检测准确率，进而提高电力变压器故障检测的准确率和效率
。
[0032]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
[0033]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
。
[0034]图1是本专利技术实施例一提供的一种故障检测模型训练方法的流程图；
[0035]图2是本专利技术实施例二提供的一种故障检测模型训练方法的流程图；
[0036]图3是本专利技术实施例三提供的一种故障检测方法的流程图；
[0037]图4是本专利技术实施例三所适用的一种故障检测方法的流程示意图；
[0038]图5是本专利技术实施例三所适用的一种支持向量机模型的优化求解流程示意图；
[0039]图6是本专利技术实施例三所适用的一种变压器故障诊断装置的结构示意图；
[0040]图7是本专利技术实施例四提供的一种故障检测模型训练装置的结构示意图；
[0041]图8是本专利技术实施例五提供的一种故障检测装置的结构示意图；
[0042]图9是本专利技术实施例六提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种故障检测模型训练方法，其特征在于，包括：获取电力变压器溶解气体训练样本数据；将所述电力变压器溶解气体训练样本数据输入至支持向量机模型；根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化，得到目标优化模型参数；根据所述目标优化模型参数对所述支持向量机模型的输出函数进行更新，以完成所述支持向量机模型的训练；其中，训练完成的所述支持向量机模型用于检测电力变压器的故障
。2.
根据权利要求1所述的方法，其特征在于，在所述根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化之前，还包括：确定递归神经网络模型初始化参数；根据所述递归神经网络模型初始化参数对所述改进递归神经网络模型的目标模型参数进行初始化配置
。3.
根据权利要求1所述的方法，其特征在于，所述根据改进递归神经网络模型对所述支持向量机模型的输出函数进行参数优化，得到目标优化模型参数，包括：建立所述支持向量机模型关联的凸二次规划问题；将所述凸二次规划问题转换为标准矩阵型凸二次规划问题；根据所述标准矩阵型凸二次规划问题构建所述改进递归神经网络模型的惩罚函数；根据所述改进递归神经网络模型的惩罚函数构建拉格朗日函数；根据神经动力学函数对所述拉格朗日函数进行求解，得到目标求解表达式；根据所述目标求解表达式对所述支持向量机模型的输出函数进行参数优化，得到目标优化模型参数
。4.
根据权利要求3所述的方法，其特征在于：基于如下公式建立所述凸二次规划问题：基于如下公式建立所述凸二次规划问题：其中，
m
表示训练样本的数目，
α
表示所述支持向量机模型中的拉格朗日乘子，
α
i
表示第
i
个训练样本的拉格朗日乘子，
α
j
表示第
j
个训练样本的拉格朗日乘子，
y
i
表示第
i
个训练样本的数据标签，
y
j
表示第
j
个训练样本的数据标签，为高斯核函数，表示第
i
个训练样本
x
i
与第
j
个训练样本
x
j
的核函数计算结果，
σ
表示核函数参数，
C
表示惩罚因子；基于如下公式表示所述标准矩阵型凸二次规划问题：
其中，
E
是
m*m
维的单位矩阵；基于如下公式构建所述改进递归神经网络模型的惩罚函数：其中，
P(
α
)
表示所述改进递归神经网络模型的惩罚函数，
p
表示惩罚项，
μ
表示模型常数，
v
i
表示矩阵中第
i
行的行向量，
R
i
表示矩阵中第
i
行的行向量；基于如下公式构建所述拉格朗日函数：其中，
τ
...

【专利技术属性】
技术研发人员：张建涛，朱丽媛，张林海，韩金尅，靳英，江峰，陈文波，李志华，杨星，廖嘉维，李文庆，陈乐新，李延宾，严庆城，
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：