【技术实现步骤摘要】
本专利技术涉及电力变压器故障诊断，具体涉及一种基于变权vae与双通道特征融合的变压器故障诊断方法。
技术介绍
1、随着电力系统的发展和变压器的广泛应用，变压器故障诊断已经成为电力系统中的一项重要任务。传统的变压器故障诊断方法主要基于人工经验和设备检测，存在诊断效率低、准确率不高、易受人为因素影响等问题。而随着人工智能技术的发展，越来越多的研究者开始探索基于机器学习和深度学习的变压器故障诊断方法，以提高诊断的准确率和效率。
2、近年来，深度学习技术在故障诊断领域得到了广泛应用，卷积神经网络(cnn)和lstm已经被广泛应用于数据的处理和分析。然而，由于数据集的限制和模型的局限性，cnn和lstm在变压器故障诊断中的应用仍然存在一些问题，比如过拟合、泛化能力差、梯度消失和梯度爆炸等。
3、为了解决这个问题，vae和注意力机制成为了近年来研究的热点。vae技术可以通过对原始数据进行扩增，增加数据集的多样性和数量，提高模型的准确率和鲁棒性。注意力机制可以通过对关键特征的加权，提高模型的鲁棒性和泛化能力，同时可以得到关键特征的重要程度，更好地理解模型的决策过程。
技术实现思路
1、本专利技术的目的在于，提供一种基于变权vae与双通道特征融合的变压器故障诊断方法，为变压器油中溶解气体分析提供新的诊断方法，解决数据集样本少、样本数量不平和诊断模型过拟合、泛化能力差等问题，具有更高的准确率和鲁棒性。
2、本专利技术所采用的技术方案如下：
3、一种基于
4、收集不同故障类型下待诊变压器的油中气体含量数据，并使用改进的熵权法计算每种故障类型中各类气体的权重，获取待分析变权数据集；包括：
5、设共有l条故障数据，并且每条故障数据含有m种气体含量数据，则输入数据x表示为：
6、
7、在每种故障类型下，计算每类气体的信息熵ej以及信息效用值dj，并归一化处理得到各种故障类型下各类气体的权重wj，公式如下：
8、
9、
10、dj＝1-ej
11、
12、式中，pij为变异性指标，n为某一故障类型的故障数据总数，i为该种故障类型下第i条故障数据；
13、将各类气体的权重wj与气体含量数据相乘，作为输入数据；
14、采用vae网络对油中气体含量数据进行数据降维和数据扩充，得到变权数据集；
15、构建具有卷积神经网络和双lstm网络的双通道特征融合的故障诊断模型，用于提取局部特征和捕捉时间序列的长期依赖关系；并采用注意力机制对不同通道的信息进行加权融合分析，输入变权数据集进行模型训练，更新模型参数；
16、最后结合实际监测数据进行变压器故障诊断。
17、进一步的，故障类型包括正常、低温过热、中温过热、高温过热、低能放电、高能放电以及局部放电，气体种类包括h2、ch4、c2h6、c2h4以及c2h2。
18、进一步的，使用改进的熵权法计算每种故障类型中各类气体的权重前，通过归一化处理得到各种故障类型下各类气体含量数据的标准化矩阵：
19、
20、式中，zij为归一化处理后的气体含量数据，xij为归一化处理前的气体含量数据。
21、进一步的，使用改进的熵权法计算每种故障类型中各类气体的权重后，将专家经验作为一个权重因子加到权重值计算中。
22、进一步的，vae网络采用自编码器结构，包括编码器和解码器两部分，其中编码器将含权重的原始数据由高维到低维映射到潜在空间中，反之，解码器将潜在空间中的向量重构为原始数据并扩充原始数据集；
23、vae网络的重构误差函数为：
24、ζ＝arg min||x-g[f(x)]||
25、其中，ζ为重构误差，x为变权vae网络的输入数据；g为解码过程；f为解码之前过程；
26、数据经过编码器输入至均方差计算模块中，生成σ和μ参数，其中σ为标准差，μ为平均值：
27、μ＝f(ωμxd+bμ)
28、
29、式中，xd为编码器输出结果，ωμ、ωσ和bμ、bσ分别表示μ和σ的权重和偏置；
30、均方差参数计算过程中，假设输入数据x服从标准正态分布，记x～n(0,1)，对x、σ和μ进行线性变换获得隐含变量z：
31、z＝σx+μ
32、隐含变量通过限制kld来服从正态分布，kld为两个概率分布之间差异的不对称度量，kld表达式如下所示：
33、
34、式中，p(x)和q(x)分别表示隐含变量分布p和预设分布q的概率密度函数。
35、进一步的，双lstm网络采用多层结构，每层包括lstm单元和注意力机制模块，具有双向传播特性的lstm网络的构建方法为：
36、首先构建一个5层网络，包括输入层、lstm单元、注意力机制层、全连接层和输出层；每个lstm单元包括三个门和一个记忆单元，三个门为输入门、遗忘门和输出门，每个门和记忆单元都有对应的权重和偏置。
37、进一步的，卷积神经网络的构建方法为：
38、首先构建一个5层网络，包括输入层、卷积层、池化层、激活函数层和全连接层；其中，卷积层是核心层，实现局部重要特征的信息提取。
39、进一步的，注意力机制模块用于对卷积神经网络和双lstm网络输出的特征进行加权融合，计算每种故障类型数据集中的注意力权重。
40、进一步的，故障诊断模型训练的过程为：
41、首先，采用双lstm网络捕捉时间序列的关键特征；前向传播过程中，在每个时间步，输入序列经过lstm单元的处理后，得到一个输出和一个新的记忆单元，并作为下一步的输入，获得代价函数；反向传播过程中，计算每个神经元输出的偏差项，使用adam作为优化器，用于更新lstm的权重和偏置，更新lstm的参数并降低损失函数的值；
42、其次，采用卷积神经网络提取局部特征信息；采用3×3的卷积核对输入数据进行卷积操作，并使用最大池化操作保留最大的特征值，使用随机梯度下降法来更新模型的参数；最后，采用注意力机制融合双通道中学习获得不同尺度的特征，通过softmax层进行分类。
43、一种电子设备，包括：
44、存储器，用于存储可执行计算机程序；
45、处理器，用于执行存储器中存储的可执行计算机程序时，实现上述中任意一项所述的基于变权vae与双通道特征融合的变压器故障诊断方法。
46、本专利技术与现有技术相比，具有以下优点及有益效果：
47、本专利技术提供一种基于变权vae与双通道特征融合的变压器故障诊断方法，使用改进的熵权法计算每种故障类型中各类气体的权重，并采用vae网络对油中气体含量数据进行数据降维和数据扩充，得到变权数据集，有效改善变压器故障本文档来自技高网...
【技术保护点】
1.一种基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，故障类型包括正常、低温过热、中温过热、高温过热、低能放电、高能放电以及局部放电，气体种类包括H2、CH4、C2H6、C2H4以及C2H2。
3.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，使用改进的熵权法计算每种故障类型中各类气体的权重前，通过归一化处理得到各种故障类型下各类气体含量数据的标准化矩阵：
4.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，使用改进的熵权法计算每种故障类型中各类气体的权重后，将专家经验作为一个权重因子加到权重值计算中。
5.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，VAE网络采用自编码器结构，包括编码器和解码器两部分，其中编码器将含权重的原始数据由高维到低维映射到潜在空间中，反之，解码器将潜在空间中的向量重构为原始
6.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，双LSTM网络采用多层结构，每层包括LSTM单元和注意力机制模块，具有双向传播特性的LSTM网络的构建方法为：
7.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，卷积神经网络的构建方法为：
8.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，注意力机制模块用于对卷积神经网络和双LSTM网络输出的特征进行加权融合，计算每种故障类型数据集中的注意力权重。
9.根据权利要求1所述的基于变权VAE与双通道特征融合的变压器故障诊断方法，其特征在于，故障诊断模型训练的过程为：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于变权vae与双通道特征融合的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变权vae与双通道特征融合的变压器故障诊断方法，其特征在于，故障类型包括正常、低温过热、中温过热、高温过热、低能放电、高能放电以及局部放电，气体种类包括h2、ch4、c2h6、c2h4以及c2h2。
3.根据权利要求1所述的基于变权vae与双通道特征融合的变压器故障诊断方法，其特征在于，使用改进的熵权法计算每种故障类型中各类气体的权重前，通过归一化处理得到各种故障类型下各类气体含量数据的标准化矩阵：
4.根据权利要求1所述的基于变权vae与双通道特征融合的变压器故障诊断方法，其特征在于，使用改进的熵权法计算每种故障类型中各类气体的权重后，将专家经验作为一个权重因子加到权重值计算中。
5.根据权利要求1所述的基于变权vae与双通道特征融合的变压器故障诊断方法，其特征在于，vae网络采用自编码器结构，包括...
【专利技术属性】
技术研发人员：姚其新，雷蕾潇，何怡刚，胡宇洋，李超，范可，常聚忠，徐惠三，刘建国，邢致凯，李紫豪，王迪威，刘晓宇，
申请(专利权)人：国网湖北省电力有限公司直流公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。