一种基于PMCAEN与SVDD的电力变压器早期故障预警方法技术

本发明专利技术公开了一种基于PMCAEN与SVDD的电力变压器早期故障预警方法，属于电力变压器故障预警技术领域。首先构建并行多尺度卷积自编码器网络，PMCAEN中的并行的无监督学习架构能够从不同的角度提取相关特征，实现双支路的特征互补。随后，建立支持向量数据描述模型，将变压器正常运行情况下PMCAEN所得出的重构误差作为新的观测信息，构建异常状态的判断域。本发明专利技术充分考虑了当变压器出现轻微机械故障时振动信号并不会发生明显变化而导致难以预警的难题，能够自适应的实现变压器局部与全局退化信息的挖掘，能够实现高精度的电力变压器早期故障预警。

【技术实现步骤摘要】

本专利技术属于电力变压器故障预警，更具体地，涉及一种基于pmcaen与svdd的电力变压器早期故障预警方法。

技术介绍

1、电力变压器作为新型电力系统中的重要装备之一，其运行的可靠性直接影响电网的稳定运行。然而，变压器在长期运行过程中不可避免地会遭遇各种机械故障，如绕组变形、铁芯松动和紧固件松脱等。这些机械故障如果不能及时发现和处理，可能会导致严重的设备损坏，甚至引发大规模停电事故。因此，早期故障预警作为一种新兴的健康状态监测工具，对于及时发现和修复电力变压器早期机械故障，减少变压器的停机时间具有至关重要的作用。

2、目前，各种工业领域的故障预警方法主要分为两大类，即基于过程控制的方法和基于机器学习的方法。在过程控制方法中，控制图是一种常用的预警方法，它通过检测过程信号是否超过控制阈值来判断过程是否发生了变化。然而，该类方法需要根据数据的结构和特征来设置合适的预警阈值，导致对不同类型数据的适用性较差，误报率较高。机器学习方法可以从数据中自动学习相关知识，自适应构建预警边界，避免了人工经验的选择，有效克服了过程控制方法的缺陷。然而，大部分的机器学本文档来自技高网...

【技术保护点】

1.一种基于PMCAEN与SVDD的电力变压器早期故障预警方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述并行多尺度卷积自编码器网络PMCAEN采用两条并行多尺度卷积自编码器路径提取电力变压器的退化特征，其中，具有第一卷积核的卷积自编码器能够针对电力变压器局部的退化信息进行特征提取，具有第二卷积核的卷积自编码器能够考虑整个序列的退化趋势并进行特征提取，所述第一卷积核的大小小于所述第二卷积核。

3.根据权利要求2所述的方法，其特征在于，对于每条多尺度卷积自编码器，在多尺度卷积层中，一组核与输入特征向量进行卷积，第l个卷积层的第j个输出特征向量...

【技术特征摘要】

1.一种基于pmcaen与svdd的电力变压器早期故障预警方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述并行多尺度卷积自编码器网络pmcaen采用两条并行多尺度卷积自编码器路径提取电力变压器的退化特征，其中，具有第一卷积核的卷积自编码器能够针对电力变压器局部的退化信息进行特征提取，具有第二卷积核的卷积自编码器能够考虑整个序列的退化趋势并进行特征提取，所述第一卷积核的大小小于所述第二卷积核。

3.根据权利要求2所述的方法，其特征在于，对于每条多尺度卷积自编码器，在多尺度卷积层中，一组核与输入特征向量进行卷积，第l个卷积层的第j个输出特征向量为，在多尺度反卷积层，解码器对原始输入数据进行重构为其中，*为卷积运算，σ(·)为激活函数，是l-1层的第d个特征向量，为卷积核，为偏置向量，为反卷积过程中的特征向量，为反卷积过程中的卷积核。

4.根据权利要求3所述的方法，其特征在于，所述对所述并行多尺度卷积自编码器网络pmcaen...

【专利技术属性】
技术研发人员：何怡刚，周亚中，王励，刘剑欣，张滔，刘晓宇，李紫豪，雷蕾潇，孟卓伦，王迪威，吕仲明，邵凯旋，陈铭芸，
申请(专利权)人：武汉大学，
类型：发明
国别省市：