CN113948159B - 一种变压器的故障检测方法、装置及设备 - Google Patents

一种变压器的故障检测方法、装置及设备 Download PDF

Info

Publication number
CN113948159B
CN113948159B CN202111565768.XA CN202111565768A CN113948159B CN 113948159 B CN113948159 B CN 113948159B CN 202111565768 A CN202111565768 A CN 202111565768A CN 113948159 B CN113948159 B CN 113948159B
Authority
CN
China
Prior art keywords
data
training
transformer
gas
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111565768.XA
Other languages
English (en)
Other versions
CN113948159A (zh
Inventor
白朋
严川
张博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cloudwise Beijing Technology Co Ltd
Original Assignee
Cloudwise Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cloudwise Beijing Technology Co Ltd filed Critical Cloudwise Beijing Technology Co Ltd
Priority to CN202111565768.XA priority Critical patent/CN113948159B/zh
Publication of CN113948159A publication Critical patent/CN113948159A/zh
Application granted granted Critical
Publication of CN113948159B publication Critical patent/CN113948159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明的实施例提供一种变压器的故障检测方法、装置及设备，方法包括：获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；将所述浓度数据序列和所述时间序列数据形成的数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率。本发明的实施例能够在油色谱数据存在噪声的情况下，对变压器故障进行精准识别。

Description

一种变压器的故障检测方法、装置及设备
技术领域
本发明涉及变压器检测技术领域，特别是指一种变压器的故障检测方法、装置及设备。
背景技术
变压器是电力***中的核心设备，用于转换不同等级的电压，是电力***运行稳定性、可靠性的重要保证。虽然目前电力***都有专门的运检人间对设备进行维护，但是随着技术的发展和电力***的复杂性性不断提高，使得变压器设备故障发生的频率明显加快，同时对生产的影响也显著的增加。因此给运检任务带来巨大的困难。现有技术无法有效判断变压器的故障，也不能有效的对故障进行预防。
发明内容
本发明提供了一种变压器的故障检测方法、装置及设备。能够在油色谱数据存在噪声的情况下，对变压器故障进行精准识别。
为解决上述技术问题，本发明的实施例提供以下方案：
一种变压器的故障检测方法，包括：
获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；
获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
将所述浓度数据序列和所述时间序列数据形成的第一数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率。
可选的，变压器的故障检测方法，还包括：
将所述时间序列数据输入预设预测模型进行处理，得到预测时间序列数据；
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集，输入所述预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的预测概率。
可选的，所述预设故障分类模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的训练浓度数据序列
Figure 902491DEST_PATH_IMAGE001
以及
Figure 820768DEST_PATH_IMAGE002
中各个样本数据
Figure 344897DEST_PATH_IMAGE003
对应确诊时间前
Figure 32230DEST_PATH_IMAGE004
时间段的时序浓度数据形成的训练时间序列数据
Figure 360443DEST_PATH_IMAGE005
,
Figure 126536DEST_PATH_IMAGE006
为
Figure 96766DEST_PATH_IMAGE002
中样本的个数；
根据所述
Figure 996196DEST_PATH_IMAGE002
，得到衍生特征变量集
Figure 760890DEST_PATH_IMAGE007
；
根据
Figure 512814DEST_PATH_IMAGE008
，获得样本
Figure 257041DEST_PATH_IMAGE003
的基于时间序列特征的特征集
Figure 778021DEST_PATH_IMAGE009
，1≤i≤n；
根据所述
Figure 448037DEST_PATH_IMAGE007
和
Figure 185793DEST_PATH_IMAGE009
，获得训练集
Figure 560142DEST_PATH_IMAGE010
；
将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型。
可选的，根据
Figure 640356DEST_PATH_IMAGE008
，获得样本
Figure 74748DEST_PATH_IMAGE003
的基于时间序列特征的特征集
Figure 768641DEST_PATH_IMAGE009
，包括：
获得所述
Figure 681103DEST_PATH_IMAGE008
中各气体的气体浓度的均值、标准差、中位数以及分位数；
获得所述
Figure 740457DEST_PATH_IMAGE011
中各气体的气体浓度的偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量；
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量，形成所述特征集F2。
可选的，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型，包括：
将所述训练集F输入分类模型的至少两个弱分类器，
将所有弱训练器按照训练顺序排列，分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练；
将训练好的弱分类器结果进行加权求合处理，得到所述预设故障分类模型的分类结果。
可选的，所述预设预测模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的用于训练的时刻
Figure 578706DEST_PATH_IMAGE012
的多变量时间序列样本
Figure 730202DEST_PATH_IMAGE013
为输入预设时间戳长度，
Figure 213398DEST_PATH_IMAGE014
为气体种类的数量；
根据所述
Figure 360214DEST_PATH_IMAGE015
，获得时刻
Figure 369365DEST_PATH_IMAGE012
的
Figure 899835DEST_PATH_IMAGE016
个序列实例
Figure 91782DEST_PATH_IMAGE017
和
Figure 30788DEST_PATH_IMAGE018
对应的特征序列
Figure 906381DEST_PATH_IMAGE019
，其中
Figure 563628DEST_PATH_IMAGE020
，
Figure 654206DEST_PATH_IMAGE018
的预测值为
Figure 182139DEST_PATH_IMAGE021
，所述序列实例
Figure 972241DEST_PATH_IMAGE018
为时刻
Figure 146477DEST_PATH_IMAGE012
变量
Figure 149068DEST_PATH_IMAGE022
的观测值；
根据所述
Figure 829710DEST_PATH_IMAGE015
和特征序列
Figure 790713DEST_PATH_IMAGE023
对预测模型进行训练，得到所述预设预测模型。
可选的，根据所述
Figure 422551DEST_PATH_IMAGE015
和特征序列
Figure 992948DEST_PATH_IMAGE023
对预测模型进行训练，得到所述预设预测模型，包括：
将所述
Figure 292211DEST_PATH_IMAGE015
输入预测模型的第一训练模块进行处理，得到第一输出；
将所述
Figure 424115DEST_PATH_IMAGE023
输入预测模型的第二训练模块进行处理，得到第二输出；
将所述第一输出和第二输出，输入预测模型的训练实例采样器进行处理，得到第三输出；
将所述第三输出输入图像聚合模块进行处理，得到第四输出；
将所述第二输出和所述第四输出，输入预测模块进行处理，得到所述预设预测模型的预测结果。
本发明的实施例还提供一种变压器的故障检测装置，所述装置包括：
获取模块，用于获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
处理模块，用于将所述浓度数据序列和所述时间序列数据形成的数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率。
本发明的实施例还提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；将所述浓度数据序列和所述时间序列数据形成的数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率，并可进一步形成故障告警。能够在油色谱数据存在噪声的情况下，对变压器故障进行精准识别。
附图说明
图1为本发明实施例的变压器的故障检测方法的流程示意图；
图2为本发明实施例的分类模型的示意图；
图3为本发明实施例的预测模型的示意图；
图4为本发明实施例的变压器的故障检测方法的一具体实现流程示意图；
图5为本发明实施例的变压器的故障检测装置的模块示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明提供一种变压器的故障检测方法，包括：
步骤11，获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；
步骤12，获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
步骤13，将所述浓度数据序列和所述时间序列数据形成的第一数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率。
该实施例中，浓度数据序列包括不限于以下气体：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2；
各种气体的绝对产气速率
Figure 451239DEST_PATH_IMAGE024
；
各种气体的相对产气速率
Figure 451425DEST_PATH_IMAGE025
；
式中，
Figure 746140DEST_PATH_IMAGE026
---绝对产气速率，单位可以为mL/天；
Figure 281901DEST_PATH_IMAGE027
--第二次取样测的油中某种气体浓度，单位可以为uL/L；
Figure 560436DEST_PATH_IMAGE028
--第二次取样测的油中某种气体浓度，单位可以为uL/L；
Figure 98733DEST_PATH_IMAGE029
---二次取样时间间隔中的实际运行时间，比如天；
Figure 749420DEST_PATH_IMAGE030
---设备总油量，单位可以为t；
Figure 488706DEST_PATH_IMAGE031
---油的密度，单位可以为t/m3；
Figure 848012DEST_PATH_IMAGE032
---相对产气速率，单位可以为mL/天。
本发明的该实施例，通过获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；获得所述浓度数据序列中各子序列前一时间段的时序浓度数据形成的时间序列数据；将所述浓度数据序列和所述时间序列数据形成的数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率，并可进一步形成故障告警。预设故障分类模型通过已经确诊的各类典型故障的变压器的油中溶解气体的浓度数据
Figure 298322DEST_PATH_IMAGE002
以及
Figure 567630DEST_PATH_IMAGE002
中各个样本对应确诊时间前
Figure 71292DEST_PATH_IMAGE004
时间段的时序浓度数据
Figure 294725DEST_PATH_IMAGE008
进行训练，能够在油色谱数据存在噪声的情况下，对变压器故障进行精准识别。
本发明的一可选的实施例中，变压器的故障检测方法，还可以包括：
步骤14，将所述时间序列数据输入预设预测模型进行处理，得到预测时间序列数据；
步骤15，将所述浓度数据序列和所述预测时间序列数据形成的第二数据集，输入所述预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的预测概率，并可进一步形成故障预警。
本发明的一可选的实施例中，所述预设故障分类模型通过以下过程进行训练：
步骤21，获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的训练浓度数据序列
Figure 315771DEST_PATH_IMAGE001
以及
Figure 564219DEST_PATH_IMAGE002
中各个样本数据
Figure 878263DEST_PATH_IMAGE003
对应确诊时间前
Figure 353107DEST_PATH_IMAGE004
时间段的时序浓度数据形成的训练时间序列数据
Figure 771319DEST_PATH_IMAGE005
,
Figure 251104DEST_PATH_IMAGE006
为
Figure 237514DEST_PATH_IMAGE002
中样本的个数；
这里，浓度数据序列X包括不限于以下气体：H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2；
各种气体的绝对产气速率
Figure 58709DEST_PATH_IMAGE024
；
各种气体的相对产气速率
Figure 654513DEST_PATH_IMAGE025
；
式中，
Figure 487340DEST_PATH_IMAGE026
---绝对产气速率，单位可以为mL/天；
Figure 34865DEST_PATH_IMAGE027
--第二次取样测的油中某种气体浓度，单位可以为uL/L；
Figure 454607DEST_PATH_IMAGE028
--第二次取样测的油中某种气体浓度，单位可以为uL/L；
Figure 355567DEST_PATH_IMAGE029
---二次取样时间间隔中的实际运行时间，比如天；
Figure 433113DEST_PATH_IMAGE030
---设备总油量，单位可以为t；
Figure 525441DEST_PATH_IMAGE031
---油的密度，单位可以为t/m3；
Figure 931014DEST_PATH_IMAGE032
---相对产气速率，mL/天。
在得到上述数据后，对相应数据进行缺失值填补和归一化，其中缺失值填补方法如下：假设第
Figure 760299DEST_PATH_IMAGE033
个时刻的第
Figure 69183DEST_PATH_IMAGE034
种气体存在缺失，且样本故障类型为
Figure 568297DEST_PATH_IMAGE035
,其中
Figure 585800DEST_PATH_IMAGE036
，则用如下方法对其进行填补：
Figure 350536DEST_PATH_IMAGE037
,其中
Figure 278040DEST_PATH_IMAGE038
表示所有故障标签为
Figure 213635DEST_PATH_IMAGE039
的样本集合。文字描述为：所有故障标签为
Figure 954320DEST_PATH_IMAGE039
的样本集合的第
Figure 735195DEST_PATH_IMAGE040
种气体浓度的均值作为缺失值填补。
数据归一化采用如下方式：
Figure 641840DEST_PATH_IMAGE041
其中
Figure 246871DEST_PATH_IMAGE042
表示归一化前的特征变量值，
Figure 114333DEST_PATH_IMAGE043
表示归一化后的特征变量值，
Figure 964477DEST_PATH_IMAGE044
表示特征变量值中的最小值，
Figure 227094DEST_PATH_IMAGE045
表示特征变量值中的最大值。
步骤22，根据所述
Figure 504491DEST_PATH_IMAGE002
，得到衍生特征变量集
Figure 328091DEST_PATH_IMAGE007
；
这里，由原始数据集X构造出衍生特征变量集
Figure 339516DEST_PATH_IMAGE046
，包括不限于KA、TH、H2/CH4、H2/C2H6、H2/C2H4、H2/C2H2、H2/CO、H2/CO2、H2/KA、H2/TH、CH4/C2H6、CH4/C2H4、CH4/C2H2、CH4/CO、CH4/CO2、CH4/KA、CH4/TH、C2H6/C2H4、C2H6/C2H2、C2H6/CO、C2H6/CO2、C2H6/KA、C2H6/TH、C2H4/C2H2、C2H4/CO、C2H4/CO2、C2H4/KA、C2H4/TH、C2H2/CO、C2H2/CO2、C2H2/KA、C2H2/TH、CO/CO2、CO/KA、CO/ TH、CO2/KA、CO2/TH、KA/TH、CH4/THD、C2H6/THD、C2H2/THD、H2/THH、C2H4/THH、C2H2/THH、TCG，其中KA= CH4+C2H6，TH= CH4+C2H6+C2H4+C2H2，THD=CH4+C2H2+C2H4，THH=H2+C2H2+C2H4，TCG=H2+ CH4+C2H6+C2H4+C2H2+CO。
步骤23，根据
Figure 564961DEST_PATH_IMAGE008
，获得样本
Figure 872314DEST_PATH_IMAGE003
的基于时间序列特征的特征集
Figure 215833DEST_PATH_IMAGE009
，1≤i≤n；
这里，该步骤具体可以包括：
步骤231，获得所述
Figure 266834DEST_PATH_IMAGE008
中各气体内的气体浓度的均值、标准差、中位数以及分位数；
步骤232，获得所述
Figure 612365DEST_PATH_IMAGE011
中各气体内的气体浓度的偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量；
步骤233，根据各气体的气体浓度的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量，形成所述特征集F2。
步骤24，根据所述
Figure 730101DEST_PATH_IMAGE007
和
Figure 59451DEST_PATH_IMAGE009
，获得训练集
Figure 648564DEST_PATH_IMAGE010
；
步骤25，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型。
该实施例中，各气体
Figure 615645DEST_PATH_IMAGE047
时间段内的气体浓度的偏度：
Figure 530380DEST_PATH_IMAGE048
该偏度能够反应分布的对称情况；m3表示三阶中心矩； s表示标准差；
各气体
Figure 81447DEST_PATH_IMAGE047
时间段内的气体浓度的峰度：
Figure 379311DEST_PATH_IMAGE049
该峰度反应的是图像的尖锐程度；m4表示四阶中心矩；m2表示二阶中心矩。
各气体
Figure 433855DEST_PATH_IMAGE047
时刻内的气体浓度的绝对能量值：
Figure 519492DEST_PATH_IMAGE050
用于描述时序数据的离原点的平方波动情况（能量）。
各气体
Figure 918374DEST_PATH_IMAGE047
时间段内的气体浓度的一阶差分绝对和：
Figure 347825DEST_PATH_IMAGE051
用于描述时序数据相邻观测值之间的绝对波动情况
各气体
Figure 584771DEST_PATH_IMAGE047
时刻内的气体浓度的非线性度量：
Figure 608353DEST_PATH_IMAGE052
其中
Figure 616236DEST_PATH_IMAGE053
为
Figure 914624DEST_PATH_IMAGE047
时间段内的各气体记录数据个数，lag为同一次查询中取出同一字段的前N行的数据的函数。
本发明的一可选的实施例，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型，包括：
步骤31，将所述训练集F输入分类模型的至少两个弱分类器，将所有弱训练器按照训练顺序排列，分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练；
步骤32，将训练好的弱分类器结果进行加权求合处理，得到所述预设故障分类模型的分类结果。
如图2所示，融合特征集
Figure 629246DEST_PATH_IMAGE046
和
Figure 587844DEST_PATH_IMAGE054
，得到特征集
Figure 226898DEST_PATH_IMAGE055
，并对故障标签集合进行
Figure 942960DEST_PATH_IMAGE056
编码，并划分80%的样本作为训练集，剩下20%作为测试集。这里，采用Xgboost模型作为整个模型的分类器，其中模型参数'objective'设置为'multi:softprob',使得Xgboost变为一个多分类模型且能输出测试样本属于每类故障的概率。
本发明的一可选的实施例中，所述预设预测模型通过以下过程进行训练：
步骤41，获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的用于训练的时刻
Figure 187122DEST_PATH_IMAGE012
的多变量时间序列样本
Figure 395249DEST_PATH_IMAGE013
为输入预设时间戳长度，
Figure 721932DEST_PATH_IMAGE014
为气体种类的数量；
步骤42，根据所述
Figure 690019DEST_PATH_IMAGE015
，获得时刻
Figure 441550DEST_PATH_IMAGE012
的
Figure 977836DEST_PATH_IMAGE016
个序列实例
Figure 824438DEST_PATH_IMAGE057
和
Figure 688227DEST_PATH_IMAGE018
对应的特征序列
Figure 435209DEST_PATH_IMAGE019
，其中
Figure 640932DEST_PATH_IMAGE020
，
Figure 335349DEST_PATH_IMAGE018
的预测值为
Figure 878195DEST_PATH_IMAGE021
，所述序列实例
Figure 807580DEST_PATH_IMAGE018
为时刻
Figure 279144DEST_PATH_IMAGE012
变量
Figure 192349DEST_PATH_IMAGE022
的观测值；
步骤43，根据所述
Figure 899405DEST_PATH_IMAGE015
和特征序列
Figure 847680DEST_PATH_IMAGE023
对预测模型进行训练，得到所述预设预测模型。
具体的，该步骤43可以包括：
步骤431，将所述
Figure 21303DEST_PATH_IMAGE015
输入预测模型的第一训练模块进行处理，得到第一输出；
步骤432，将所述
Figure 562750DEST_PATH_IMAGE023
输入预测模型的第二训练模块进行处理，得到第二输出；
步骤433，将所述第一输出和第二输出，输入预测模型的训练实例采样器进行处理，得到第三输出；
步骤434，将所述第三输出输入图像聚合模块进行处理，得到第四输出；
步骤435，将所述第二输出和所述第四输出，输入预测模块进行处理，得到所述预设预测模型的预测结果。
如图3所示，构建多变量时间序列的预测模型，对油色谱数据X的发展趋势进行预测，具体包括：
首先记
Figure 152125DEST_PATH_IMAGE058
时刻给定多变量时间序列样本
Figure 587261DEST_PATH_IMAGE059
，其中
Figure 508950DEST_PATH_IMAGE060
为输入时间戳长度，类比上述符号
Figure 648944DEST_PATH_IMAGE047
，
Figure 665179DEST_PATH_IMAGE061
，
Figure 800494DEST_PATH_IMAGE030
为变量维度，算法目标是预测出未来序列
Figure 394549DEST_PATH_IMAGE062
的值，
Figure 84156DEST_PATH_IMAGE063
为设定时间步长。
其中，定义序列实例
Figure 700820DEST_PATH_IMAGE064
为时刻
Figure 752959DEST_PATH_IMAGE058
，变量
Figure 138DEST_PATH_IMAGE065
的观测值，则序列实例
Figure 456003DEST_PATH_IMAGE064
的特征为
Figure 456451DEST_PATH_IMAGE066
，其中
Figure 455106DEST_PATH_IMAGE067
以及
Figure 187701DEST_PATH_IMAGE064
的预测值为
Figure 701770DEST_PATH_IMAGE068
；
定义实例图是一个以序列实例为节点，边是不同序列实例之间的相似性组成的图。
整体流程如下：
（1）训练实例编码器
训练实例编码器旨在学习训练集
Figure 896122DEST_PATH_IMAGE069
中序列实例的表示，其中
Figure 890229DEST_PATH_IMAGE070
，
Figure 72687DEST_PATH_IMAGE071
是训练集中的时间戳数。在每个训练时期或模型推理开始时，对
Figure 37232DEST_PATH_IMAGE072
中所有实例的特征进行编码，由于每个实例的特征是一个变量的历史值，需要对每个实例的历史信息进行编码。将
Figure 737072DEST_PATH_IMAGE072
中训练实例的特征输入
Figure 710320DEST_PATH_IMAGE073
(Gated Recurrent Unit)，同时将
Figure 253559DEST_PATH_IMAGE073
的输出输入3层的
Figure 781099DEST_PATH_IMAGE074
，那么
Figure 582833DEST_PATH_IMAGE074
的输出是训练实例嵌入
Figure 551532DEST_PATH_IMAGE075
，其中
Figure 655886DEST_PATH_IMAGE076
，
Figure 405142DEST_PATH_IMAGE077
为
Figure 744988DEST_PATH_IMAGE074
的输出维度。
（2）
Figure 857211DEST_PATH_IMAGE078
实例编码器
小批量实例编码器旨在学习小批量
Figure 132465DEST_PATH_IMAGE079
中系列实例的表示。每个
Figure 306701DEST_PATH_IMAGE078
是同一时间戳的所有实例，因此
Figure 60025DEST_PATH_IMAGE078
中的实例数m等于数据集中的样本数
Figure 800054DEST_PATH_IMAGE053
。每一个
Figure 980631DEST_PATH_IMAGE079
，将时间戳
Figure 501218DEST_PATH_IMAGE058
的
Figure 323812DEST_PATH_IMAGE030
个实例
Figure 980664DEST_PATH_IMAGE080
的特征
Figure 473088DEST_PATH_IMAGE081
输入到训练实例编码器中的相同
Figure 215391DEST_PATH_IMAGE073
中。还将
Figure 700731DEST_PATH_IMAGE073
输出的最后一个隐藏层提供给训练实例编码器中的相同
Figure 680932DEST_PATH_IMAGE074
以进行投影。在小批量实例编码器中，
Figure 609836DEST_PATH_IMAGE073
和
Figure 245960DEST_PATH_IMAGE074
处于训练模式。他们会生成梯度来更新
Figure 472673DEST_PATH_IMAGE073
和
Figure 346580DEST_PATH_IMAGE074
中的参数。
Figure 711965DEST_PATH_IMAGE074
的输出是
Figure 71271DEST_PATH_IMAGE082
，
Figure 803472DEST_PATH_IMAGE083
是
Figure 197413DEST_PATH_IMAGE078
实例嵌入。
（3）训练实例采样器
由于训练实例的数量巨大，并且将来自训练实例的信息直接聚合到小批量实例需要大量的计算成本，因此利用训练实例采样器为每个小批量从
Figure 855403DEST_PATH_IMAGE072
中采样最相关的训练实例
Figure 937891DEST_PATH_IMAGE084
。首先计算每个时间戳的训练实例嵌入的平均值：
Figure 67259DEST_PATH_IMAGE085
，和平均值小批量实例嵌入
Figure 315706DEST_PATH_IMAGE086
。
Figure 488805DEST_PATH_IMAGE087
Figure 448802DEST_PATH_IMAGE088
是训练实例在时间戳
Figure 631129DEST_PATH_IMAGE033
的平均嵌入，
Figure 501127DEST_PATH_IMAGE089
是小批量实例嵌入
Figure 877750DEST_PATH_IMAGE086
的平均嵌入。
（4）图聚合模块
在图聚合模块中，捕获采样训练实例
Figure 525376DEST_PATH_IMAGE084
和小批量实例
Figure 137492DEST_PATH_IMAGE072
之间的相互依赖关系。首先使用
Figure 986630DEST_PATH_IMAGE084
和
Figure 940680DEST_PATH_IMAGE072
中的实例作为节点来构建训练批次实例图。在这个实例图中，每个采样的训练实例和小批量实例都与一条边相连。给定m个采样训练实例嵌入
Figure 36722DEST_PATH_IMAGE090
和
Figure 953994DEST_PATH_IMAGE053
个小批量实例嵌入
Figure 389130DEST_PATH_IMAGE091
，将来自采样训练实例的信息聚合到实例图上的小批量实例。由于实例图不是预定义的，不知道采样训练实例和小批量实例之间的权重，使用采样训练实例嵌入
Figure 202496DEST_PATH_IMAGE092
和小批量实例嵌入
Figure 231238DEST_PATH_IMAGE086
之间的余弦相似度作为聚合门控权重
Figure 421042DEST_PATH_IMAGE093
。
Figure 117210DEST_PATH_IMAGE094
其中
Figure 367056DEST_PATH_IMAGE095
和
Figure 883095DEST_PATH_IMAGE096
分别是
Figure 1224DEST_PATH_IMAGE097
和
Figure 551897DEST_PATH_IMAGE098
的两个映射矩阵。
令
Figure 113591DEST_PATH_IMAGE099
其中
Figure 618391DEST_PATH_IMAGE100
是小批量实例
Figure 179691DEST_PATH_IMAGE064
的前
Figure 178346DEST_PATH_IMAGE101
个最接近训练实例的集合。
Figure 409476DEST_PATH_IMAGE102
是从历史训练实例到时间戳
Figure 168616DEST_PATH_IMAGE058
的实例
Figure 150520DEST_PATH_IMAGE064
的信息聚合。
（5）预测模块
最后，结合聚合信息和小批量实例嵌入来联合预测未来的时间序列。将来自训练实例
Figure 177251DEST_PATH_IMAGE102
和小批量实例嵌入
Figure 77817DEST_PATH_IMAGE097
的聚合信息连接起来，并将连接馈送到一个线性层。线性层的一维输出是时间序列预测
Figure 58674DEST_PATH_IMAGE103
，即对实例
Figure 194733DEST_PATH_IMAGE064
的标签
Figure 436489DEST_PATH_IMAGE068
的预测：
Figure 773536DEST_PATH_IMAGE104
步骤六：对步骤五中预测得到的
Figure 976110DEST_PATH_IMAGE105
时刻的油色谱数据
Figure 774914DEST_PATH_IMAGE106
结合历史数据带入步骤一至步骤五，获得
Figure 277702DEST_PATH_IMAGE105
时刻的油色谱预测数据的故障类型，对变压器故障进行预警。
如图4所示，本发明的上述实施例的一具体实现流程包括：
基于变压器的历史油色谱数据，包括已经确诊的各类典型故障的变压器的油中溶解气体的浓度数据
Figure 520071DEST_PATH_IMAGE002
以及
Figure 708476DEST_PATH_IMAGE002
中各个样本对应确诊时间前
Figure 953381DEST_PATH_IMAGE004
时间段的时序浓度数据
Figure 169730DEST_PATH_IMAGE107
；
由原始数据集X构造出衍生特征变量集
Figure 84465DEST_PATH_IMAGE007
；
基于时序数据集
Figure 524280DEST_PATH_IMAGE107
，对每一个元素
Figure 543183DEST_PATH_IMAGE008
,可以构造对应样本
Figure 634546DEST_PATH_IMAGE003
的基于时间序列特征工程的特征集
Figure 487227DEST_PATH_IMAGE009
；
融合特征集
Figure 476655DEST_PATH_IMAGE007
和
Figure 33669DEST_PATH_IMAGE009
，得到特征集
Figure 221681DEST_PATH_IMAGE010
,并对故障标签集合进行
Figure 245263DEST_PATH_IMAGE108
编码；
采用Xgboost模型作为整个分类模型的分类器；
在进行分类模型进行训练时，可以同时进行预测模块的训练，构建多变量时间序列预测模型，对油色谱数据X的发展趋势进行预测；
给定待检测变压器的待测样本；
待测样本以及待测样本的时间序列数据构成的数据集输入分类模型的分类器，得到变压器的归属故障的概率，从而可以实现对变压器的故障的概率的告警；
进一步地，可以将待测样本的时间序列数据输入预测模块进行预测，得到预测结果；
将预测结果和待测样本构成的数据集输入分类模型的分类器进行处理，可以预测变压器的归属故障的概率，从而实现了对变压器可能出现故障的预警。
本发明的上述实施例，通过提取气体检测时刻的气体的各种特征指标，基于时间序列特征工程，提取各种气体指定的过去一段时间窗口
Figure 394091DEST_PATH_IMAGE004
序列的时序特征，结合两类特征获得数据样本。这样数据样本不仅包含已有样本信息，同时也新增气体时间
Figure 20375DEST_PATH_IMAGE004
内的时序特征，能有效识别噪声数据。在对油色谱实时数据进行故障检测时，不仅基于实时数据构建特征，而且还结合历史油色谱数据，生成一系列时间序列特征，有效的去掉实时油色谱数据的噪声，使得故障类别判断更加精准。此外，还基于油色谱历史数据，引入基于实例图框架的深度学习多变量时间序列预测算法，能精准预测未来一段时间各种气体的浓度，基于预测的浓度数据，带入故障判别模型，能有效对未来变压器可能发生的故障类型进行预警，提早预防，有效降低故障的发生频率，减少故障发生到来的损失。
如图5所示，本发明的实施例还提供一种装置50，所述装置50包括：
获取模块51，获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
处理模块52，将所述浓度数据序列和所述时间序列数据形成的数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率。
可选的，所述处理模块52还用于将所述时间序列数据输入预设预测模型进行处理，得到预测时间序列数据；
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集，输入所述预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的预测概率。
可选的，所述预设故障分类模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的训练浓度数据序列
Figure 938260DEST_PATH_IMAGE001
以及
Figure 257377DEST_PATH_IMAGE002
中各个样本数据
Figure 627922DEST_PATH_IMAGE003
对应确诊时间前
Figure 385793DEST_PATH_IMAGE004
时间段的时序浓度数据形成的训练时间序列数据
Figure 423763DEST_PATH_IMAGE005
,
Figure 54727DEST_PATH_IMAGE006
为
Figure 414033DEST_PATH_IMAGE002
中样本的个数；
根据所述
Figure 739710DEST_PATH_IMAGE002
，得到衍生特征变量集
Figure 921203DEST_PATH_IMAGE007
；
根据
Figure 956024DEST_PATH_IMAGE008
，获得样本
Figure 304091DEST_PATH_IMAGE003
的基于时间序列特征的特征集
Figure 433458DEST_PATH_IMAGE009
，1≤i≤n；
根据所述
Figure 416327DEST_PATH_IMAGE007
和
Figure 120584DEST_PATH_IMAGE009
，获得训练集
Figure 955947DEST_PATH_IMAGE010
；
将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型。
可选的，根据
Figure 387541DEST_PATH_IMAGE008
，获得样本
Figure 257539DEST_PATH_IMAGE003
的基于时间序列特征的特征集
Figure 601539DEST_PATH_IMAGE009
，包括：
获得所述
Figure 783253DEST_PATH_IMAGE011
中各气体的气体浓度的均值、标准差、中位数以及分位数；
获得所述
Figure 769270DEST_PATH_IMAGE011
中各气体的气体浓度的偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量；
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量，形成所述特征集F2。
可选的，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型，包括：
将所述训练集F输入分类模型的至少两个弱分类器，将所有弱训练器按照训练顺序排列，分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练；
将训练好的弱分类器结果进行加权求合处理，得到所述预设故障分类模型的分类结果。
可选的，所述预设预测模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的用于训练的时刻
Figure 992310DEST_PATH_IMAGE012
的多变量时间序列样本
Figure 900355DEST_PATH_IMAGE013
为输入预设时间戳长度，
Figure 707380DEST_PATH_IMAGE014
为气体种类的数量；
根据所述
Figure 359072DEST_PATH_IMAGE015
，获得时刻
Figure 794208DEST_PATH_IMAGE012
的
Figure 279679DEST_PATH_IMAGE016
个序列实例
Figure 331859DEST_PATH_IMAGE057
和
Figure 787242DEST_PATH_IMAGE018
对应的特征序列
Figure 483409DEST_PATH_IMAGE019
，其中
Figure 998835DEST_PATH_IMAGE020
，
Figure 514874DEST_PATH_IMAGE018
的预测值为
Figure 367423DEST_PATH_IMAGE021
，所述序列实例
Figure 652518DEST_PATH_IMAGE018
为时刻
Figure 479791DEST_PATH_IMAGE012
变量
Figure 984590DEST_PATH_IMAGE022
的观测值；
根据所述
Figure 280311DEST_PATH_IMAGE015
和特征序列
Figure 452535DEST_PATH_IMAGE023
对预测模型进行训练，得到所述预设预测模型。
可选的，根据所述
Figure 41255DEST_PATH_IMAGE015
和特征序列
Figure 800395DEST_PATH_IMAGE023
对预测模型进行训练，得到所述预设预测模型，包括：
将所述
Figure 132763DEST_PATH_IMAGE015
输入预测模型的第一训练模块进行处理，得到第一输出；
将所述
Figure 254434DEST_PATH_IMAGE023
输入预测模型的第二训练模块进行处理，得到第二输出；
将所述第一输出和第二输出，输入预测模型的训练实例采样器进行处理，得到第三输出；
将所述第三输出输入图像聚合模块进行处理，得到第四输出；
将所述第二输出和所述第四输出，输入预测模块进行处理，得到所述预设预测模型的预测结果。
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上所述的方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种变压器的故障检测方法，其特征在于，包括：
获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；
获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
将所述浓度数据序列和所述时间序列数据形成的第一数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率；
其中，所述预设故障分类模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的训练浓度数据序列
Figure 882744DEST_PATH_IMAGE001
以及X中各个样本数据Xi对应确诊时间前τ时间段的时序浓度数据形成的训练时间序列数据
Figure 923250DEST_PATH_IMAGE002
,n为X中样本的个数；
根据所述X，得到衍生特征变量集F1；
根据
Figure 408590DEST_PATH_IMAGE003
，获得样本Xi的基于时间序列特征的特征集F2，1≤i≤n；
根据所述F1和F2，获得训练集F=[F1,F2]；
将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型；
其中，根据
Figure 437725DEST_PATH_IMAGE003
，获得样本Xi的基于时间序列特征的特征集F2，包括：
获得所述
Figure 872290DEST_PATH_IMAGE003
中各气体的气体浓度的均值、标准差、中位数以及分位数；
获得所述
Figure 901558DEST_PATH_IMAGE003
中各气体的气体浓度的偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量；
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量，形成所述特征集F2；
其中，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型，包括：
将所述训练集F输入分类模型的至少两个弱分类器，将所有弱训练器按照训练顺序排列，分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练；
将训练好的弱分类器结果进行加权求合处理，得到所述预设故障分类模型的分类结果。
2.根据权利要求1所述的变压器的故障检测方法，其特征在于，还包括：
将所述时间序列数据输入预设预测模型进行处理，得到预测时间序列数据；
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集，输入所述预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的预测概率。
3.根据权利要求2所述的变压器的故障检测方法，其特征在于，所述预设预测模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的用于训练的时刻t的多变量时间序列样本
Figure 49642DEST_PATH_IMAGE004
，d为输入预设时间戳长度，
Figure 979290DEST_PATH_IMAGE005
，m为气体种类的数量；
根据所述
Figure 797204DEST_PATH_IMAGE006
，获得时刻t的m个序列实例
Figure 874619DEST_PATH_IMAGE007
和
Figure 623132DEST_PATH_IMAGE008
对应的特征序列
Figure 112014DEST_PATH_IMAGE009
，其中
Figure 553359DEST_PATH_IMAGE010
，
Figure 118071DEST_PATH_IMAGE008
的预测值为
Figure 421007DEST_PATH_IMAGE011
，所述序列实例
Figure 748083DEST_PATH_IMAGE008
为时刻t变量
Figure 609598DEST_PATH_IMAGE012
的观测值；
根据所述
Figure 163070DEST_PATH_IMAGE006
和特征序列
Figure 518965DEST_PATH_IMAGE013
对预测模型进行训练，得到所述预设预测模型。
4.根据权利要求3所述的变压器的故障检测方法，其特征在于，根据所述
Figure 215394DEST_PATH_IMAGE006
和特征序列
Figure 732963DEST_PATH_IMAGE013
对预测模型进行训练，得到所述预设预测模型，包括：
将所述
Figure 773732DEST_PATH_IMAGE006
输入预测模型的第一训练模块进行处理，得到第一输出；
将所述
Figure 917006DEST_PATH_IMAGE013
输入预测模型的第二训练模块进行处理，得到第二输出；
将所述第一输出和第二输出，输入预测模型的训练实例采样器进行处理，得到第三输出；
将所述第三输出输入图聚合模块进行处理，得到第四输出；
将所述第二输出和所述第四输出，输入预测模块进行处理，得到所述预设预测模型的预测结果。
5.一种变压器的故障检测装置，其特征在于，所述装置包括：
获取模块，用于获得待检测变压器的油色谱数据，所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列；以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据；
处理模块，用于将所述浓度数据序列和所述时间序列数据形成的第一数据集，输入预设故障分类模型进行处理，输出所述待检测变压器属于目标类型故障的概率；
其中，所述预设故障分类模型通过以下过程进行训练：
获取变压器的历史油色谱数据，所述历史油色谱数据包括：故障变压器的油中溶解气体的训练浓度数据序列
Figure 484254DEST_PATH_IMAGE001
以及X中各个样本数据Xi对应确诊时间前τ时间段的时序浓度数据形成的训练时间序列数据
Figure 923456DEST_PATH_IMAGE002
,n为X中样本的个数；
根据所述X，得到衍生特征变量集F1；
根据
Figure 950056DEST_PATH_IMAGE003
，获得样本Xi的基于时间序列特征的特征集F2，1≤i≤n；
根据所述F1和F2，获得训练集F=[F1,F2]；
将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型；
其中，根据
Figure 382174DEST_PATH_IMAGE003
，获得样本Xi的基于时间序列特征的特征集F2，包括：
获得所述
Figure 554661DEST_PATH_IMAGE003
中各气体的气体浓度的均值、标准差、中位数以及分位数；
获得所述
Figure 679612DEST_PATH_IMAGE003
中各气体的气体浓度的偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量；
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量，形成所述特征集F2；
其中，将所述训练集F输入分类模型进行训练，得到所述预设故障分类模型，包括：
将所述训练集F输入分类模型的至少两个弱分类器，将所有弱训练器按照训练顺序排列，分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练；
将训练好的弱分类器结果进行加权求合处理，得到所述预设故障分类模型的分类结果。
6.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的方法对应的操作。
7.一种计算机可读存储介质，其特征在于，存储有指令，所述指令在计算机上运行时，使得计算机执行如权利要求1至4任一项所述的方法。
CN202111565768.XA 2021-12-21 2021-12-21 一种变压器的故障检测方法、装置及设备 Active CN113948159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111565768.XA CN113948159B (zh) 2021-12-21 2021-12-21 一种变压器的故障检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111565768.XA CN113948159B (zh) 2021-12-21 2021-12-21 一种变压器的故障检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113948159A CN113948159A (zh) 2022-01-18
CN113948159B true CN113948159B (zh) 2022-03-04

Family

ID=79339434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111565768.XA Active CN113948159B (zh) 2021-12-21 2021-12-21 一种变压器的故障检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113948159B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115406839B (zh) * 2022-11-02 2023-01-24 国电南京自动化股份有限公司 变压器油中溶解气体在线监测装置
CN115951002B (zh) * 2023-03-10 2023-05-16 山东省计量科学研究院 一种气质联用仪故障检测装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104730378B (zh) * 2015-02-13 2017-12-22 国家电网公司 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法
CN110441500A (zh) * 2019-08-15 2019-11-12 昆明理工大学 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法
CN111562358B (zh) * 2020-05-06 2021-03-16 武汉大学 基于联合模型的变压器油中气体含量预测方法及***
CN112183590A (zh) * 2020-09-14 2021-01-05 浙江大学 一种基于OneclassSVM算法的变压器故障诊断方法

Also Published As

Publication number Publication date
CN113948159A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
US20220237060A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
CN113948159B (zh) 一种变压器的故障检测方法、装置及设备
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
CN111178456A (zh) 异常指标检测方法、装置、计算机设备和存储介质
Kim et al. RNN-Based online anomaly detection in nuclear reactors for highly imbalanced datasets with uncertainty
CN112288021B (zh) 一种医疗废水监测数据质控方法、装置及***
CN108549908B (zh) 基于多采样概率核主成分模型的化工过程故障检测方法
CN113359682B (zh) 设备故障预测方法、装置、设备故障预测平台及介质
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
EP4160342A1 (en) Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program
CN113518011A (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN112581719B (zh) 基于时序生成对抗网络的半导体封装过程预警方法和装置
US20230213924A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
Pan et al. Fault detection with improved principal component pursuit method
CN114595113A (zh) 应用***中的异常检测方法和装置、异常检测功能设置方法
Willi et al. Recurrent neural processes
CN117074961A (zh) 一种变分自编码器动力电池异常检测方法、***、装置及存储介质
CN114741369A (zh) 一种基于自注意力机制的图网络的***日志检测方法
Dix et al. Anomaly detection in the time-series data of industrial plants using neural network architectures
EP4160341A1 (en) Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN115329565B (zh) 一种用于复杂电磁场环境的综合评价方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant