一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法

技术领域

本申请涉及水力发电行业设备状态诊断领域，尤其涉及一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法。

背景技术

作为庞大电网中进行能量转换的重要设备种类之一，变压器是保障电网运行安全方面的重点关注设备。特别是运行年限超过15年的存量变压器遍布电网各个节点，已经逼急设备其自身设计年限，不可避免的出现一些类似于零部件老化等各种设备隐患，导致安全事故发生的可能性持续增长。假若电网关键节点处的变压器出现安全事故，不仅有可能导致工作现场人员伤亡与财产损失甚至存在引起电网大面积停电、瘫痪的可能性，这势必对我国蓬勃发展的经济造成严重而恶劣的影响。所以变压器的故障诊断有着其不可忽略的必要性，以预防的手段降低其发生设备故障的概率，保障电网的安全运行。

国际电工委员会建议将油中溶解气体分析(Dissolved Gas Analysis，DGA)作为评估变压器健康状态的一种优先级较为前列的手段；而在自主制定并发布的《电力设备预防性试验规程》中，同样将DGA作为涉及到电力设备检修试验标准流程中必不可少的一步。有充分的实际运行证据、大量的实际检测结果证明了，DGA技术能有效地在较为早期的阶段发现油浸电力变压器内部的潜伏期故障，是现今对油浸电力变压器进行故障分析应用较为可靠的方法之一。

目前针对水力发电行业的应用深度学习的检测方案较少，且基本都是基于两种方式：1.庞大的监测装置和数据采集系统并且依赖于网络基础设施；2.需要复杂的人工实验提供样本数据可供分析，占用大量可用工时。因此，亟需提出一种变压器气体故障诊断流程精炼且高度集的方案。

发明内容

本申请提供一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法，以至少解决在变压器气体故障诊断时需人工提供样本且设备集成度较低的技术问题。

本申请第一方面实施例提出一种基于LSTM-GAN的自动化变压器气体故障诊断系统，所述系统包括：现地子系统和远端子系统；

所述现地子系统，用于采集待诊断变压器油中的全组分气体含量数据；

所述现地子系统，还用于从所述远端子系统中获取预先训练好的故障诊断模型；

所述现地子系统，还用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

所述远端子系统，用于对初始的故障诊断模型进行训练，得到预先训练好的故障诊断模型。

优选的，所述全组分气体含量数据包括：C

所述故障诊断结果包括：中低温过热、高温过热、低能放电、高能放电和正常状态。

进一步的，所述现地子系统包括：检测模块、诊断模块和通讯模块；

所述检测模块，用于通过可调谐半导体激光吸收谱法采集待诊断变压器油中的全组分气体含量数据；

所述诊断模块，用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

所述通讯模块，用于从所述远端子系统中获取预先训练好的故障诊断模型。

进一步的，所述通讯模块，还用于通过物联网将采集到的所述全组分气体含量数据发送到所述远端子系统；

所述远端子系统，还用于接收所述全组分气体含量数据，并基于所述全组分气体含量数据进行所述故障诊断模型的更新训练。

进一步的，所述诊断模块，还用于基于预设的策略确定所述故障诊断模型是否需要更新，当所述故障诊断模型需要更新时，向所述通讯模块发送更新请求信息；

所述通讯模块，还用于接收所述更新请求信息，并基于所述更新请求信息从所述远端子系统获取更新后的故障诊断模型。

进一步的，所述初始的故障诊断模型是由长短期记忆神经网络和生成对抗网络构成的。

进一步的，所述故障诊断模型的训练过程包括：

获取历史时段内各时刻变压器油中的全组分气体含量数据及对应的故障数据，并对所述全组分气体含量数据及对应的故障数据进行预处理，构成初始的训练数据；

基于所述初始的训练数据和生成对抗网络生成故障样本，并将所述故障样本划分为训练集数据和测试集数据；

以训练集数据中的C

基于测试集数据对所述初始的故障诊断模型进行校验，得到训练好的故障诊断模型；

其中，所述预处理包括：数据清洗及采取Max-Min方法对清洗后的数据进行归一化处理。

本申请第二方面实施例提出基于LSTM-GAN的自动化变压器气体故障诊断方法，所述方法包括：

采集待诊断变压器油中的全组分气体含量数据；

从远端子系统中获取预先训练好的故障诊断模型；

将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

其中，所述全组分气体含量数据包括：C

所述故障诊断结果包括：中低温过热、高温过热、低能放电、高能放电和正常状态。

本申请第三方面实施例提出一种电子设备，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，所述处理器执行所述程序时，实现如第二方面实施例所述的方法。

本申请第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第二方面实施例所述的方法。

本申请的实施例提供的技术方案至少带来以下有益效果：

本申请提出了一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法，其中所述系统包括：现地子系统和远端子系统；所述现地子系统，用于采集待诊断变压器油中的全组分气体含量数据；所述现地子系统，还用于从所述远端子系统中获取预先训练好的故障诊断模型；所述现地子系统，还用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；所述远端子系统，用于对初始的故障诊断模型进行训练，得到预先训练好的故障诊断模型。本申请提出的技术方案，可以将变压器诊断过程高度集成于物联网设备，减轻了推广成本，扩大了推广范围，同时解决了需要人工提供样本、本容量小的问题，提高了对故障类型的判断准确率。

本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请一个实施例提供的一种基于LSTM-GAN的自动化变压器气体故障诊断系统的流程图；

图2为根据本申请一个实施例提供的现地子系统的结构图；

图3为根据本申请一个实施例提供的长短期记忆神经网络的结构图；

图4为根据本申请一个实施例提供的种基于LSTM-GAN的自动化变压器气体故障诊断方法的流程图；

附图标记

现地子系统1、远端子系统2、检测模块1-1、诊断模块1-2、通讯模块1-3。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

本申请提出的一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法，其中所述系统包括：现地子系统和远端子系统；所述现地子系统，用于采集待诊断变压器油中的全组分气体含量数据；所述现地子系统，还用于从所述远端子系统中获取预先训练好的故障诊断模型；所述现地子系统，还用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；所述远端子系统，用于对初始的故障诊断模型进行训练，得到预先训练好的故障诊断模型。本申请提出的技术方案，可以将变压器诊断过程高度集成于物联网设备，减轻了推广成本，扩大了推广范围，同时解决了需要人工提供样本、本容量小的问题，提高了对故障类型的判断准确率。

下面参考附图描述本申请实施例的一种基于LSTM-GAN的自动化变压器气体故障诊断系统及方法。

实施例一

图1为根据本申请一个实施例提供的一种基于LSTM-GAN的自动化变压器气体故障诊断系统的结构图，如图1所示，所述系统包括：现地子系统1和远端子系统2；

所述现地子系统1，用于采集待诊断变压器油中的全组分气体含量数据；

所述现地子系统1，还用于从所述远端子系统中获取预先训练好的故障诊断模型；

所述现地子系统1，还用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

所述远端子系统2，用于对初始的故障诊断模型进行训练，得到预先训练好的故障诊断模型。

其中，现地子系统1设置在现地部分，远端子系统2设置在远端部分，远端部分部署于算力充沛的计算集群内。

需要说明的是，图1仅作为本发明系统的一种示意，并不对本发明进行限制。

在本公开实施例中，所述全组分气体含量数据包括：C

所述故障诊断结果包括：中低温过热、高温过热、低能放电、高能放电和正常状态。

在本公开实施例中，如图2所示，所述现地子系统1包括：检测模块1-1、诊断模块1-2和通讯模块1-3；

所述检测模块1-1，用于通过可调谐半导体激光吸收谱法采集待诊断变压器油中的全组分气体含量数据；

所述诊断模块1-2，用于将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

所述通讯模块1-3，用于从所述远端子系统2中获取预先训练好的故障诊断模型。

进一步的，所述通讯模块1-3，还用于通过物联网将采集到的所述全组分气体含量数据发送到所述远端子系统2；

所述远端子系统2，还用于接收所述全组分气体含量数据，并基于所述全组分气体含量数据进行所述故障诊断模型的更新训练。

进一步的，所述诊断模块1-2，还用于基于预设的策略确定所述故障诊断模型是否需要更新，当所述故障诊断模型需要更新时，向所述通讯模块1-3发送更新请求信息；

所述通讯模块1-3，还用于接收所述更新请求信息，并基于所述更新请求信息从所述远端子系统获取更新后的故障诊断模型。

需要说明的是，所述预设的策略是基于三比值法得出标注的故障结果，将所述结果与训练结果进行比对，当两结果不一致时，对所述故障诊断模型进行更新。更新是采用定时随机抽取(按照每周10％的比例)结果的相关样本，得出结论后对模型的超参数进行调整，即完成一次更新。

进一步的，所述诊断模块1-2根据预设的策略定时更新，自我提升诊断精度。

需要说明的是，所述初始的故障诊断模型是由长短期记忆神经网络和生成对抗网络构成的。

具体的，如图3所示为长短期记忆神经网络的结构图，LSTM单元(C

根据上一时刻的输出状态h

经过输入门后，信息已经可以进行输出，那么此时就需要将当前记忆单元记忆的信息与上一时间单位的隐向量矩阵进行合并计算，对当前隐向量矩阵进行更新，表示为：O

通过以上过程，LSTM拥有了较之RNN时间跨度更长的短期记忆能力，从而并避免了RNN在迭代过程中出现的梯度消失和爆炸问题。

在本公开实施例中，所述故障诊断模型的训练过程包括：

获取历史时段内各时刻变压器油中的全组分气体含量数据及对应的故障数据，并对所述全组分气体含量数据及对应的故障数据进行预处理，构成初始的训练数据；

基于所述初始的训练数据和生成对抗网络生成故障样本，并将所述故障样本划分为训练集数据和测试集数据；

以训练集数据中的C

基于测试集数据对所述初始的故障诊断模型进行校验，得到训练好的故障诊断模型；

其中，所述预处理包括：数据清洗及采取Max-Min方法对清洗后的数据进行归一化处理。

在本公开实施中，所述预处理具体包括：

1.数据清洗

为了保障电厂平稳运行，故从整体上来说故障数据样本容量较小，本文所使用的数据包括了收集到的杂志、论文、公开报告中所展示的数据综合而成，利用python专精于数据处理的第三方库——pandas对其进行了异常值删除、数据补全、随机混淆等操作。基于三比值法对所有数据进行专家诊断并添加标签，最终建立可用于训练的变压器气体故障诊断样本数据集。

2.数据规范化处理

作为一种常用的数据预处理过程，数据规范化目的是使存在规模和量纲差异的数据集，能够变幻至同一可用的数据区间内，从而减少奇异值和冗余样本对模型的训练造成不必要的影响。常用的数据规范化方法有小数定标规范化、Max-Min和Z-Score等，考虑到变压器气体中各类烷烯烃含量等参数并不符合正态分布，并不符合Z-Score规范化的使用要求，所以本文采取Max-Min方法对清洗后的变压器气体故障诊断样本数据集进行归一化处理。Max-Min方法的计算公式如下：

其中，X

需要说明的是，远端子系统2部署于算力充沛的计算集群内，远端子系统2中包括：故障样本的原始数据(小容量)；基于对抗生成网络GAN的数据生成器；对抗生成网络产生的故障样本(大容量)；基于长短期记忆神经的数据诊断器；所述的样本读取基于Python语言，样本数据的均一化等预处理过程基于开源的数据处理库pandas、网络的构建基于谷歌的TensorFlow深度学习框架和结果展示基于Python的开源图形库maatplotlib。

其中，生成对抗网络：通过不断调整网络的生成器最终使其可用于生成故障样本，用于扩大原始样本的样本容量，为所述长短期记忆神经网络LSTM提供训练数据；长短期记忆神经网络LSTM：用于判断未知样本的故障类型。

在本公开实施例中，所述故障诊断模型的训练过程具体可以为：

1.训练对抗生成网络GAN，所述生成对抗网络由生成器G和分类器D组成；所述生成器通过选取原始样本并加入随机噪音的方式来生成假数据。所述分类器D会在训练过程接收原始样本的真数据以及所述生成器G所产生的假数据并同时判断两类的真假。对于最后输出的结果，可以同时对两方的参数进行调优。如果D判断正确，那就需要调整G的参数从而使得生成的假数据更为逼真；如果D判断错误，则需调节D的参数，避免下次类似判断出错。训练会一直持续到两者进入到一个均衡和谐的状态，最终产生一个质量较高的数据生成器。

2.获取历史时段内各时刻变压器油中的全组分气体含量数据及对应的故障数据，并对所述全组分气体含量数据及对应的故障数据进行预处理，构成初始的训练数据；

3.基于所述初始的训练数据和生成对抗网络生成故障样本，并将所述故障样本划分为训练集数据和测试集数据；

4.以训练集数据中的C

5.基于测试集数据对所述初始的故障诊断模型进行校验，得到训练好的故障诊断模型。

本申请提供的系统首次在水电行业对整个变压器气体诊断过程高度集成于小巧的物联网设备，减轻了深度学习应用的推广成本，扩大了此类应用的推广范围。首次在水电行业提出对抗生成网络应用于行业设备故障样本容量小的问题，同时通过引入了长短期记忆神经网络提高了对故障类型的判断准确率。

综上所述，本实施例提出的一种基于LSTM-GAN的自动化变压器气体故障诊断系统，可以将变压器诊断过程高度集成于物联网设备，减轻了推广成本，扩大了推广范围，同时解决了需要人工提供样本、本容量小的问题，提高了对故障类型的判断准确率。

实施例二

图4为根据本申请一个实施例提供的一种基于LSTM-GAN的自动化变压器气体故障诊断方法的流程图，如图4所示，所述方法包括：

步骤1：采集待诊断变压器油中的全组分气体含量数据；

步骤2：从远端子系统中获取预先训练好的故障诊断模型；

步骤3：将所述全组分气体含量数据进行预处理，然后输入到所述预先训练好的故障诊断模型中，得到所述待诊断变压器的故障诊断结果；

其中，所述全组分气体含量数据包括：C

所述故障诊断结果包括：中低温过热、高温过热、低能放电、高能放电和正常状态。

在本公开实施例中，所述故障诊断模型的训练过程具体可以为：

1.训练对抗生成网络GAN，所述生成对抗网络由生成器G和分类器D组成；所述生成器通过选取原始样本并加入随机噪音的方式来生成假数据。所述分类器D会在训练过程接收原始样本的真数据以及所述生成器G所产生的假数据并同时判断两类的真假。对于最后输出的结果，可以同时对两方的参数进行调优。如果D判断正确，那就需要调整G的参数从而使得生成的假数据更为逼真；如果D判断错误，则需调节D的参数，避免下次类似判断出错。训练会一直持续到两者进入到一个均衡和谐的状态，最终产生一个质量较高的数据生成器。

2.获取历史时段内各时刻变压器油中的全组分气体含量数据及对应的故障数据，并对所述全组分气体含量数据及对应的故障数据进行预处理，构成初始的训练数据；

3.基于所述初始的训练数据和生成对抗网络生成故障样本，并将所述故障样本划分为训练集数据和测试集数据；

4.以训练集数据中的C

5.基于测试集数据对所述初始的故障诊断模型进行校验，得到训练好的故障诊断模型。

综上所述，本实施例提出的一种基于LSTM-GAN的自动化变压器气体故障诊断方法，可以将变压器诊断过程高度集成于物联网设备，减轻了推广成本，扩大了推广范围，同时解决了需要人工提供样本、本容量小的问题，提高了对故障类型的判断准确率。

实施例三

为了实现上述实施例，本公开还提出一种电子设备，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，所述处理器执行所述程序时，实现如实施例二所述的方法。

实施例四

为了实现上述实施例，本公开还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例二所述的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。