一种变压器零样本故障诊断方法、装置、存储介质及设备
文献发布时间:2024-04-18 19:53:33
技术领域
本发明涉及一种变压器零样本故障诊断方法、装置、存储介质及设备,属于变压器故障诊断技术领域。
背景技术
电力变压器作为大型的工业核心设备,对整个电力系统的安全运行起到了关键的支撑作用。近年来,随着电力系统的优化与大量新能源系统的爆发式接入,变压器的装机量也成倍增长,因此如何高效、准确的对变压器故障进行诊断成为了这一领域亟待解决的难题。
目前传统的变压器故障诊断方法大都依靠单一的故障信息,他们只通过油中溶解气体的含量、比值或者振动、温度等对变压器健康状况做出评价,却忽视了从多模态的角度获取其他重要的故障参量。而目前作为研究热点的神经网络、深度学习等算法需要大量数据作为驱动并且训练时间较长,一旦变压器内部结构等因素发生变化都需要重新训练,这是耗时耗力且难以普及的。更为重要的,由于电网前期监测水平不够完善,且变压器是大型输配电设备很少会发生大型故障,因此某种特定的故障数据十分难以获取,其数据量也不足以支撑常规智能算法的训练需求。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种变压器零样本故障诊断方法、装置、存储介质及设备,解决现有技术方法存在的目标检测角度单一、诊断精度不高以及过度依赖故障样本数据的问题。
为达到上述目的/为解决上述技术问题,本发明是采用下述技术方案实现的:
第一方面,一种变压器零样本故障诊断方法,包括:
获取目标变压器各类传感器的样本数据;
根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
其中,所述属性学习器的训练包括:
分别获取目标变压器中一维传感器和多维传感器的样本数据;
获取一维传感器的样本数据对应的第一数据特征和多维传感器的样本数据对应的第二数据特征;
根据第一数据特征和第二数据特征获取属性学习器。
进一步地,获取所述多维传感器的样本数据对应的第二数据特征的方法包括:
获取多维传感器的样本数据中图像的对比度、能量、熵和相关性四种视频特征值;
获取多维传感器的样本数据中图像的亮度、饱和度和颜色特征值;
将获取到的四种视频特征值、亮度、饱和度和颜色特征值作为第二数据特征。
进一步地,所述获取多维传感器的样本数据中图像的对比度、能量、熵和相关性四种视频特征值的方法包括灰度共生矩阵处理法,所述灰度共生矩阵处理法对图像进行处理的公式为:
;
其中,
i
P
Asm
Ent
corr
μ
δ
进一步地,所述获取多维传感器的样本数据中图像的亮度、饱和度和颜色特征值的方法包括HSV颜色分割法,所述HSV颜色分割法对图像进行处理的公式为:
;
;
其中,
V
;
S
当
;
当
;
当
;
H
进一步地,所述根据第一数据特征和第二数据特征获取属性学习器的方法包括:
对获取到的第一数据特征和第二数据特征嵌入语义,生成故障描述;
根据生成的故障描述,对属性学习器进行训练分类,得到训练好的属性学习器。
进一步地,对属性学习器进行训练分类的损失函数为:
;
其中,
U
n
G
进一步地,所述属性学习器训练完成后,还包括:
获取嵌入语义的第一数据特征和第二数据特征所对应的属性特征;
基于第一数据特征和第二数据特征对应的属性特征构建故障属性矩阵;
根据故障属性矩阵获取对应的故障类型。
第二方面,一种变压器零样本故障诊断装置,包括:
第一获取模块,用于获取目标变压器各类传感器的样本数据;
第二获取模块,用于根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
训练模块,用于训练属性学习器。
第三方面,一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述的变压器零样本故障诊断方法。
第四方面,一种计算机设备,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述计算机设备执行实现上述的变压器零样本故障诊断方法的操作。
与现有技术相比,本发明所达到的有益效果:
1、本发明通过获取目标变压器各类传感器样本数据对应的第一数据特征和第二数据特征,并对第一数据特征和第二数据特征嵌入语义,实现了多模态的融合,达到变压器故障诊断全局在线的灵活监督机制,解决现有方法存在的目标检测角度单一、诊断精度不高的问题;
2、本发明基于第一数据特征和第二数据特征对应的属性特征构建故障属性矩阵,并根据故障属性矩阵获取对应的故障类型,实现了对零样本的故障诊断,避免过度依赖故障样本数据,在满足对现有样本诊断效率高的同时,对零样本故障诊断同样效果良好。
附图说明
图1是本发明实施例1提供的一种变压器零样本故障诊断方法的流程图;
图2是本发明实施例1提供的一种变压器零样本故障诊断方法的属性学习器的训练流程图;
图3是本发明实施例1提供的一种变压器零样本故障诊断方法的语义嵌入示意图;
图4是本发明实施例1提供的一种变压器零样本故障诊断方法基于KNN的Fault3混淆矩阵;
图5是本发明实施例1提供的一种变压器零样本故障诊断方法基于MSVM的Fault3混淆矩阵;
图6是本发明实施例1提供的一种变压器零样本故障诊断方法基于NB的Fault3混淆矩阵;
图7是本发明实施例1提供的一种变压器零样本故障诊断方法的工作原理示意图。
实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1,如图1所示,一种变压器零样本故障诊断方法,包括:
获取目标变压器各类传感器的样本数据;
根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
其中,属性学习器的训练包括:
如图2所示,分别获取目标变压器中一维传感器和多维传感器的样本数据;
获取一维传感器的样本数据对应的第一数据特征和多维传感器的样本数据对应的第二数据特征;具体的:
一维传感器包括温度传感器、湿度传感器、振动传感器、电流传感器、局部放电传感器、音频传感器和漏液传感器等;多维传感器包括视频传感器、红外热成像传感器等;
采用传统机器学习的方法对一维传感器获取的样本数据进行处理获得第一数据特征;
对多维传感器获取到的图像特征进行提取,从而得到变压器外形、套管、油等的受损劣化情况;
获取多维传感器的样本数据中图像的对比度、能量、熵和相关性四种视频特征值;
获取多维传感器的样本数据中图像的亮度、饱和度和颜色特征值;
其中,获取多维传感器的样本数据中图像的对比度、能量、熵和相关性四种视频特征值的方法包括灰度共生矩阵处理法,灰度共生矩阵处理法对图像进行处理的公式为:
;
其中,
i
P(i
Asm
Ent
corr
μ
δ
获取多维传感器的样本数据中图像的亮度、饱和度和颜色特征值的方法包括HSV颜色分割法, HSV颜色分割法对图像进行处理的公式为:
;
;
其中,
V
;
S
当
;
当V = G’
;
当
;
H
将获取到的四种视频特征值、亮度、饱和度和颜色特征值作为第二数据特征。
多维传感器还包括光声光谱传感器,光声光谱传感器是使用红外宽谱光源,将经过波长调制的红外光线通过旋转的滤镜盘,以某种特定的频率反复激发目标气体,使其受激产生能被光生麦克风捕捉的振动信号,依据振动信号的特征测量不同气体的浓度,将其用于变压器油中气体浓度检测中,可以获得很好的灵敏度,将气体的浓度数据、振动信号也作为第二数据特征。
根据第一数据特征和第二数据特征获取属性学习器,具体的:
对获取到的第一数据特征和第二数据特征嵌入语义,生成故障描述;
如图3和表1所示,对提取后的第一数据特征和第二数据特征进行语义嵌入,将其映射到属性特征空间实现多模态的融合,本实施例由第一数据特征和第二数据特征经语义嵌入后生成16类故障描述;
表1 故障描述
。
根据生成的故障描述,对属性学习器进行训练分类,得到训练好的属性学习器,具体的:
如图7所示,基于语义对样本数据进行属性学习的分类,判断每个故障类型是否具有该样本数据的属性特征(相关属性为1,无关属性为0);
属性学习器的训练方式采用决策树经典ID3算法,其构建一种自上而下的决策树,在每层结点中计算样本数据中蕴含的最大信息熵与条件熵,根据两熵之间的差值计算出样本数据中的信息增益;当信息增益降为0时,表示其对高熵数据的训练完成,该决策树构建成功,即完成属性学习,训练属性学习器的损失函数为:
;
其中,
U
n
G
如表2所示,对属性学习器学习后的属性特征进行故障训练分类,基于数据驱动的多模态变压器故障诊断精度往往会受到样本的质量与数量的限制,因此本实施例用三种方法对变压器288组故障数据仿真分析,将其按照80%作为训练集、20%为测试级划分,随机抽样5组数据分进行仿真实验,采用机器学习中的MSVM(多分类支持向量机)、KNN(K近邻搜索)、NB算法(朴素贝叶斯),将算法结果进行对比;综合三种算法,本实施例的可见类故障诊断率高于96.55%,验证了即使不处理零样本数据,本发明依旧存在优势,就三种算法而言,MSVM处理该数据的稳定性更高,综合效果也最好;NB处理前三组数据时诊断概率均达到了100%,但对D、E组的诊断效果偏离预期;KNN是以上方法中效果最差且对D组数据的诊断率仅达到86.21%;
表2 故障训练分类诊断结果
。
获取嵌入语义的第一数据特征和第二数据特征所对应的属性特征;
基于第一数据特征和第二数据特征对应的属性特征构建故障属性矩阵;
根据故障属性矩阵获取对应的故障类型,具体的:
如表3所示,在专家经验的基础上构建变压器知识图谱,结合嵌入的语义属性推演故障属性矩阵;本发明共划分出12种故障类型,每种故障都对应着数据集数量;
表3 故障类型
。
如表4所示,结合表1和表3,以细粒度的方式构建变压器故障属性矩阵,分别将12种故障类型依次作为不可见类故障,用其余11类故障属性对其进行属性迁移学习,迁移学习过程中,将故障属性矩阵代入训练集作为对训练样本的扩充,诊断结果如表5所示;
表4 变压器故障属性
;
表5 零样本故障诊断结果
。
其中,MSVM的综合诊断效果依旧是最好的,零样本平均故障诊断率达到72.92%,而KNN与NB分别只有52.08%和60.01%。单从以MSVM来看,除了Fault3其余故障检测率达到50%及以上。排除Fault2与Fault7由于故障集过少而缺乏代表性的原因,Fault4、Fault6、Fault9、Fault10、Fault11与Fault12均表现效果良好,都在87.5%以上。从故障角度看,Fault10易检测程度较高MSVM与NB都达到100%,KNN也有87.5%。而Fault3诊断率较低,最高的KNN算法也仅达到25%甚至NB算法出现0%的情况;
结合图4,图5和图6,可知在错误预测分类中,Fault5和Fault7所占比重最大;可能由于三者在向量空间中距离相差较近引起的,可通过增加分接开关接触不良所对应的传感器,扩大故障描述数量来解决。
实施例2,一种变压器零样本故障诊断装置,包括:
第一获取模块,用于获取目标变压器各类传感器的样本数据;
第二获取模块,用于根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
训练模块,用于训练属性学习器。
实施例3,一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现以下方法的步骤:
获取目标变压器各类传感器的样本数据;
根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
其中,属性学习器的训练包括:
分别获取目标变压器中一维传感器和多维传感器的样本数据;
获取一维传感器的样本数据对应的第一数据特征和多维传感器的样本数据对应的第二数据特征;
对获取到的第一数据特征和第二数据特征嵌入语义,生成故障描述;
根据生成的故障描述,对属性学习器进行训练分类,得到训练好的属性学习器。
实施例4,一种计算机设备,包括:
存储器,用于存储指令;
处理器,用于执行指令,使得计算机设备执行实现以下方法的操作:
获取目标变压器各类传感器的样本数据;
根据获取到的目标变压器各类传感器的样本数据,基于预先训练好的属性学习器获取故障类型;
其中,属性学习器的训练包括:
分别获取目标变压器中一维传感器和多维传感器的样本数据;
获取一维传感器的样本数据对应的第一数据特征和多维传感器的样本数据对应的第二数据特征;
对获取到的第一数据特征和第二数据特征嵌入语义,生成故障描述;
根据生成的故障描述,对属性学习器进行训练分类,得到训练好的属性学习器。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
- 一种抑制肝细胞凋亡的表面分子及其应用
- 一种与肝脏损伤肝细胞凋亡相关的非编码小分子RNA的筛选方法及其应用