[發明專利]變壓器故障診斷方法及變壓器故障診斷裝置

在審

• 申請號: 202011010139.6
• 申請日: 2020-09-23
• 公開（公告）號: CN112183609A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 甄巖;賀金紅;霍超;白暉峰;王立城;張港紅;尹志斌;高建;苑佳楠
• 申請（專利權）人: 北京智芯微電子科技有限公司;國網信息通信產業集團有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04;G06F30/27;H02H1/00;H02H7/04
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 肖冰濱;王曉曉

1.一種變壓器故障診斷方法，其特征在于，所述方法包括：

獲取目標變壓器的當前DGA數據和所述目標變壓器的當前運行數據；

將所述當前DGA數據和所述當前運行數據輸入已訓練的故障診斷模型，以獲得所述已訓練的故障診斷模型輸出的變壓器故障類型；其中，所述已訓練的故障診斷模型采用深度學習技術對預先采集的歷史故障數據進行學習而獲得。

2.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述預先采集的歷史故障數據包括：所述目標變壓器發生故障時的DGA數據、運行數據，以及與該DGA數據和該運行數據對應的故障類型，所述采用深度學習技術對預先采集的歷史故障數據進行學習，獲得所述已訓練的故障診斷模型，包括：

建立所述預先采集的歷史故障數據中的DGA數據、所述預先采集的歷史故障數據中的運行數據與所述預先采集的歷史故障數據中的故障類型之間的關系，獲得變壓器故障經驗池；

采用深度學習技術對所述變壓器故障經驗池進行學習，獲得所述已訓練的故障診斷模型。

3.根據權利要求2所述的變壓器故障診斷方法，其特征在于，所述采用深度學習技術對所述變壓器故障經驗池進行學習，獲得所述已訓練的故障診斷模型，包括：

基于卷積神經網絡采用深度學習技術對所述變壓器故障經驗池進行非監督學習，確定所述卷積神經網絡各層的權重，獲得所述已訓練的故障診斷模型。

4.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述方法還包括：

對所述已訓練的故障診斷模型進行優化，獲得優化的故障診斷模型；

將所述當前DGA數據和所述當前運行數據輸入所述優化的故障診斷模型，以獲得所述優化的故障診斷模型輸出的變壓器故障類型。

5.根據權利要求4所述的變壓器故障診斷方法，其特征在于，所述對所述已訓練的故障診斷模型進行優化，獲得優化的故障診斷模型，包括：

當所述目標變壓器發生實際故障，而所述已訓練的故障診斷模型未輸出相應的變壓器故障類型時，采集該實際故障的故障類型、該實際故障發生時所述目標變壓器的DGA數據和運行數據；

將采集到的該實際故障的故障類型、該實際故障發生時所述目標變壓器的DGA數據和運行數據添加至所述預先采集的歷史故障數據中，獲得更新的歷史故障數據；

采用深度學習技術對所述更新的歷史故障數據進行學習，獲得優化的故障診斷模型。

6.根據權利要求1所述的變壓器故障診斷方法，其特征在于，在所述獲得所述已訓練的故障診斷模型輸出的變壓器故障類型之后，所述方法還包括：

進行故障報警。

7.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述目標變壓器的DGA數據包括：變壓器油中溶解的氣體成分、各氣體成分占總烴的百分比和各氣體成分占總氫烴的百分比。

8.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述目標變壓器的運行數據包括：變壓器容量、運行方式和運行年限。

9.一種變壓器故障診斷裝置，其特征在于，所述裝置包括：

數據獲取單元，用于獲取目標變壓器的當前DGA數據和所述目標變壓器的當前運行數據；

故障類型獲取單元，用于將所述當前DGA數據和所述當前運行數據輸入已訓練的故障診斷模型，以獲得所述已訓練的故障診斷模型輸出的變壓器故障類型；其中，所述已訓練的故障診斷模型采用深度學習技術對預先采集的歷史故障數據進行學習而獲得。

10.一種計算機存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任意一項所述的變壓器故障診斷方法。