[發明專利]一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法及設備

在審

• 申請號: 202111121300.1
• 申請日: 2021-09-24
• 公開（公告）號: CN113889198A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 沙偉燕;吳旭濤;李秀廣;何寧輝;丁培;亓亮;張佩;田祿;張方博;戴軍
• 申請（專利權）人: 國網寧夏電力有限公司電力科學研究院;上海邁內能源科技有限公司
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C20/20;G06Q50/06;G06Q10/04;G06N3/08;G06N3/04
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

1.一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于：所述方法實現依賴于油色譜時頻域信息采集處理程序模塊和殘差注意力網絡程序模塊，所述油色譜時頻域信息采集處理程序模塊包括油色譜監測數據采集清洗程序子模塊和油色譜時頻域信息樣本數據生成程序子模塊，所述殘差注意力網絡程序模塊堆疊多層殘差注意力機制程序子模塊，所述殘差注意力機制程序子模塊由用于計算注意力權重的表層注意力網絡和用于特征提取和學習的表征殘差網絡組成、按照跨層連接對殘差進行學習的殘差網絡模型構建殘差注意力網絡；包括以下步驟：

S1、油色譜監測數據采集清洗程序子模塊采集油浸式變壓器油色譜監測數據、進行數據清洗；

S2、油色譜時頻域信息樣本數據生成程序子模塊根據步驟S1的數據生成氣體濃度時域序列、頻域分量序列、時域序列比值以及頻域序列濃度比值樣本數據集；

S3、殘差注意力網絡程序模塊利用步驟S2生成的樣本數據集訓練和測試變壓器故障分類殘差注意力網絡；

S4、殘差注意力網絡程序模塊利用訓練好的殘差注意力網絡輸入經過步驟S1、步驟S2生成的樣本數據進行變壓器故障判別預警。

2.根據權利要求1所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于所述步驟S2：采用窗口長度可調整的時間窗口對數據進行截取切片的方式生成樣本數據集，并對生成的樣本數據集進行歸一化處理。

3.根據權利要求1所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于所述步驟S3：殘差注意力網絡將變壓器故障分類為正常狀態和異常狀態，異常狀態包括低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電和高能放電六種故障類型。

4.根據權利要求1所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于：所述殘差注意力機制程序子模塊通過表層注意力網絡提供注意力權重動態自適應地調整表征殘差網絡學習到的權重。

5.根據權利要求4所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于：所述表層注意力網絡利用三種激活函數提供注意力權重，包括對殘差注意力網絡每個通道和空間位置使用sigmoid函數不添加額外約束限制的混合注意力激活函數利用L2正則對殘差注意力網絡所有通道的每一個空間位置進行約束消除空間信息的通道注意力激活函數以及對殘差注意力網絡每一個通道實現正則化的空間注意力激活函數其中i范圍涵蓋殘差注意力網絡所有的空間位置，c涵蓋殘差注意力網絡所有的通道，mean_c和std_c表示殘差注意力網絡第c個通道特征圖的平均值和方差，x_i，c表示殘差注意力網絡第i個空間位置的特征向量。

6.根據權利要求5所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于：所述殘差注意力網絡以端到端模式進行訓練，所述表層注意力網絡采用從底到頂的結構模仿注意力訓練過程中的前向和反饋機制；任一所述殘差注意力機制程序子模塊輸入為x，表征殘差網絡對應的輸出為T(x)，表層注意力網絡得到的注意力權重輸出M(x)，最終任一所述殘差注意力機制程序子模塊的輸出為H_i，c(x)＝M_i，c(x)×T_i，c(x)，其中i的范圍涵蓋殘差注意力網絡所有的空間位置，c∈{1，K，C}表示殘差注意力網絡通道的索引。

7.根據權利要求6所述的一種基于油色譜時頻域信息和殘差注意力網絡的變壓器故障診斷方法，其特征在于：所述殘差注意力機制程序子模塊表層注意力網絡輸出的注意力權重在前向傳播中作為一種特征選擇方式，同時在反向傳播中參與梯度的更新，所述殘差注意力機制程序子模塊輸入特征的梯度為其中θ是表層注意力網絡參數，φ是表征殘差網絡參數。