[發明專利]基于多模態神經網絡的電力變壓器健康狀態評估方法

在審

• 申請號: 202210030825.2
• 申請日: 2022-01-12
• 公開（公告）號: CN114462508A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 何怡剛;邢致愷;杜博倫;趙瑩瑩
• 申請（專利權）人: 寧波力斗智能技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q50/06
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 張宇

1.一種基于多模態神經網絡的電力變壓器健康狀態評估方法，其特征在于，包括：

(1)采集各變電站中的多模態信息，其中，多模態信息包括：各變電站油測試、油中溶解氣體和呋喃含量監測信息，以及變壓器的紅外圖像數據；

(2)對采集到的多模態信息進行數據清洗和數據歸一化處理，得到多模態矩陣；

(3)將多模態矩陣按比例劃分為訓練集和驗證集，以對網絡的參數進行訓練；

(4)構建基于一維卷積網絡和深度殘差神經網絡的多模態神經網絡，輸入訓練集和驗證集進行多模態神經網絡訓練，學習變壓器多模態數據的特征；

(5)對實時運行的多模態數據進行健康狀態評估，同時對多模態神經網絡的權值進行微調，使多模態神經網絡持續學習新的特征。

2.根據權利要求1所述的方法，其特征在于，所述多模態信息包括：運行中變壓器以及電力公司記錄的數據，其中每一組數據均包括文本數據和圖像數據及其對應的變壓器的健康狀態，文本數據包含九種關鍵狀態的含量：BDV、水含量、酸度、氫氣、甲烷、乙烷、乙烯、乙炔、呋喃含量；圖像數據包含變壓器運行中的紅外圖像。

3.根據權利要求1或2所述的方法，其特征在于，步驟(2)包括：

(2.1)對多模態信息進行小波閾值去噪，以消除多模態信息中數據存在的噪聲；

(2.2)對去噪后的數據進行歸一化處理，得到多模態矩陣。

4.根據權利要求3所述的方法，其特征在于，步驟(2.1)包括：

對多模態信息進行兩層小波分解獲得逼近系數和細節系數，對逼近系數和細節系數分別用中值濾波進行處理；

對中值濾波后的逼近系數和細節系數進行重構，得到初步處理的光譜信號，將光譜信號進行小波分解，采用軟閾值函數與無偏風險估計閾值對二次小波分解獲得的逼近系數和細節系數進行去噪處理；

對去噪處理后的逼近系數和細節系數進行小波逆變換，獲得最終去噪后的多模態信息中的數據。

5.根據權利要求4所述的方法，其特征在于，在步驟(3)中將多模態信息中的數據劃分為兩部分，其中，若干比例的數據作為訓練集，對多模態神經網絡進行訓練，剩下比例的數據作為測試集驗證多模態神經網絡對變壓器健康狀態評估效果。

6.根據權利要求5所述的方法，其特征在于，步驟(4)包括：

(4.1)構建一維卷積神經網絡和深度殘差神經網絡的多模態神經網絡，對圖像數據進行特征提取，其中，深度殘差神經網絡由輸入層、殘差模塊、softmax層、分類輸出層組成；一維卷積神經網絡由卷積層、全局平均池化層和激活函數層組成；

(4.2)利用一維卷積神經網絡對文本數據進行特征提取；

(4.3)利用稀疏注意力機制對文本特征和圖像特征進行重要信息提取，并輸出變壓器的健康狀態。

7.根據權利要求6所述的方法，其特征在于，步驟(4.1)包括：

殘差模塊包括歸一化層、全局平均池化層、激勵層、閾值層和殘差相加層，殘差模塊的組成如下：

第一層為歸一化層，其運用正則化方法對數據進行歸一化，在歸一化層中，計算所有數據的正則化后，對數據進行變化，使網絡能夠學習正則化的規律；

第二層為全局平均池化層，實現對傳輸中的數據降維，減少網絡的訓練參數；

第三層是激勵層，目的是捕獲通道之間的依賴關系；

第四層為激活層，第五層為激勵層，第六層為激活函數層，第七層為閾值層，通過計算α，然后乘以第一層輸出的數據，其中，z是由第六層輸出的數據；

第八層為相加層，將第七層輸出的數據與第一層輸入的數據相加。

8.根據權利要求7所述的方法，其特征在于，步驟(4.2)包括：

一維卷積神經網絡的組成如下：第一層為卷積層，第二層為全局平局池化層，第三層為卷積層，第四層為全局平均池化層，第五層為激活函數層。