[发明专利]一种变压器故障检测方法及装置

说明书

本发明涉及多源信息融合下的变压器故障检测方法，特别涉及一种变压器故障检测方法及装置。该检测方法基于多源信息融合下的栈式自编码器模型，包括：采集电力变压器数据；将电力变压器数据输入至预先训练好的多源信息融合下的栈式自编码器模型进行故障概率计算，得到故障概率计算结果；其中，所述栈式自编码器模型的训练数据为多源电力变压器数据；对多源信息融合下的栈式自编码器模型的故障概率计算结果进行整合，得到电力变压器的具体故障状态，完成故障检测。本发明利用去噪自编码器模型增强模型对噪音的鲁棒性；将多个去噪自编码器模型堆叠形成栈式自编码器网络，加深模型深度，提高准确度。

技术领域

本发明属于电网故障诊断技术领域，尤其涉及一种变压器故障检测方法及装置，具 体是一种基于多源信息融合下栈式自编码器模型变压器故障检测方法及装置。

背景技术

电网故障诊断是实现智能电网自愈功能的重要应用。电网发生故障时，电网故障检 测从海量故障数据中迅速分析故障相关数据，发现故障原因，辅助电力人员进行处理，从而快速恢复供电，保证电网安全可靠运行。电力变压器是电力系统的主要设备之一， 直接影响着电力系统的生产安全与经济效益。因此，电力变压器故障的及时检测并对其 采取有效的维护措施，对保障电力系统运行的安全性、可靠性与经济性具有重要的意义。 但目前的变压器诊断方法还有一些不足，例如，大多数研究仅使用单一数据源进行融合， 不能完整地反映变压器的运行状态；大多数信息融合方法都属于浅层机器学习因此准确 度不高；在数据检测方面往往仅考虑离线数据，这导致变压器地实时监测效果较差。

为了解决这些问题，专利1：一种基于多源信息融合的电力变压器故障诊断方法,公 开号：CN109669087A，申请号：CN201910101086.X提出了利用深度信念网络进行故障检测有效地解决了上述几个问题。但深度信念网络模型是一个基于概率的不确定模型，其 训练时间较长且未考虑数据中的噪音问题以及数据源中的信息冗余。

发明内容

针对上述现有技术中存在的问题，本发明提供一种变压器故障检测方法及装置，目 的在于利用深度学习技术结合多源信息融合解决电力变压器故障检测的问题。

为达到上述发明目的，本发明是采用如下技术方案来实现的：

本发明为一种变压器故障检测方法，包括以下步骤：

采集电力变压器数据，

将电力变压器数据输入至预先训练好的多源信息融合下的栈式自编码器模型进行 故障概率计算，得到故障概率计算结果；其中，所述栈式自编码器模型的训练数据为多源电力变压器数据，

对多源信息融合下的栈式自编码器模型的故障概率计算结果进行整合，得到电力变 压器的具体故障状态，完成故障检测。

所述电力变压器数据包括电力变压器油中溶解气体 H₂、C₂H₂、CH₄、C₂H₆、CO、C₂H₄的体积分数、局部放电量及套管介质损耗因数。

在采集到电力变压器数据之后，进一步包括：对采集到的数据进行归一化处理，具体包括：

将所有输入向量转化为0-1之间的数据：

其中x为原始输入数据，x为归一化处理后的输入数据，min为x对应样本数据中 的最小值，max为x对应样本数据中的最大值。

所述训练多源信息融合下的栈式自编码器模型的过程包括如下步骤：

采集不同源下的电力变压器历史数据；

对采集到的电力变压器历史数据进行归一化处理；