[发明专利]基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统

说明书

本发明公开了一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其包括：输入层，其用于输入表征变压器状态类型的原始数据；特征提取层，所述特征提取层包括若干个不同尺度的BiLSTM层以及融合层，其中各所述BiLSTM层提取所述原始数据中不同尺度的多重特征，并将提取后的多重特征分别输入到所述融合层，融合层将不同尺度的多重特征进行拼接，以形成原始特征矩阵；注意力模块，其对所述原始特征矩阵进行权重参数优化，以得到优化后的特征矩阵；分类层，其基于优化后的特征矩阵，对表征变压器状态的数据进行分类并输出变压器状态类型。此外，本发明还公开了一种变压器状态诊断方法。相应地，本发明还公开了一种变压器状态诊断系统，其用于实施上述诊断方法。

技术领域

本发明涉及一种故障诊断方法和系统，尤其涉及一种变压器故障诊断方法和系统。

背景技术

变压器是电力系统中最为重要的设备之一，其是保证电力系统安全、可靠、经济、优质运行的关键。但是，需要说明的是，绝缘自然老化、环境条件恶劣和运行负荷过高等多种因素都可诱发电力变压器的故障，进而造成严重的社会经济损失。

基于已有的变压器故障案例的特征参量进行故障诊断的研究，有利于利用不同故障类型在指标属性上的差异化表现，准确识别故障类型，进而对于投运中的变压器的维护、制定合适的检修策略等具有重要的指导意义。

需要注意的是，传统的变压器故障诊断方法大多依赖于专家知识，通过人工手段对原始信号进行特征提取，该方式效率低下，且难以处理高速增长的海量数据。

在现有技术中，存在采用长短期记忆神经网络(LSTM)对变压器状态进行识别的方法。长短期记忆神经网络属于深度循环神经网络，其可以有效适用于处理时序性数据，解决传统算法无法学习长时间特征关系及梯度弥散的问题。因此，采用LSTM神经网络可以对电机进行故障诊断，并取得较好的诊断结果。

在现有技术中还存在利用自编码器对涡扇发动机信号提取特征，然后采用双向长短期记忆神经网络(BiLSTM)捕捉特征双向长程依赖的特性，从而对涡扇发动机的剩余使用寿命进行预测的方法。

然而，尽管LSTM神经网络和BiLSTM神经网络具有上述良好效果，但其在特征提取的深度和复杂程度上仍然存在欠缺。

基于此，为了克服以上缺陷，本发明提出了一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其可以以原始振动信号作为模型输入，利用多组BiLSTM网络从原始振动信号中自适应提取多尺度特征，并引入注意力机制，优化不同尺度下的特征权重参数，提高模型诊断精度，实现对故障状态的有效诊断。

发明内容

本发明的目的之一是提供一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，该基于注意力机制的BiLSTM模块可以以原始振动信号作为模型输入，利用多组BiLSTM网络从原始振动信号中自适应提取多尺度特征，并引入注意力机制，优化不同尺度下的特征权重参数，提高模型诊断精度，实现对故障状态的有效诊断.

本发明所述的基于注意力机制的BiLSTM模块能够，准确有效的诊断变压器故障，其运行效率高，在保证整体分类性能及运行效率的同时，对少数类故障样本亦具有良好的识别诊断能力。

根据上述发明目的，本发明提出一种用于变压器状态诊断的基于注意力机制的BiLSTM模块，其包括：

输入层，其用于输入表征变压器状态类型的原始数据；

特征提取层，所述特征提取层包括若干个不同尺度的BiLSTM层以及融合层，其中各所述BiLSTM层提取所述原始数据中不同尺度的多重特征，并将提取后的多重特征分别输入到所述融合层，所述融合层将不同尺度的多重特征进行拼接，以形成原始特征矩阵；

注意力模块，其对所述原始特征矩阵进行权重参数优化，以得到优化后的特征矩阵；