[发明专利]变压器的故障诊断方法、装置和变压器的故障诊断系统

权利要求书

1.一种变压器的故障诊断方法，其特征在于，包括：

获取预定时间段内的变压器的监测数据，所述监测数据包括声音数据、三分量振动数据、温度数据、电流数据和电压数据；

对所述监测数据进行数据处理得到特征向量；

将所述特征向量输入故障诊断模型，得到独热编码向量，所述独热编码向量包括N+1个元素，其中，前N个元素分别为N种故障出现的概率，第N+1个元素为所述变压器无故障的概率，所述故障诊断模型用于为使用多组训练数据通过机器学习训练出来的，多组所述训练数据中的每组所述训练数据均包括：历史特征向量和历史故障对应的所述独热编码向量，所述历史特征向量为历史时间段的监测数据对应的所述特征向量，所述历史故障为所述历史时间段出现的故障；

根据所述独热编码向量确定所述变压器的故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，对所述监测数据进行数据处理得到特征向量，包括：

计算所述预定时间段内的所述温度数据的平均值，得到平均温度，所述平均温度组成的1维向量形成温度特征向量；

计算所述预定时间段内的所述电流数据的平均值，得到平均电流，所述平均电流组成的1维向量形成电流特征向量；

计算所述预定时间段内的所述电压数据的平均值，得到平均电压，所述平均电压组成的1维向量形成电压特征向量；

对所述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，所述振动幅值特征向量包括3个振动强度、3个峭度和3个峰峰值，所述振动谱特征向量包括3L个频率域子带滤波窗对数能量；

对所述声音数据进行数据处理得到声音幅值特征向量和声音谱特征向量，所述声音幅值特征向量包括1个振动强度、1个峭度和1个峰峰值，所述声音谱特征向量包括M个频率域子带滤波窗对数能量；

所述温度特征向量、所述电流特征向量、所述电压特征向量、所述振动幅值特征向量、所述振动谱特征向量、所述声音幅值特征向量和所述声音谱特征向量组成所述特征向量。

3.根据权利要求2所述的方法，其特征在于，所述三分量振动数据包括第一振动分量的波形数据、第二振动分量的波形数据和第三振动分量的波形数据，对所述三分量振动数据进行数据处理得到振动幅值特征向量和振动谱特征向量，包括：

根据所述第一振动分量的波形数据计算振动强度、峭度和峰峰值，得到第一振动强度、第一峭度和第一峰峰值；

根据所述第二振动分量的波形数据计算振动强度、峭度和峰峰值，得到第二振动强度、第二峭度和第二峰峰值；

根据所述第三振动分量的波形数据计算振动强度、峭度和峰峰值，得到第三振动强度、第三峭度和第三峰峰值；

根据所述第一振动分量的波形数据计算频率域子带滤波窗对数能量，得到L个第一对数能量；

根据所述第二振动分量的波形数据计算频率域子带滤波窗对数能量，得到L个第二对数能量；

根据所述第三振动分量的波形数据计算频率域子带滤波窗对数能量，得到L个第三对数能量；

所述第一振动强度、所述第一峭度、所述第一峰峰值、第二振动强度、第二峭度、第二峰峰值、第三振动强度、第三峭度和第三峰峰值组成所述振动幅值特征向量，L个所述第一对数能量、L个所述第二对数能量和L个所述第三对数能量组成所述振动谱特征向量。

4.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的训练过程包括：

将所述历史特征向量输入神经网络进行训练，得到相似特征向量，所述相似特征向量的数据与所述历史特征向量的数据一一对应，所述神经网络由自编码器网络和所述自编码器网络的对称神经网络构成；

计算所有第一元素和对应的第二元素的差值的平方和，得到目标参数，所述第一元素为所述相似特征向量的元素，所述第二元素为所述历史特征向量的元素；

在所述目标参数小于预定阈值的情况下，将所述自编码器网络确定为目标自编码器网络；

采用所述训练数据对预备故障诊断模型进行训练，得到所述故障诊断模型，所述预备故障诊断模型由目标自编码器网络和softmax分类层构成，所述softmax分类层输出的向量为N+1维向量。