[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

说明书

本申请提供了一种变压器的故障诊断方法、装置和变压器的故障诊断系统，该方法包括：获取预定时间段内的变压器的监测数据，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；对监测数据进行数据处理得到特征向量；将特征向量输入故障诊断模型，得到独热编码向量，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个元素为变压器无故障的概率，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，多组训练数据中的每组训练数据均包括：历史特征向量和历史故障对应的独热编码向量；根据独热编码向量确定变压器的故障诊断结果，解决了现有技术中变压器故障诊断的准确率低的问题。

技术领域

本申请涉及故障诊断技术领域，具体而言，涉及一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统。

背景技术

变压器故障诊断技术是指通过变压器运行状态检测数据检测变压器是否发生故障。传统的变压器故障诊断通过人工巡检的视觉听觉感知和点检设备进行诊断。常用点检设备检测的信号以振动和温度为主。随着电网信息化水平的发展，利用传感器和通信技术实现变压器运行状态在线监测的技术方案得到了发展和应用。在线监测实现了将变压器的状态数据集中到中控系统统一处理诊断，但诊断方法仍然主要依赖人工经验，有限的自动报警功能也是基于人工制作的特征值和简单的报警阈值来实现。近年来，基于人工智能技术的故障诊断技术开始应用到变压器故障诊断中，但是所用技术仍囿于传统人工诊断的信号特征和基于统计学习的分类方法。

现有变压器故障诊断方法存在的缺点包括：1)状态监测信号种类不全，频带不够宽，通常使用人工分析常用的振动和温度信号，对早期故障不敏感；2)用于故障智能诊断模型的信号特征仍然是人工分析常用的幅值统计量和简单的频谱；3)用于故障诊断的模型类型为统计学习分析方法和浅层的神经网络模型。综上所述，现有方法输入信息不全、细微特征缺失、分类方法简单，诊断准确率不高。

在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。

发明内容

本申请的主要目的在于提供一种变压器的故障诊断方法、装置、计算机可读存储介质、处理器和变压器的故障诊断系统，以解决现有技术中变压器故障诊断的准确率低的问题。

根据本发明实施例的一个方面，提供了一种变压器的故障诊断方法，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。