[发明专利]基于AKSC模型的大型变压器早期微弱异常诊断方法和系统

说明书

本发明公开了一种基于AKSC模型的大型变压器早期微弱异常诊断方法，包括模型训练阶段和在线诊断阶段，模型训练阶段包括：利用收集的大型变压器监测数据进行退化特征筛选；利用筛选的退化特征，构建训练数据集和校准数据集；将训练数据集和校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；在线诊断阶段包括：从大型变压器收集在线监测信号数据；提取在线监测信号数据中的退化特征；将提取的退化特征输入到微弱异常诊断模型进行判别，得到异常诊断结果。仅需给定模型的训练数据、校准数据以及故障容错阈值，无需设定大量超参数，摆脱了对领域知识和专家经验的依赖，因此，具有较好的泛化性，可以适用于不同类型大型变压器。

技术领域

本发明涉及故障诊断技术领域，尤其涉及一种基于AKSC模型的大型变压器早期微弱异常诊断方法和系统。

背景技术

大型变压器早期异常发生在装备故障的初始时期，是一种因轻微疲劳、腐蚀、裂纹等微小故障造成运行状态偏离正常状态的现象。大型变压器结构复杂，失效机理不明，早期异常信号微弱，且易受噪声干扰或掩盖，给大型变压器早期微弱异常的及时诊断与精确识别带来巨大的困难。目前，缺乏有效的大型变压器早期异常诊断方法。

基于此，需要一种新的解决方案。

发明内容

本发明的主要目的在于提供一种基于AKSC模型的大型变压器早期微弱异常诊断方法和系统。

为实现上述目的，本发明提供一种基于AKSC模型的大型变压器早期微弱异常诊断方法，包括模型训练阶段和在线诊断阶段，

所述模型训练阶段包括：

步骤S11、利用收集的大型变压器监测数据进行退化特征筛选；

步骤S12、利用筛选的退化特征，构建训练数据集和校准数据集；

步骤S13、将所述训练数据集和所述校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；

所述在线诊断阶段包括：

步骤S21、从大型变压器收集在线监测信号数据；

步骤S22、提取所述在线监测信号数据中的退化特征；

步骤S23、将提取的退化特征输入到所述微弱异常诊断模型进行判别，得到异常诊断结果。

在本发明提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S11包括：

步骤S111、收集大型变压器监测信号数据；

步骤S112、对大型变压器监测信号数据进行统计分析，提取信号的时域退化特征；

步骤S113、对大型变压器监测信号数据进行频谱分析，提取信号的频域退化特征；

步骤S114、使用CEEMDAN方法对监测信号数据进行自适应分解，提取信号的时频域退化特征；

步骤S115、基于单调性和相关性指标，对提取到的时域退化特征、频域退化特征和时频域退化特征进行筛选。

在本发明提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S115包括：

步骤S1151、通过如下公式计算退化特征的单调性，

其中，dF是退化特征序列的微分，T为信号采样数；

步骤S1152、通过如下公式计算退化特征与退化时间之间的关联性，