[发明专利]一种油浸式电力变压器故障诊断方法、装置、设备及介质

权利要求书

1.一种油浸式电力变压器故障诊断方法，其特征在于，包括：

获取目标油浸式电力变压器的在线油色谱数据，并归一化处理所述在线油色谱数据，得到标准油色谱数据；

将所述标准油色谱数据输入至目标正则化正交逆学习神经网络模型中，通过对标准油色谱数据的类别进行划分，得到目标油浸式电力变压器的故障结果；

其中，正则化正交逆学习神经网络模型采用盖根堡多项式函数作为激活函数。

2.根据权利要求1所述的方法，其特征在于，在所述获取目标油浸式电力变压器的在线油色谱数据，并归一化处理所述在线油色谱数据，得到标准油色谱数据之前，还包括：

在一次迭代周期中，获取标准油浸式电力变压器在正常工况和异常工况下的油色谱数据集样本，并将所述油色谱数据集样本中第一设定比例的训练集输入至当前正则化正交逆学习神经网络模型中，得到训练好的正则化正交逆学习神经网络模型；

将所述油色谱数据集样本中第二设定比例的测试集输入至训练好的正则化正交逆学习神经网络模型中，对所述训练好的正则化正交逆学习神经网络模型进行验证，得到验证结果；

当验证结果符合鲁棒性条件时，将所述训练好的正则化正交逆学习神经网络模型作为目标正则化正交逆学习神经网络模型。

3.根据权利要求2所述的方法，其特征在于，在所述获取标准油浸式电力变压器在正常工况和异常工况下的油色谱数据集样本之前，还包括：

获取标准油浸式电力变压器在正常工况和异常工况下的第一油色谱数据集，标准化处理所述第一油色谱数据，得到标准化处理后的第二油色谱数据集；

对所述第二油色谱数据集中的油色谱数据进行类别标注，得到油色谱数据集样本。

4.根据权利要求2所述的方法，其特征在于，所述将所述油色谱数据集样本中第一设定比例的训练集输入至当前正则化正交逆学习神经网络模型中，得到训练好的正则化正交逆学习神经网络模型，包括：

在一次训练轮数中，将所述油色谱数据集样本中第一设定比例的训练集输入至当前正则化正交逆学习神经网络模型中，获得当前正则化正交逆学习神经网络模型的第一输出结果；

根据当前正则化正交逆学习神经网络模型中目标神经元对应的激活函数及所述第一输出结果，获得当前正则化正交逆学习神经网络模型对应的权重值；其中，目标神经元对应的激活函数根据盖根堡多项式函数构建；

根据当前正则化正交逆学习神经网络模型的目标函数对所述权重值进行调整，直至满足目标训练轮数，得到训练好的正则化正交逆学习神经网络模型。

5.根据权利要求2所述的方法，其特征在于，所述将所述油色谱数据集样本中第二设定比例的测试集输入至训练好的正则化正交逆学习神经网络模型中，对所述训练好的正则化正交逆学习神经网络模型进行验证，得到验证结果，包括：

将所述油色谱数据集样本中第二设定比例的测试集输入至训练好的正则化正交逆学习神经网络模型中，得到第二输出结果；

将所述第二输出结果与测试集中对应的类别标注结果进行匹配，生成包含诊断准确率的验证结果。

6.根据权利要求2所述的方法，其特征在于，在所述对所述训练好的正则化正交逆学习神经网络模型进行验证，得到验证结果之后，还包括：

当验证结果不符合鲁棒性条件时，优化调整训练好的正则化正交逆学习神经网络模型中的预设模型参数，作为当前正则化正交逆学习神经网络模型。