一种基于数据分析的电力变压器故障检测方法及系统

本发明涉及故障检测领域，具体涉及一种基于数据分析的电力变压器故障检测方法及系统。

背景技术：

1、在电力系统中，变压器被广泛应用于电能的传输和分配过程中。然而，随着变压器运行环境的复杂化和使用寿命的增加，其故障检测变得尤为重要。传统的电力变压器故障检测方法主要依赖于传感器采集的数据进行分析，以识别潜在的故障模式和异常情况。

2、然而，传感器在长期运行中可能会出现故障或失效的情况，从而导致输入数据的错误或缺失。这种情况下，传统的故障检测方法往往会产生误判，因为基于错误数据的分析结果可能不准确或误导性。特别是在关键时刻，如变压器面临重大故障风险或运行状态异常时，误判可能会导致严重的后果，包括设备损坏、停机时间增加以及安全风险的提高。

技术实现思路

1、为了解决上述技术问题，提出了本发明。

2、本发明提供一种基于数据分析的电力变压器故障检测方法，包括：

3、在预设周期内通过惯性测量单元获取振动分析数据fi，i=1，2，3，…，i，i为电力变压器中设置的惯性测量单元的总数量；将振动分析数据fi进行时域特征提取和频域特征提取，以构建振动分析特征图；

4、在同一预设周期内通过声音传感器获取声音数据si，在设置惯性测量单元的同一处位置设置声音传感器，针对声音数据si进行时域特征提取，获取对应的噪声时域特征ti；将声音数据si执行频域变换操作，进行频域特征提取，获取对应的噪声频域特征di；将噪声时域特征ti和噪声频域特征di进行拼接组成声音特征数据ai；再将所有声音特征数据ai进行拼接组成声音分析特征图；

5、将振动分析特征图和声音分析特征图送入电力变压器故障检测模型进行处理，输出电力变压器故障检测结果，电力变压器故障检测结果包括部件故障、惯性测量单元故障、声音传感器故障和无故障。

6、作为本发明优选的一个方面，电力变压器故障检测模型包括振动分析自注意力机制层、声音分析自注意力机制层、特征拼接层、权重矩阵输出层、权重压缩层、权重激活层、特征融合层、全连接层和电力变压器故障检测结果输出层；

7、其中振动分析自注意力机制层、声音分析自注意力机制层分别用于对振动分析特征图和声音分析特征图进行特征提取，以构建振动分析强化特征图和声音分析强化特征图；特征拼接层用于将振动分析强化特征图和声音分析强化特征图进行拼接，构建第一融合特征图；权重矩阵输出层用于基于振动分析强化特征图和声音分析强化特征图输出注意力权重矩阵；权重压缩层用于基于多层感知器确定强化特征图和声音分析强化特征图中不同部件对应的压缩权重，输出压缩权重矩阵；权重激活层用于基于压缩权重矩阵和注意力权重矩阵计算激活权重矩阵；特征融合层用于基于激活权重矩阵对于第一融合特征图进行特征强化，以构建第二特征图；全连接层用于基于第三特征图进行特征学习，以构建电力变压器故障检测结果；电力变压器故障检测结果输出层用于输出电力变压器故障检测结果。

8、作为本发明优选的一个方面，将振动分析数据fi进行时域特征提取和频域特征提取，以构建振动分析特征图，具体包括如下步骤：

9、振动分析数据fi包括振动分析局部数据fi_x、振动分析局部数据fi_y和振动分析局部数据fi_z；振动分析局部数据fi_x、振动分析局部数据fi_y和振动分析局部数据fi_z分别表示第i个惯性测量单元上传的x方向上的振动幅度、y方向上的振动幅度和z方向上的振动幅度；针对振动分析局部数据fi_x、振动分析局部数据fi_y和振动分析局部数据fi_z分别执行时域特征提取，获取对应的振动分析时域特征hi_x、振动分析时域特征hi_y和振动分析时域特征hi_z；再针对振动分析局部数据fi_x、振动分析局部数据fi_y和振动分析局部数据fi_z分别执行频域变换操作，进行频域特征提取，获取对应的振动分析频域特征ui_x、振动分析频域特征ui_y和振动分析频域特征ui_z；将振动分析时域特征hi_x、振动分析频域特征ui_x、振动分析时域特征hi_y、振动分析频域特征ui_y、振动分析时域特征hi_z和振动分析频域特征ui_z按顺序拼接组成振动分析特征数据ei；将振动分析特征数据ei进行拼接，构建振动分析特征图，振动分析特征图的大小为i×3d，d为任一振动分析时域特征和振动分析频域特征组成的维度大小。

10、作为本发明优选的一个方面，将振动分析特征图和声音分析特征图送入电力变压器故障检测模型进行处理，输出电力变压器故障检测结果，具体包括如下内容：

11、将振动分析特征图送入振动分析自注意力机制层进行处理，输出振动分析强化特征图，振动分析强化特征图的大小为i×3d；

12、将声音分析特征图送入声音分析自注意力机制层进行处理，输出声音分析强化特征图，声音分析强化特征图的大小为i×d；

13、在特征拼接层中将振动分析强化特征图和声音分析强化特征图按照维度进行拼接，得到第一融合特征图，第一融合特征图的大小为i×4d；

14、在权重矩阵输出层中，以大小为i×d的滑动窗口从振动分析强化特征图中选择振动分析局部特征图，且步长为d，每个振动分析局部特征图的大小为i×d，针对每个振动分析局部特征图，执行如下操作，将振动分析局部特征图与关键权重矩阵进行相乘操作，构建关键矩阵k，将声音分析强化特征图与查询权重矩阵进行相乘操作，构建查询矩阵q；通过公式attention（q，k）=softmax（qkt/（d）0.5）构建局部注意力权重矩阵，局部注意力权重矩阵的大小为i×i；将所有振动分析局部特征图对应的局部注意力权重矩阵按照通道进行拼接，并执行卷积操作，得到注意力权重矩阵，注意力权重矩阵的大小为i×i；

15、在权重压缩层中，将振动分析强化特征图输入i个多层感知器中进行处理，输出振动分析权重矩阵，振动分析权重矩阵的大小为i×1；将声音分析强化特征图输入i个多层感知器中进行处理，输出声音分析权重矩阵，声音分析权重矩阵的大小为i×1；将振动分析权重矩阵和声音分析权重矩阵拼接后进行转置，得到压缩权重矩阵，压缩权重矩阵的大小为2×i；

16、在权重激活层中，将压缩权重矩阵与注意力权重矩阵执行相乘操作和归一化操作，得到激活权重矩阵；

17、在特征融合层中，将激活权重矩阵与第一融合特征图执行相乘操作，得到第三融合特征图，再将第三融合特征图和第一融合特征图进行残差连接并执行标准化，得到第二融合特征图；

18、将第二融合特征图送入全连接层中进行处理，以输出概率矩阵，概率矩阵的大小为i×3，概率矩阵中每一行中的3个项数分别对应部件出现故障的概率、惯性测量单元出现故障的概率和声音传感器出现故障的概率；遍历概率矩阵中的每一行，针对概率矩阵中的每一行，执行如下操作，将对应部件出现故障的概率、惯性测量单元出现故障的概率和声音传感器出现故障的概率分别与对应的部件故障阈值、惯性测量单元故障阈值和声音传感器故障阈值进行比较，并将部件出现故障的概率大于部件故障阈值记为部件故障进行输出，将惯性测量单元出现故障的概率大于惯性测量单元故障阈值记为惯性测量单元故障进行输出，将声音传感器出现故障的概率大于声音传感器故障阈值记为声音传感器故障进行输出，再将输出的部件故障、惯性测量单元故障或者声音传感器故障存入电力变压器故障检测结果中；直至概率矩阵中的每一行都被遍历完时，均未出现部件故障、惯性测量单元故障和声音传感器故障，将无故障存入电力变压器故障检测结果中；

19、在电力变压器故障检测结果输出层中，将电力变压器故障检测结果进行输出。

20、作为本发明优选的一个方面，针对电力变压器故障检测模型进行训练，具体包括如下步骤：

21、获取若干份电力变压器训练样本，电力变压器训练样本具体包括振动分析特征图训练样本和声音分析特征图训练样本，并通过目标电力变压器故障检测结果对电力变压器训练样本进行标注，将所有标注好的电力变压器训练样本组成电力变压器训练集，再将电力变压器训练集送入参数初始化的电力变压器故障检测模型进行训练，期间以目标电力变压器故障检测结果作为目标，计算损失值，判断损失值是否位于置信范围内若是损失值位于置信范围内，输出训练好的电力变压器故障检测模型；若是损失值不位于置信范围内，通过电力变压器训练集继续对电力变压器故障检测模型进行训练。

22、作为本发明优选的一个方面，振动分析自注意力机制层、声音分析自注意力机制层分别基于tansformer模型建立。

23、作为本发明优选的一个方面，电力变压器故障检测模型中的超参数通过遗传算法进行模拟优化。

24、本发明还提供一种基于数据分析的电力变压器故障检测系统，包括：

25、振动分析数据获取模块，用于在预设周期内通过惯性测量单元获取振动分析数据；

26、振动分析特征图构建模块，用于将振动分析数据进行时域特征提取和频域特征提取，以构建振动分析特征图；

27、声音数据获取模块，用于在同一预设周期内通过声音传感器获取声音数据；

28、声音分析特征图构建模块，用于将声音数据进行时域特征提取和频域特征提取，以构建声音分析特征图；

29、电力变压器故障检测模块，用于将振动分析特征图和声音分析特征图送入电力变压器故障检测模型进行处理，输出电力变压器故障检测结果，电力变压器故障检测结果包括部件故障、惯性测量单元故障、声音传感器故障和无故障。

30、本发明具有以下优点：

31、本发明中，从振动分析和噪声分析两个维度对电力变压器执行故障检测操作，可以从不同的视角对电力变压器的使用进行分析，提升电力变压器故障检测的准确率，并且由于后续的故障检测是基于振动分析和噪声分析之间的相互联系进行的，就算部分传感器出现故障，也能基于振动分析和噪声分析之间的相互联系进行弥补分析，弱化传感器失效导致的故障误判问题。