本发明属于变压器故障诊断技术领域,尤其涉及一种电力变压器故障深度诊断方法及终端设备。
背景技术:
电力变压器是电力系统中的安全关键设备,也是最为昂贵、复杂的设备之一。根据2005年底的数据测算,国家电网公司在运的110(66)kV及以上电压等级变压器共计15230台,目前这一数量已达30000余台。由于电力变压器处于电网的中心位置,运行环境复杂,且时常遭受各种不良运行工况的冲击,一旦发生故障,极有可能造成突发大面积停电,甚至引起爆炸、火灾等事故,带来的直接和间接经济损失达数亿元人民币。因此,保证电力变压器稳定可靠运行至关重要。
随着生产制造工艺的提升和改进,电力变压器结构更加复杂化、故障类型更加多样化。及时准确定位故障发生部位,了解故障发生原因,进而执行维修活动是确保电力变压器安全稳定运行的关键,故障诊断方法的研究与应用则为其提供了重要的基础和保障。目前,在工程实践中较为常见的是采用改良三比值法对油中溶解气体进行分析,也是电力变压器故障诊断最方便有效的方式之一。
三比值方法在分类和边界确定方面过于绝对化,致使边界重叠情况发生。对于现有已提出的机器学习方法存在着考虑因素较为单一,对于电力变压器的状态信息并未充分利用等问题。同时,由于数据监测技术的局限性以及知识的不精确性等原因,致使信息具有模糊性、随机性等特征,进而导致电力变压器故障诊断的准确性和时效性远未达到实际应用的要求。此外,电力变压器整体及内部构造的复杂性,以及部件/系统老化和失效模式演化的非线性、不稳定性等原因,对其进行故障诊断存在诸多的不确定性。且随着量测设备制造工艺的提高及种类的增多,大量且各式的量测设备(如传感器)被部署在变压器上用于实时状态信息的监测,监测数据呈指数级增长,其数据量已经达到TB(Terabyte)甚至PB(Petabyte)级别。对于现有的故障诊断方法,如何解决高维数据的处理、有效特征的提取、以及存在的各种不确定性等问题,是电力变压器故障诊断领域亟需解决的难题之一。
技术实现要素:
有鉴于此,本发明实施例提供了电力变压器故障深度诊断方法及终端设备,以解决目前变压器故障诊断存在不确定性,诊断精准度低的问题。
本发明实施例的第一方面提供了定位方法,包括:
根据第一训练数据集训练第一深度信念网络模型,并根据所述第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果;
根据D-S证据理论融合所述第一诊断结果和多个第一诊断证据,确定故障部位;
根据所述故障部位对应的第二训练数据集训练所述故障部位对应的第二深度信念网络模型,并根据所述故障部位对应的第二深度信念网络模型,对第二待测数据进行诊断,得到第二诊断结果;
根据D-S证据理论融合所述第二诊断结果和多个第二诊断证据,确定故障原因。
本发明实施例的第二方面提供了定位装置,包括:
第一诊断模块,用于根据第一训练数据集训练第一深度信念网络模型,并根据所述第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果;
第一融合模块,用于根据D-S证据理论融合所述第一诊断结果和多个第一诊断证据,确定故障部位;
第二诊断模块,用于根据所述故障部位对应的第二训练数据集训练所述故障部位对应的第二深度信念网络模型,并根据所述故障部位对应的第二深度信念网络模型,对第二待测数据进行诊断,得到第二诊断结果;
第二融合模块,用于根据D-S证据理论融合所述第二诊断结果和多个第二诊断证据,确定故障原因。
本发明实施例的第三方面提供了定位终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面中的定位方法。
本发明实施例的第四方面提供了计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中的定位方法。
本发明实施例与现有技术相比存在的有益效果是:通过第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果,根据D-S证据理论将第一诊断结果和多个第一诊断证据进行融合,确定故障部位;通过故障部位对应的第二深度信念网络模型对第二待测数据进行诊断,得到第二诊断结果,根据D-S证据理论将第二诊断结果和多个第二诊断证据进行融合,最终确定故障原因。本发明实施例首先通过深度诊断和决策融合确定故障部位,再根据故障部位对应的故障原因进行确定,能够提高故障诊断的精准度,并且在决策融合过程中引入其他证据,通过D-S证据理论融合多证据体,从而减少孤立数据存在的大量不确定性问题,进一步提高诊断精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电力变压器故障深度诊断方法的实现流程图;
图2是本发明实施例提供的电力变压器故障深度诊断方法中训练第一深度信念网络模型的实现流程图;
图3是本发明实施例提供的电力变压器故障深度诊断方法中融合第一诊断结果和多个第一诊断证据的实现流程图;
图4是本发明实施例提供的电力变压器故障深度诊断方法的过程示意图;
图5是本发明实施例提供的电力变压器部分故障部位及原因的示意图;
图6是本发明实施例提供的单级决策融合的算法流程图;
图7是本发明实施例提供的两级决策融合诊断前后对比结果的示意图;
图8是本发明实施例提供的电力变压器故障深度诊断装置的示意图;
图9是本发明实施例提供的电力变压器故障深度诊断终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的电力变压器故障深度诊断方法的实现流程图,详述如下:
在S101中,根据第一训练数据集训练第一深度信念网络模型,并根据所述第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果。
在本实施例中,可以获取变压器的历史故障数据作为第一训练数据。历史故障数据包括变压器发生的故障原因及发生故障时对应的变压器参数。经过训练的深度信念网络(Deep Belief Network,DBN)模型可以用于对待测数据进行诊断,得出诊断结果。第一待测数据可以为获取到的变压器状态参数,用于进行故障诊断。
作为本发明的一个实施例,如图2所示,S101可以包括:
在S201中,重构所述第一训练数据集,对所述第一训练数据集中的数据进行分类,并添加分类标签。
其中,根据不同的故障部位对第一训练数据集中的数据进行分类,例如分类标签可以包括但不限于绕组故障、油纸绝缘故障和铁芯故障中的一个或多个。
在S202中,将所述第一训练数据集中的数据进行统一标准化处理,并将处理后的数据按预设量化规则划分为训练子集和测试子集。
可选地,可以对第一训练数据集中的数据进行[0,1]归一化处理,并按一定比例将处理后的数据划分为训练子集和测试子集。例如将第一训练数据集中70%的数据划分到训练子集,其余30%的数据划分到测试子集。
在S203中,建立一个多隐藏层的第一深度信念网络模型,根据所述第一训练数据集中数据的维数确定所述第一深度信念网络模型的输入层神经元个数。
在S204中,根据所述训练子集中带分类标签的数据对所述第一深度信念网络模型进行无监督逐层训练。
在S205中,根据所述第一训练数据集中数据的类别个数,确定所述第一深度信念网络模型的输出层神经元个数,并对所述第一深度信念网络模型的连接权值和偏置阈值进行反向微调。
例如,若第一训练数据集中数据的类别个数为3,则可以确定第一深度信念网络模型的输出层神经元个数为3。
在S206中,根据所述测试子集对所述第一深度信念网络模型进行测试。
以从训练子集中选取一个训练样本x0为例说明训练过程,算法步骤如下:
步骤1,初始化显层神经元的初始状态v0=x0,初始化W、a、b为服从高斯分布的随机较小数值,设定各层RBM(Restricted Boltzmann Machines,基于限制性玻尔兹曼机的深层网络结构)最大训练迭代次数;
步骤2,对所有隐层神经元计算从条件分布p(h0j|v0)中抽取h0~p(h0|v0),其中σ(x)为softmax函数,下同;
步骤3,对所有显层神经元,计算从条件分布p(v1j|h0)中抽取v1~p(v1|h0);
步骤4,对所有隐层神经元计算
步骤5,按下式更新各个参数
步骤6,重复步骤2至步骤5,直到达到最大迭代次数或重构误差足够小,结束该层RBM的训练。
在本实施例中,第一待测数据可以为获取到的变压器状态参数,用于进行故障诊断。
在S102中,根据D-S证据理论融合所述第一诊断结果和多个第一诊断证据,确定故障部位。
其中,故障部位包括但不限于绕组故障、油纸绝缘故障和铁芯故障。为了解决数据存在的不确定性问题,尽可能获得在不影响变压器正常运行时的其他第一诊断证据,例如,第一诊断证据可以是近几年某部位发生故障的统计结果、专家经验判断的结果、该变压器对应的家族质量数据等。
作为本发明的一个实施例,如图3所示,S102可以包括:
在S301中,根据第一公式计算所述第一诊断结果的基本概率值,并根据第一预设规则得到各个第一诊断证据的基本概率值;所述第一公式表示为:
其中,y(Ri)表示所述第一诊断结果;En表示所述第一深度信念网络模型的训练误差,且tn表示所述第一深度信念网络模型的期望输出值,yn表示所述第一深度信念网络模型的实际输出值;Ri表示故障部位的类别,i=1,2,3,…,n,n为故障部位类别的总数。
在S302中,根据第二公式计算各故障部位对应的信任函数,根据第三公式计算各故障部位对应的似然函数,根据第四公式计算各故障部位对应的冲突因子;所述第二公式表示为其中,pl(A)表示故障部位的信任函数,B表示A的子集,m(B)表示B集合的基本概率值,表示不否定A的信任程度,亦可表示为满足所有Θ中B的基本概率值之和与中B的基本概率值之和的差;所述第三公式表示为其中,表示故障部位的似然函数,m(A)表示A集合的基本概率值;所述第四公式表示为其中Ai表示各故障部位,K表示冲突因子。
在S303中,计算各故障部位对应的置信区间,根据各故障部位对应的置信区间确定故障部位。
如图4所示,在第1级决策融合过程中,首先利用获取的大量数据构造训练样本来训练DBN模型。然后,利用训练好的DBN模型对待测数据进行诊断,并获得诊断结果,即获得最大概率的类别。此外,为了解决模型及数据存在的不确定性问题,尽可能获得在不影响变压器正常运行时的第一诊断证据,利用D-S证据理论融合第一诊断结果和多个第一诊断证据,获得第1级决策融合的最终结论,确定故障部位。其中,可以将第1级决策融合中故障部位的目标识别框架定义为:F={F1,F2,F3},其中F1,F2,F3分别对应于变压器的绕组故障、油纸绝缘故障和铁芯故障。
在S103中,根据所述故障部位对应的第二训练数据集训练所述故障部位对应的第二深度信念网络模型,并根据所述故障部位对应的第二深度信念网络模型,对第二待测数据进行诊断,得到第二诊断结果。
其中,第二待测数据可以和第一待测数据相同,也可以不同。电力变压器故障诊断的数据来源具有多样性、复杂性以及不确定性等特征。根据多源信息融合分层决策模型的要求,对电力变压器故障诊断实施多源信息融合,其分类过程是一个从宏观到微观,由故障部位到故障原因的逐级分类过程。从目前电力系统运行的历史统计记录来看,外部短路、绝缘受潮、分接开关触头接触不良等故障出现次数最多,故障频发部位的次序大致为绕组、铁芯、分接开关、套管、绝缘油、冷却系统、保护装置、测示系统、油箱。以绕组为例,其下又分为绕组过热、绕组变形、绕组断线以及绕组匝间短路等故障,电力变压器部分故障部位及原因如图5所示。
在本实施例中,故障部位与第二训练数据集一一对应,故障部位与第二深度信念网络模型一一对应。每个故障部位对应多个故障原因。根据故障部位可以确定用于第2级决策融合的第二训练数据集和第二深度信念网络模型。第一训练数据集中的数据根据故障部位进行分类,第二训练数据集中的数据根据各故障部位对应的故障原因分类。
可选地,所述绕组对应的故障原因包括绕组过热、绕组变形、绕组断线和绕组匝间短路;所述绝缘油纸对应的故障原因包括液体绝缘油故障和固体绝缘纸故障;所述铁芯对应的故障原因包括铁芯过热、铁芯片短路、铁芯松松动及噪声和铁芯多点接地。
作为本发明的一个实施例,S103可以包括:
重构所述故障部位对应的第二训练数据集,对所述故障部位对应的第二训练数据集中的数据进行分类,并添加分类标签;
将所述故障部位对应的第二训练数据集中的数据进行统一标准化处理,并将处理后的数据按预设量化规则划分为训练子集和测试子集;
建立多隐藏层的第二深度信念网络模型,根据所述第二训练数据集中数据的维数确定所述第二深度信念网络模型的输入层神经元个数;
根据所述训练子集中带分类标签的数据对所述第二深度信念网络模型进行无监督逐层训练;
根据所述故障部位对应的第二训练数据集中数据的类别个数,确定所述第二深度信念网络模型的输出层神经元个数,并对所述第二深度信念网络模型的连接权值和偏置阈值进行反向微调;
根据所述测试子集对所述第二深度信念网络模型进行测试。
在本实施例中,第二深度信念网络模型的训练过程与第一深度信念网络模型的训练过程相同,此处不再赘述。
在S104中,根据D-S证据理论融合所述第二诊断结果和多个第二诊断证据,确定故障原因。
作为本发明的一个实施例,S106可以包括:
根据第一公式计算所述第二诊断结果的基本概率值,并根据第二预设规则得到各个第二诊断证据的基本概率值;
根据第二公式计算各故障原因对应的信任函数,根据第三公式计算各故障原因对应的似然函数,根据第四公式计算各故障原因对应的冲突因子;
计算各故障原因对应的置信区间,根据各故障原因对应的置信区间确定故障原因。
如图4所示,通过第1级决策融合,可以锁定故障发生的部位,但具体的故障原因并不能确定。因此,需要继续寻找关于故障原因更确切的证据来支持第2级决策融合,从而得到具体故障原因的诊断结论。在第2级级决策过程中,目的是对第1级融合中F1,F2,F3的故障原因进行细化。因此,我们将第2级决策融合中故障原因的目标识别框架设为C={C1,C2,C3,…,Ci}。例如故障部位为绕组,则各Ci代表的故障具体原因可以为:绕组过热、绕组变形等。针对不同故障部位分别训练DBN,对细分故障原因进行初步判定,然后结合相关的电气及实验结论以及变压器维修记录等信息,对第2级各证据进行D-S证据理论融合推理,得到最终诊断结果。
本发明实施例通过第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果,根据D-S证据理论将第一诊断结果和多个第一诊断证据进行融合,确定故障部位;通过故障部位对应的第二深度信念网络模型对第二待测数据进行诊断,得到第二诊断结果,根据D-S证据理论将第二诊断结果和多个第二诊断证据进行融合,最终确定故障原因。本发明实施例首先通过深度诊断和决策融合确定故障部位,再根据故障部位对应的故障原因进行确定,能够提高故障诊断的精准度,并且在决策融合过程中引入其他证据,通过D-S证据理论融合多证据体,从而减少孤立数据存在的大量不确定性问题,进一步提高诊断精准度。
作为本发明的一个实现示例,如图6为单级决策融合的算法流程图。
步骤1:重构原始数据并为类别添加标签。
步骤2:将训练数据统一标准化处理(一般采用[0,1]归一化处理),按一定比例定义训练集和测试集。
步骤3:初始化DBN模型相关参数。
步骤4:使用训练集中的带标签数据训练各层RBM(Restricted Boltzmann Machines,基于限制性玻尔兹曼机的深层网络结构),得到并保存训练好的DBN模型。
步骤5:将待测数据输入训练好的DBN模型,得到网络输出结果。
步骤6:根据第一公式计算网络输出的基本概率值,同时根据专家经验等规则(如专家给定该故障发生的概率在70%左右等)获取其他证据的基本概率值。
步骤7:根据第二公式、第三公式、第四公式计算各焦元的信任函数、似然函数以及冲突因子K。
步骤8:求得置信区间(Bel,Pl),得到诊断结论。
步骤9:根据故障部位,重新构造DBN模型,按照步骤1-8继续寻找更深入的故障原因。
步骤10:得到最终诊断结论。
下面通过一个变压器故障诊断的实例来说明该电力变压器故障深度诊断方法。
收集到近几年电力变压器故障数据,分别为绕组故障数据、油纸绝缘故障数据、铁芯故障数据等几十项故障部位数据集。具体参数包括变压器型号、数据日期、运行信息(油温、负载等)、实验数据(油中溶解气体分析(DGA)数据、绕组直流电阻等)等参数。其中每个数据集后有具体的故障原因(或健康状态)。此外,与该变压器相关的历史数据、家族缺陷等数据作为相关证据也一同获得。以某型号电力变压器绕组故障数据为例,其部分参量如表1所示。
表1绕组故障样本数据(部分)
针对某型号变压器在投入运行后不久发生异常,收集其DGA和局放量数据,见表2中的数据。
表2变压器投入与异常时DGA和局放量值
第1级决策融合中,证据e1来自第1级DBN模型的诊断结果,证据e2来自故障部位历史统计结果;第2级决策融合中,证据e3来自第2级DBN模型的诊断结果,证据e4来自IEC 60599三比值诊断法结论。第1级决策融合中证据e1和e2对故障部位的基本概率分配,具体如表3中的数据所示。
表3第1级决策融合基本概率分配函数
根据所获得的证据e1和e2以及其对故障部位的基本概率值,利用D-S证据理论进行融合处理,通过公式计算得到冲突因子K=0.8822,各故障部位的信任函数和似然函数如表4中的数据所示。
表4各故障部位的信任度和似然度
通过以上分析,可以得到第1级的决策融合结论为:故障部位为绕组,其不确定度为0.0004,置信区间为(0.9834,0.9838)。观察表4中的数据可知,F1经过第1级决策融合后,结果的可靠度明显提高。
第2级决策融合中证据e3和e4对各故障原因的基本概率分配,具体如表5中的数据所示。
表5第2级决策融合基本概率分配函数
将证据e3和e4用D-S证据理论进行融合,根据得到冲突因子K=0.6,则故障原因的信任函数和似然函数如表6中数据所示。
表6故障原因的信任度和似然度
因此,第2级决策融合的结论为{C2}:绕组过热。其不确定度仅为0.0024,置信区间为(0.8593,0.8617)。综上两级决策融合的结果,可以得出变压器故障的具体部位为绕组,故障原因是绕组过热,该诊断结果与现场检测结果一致,且可信度较高。多级决策融合诊断前后对比结果如图7所示。图中,第1级融合中左起第1个是e1对应的信任度,第2个是e2对应的信任度,第3个是e1&e2对应的信任度;第2级融合中左起第1个是e3对应的信任度,第2个是e4对应的信任度,第3个是e3&e4对应的信任度。
本发明实施例提供的电力变压器故障深度诊断方法,通过大量的变压器故障数据收集,分别按照故障部位以及各部位的具体原因进行划分;采用深度置信网络对电力变压器多故障数据的进行特征提取,同时兼具故障分类的作用,将其作为证据之一与其他证据一同进行D-S证据理论融合处理,得到电力变压器最终故障诊断结论。该方法充分考虑了变压器故障诊断中存在的复杂不确定性因素,使得故障诊断更加可靠。该方法属于电力变压器的深度故障诊断,摆脱了传统故障诊断方法仅局限于过热、放电、过热兼放电的故障类型,实现了从部位到故障原因的多级决策融合的深度故障诊断;解决了传统方法无法解决不确定性因素的问题,通过D-S证据理论融合多证据体,从而减少孤立数据存在的大量不确定性问题。
本发明实施例通过第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果,根据D-S证据理论将第一诊断结果和多个第一诊断证据进行融合,确定故障部位;通过故障部位对应的第二深度信念网络模型对第二待测数据进行诊断,得到第二诊断结果,根据D-S证据理论将第二诊断结果和多个第二诊断证据进行融合,最终确定故障原因。本发明实施例首先通过深度诊断和决策融合确定故障部位,再根据故障部位对应的故障原因进行确定,能够提高故障诊断的精准度,并且在决策融合过程中引入其他证据,通过D-S证据理论融合多证据体,从而减少孤立数据存在的大量不确定性问题,进一步提高诊断精准度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的电力变压器故障深度诊断方法,图8示出了本发明实施例提供的电力变压器故障深度诊断装置的示意图。为了便于说明,仅示出了与本实施例相关的部分。
参照图8,该装置包括第一诊断模块81、第一融合模块82、第二诊断模块83和第二融合模块84。
第一诊断模块81,用于根据第一训练数据集训练第一深度信念网络模型,并根据所述第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果。
第一融合模块82,用于根据D-S证据理论融合所述第一诊断结果和多个第一诊断证据,确定故障部位。
第二诊断模块83,用于根据所述故障部位对应的第二训练数据集训练所述故障部位对应的第二深度信念网络模型,并根据所述故障部位对应的第二深度信念网络模型,对第二待测数据进行诊断,得到第二诊断结果。
第二融合模块84,用于根据D-S证据理论融合所述第二诊断结果和多个第二诊断证据,确定故障原因。
优选地,所述第一诊断模块81用于:
重构所述第一训练数据集,对所述第一训练数据集中的数据进行分类,并添加分类标签;
将所述第一训练数据集中的数据进行统一标准化处理,并将处理后的数据按预设量化规则划分为训练子集和测试子集;
建立多隐藏层的第一深度信念网络模型,根据所述第一训练数据集中数据的维数确定所述第一深度信念网络模型的输入层神经元个数;
根据所述训练子集中带分类标签的数据对所述第一深度信念网络模型进行无监督逐层训练;
根据所述第一训练数据集中数据的类别个数,确定所述第一深度信念网络模型的输出层神经元个数,并对所述第一深度信念网络模型的连接权值和偏置阈值进行反向微调;
根据所述测试子集对所述第一深度信念网络模型进行测试。
优选地,所述第一融合模块82用于:
根据第一公式计算所述第一诊断结果的基本概率值,并根据第一预设规则得到各个第一诊断证据的基本概率值;所述第一公式表示为:
其中,y(Ri)表示所述第一诊断结果;En表示所述第一深度信念网络模型的训练误差,且tn表示所述第一深度信念网络模型的期望输出值,yn表示所述第一深度信念网络模型的实际输出值;Ri表示故障部位的类别,i=1,2,3,…,n,n为故障部位类别的总数;
根据第二公式计算各故障部位对应的信任函数,根据第三公式计算各故障部位对应的似然函数,根据第四公式计算各故障部位对应的冲突因子;所述第二公式表示为其中,pl(A)表示故障部位的信任函数,B表示A的子集,m(B)表示B集合的基本概率值,表示不否定A的信任程度,亦可表示为满足所有Θ中B的基本概率值之和与中B的基本概率值之和的差;所述第三公式表示为其中,表示故障部位的似然函数,m(A)表示A集合的基本概率值;所述第四公式表示为其中Ai表示各故障部位,K表示冲突因子;
计算各故障部位对应的置信区间,根据各故障部位对应的置信区间确定故障部位。
优选地,每个故障部位对应多个故障原因,每个故障部位对应一个第二训练数据和一个第二深度信念网络模型。
优选地,所述故障部位包括绕组、绝缘油纸和铁芯。
优选地,所述绕组对应的故障原因包括绕组过热、绕组变形、绕组断线和绕组匝间短路;所述绝缘油纸对应的故障原因包括液体绝缘油故障和固体绝缘纸故障;所述铁芯对应的故障原因包括铁芯过热、铁芯片短路、铁芯松松动及噪声和铁芯多点接地。
本发明实施例通过第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果,根据D-S证据理论将第一诊断结果和多个第一诊断证据进行融合,确定故障部位;通过故障部位对应的第二深度信念网络模型对第二待测数据进行诊断,得到第二诊断结果,根据D-S证据理论将第二诊断结果和多个第二诊断证据进行融合,最终确定故障原因。本发明实施例首先通过深度诊断和决策融合确定故障部位,再根据故障部位对应的故障原因进行确定,能够提高故障诊断的精准度,并且在决策融合过程中引入其他证据,通过D-S证据理论融合多证据体,从而减少孤立数据存在的大量不确定性问题,进一步提高诊断精准度。
图9是本发明一实施例提供的电力变压器故障深度诊断终端设备的示意图。如图9所示,该实施例的电力变压器故障深度诊断终端设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如电力变压器故障深度诊断程序。所述处理器90执行所述计算机程序92时实现上述各个电力变压器故障深度诊断方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能,例如图8所示模块81至84的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述电力变压器故障深度诊断终端设备9中的执行过程。例如,所述计算机程序92可以被分割成第一诊断模块、第一融合模块、第二诊断模块和第二融合模块,各模块具体功能如下:
第一诊断模块,用于根据第一训练数据集训练第一深度信念网络模型,并根据所述第一深度信念网络模型对第一待测数据进行诊断,得到第一诊断结果;
第一融合模块,用于根据D-S证据理论融合所述第一诊断结果和多个第一诊断证据,确定故障部位;
第二诊断模块,用于根据所述故障部位对应的第二训练数据集训练所述故障部位对应的第二深度信念网络模型,并根据所述故障部位对应的第二深度信念网络模型,对第二待测数据进行诊断,得到第二诊断结果;
第二融合模块,用于根据D-S证据理论融合所述第二诊断结果和多个第二诊断证据,确定故障原因。
所述电力变压器故障深度诊断终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力变压器故障深度诊断终端设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是电力变压器故障深度诊断终端设备9的示例,并不构成对电力变压器故障深度诊断终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电力变压器故障深度诊断终端设备还可以包括输入输出设备、网络接入设备、总线、显示器等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述电力变压器故障深度诊断终端设备9的内部存储单元,例如电力变压器故障深度诊断终端设备9的硬盘或内存。所述存储器91也可以是所述电力变压器故障深度诊断终端设备9的外部存储设备,例如所述电力变压器故障深度诊断终端设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述电力变压器故障深度诊断终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述电力变压器故障深度诊断终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。