换流变压器异常检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及电力技术领域，特别是涉及一种换流变压器异常检测方法、装置、计算机设备和存储介质。


背景技术：

2.如何保证电网安稳运行一直以来都是电力行业最重要的研究课题之一。电力换流变作为电网中电压等级变换、电能分配和转移的枢纽设备，其安全稳定运行对整个电网的安稳运行至关重要。电力换流变(是由多个子系统组成的复杂高压设备)，长期运行下面临着绝缘老化等各类问题，其故障概率会逐渐升高，换流变一旦发生运行事故，会造成设备损坏、保费甚至大面积停电等重大生产事故。只有尽早发现换流变的各种潜在故障，并针对不同的故障特征制定对应的维护方案，才能避免重大事故发生。因此，开展换流变在线状态评估方法和故障诊断技术研究对提高换流变运维水平具有重要意义。
3.传统对换流变以定期检修为主，定期检修包括预防性试验、定期大修小修和定时巡检，虽然这种运维方式能够避免大面积停电、事后检修效率低的情况，但由于定期检需要离线进行，存在着以下不足:
4.大部分预防性试验需要在停机的情况下开展，而换流变不能随意停运；
5.停电后换流变状态(如电压、温度等)与实际运行情况不符，影响判断准确度；
6.定期检修不是时间上连续地监测，换流变仍然有可能在检修间期发生事故，出现“欠修”；
7.定期检修严格按照指定的检修周期进行检查维修，即使换流变处于良好运行状态，也要按计划进行预防性试验和维修，导致人力、物力上的巨大浪费，同时也可能因为拆卸组装过多而对换流变本体造成不必要的损害，即出现所谓的“过修”，这将会降低供电可靠性，增加隐患发生的机率。


技术实现要素：

8.基于此，有必要针对上述技术问题，提供一种能够可靠的换流变压器异常检测方法、装置、计算机设备和存储介质。
9.一种换流变压器异常检测方法，所述方法包括：
10.分别从各信息源获取换流变压器各维度的检测数据；
11.分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
12.根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
13.在其中一个实施例中，所述深度置信网络由低层的多个受限玻尔兹曼机和上层的多层前馈网络组成；训练深度置信网络的方式，包括：
14.通过输入样本逐次对每个受限玻尔兹曼机采用无监督的方式进行正向训练，将当前层的受限玻尔兹曼机的输出作为上一层网络的输入，得到每层网络的初始参数；
15.将最上一层受限玻尔兹曼机的输出输入到多层前馈网络，利用输入样本的标注结果对所述多层前馈网络进行有监督的学习，进行反向传播，对各层网络参数进行调整。
16.在其中一个实施例中，分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果，包括：
17.分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征；
18.所述深度置信神经网络的多层前馈网络根据所述概率分布特征，得到该维度的初级诊断结果。
19.在其中一个实施例中，根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果，包括：
20.从各维度的初级诊断结果中分别获取换流变压器各部件相关的初级诊断结果；所述换流变的部件包括：本体、套管、分接开关、冷却系统和非电量保护桩子；
21.对每一个部件相关的初级诊断结果进行融合，得到各部件的状态；
22.当各部件均为正常状态时，确定所述换流变压器整体状态为正常状态。
23.在其中一个实施例中，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态，包括：
24.获取每个部件相关的初级诊断结果中各维度的权重，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态。
25.在其中一个实施例中，所述方法还包括：利用传感器的距离，为各部件相关的传感采集的数据维度设置不同权重。
26.在其中一个实施例中，所述方法还包括：利用传感器采集的数据维度对融合结果的重要性和贡献度，为各部件相关的传感采集的数据维度设置不同权重。
27.一种换流变压器异常检测装置，包括：
28.数据获取模块，用于分别从各信息源获取换流变压器各维度的检测数据；
29.初级诊断模块，用于分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
30.融合诊断模块，用于根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子
31.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
32.分别从各信息源获取换流变压器各维度的检测数据；
33.分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
34.根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
35.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
36.分别从各信息源获取换流变压器各维度的检测数据；
37.分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
38.根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
39.上述的换流变压器异常检测方法、装置、计算机设备和存储介质，利用人工智能技术强大的数据搜索、处理以及决策能力引入到换流变状态评估和故障诊断系统中，能够有效的解决传统评估和故障诊断方法数据源过于片面的缺陷，可以从海量、错综复杂换流变特征数据中准确、有效地分析出换流变的真实状态和故障类型。这对提高换流变的可靠性，改善其状态评估和检修策略具有重要的理论意义和工程价值。
附图说明
40.图1为一个实施例中换流变压器异常检测方法的应用环境图；
41.图2为一个实施例中换流变压器异常检测方法的流程示意图；
42.图3为一个实施例中融合过程示意图；
43.图4为另一个实施例中深度置信网络的结构示意图；
44.图5为一个实施例中深度置信网络的训练过程示意图；
45.图6为一个实施例中变压器评估的层次关系图；
46.图7为一个实施例中换流变压器异常检测装置的结构框图；
47.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.本技术提供的换流变压器异常检测方法，可以应用于如图1所示的应用环境中。其中，终端104通过网络连接多个传感器102连接，获取各传感器的监测数据，还存储有对换流变试验数据。终端分别从各信息源获取换流变压器各维度的检测数据；分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
50.在一个实施例中，如图2所示，提供了一种换流变压器异常检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
51.步骤202，分别从各信息源获取换流变压器各维度的检测数据。
52.信息源是指各维度检测数据的来源。具体地，监测数据的信息源可以是传感器的监测数据，也可以是对换流变设备进行实验得到的实验数据。其中，传感器的监测维度以及实验维度具有多种，因而换流变的检测数据具有多个维度，包括：油色谱、油温、绕组温度、其它温度(智能机器人)、电压(网侧/阀侧)、电流(网侧/阀侧)、中性点电流、铁芯接地电流、ser数据、噪声、振动，以及油色谱带电监测数据、空载加压阻抗数据、交接试验及预防性试验数据等。
53.步骤204，分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络。
54.如图3所示，每个维度分别对应一个训练好的深度置信网络，各信息源的检测信息分别输入到对应的深度置信网络，得到对应维度的初级诊断结果。
55.具体地，初级诊断结果是从一个维度反应该维度的检测数据是否正常。其中，深度置信网络是根据一个维度的历史数据进行训练得到的。深度置信网络用于对各信息源的检测信息进行特征提取，得到该维度的初级诊断结果。例如，针对各维度：油色谱、油温、绕组温度、其它温度(智能机器人)、电压(网侧/阀侧)、电流(网侧/阀侧)、中性点电流、铁芯接地电流、ser数据、噪声、振动，以及油色谱带电监测数据、空载加压阻抗数据、交接试验及预防性试验数据等，分别采用对应的深度置信网络，得到每个维度的初级诊断结果。如，油色谱维度的初级检测结果，油温维度的初级检测结果等。
56.步骤206，根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
57.也就是说，从各信息源对应维度确定其所属的部件维度，如本体、套管、分接开关、冷却系统和非电量保护桩子分别所对应的各信息源的初级诊断结果，以部件维度为单位进行融合，得到各部件的诊断结果，进而得到换流变压器的异常检测结果。
58.上述的换流变压器异常检测方法，利用人工智能技术强大的数据搜索、处理以及决策能力引入到换流变状态评估和故障诊断系统中，能够有效的解决传统评估和故障诊断方法数据源过于片面的缺陷，可以从海量、错综复杂换流变特征数据中准确、有效地分析出换流变的真实状态和故障类型。这对提高换流变的可靠性，改善其状态评估和检修策略具有重要的理论意义和工程价值。
59.在另一个实施例中，如图4所示，深度置信网络由低层的多个受限玻尔兹曼机(rbm)和上层的多层前馈网络(bpnn)组成。
60.训练深度置信网络的方式，包括：通过输入样本逐次对每个受限玻尔兹曼机采用无监督的方式进行正向训练，将当前层的受限玻尔兹曼机的输出作为上一层网络的输入，得到每层网络的初始参数；将最上一层受限玻尔兹曼机的输出输入到多层前馈网络，利用输入样本的标注结果对所述多层前馈网络进行有监督的学习，进行反向传播，对各层网络参数进行调整。
61.具体地，深度置信神经网络是深度神经网络的一种，深度神经网络从结构上来看是一种具备一个以上隐含层的神经网络。和传统的浅层神经网络相比，深度神经网络也能为复杂非线性系统提供建模基础，但是为了达到尽好地提高模型的训练能力的目的，现在采用在浅层神经网络的基础上增加了一些层次，从而达到了系统对更高层次的需求。
62.构建深层置信网络，首先训练受限玻尔兹曼机。受限玻尔兹曼机(restricted boltzmann machine,rbm)是深度置信神经网络(deep belief nets，dbn)的组成部分，rbm主要运用无监督学习的方法对模型进行训练，是一种基于能量的模型。它由隐含层h和可视层v两层结构组成，采用对称连接并且无反馈的随机神经网络模型，数据源的输入在可视层v中输入，在隐含层h用来对数据进行特征的提取。每一层是数据用一个向量表示，每一层神经元的个数用向量的维数来体现。rbn直观看上去是一个二分图的形式，可视层v和隐含层h都是取0或1的二元变量。只有可视层神经元与隐含层神经元之间是全相连的关系，隐含层神经元之间或者可视层神经元之间是不存在相连关系的。
63.rbm的训练过程就是求出一个能产生训练样本最大的概率分布，这个样本的决定性因素在于权值w，本方案采用对比散度的学习算法，对rmb网络进行训练以提高计算速度和精度。
64.如图5所示，深度置信网络的训练主要分为两个步骤：
65.第一步是对深度置信网络(dbn)的正向训练，通过输入训练样本逐次对每个受限玻尔兹曼机(rbm)进行采用无监督的方式对数据进行训练，每层通过对上一层的数据的进行特征识别和提取，然后把此次输出的数据作为上一层网络的输入部分，通过这样的正向训练保证了信息的高效运用，得到了每层的初始参数，在前期就做到了减少实验误差的作用。
66.第二步是对整个结构进行微调的阶段，dbn的微调阶段是对第一步的补充。只有训练没有微调的话整个网络训练的数据可能存在过拟合的现象。从图4
‑
5可以看出来bp网络位于整个dbn的上层，bp网络的输入就是来自低层rbm的最终输出的数据，bp网络对模型进行有监督的学习，进行反向传播并对每层的参数进行调优，使得网络的结构达到整体最优的结构，杜绝了大数据源的训练时间过长的现象。
67.对应地，分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果，包括：分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征；所述深度置信神经网络的多层前馈网络根据所述概率分布特征，得到该维度的初级诊断结果。
68.rbm的训练过程就是求出一个能产生训练样本最大的概率分布，分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征。通过训练后，模型能够针对各检测数据为“良好”“一般”“注意”“严重”这四种状态时数据的分布特征，根据预测的检测数据的概率分布特征，得到对应的诊断结果。诊断结果包括“良好”“一般”“注意”“严重”。
69.在另一个实施例中，根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果，包括：从各维度的初级诊断结果中分别获取换流变压器各部件相关的初级诊断结果；所述换流变的部件包括：本体、套管、分接开关、冷却系统和非电量保护桩子；对每一个部件相关的初级诊断结果进行融合，得到各部件的状态；当各部件均为正常状态时，确定所述换流变压器整体状态为正常状态。
70.具体地，对换流变压器评估分为三级评估过程进行，如图6所示。第一级为部件层，包括本体、套管、分接开关、冷却系统、非电量保护桩子，当各部件状态均为正常时，换流变
整体状态即为正常状态；
71.第二级为项目层，即各部件进行状态评估时所需要的参量类型，主要分为三大类，状态性能参量数据，运行巡检信息数据，及技术性能参量数据；
72.第三级为指标层，即第二级中不同类型参量体系包括的具体指标参量，如电气性能，试验数据，巡检信息，参数信息等定性或定量指标。
73.基于上述三级评估的划分，从第三级至第一级的顺序，分别利用上一级的结果确定一个层次的诊断结果。
74.具体地，从各维度的初级诊断结果中获取换流变压器各部件相关的初级诊断结果，与本体相关的相关维度的初级诊断相果，与套管相关的相关维度的初级诊断结果，与分接开关相关的相关维度的初级诊断结果，与冷却系统相关的相关维度，以及与非电量保护桩子相关的相关维度的初级诊断结果。
75.进而以部件为单位，对相关维度的初级诊断结果进行融合，得到各部件的状态，依据各换流变各功能部件的状态，可以确定换流变整体的状态，当各部件状态均为正常时，换流变整体状态即为正常状态。
76.采用该方法，能够提供比单信息源更准确的诊断结果。
77.其中，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态，包括：获取每个部件相关的初级诊断结果中各维度的权重，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态。
78.由于换流变结构复杂，引起换流变的数据存在不一致性，有些状态的变化不仅仅是由一种原因引起的，可能另外一种因素对其起了促进的作用，因此综合评估换流变系统状态的因素具有很大的模糊性，如何运用相关的知识对换流变的不一致的信息进行综合分析，进行相关的融合给出一个明确的解释是当今研究的重点。
79.本实施例中，通过为每个部件相关的初级诊断结果设置融合时的不同权重，实现融合。
80.一个实施例中，利用传感器的距离，为各部件相关的传感采集的数据维度设置不同权重。
81.具体地，利用距离函数修正数据权重，在设备运转过程中，传感器采集的数据并不一定完全可靠。为了获得更好的融合结果，需要对传感器数据进一步检验一致性，本项目采用距离函数来检验：如果两个传感器之间的距离近，则彼此的支持程度高，反之，支持程度低。
82.一个实施例中，利用传感器采集的数据维度对融合结果的重要性和贡献度，为各部件相关的传感采集的数据维度设置不同权重。
83.具体地，利用德尔菲法修正传感器权重，根据专家系统和现场工人的经验，结合实际应用场景的先验知识，给传感器设置一定的权重w(si)，不同的权重代表当前状态下，传感器测量值对融合结果的重要性和贡献度。
84.该方法基于实际情况，对传感器采集的数据维度设置不同权重，基于权重进行融合，能够得到融合的异常检测结果。
85.应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的
执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
86.在一个实施例中，如图7所示，提供了一种换流变压器异常检测装置，包括：
87.数据获取模块702，用于分别从各信息源获取换流变压器各维度的检测数据。
88.初级诊断模块704，用于分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络。
89.融合诊断模块706，用于根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
90.上述的换流变压器异常检测装置，利用人工智能技术强大的数据搜索、处理以及决策能力引入到换流变状态评估和故障诊断系统中，能够有效的解决传统评估和故障诊断方法数据源过于片面的缺陷，可以从海量、错综复杂换流变特征数据中准确、有效地分析出换流变的真实状态和故障类型。这对提高换流变的可靠性，改善其状态评估和检修策略具有重要的理论意义和工程价值。
91.在另一个实施例中，深度置信网络由低层的多个受限玻尔兹曼机和上层的多层前馈网络组成；流变压器异常检测装置，还包括：
92.训练模块，用于通过输入样本逐次对每个受限玻尔兹曼机采用无监督的方式进行正向训练，将当前层的受限玻尔兹曼机的输出作为上一层网络的输入，得到每层网络的初始参数；将最上一层受限玻尔兹曼机的输出输入到多层前馈网络，利用输入样本的标注结果对所述多层前馈网络进行有监督的学习，进行反向传播，对各层网络参数进行调整。
93.在另一个实施例中，初级诊断模块，用于分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征；所述深度置信神经网络的多层前馈网络根据所述概率分布特征，得到该维度的初级诊断结果。
94.在另一个实施例中，融合诊断模块，用于从各维度的初级诊断结果中分别获取换流变压器各部件相关的初级诊断结果；所述换流变的部件包括：本体、套管、分接开关、冷却系统和非电量保护桩子；对每一个部件相关的初级诊断结果进行融合，得到各部件的状态；当各部件均为正常状态时，确定所述换流变压器整体状态为正常状态。
95.在另一个实施例中，融合诊断模块，还用于获取每个部件相关的初级诊断结果中各维度的权重，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态。
96.其中，利用传感器的距离，为各部件相关的传感采集的数据维度设置不同权。
97.其中，利用传感器采集的数据维度对融合结果的重要性和贡献度，为各部件相关的传感采集的数据维度设置不同权重。
98.关于换流变压器异常检测装置的具体限定可以参见上文中对于换流变压器异常检测方法的限定，在此不再赘述。上述换流变压器异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执
行以上各个模块对应的操作。
99.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种换流变压器异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
100.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
101.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例的换流变压器异常检测方法的步骤。
102.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例的换流变压器异常检测方法的步骤。
103.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
104.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
105.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。