本申请涉及计算机，特别涉及一种变压器故障检测方法、装置、介质和设备。
背景技术：
1、一般的，变压器故障声纹信号是一种非线性的时间序列，传统的时域特征提取方法，如均值、均方根、峭度和偏斜度等，和频域特征提取方法如功率谱、包络谱分析和快速傅里叶变换等，难以分析此类非线性信号。
2、现有技术中，变压器故障声纹检测方法其本质是一个多分类问题，一般需要一个多分类机器学习算法从训练数据中学习声纹特征与故障标签之间的内在关联规则，再通过测试数据测试多分类机器学习算法学习内在规则的效果，最终使多分类器有能力对变压器故障声纹信号作出智能诊断。从现有的技术路径来看，一类是使用静态数据驱动的监督型经典机器学习算法，如决策树、集成学习、支持向量机等。因为变压器故障声纹信号是一种非线性的时间序列信息，上述方法破坏了蕴含在时间序列中的潜在规则，致使只学习了前层的数据关联规则，而忽视了序列上下文的语义信息。另一类方法发现了上述问题，所以采用循环神经网络(rnn)来学习声纹信号时序特征，但是rnn受其自身算法结构的制约，对于长序列数据学习效果很差，记忆性短暂。并且rnn在训练过程中容易产生梯度消失与梯度爆炸。
3、综上，现有的变压器故障检测方法对变压器的声纹信号的分析利用较差，故障检测精度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种变压器故障检测方法、装置、介质和设备。
2、本说明书采用下述技术方案：
3、本说明书提供了一种变压器故障检测方法，包括：
4、获取变压器的历史声纹数据作为样本数据，并标注样本数据对应的真实故障类型；
5、将样本数据按照时间序列滑动分解为多个时域尺度，并计算每个尺度下的散布熵，得到样本数据对应的复合多尺度散布熵；
6、将样本数据对应的复合多尺度散布熵输入transformer模型的编码器，得到预测故障类型；并以最小化真实故障类型和预测故障类型之间的偏差为优化目标，对transformer模型的编码器进行训练，得到故障检测模型；
7、提取待检测变压器的声纹数据的复合多尺度散布熵，并将其输入故障检测模型，通过故障检测模型提取待检测变压器的声纹数据的复合多尺度散布熵的故障特征，并根据故障特征确定待检测变压器的故障类型。
8、可选地，所述将样本数据按照时间序列滑动分解为多个时域尺度，并计算每个尺度下的散布熵，得到样本数据对应的复合多尺度散布熵，具体包括：
9、对样本数据进行滤波以消除背景噪声，对滤波后的样本数据进行归一化处理，得到预处理后的样本数据；
10、通过下式根据预处理后的样本数据生成多个不同时域尺度下的多个粗粒化序列：
11、
12、针对每个不同时域尺度，确定该时域尺度下各粗粒化序列的散布熵，并确定各粗粒化序列的散布熵均值；
13、将不同时域尺度下各粗粒化序列的散布熵均值，作为样本数据对应的复合多尺度散布熵；
14、其中，为时域尺度τ对应的第k个粗粒化序列中第j项元素，x为预处理后的样本数据序列，τmax为预设的最大时域尺度，n为预处理后的样本数据序列中的元素个数。
15、可选地，所述并以最小化真实故障类型和预测故障类型之间的偏差为优化目标，对transformer模型的编码器进行训练，具体包括：
16、根据交叉熵损失函数确定真实故障类型和预测故障类型之间的偏差损失；
17、以最小化各样本数据的总偏差损失为优化目标，对transformer模型的编码器进行训练。
18、可选地，所述真实故障类型包括：绕组变形、铁芯松动、附件松动、谐波电流、直流偏磁、风机老化、铁芯松动、重载、风机异响和局部放电中的一种或多种。
19、本说明书提供了一种变压器故障检测装置，包括：
20、获取模块，用于获取变压器的历史声纹数据作为样本数据，并标注样本数据对应的真实故障类型；
21、提取模块，用于将样本数据按照时间序列滑动分解为多个时域尺度，并计算每个尺度下的散布熵，得到样本数据对应的复合多尺度散布熵；
22、训练模块，用于将样本数据对应的复合多尺度散布熵输入transformer模型的编码器，得到预测故障类型；并以最小化真实故障类型和预测故障类型之间的偏差为优化目标，对transformer模型的编码器进行训练，得到故障检测模型；
23、检测模块，用于提取待检测变压器的声纹数据的复合多尺度散布熵，并将其输入故障检测模型，通过故障检测模型提取待检测变压器的声纹数据的复合多尺度散布熵的故障特征，并根据故障特征确定待检测变压器的故障类型。
24、本说明书提供了一种计算机可读存储介质，所述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上述变压器故障检测方法。
25、本说明书提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述变压器故障检测方法。
26、本说明书采用的上述至少一个技术方案能够达到以下有益效果：
27、先获取变压器的历史声纹数据作为样本数据，并标注各样本数据的故障类型，然后提取各样本数据的复合多尺度散布熵，将其输入至transformer模型的编码器，得到预测故障类型，并以最小化真实故障类型和预测故障类型之间的偏差为优化目标，对transformer模型的编码器进行训练，得到故障检测模型，最后对于待检测变压器的声纹数据，提取其对应的复合多尺度散布熵，并将其输入故障检测模型进行故障特征提取，以确定待检测变压器的故障类型。本发明采用复合多尺度散布熵来体现变压器的声纹数据的时域特征，通过粗粒化与时移融合了变压器的声纹数据多时域尺度、幅值间关系等特征，便于更加全面地从中提取到故障特征，提高了故障检测的准确率。
1.一种变压器故障检测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述将样本数据按照时间序列滑动分解为多个时域尺度，并计算每个尺度下的散布熵，得到样本数据对应的复合多尺度散布熵，具体包括：
3.如权利要求1所述的方法，其特征在于，所述并以最小化真实故障类型和预测故障类型之间的偏差为优化目标，对transformer模型的编码器进行训练，具体包括：
4.如权利要求1所述的方法，其特征在于，所述真实故障类型包括：绕组变形、铁芯松动、附件松动、谐波电流、直流偏磁、风机老化、铁芯松动、重载、风机异响和局部放电中的一种或多种。
5.一种变压器故障检测装置，其特征在于，包括：
6.一种计算机可读存储介质，其特征在于，所述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上述权利要求1～4任一项所述的方法。
7.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～4任一所述的方法。