基于异构数据的变压器缺陷诊断方法、装置和计算机设备与流程

1.本技术涉及计算机技术领域，特别是涉及一种基于异构数据的变压器缺陷诊断方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.变压器作为电力系统输配电的运行枢纽设备，其运行过程中常常受到制造工艺、近地点短路、过电流及过电压等不良因素的影响，使得其变压器常常存在诸如绕组过热、绕组松动变形、匝间与饼间绝缘缺陷和套管缺陷等运行缺陷，当变压器发生故障时，会对电网安全运行造成较大影响，所以对变压器运行过程中的缺陷进行精准识别显得尤为重要。
3.目前，在对变压器的缺陷进行识别时，通常采用数据驱动的方式构建缺陷识别模型。然而，这种缺陷识别模型的构建必须依赖于海量的特征数据，才能达到较好的缺陷识别效果。实际上，变压器的不同类型缺陷对应的各类特征数据量较为匮乏，常采用的单一特征构建的缺陷识别模型无法准确识别出变压器的缺陷类型，使得对变压器的缺陷识别不够准确，无法保证电力系统的安全运行。
4.因此，传统技术中存在变压器的缺陷识别不够准确的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够准确识别变压器缺陷的基于异构数据的变压器缺陷诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.一种基于异构数据的变压器缺陷诊断方法，其特征在于，方法包括：获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度；获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果。
7.在其中一个实施例中，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型，包括：对第一仿真放电数据和现场传感器数据进行灰色关联分析，得到灰色关联分析结果；灰色关联分析结果表征第一仿真放电数据和现场传感器数据之间的关联程度大小；在灰色关联分析结果所表征的值小于或等于预设阈值的情况下，对第一仿真模型的模型参数进行调整，并返回对第一仿真放电数据和现场传感器数据进行灰色关联分析的步骤，直至灰色关联分析结果所表征的值大于预设阈值；
将参数调整后的第一仿真模型作为第二仿真模型。
8.在其中一个实施例中，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到缺陷诊断结果，包括：对现场异构数据和第二仿真放电数据进行分类处理，得到变压器运行时对应的多个特征数据帧；各特征数据帧具有不同的运行数据类型；运行数据类型包括与变压器关联的负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体中的至少一种；将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果。
9.在其中一个实施例中，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，包括：将各预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型；将各运行数据类型对应的特征数据帧输入至相应的量化后缺陷诊断模型，得到变压器的缺陷诊断结果。
10.在其中一个实施例中，应用于计算机设备，计算机设备并行运行有通过fpga建立的至少两个加速网络，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，包括：将各运行数据类型对应的特征数据帧输入至相应的加速网络，得到加速网络返回的缺陷诊断结果；其中，加速网络用于将相应的预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型；将相应的特征数据帧输入至量化后缺陷诊断模型，得到相应的缺陷诊断结果。
11.在其中一个实施例中，获取变压器的现场传感器数据，包括：获取变压器对应的传感器数据；传感器数据为变压器在电力系统所处位置处设置的多个传感器所读取的数据；各传感器数据均采用同一种预设的数据结构；将传感器数据进行封装处理，得到现场传感器数据。
12.在其中一个实施例中，获取变压器的现场异构数据，包括：采集变压器在电力系统所处位置的异构数据；异构数据包括现场监测文本、图片、波形中的至少一种；根据异构数据对应的采集时间和采样率，对异构数据进行封装处理，得到现场异构数据。
13.一种基于异构数据的变压器缺陷诊断装置，其特征在于，装置包括：获取模块，用于获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；调整模块，用于获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度；
诊断模块，用于获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果。
14.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现上述的方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的方法的步骤。
16.上述基于异构数据的变压器缺陷诊断方法、装置、计算机设备、存储介质和计算机程序产品，获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果；如此，实现了通过现场传感器数据对第一仿真模型的模型参数进行调整，得到第二仿真模型，通过第二仿真模型输出的第二仿真放电数据更接近现场实际状态，使得后续对变压器的缺陷诊断更为准确，并且，实现了通过第二仿真放电数据和现场异构数据对变压器的各类缺陷进行诊断，在特征数据量较小的情况下，实现了准确地识别变压器的缺陷，并且提高了缺陷识别速度。
附图说明
17.图1为一个实施例中一种变压器缺陷诊断方法的应用环境图；图2为一个实施例中一种变压器缺陷诊断方法的流程示意图；图3为一个实施例中一种获取模拟放电特征数据方法的流程图；图4为一个实施例中一种变压器缺陷诊断系统的结构示意图；图5为一个实施例中一种变压器的缺陷诊断流程图；图6为一个实施例中一种将异构数据进行封装的流程图；图7另一个实施例中一种变压器缺陷诊断方法的流程示意图；图8为一个实施例中一种变压器缺陷诊断装置的结构框图；图9为一个实施例中计算机设备的内部结构图。
具体实施方式
18.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。
19.本技术实施例提供的基于异构数据的变压器缺陷诊断方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；服务器104获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度；服务器104获取变压器的现场异构数据，将现场异构数据和第二仿真放
电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果。服务器104发送变压器的缺陷诊断结果至终端102。其中，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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
20.在一个实施例中，如图2所示，提供了一种基于异构数据的变压器缺陷诊断方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：步骤s202，获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据。
21.其中，第一仿真模型可以是用于模拟变压器在电力系统中的局部放电特征的仿真模型，第一仿真模型能够输出理论局部放电特征数据。
22.其中，第一仿真放电数据可以是高频电流、特高频和超声波时域波形等局部放电特征数据。
23.具体实现中，服务器获取模拟变压器放电的放电特征仿真模型，并通过该放电特征仿真模型输出初始的局部放电特征数据。
24.例如，服务器可通过获取模拟变压器放电特征数据的时域模型、频域模型、变压器典型结构模型（包括35kv、110kv、220kv、500kv以及1100kv的）和三维构建模型。
25.步骤s204，获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度。
26.其中，现场传感器数据可以是设置于电力系统中的变压器附近的多个通道传感器接收到的数据。
27.其中，第二仿真模型可以是与第一仿真模型相比，具有更准确地模拟局部放电特征的仿真模型。
28.其中，第二仿真放电数据可以是与第一仿真放电数据类似的诸如高频电流、特高频和超声波时域波形等局部放电特征数据。
29.其中，相关程度可以是用于表征数据因素之间相似或相异程度的信息。
30.具体实现中，服务器获取变压器的多个通道的传感器数据，并将其封装为数据矩阵，服务器将该数据矩阵与第一仿真模型输出的第一仿真放电数据进行灰色关联分析，当两者的灰色关联度小于预设阈值时，服务器对第一仿真放电模型的模型参数进行调整，直到第一仿真模型输出的第一仿真放电数据与该数据矩阵的灰色关联度达到预设阈值，则服务器将该第一仿真放电数据作为最终的放电特征数据。
31.例如，服务器将现场n个通道传感器数据封装成为n行m列的数据矩阵，其中m代表每一个通道传感器数据的数据长度。服务器对模拟变压器放电特征的仿真放电模型输出的数据结果与数据矩阵进行灰色关联分析，并判断二者的灰色关联度是否达到85%及以上，当灰色关联度未达到85%时，则对仿真放电模型模型参数进行调整优化，直到二者的灰色关联度达到85%。
32.为了便于本领域技术人员的理解，图3示例性地提供了一种获取更为准确的模拟
放电特征数据方法的流程图。其中，服务器通过建模分析模块302获取第一仿真模型，并通过数据接口模块304获取现场传感器数据，通过迭代优化模块306将第一仿真模型输出的第一仿真放电数据与现场传感器数据进行迭代分析，其中，迭代分析是通过灰色关联度分析模块308进行灰色关联分析，其中当第一仿真放电数据与现场传感器数据的灰色关联度大于85%时停止迭代，将最后输出的第一仿真放电数据作为第二仿真放电数据。
33.步骤s206，获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到缺陷诊断结果；缺陷诊断结果用于确定变压器的缺陷信息。
34.其中，现场异构数据可以是电力系统中变压器所处位置的现场文本数据和现场图像数据。
35.其中，缺陷诊断模型可以用于确定变压器运行过程时的负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、有中溶解气体等特征数据是否存在异常的模型。
36.具体实现中，服务器获取变压器的现场异构数据，如图片数据和文本数据，服务器将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果。
37.为了便于本领域技术人员的理解，图4示例性地提供了一种基于小样本异构数据的变压器缺陷诊断系统结构示意图。其中，变压器缺陷诊断系统402由机理分析模块404、异构数据接口模块406和小样本缺陷诊断模型408组成。在实际应用中，通过机理分析模块404获取仿真放电数据，通过异构数据接口模块406获取现场异构数据，通过小样本缺陷诊断模型408对仿真放电数据和现场异构数据进行缺陷诊断，得到缺陷诊断结果。
38.上述基于异构数据的变压器缺陷诊断方法、装置、计算机设备、存储介质和计算机程序产品，获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果；如此，实现了通过现场传感器数据对第一仿真模型的模型参数进行调整，得到第二仿真模型，通过第二仿真模型输出的第二仿真放电数据更接近现场实际状态，使得后续对变压器的缺陷诊断更为准确，并且，实现了通过第二仿真放电数据和现场异构数据对变压器的各类缺陷进行诊断，在特征数据量较小的情况下，实现了准确地识别变压器的缺陷，并且提高了缺陷识别速度。
39.在另一个实施例中，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型，包括：对第一仿真放电数据和现场传感器数据进行灰色关联分析，得到灰色关联分析结果；灰色关联分析结果表征第一仿真放电数据和现场传感器数据之间的关联程度大小；在灰色关联分析结果所表征的值小于或等于预设阈值的情况下，对第一仿真模型的模型参数进行调整，并返回对第一仿真放电数据和现场传感器数据进行灰色关联分析的步骤，直至灰色关联分析结果所表征的值大于预设阈值；将参数调整后的第一仿真模型作为第二仿真模型。
40.具体实现中，服务器将第一仿真放电数据和现场传感器数据进行灰色关联分析，
得到灰色关联分析结果，在灰色关联分析结果小于或者等于预设阈值的情况下，服务器对第一仿真模型的模型参数进行调整，直到第一仿真模型输出的第一仿真放电数据与现场传感器数据的灰色关联度达到预设阈值，则服务器将达到预设阈值时的第一仿真模型作为第二仿真模型。
41.本实施例的技术方案，通过将第一仿真模型输出的第一仿真放电数据和现场传感器数据进行灰色关联分析，根据灰色关联分析结果，对第一仿真模型的模型参数进行调整，从而得到第二仿真模型，如此，可以实现输出更接近变压器现场实际情况的放电特征数据，有利于后续对变压器缺陷的准确识别。
42.在另一个实施例中，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到缺陷诊断结果，包括：对现场异构数据和第二仿真放电数据进行分类处理，得到变压器运行时对应的多个特征数据帧；各特征数据帧具有不同的运行数据类型；运行数据类型包括与变压器关联的负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体中的至少一种；将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果。
43.其中，油温可以是变压器顶层的油的温度。
44.其中，绕组温度可以是变压器绕组的温度。
45.其中，振动特征可以是由变压器的绕组和铁芯振动产生的特征。
46.其中，局部放电信号可以是指变压器放电所产生的放电信号。
47.其中，中心点接地电流可以是变压器为了达到运行要求状态而流入大地的电流。
48.其中，铁芯接地电流可以是变压器产生故障时为保证安全而流入大地的电流。
49.其中，油中溶解气体可以是变压器内部以分子状态溶解在油中的气体。
50.具体实现中，服务器将现场异构数据和第二仿真放电数据进行分类处理，按照负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体进行分类，并将负荷运行数据输入至用于确定负荷信息异常的预训练的缺陷诊断模型、将油温运行数据输入至用于确定油温信息异常的预训练的缺陷诊断模型、将绕组温度运行数据输入至用于确定绕组温度信息异常的预训练的缺陷诊断模型、将振动特征运行数据输入至用于确定振动特征信息异常的预训练的缺陷诊断模型、将局部放电信号运行数据输入至用于确定局部放电信号信息异常的预训练的缺陷诊断模型、将中心点接地电流运行数据输入至用于确定中心点接地电流信息异常的预训练的缺陷诊断模型、将铁芯接地电流运行数据输入至用于确定铁芯接地电流信息异常的预训练的缺陷诊断模型、将油中溶解气体运行数据输入至用于确定油中溶解气体信息异常的预训练的缺陷诊断模型，得到各特征数据帧对应的缺陷诊断结果。
51.本实施例的技术方案，通过将现场异构数据和第二仿真放电数据进行分帧处理，得到变压器运行时对应的多个特征数据帧，将各特征数据帧对应的运行数据输入至预训练的缺陷诊断模型，得到各特征数据帧对应的缺陷诊断结果，从负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体多个方面确定变压器的缺陷，能够准确地确定变压器的缺陷情况，提高了对变压器缺陷诊断的准确率。
52.在另一个实施例中，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，包括：将各预训练的缺陷诊断模型由浮点数结构模型转
换为定点数结构模型，得到量化后缺陷诊断模型；将各运行数据类型对应的特征数据帧输入至相应的量化后缺陷诊断模型，得到变压器的缺陷诊断结果。
53.其中，量化后缺陷诊断模型可以是用于确定变压器缺陷的定点数结果模型。
54.其中，缺陷诊断结果可以是表征变压器的内部缺陷情况的结果，例如，缺陷诊断结果可以是表征变压器内部出现绕组过热、绕组松动变形、匝间与饼间绝缘缺陷、套管缺陷等运行缺陷。
55.具体实现中，服务器将各个预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后的缺陷诊断模型，服务器将负荷运行数据输入至用于确定负荷信息异常的量化后缺陷诊断模型、将油温运行数据输入至用于确定油温信息异常的量化后缺陷诊断模型、将绕组温度运行数据输入至用于确定绕组温度信息异常的量化后缺陷诊断模型、将振动特征运行数据输入至用于确定振动特征信息异常的量化后缺陷诊断模型、将局部放电信号运行数据输入至用于确定局部放电信号信息异常的量化后缺陷诊断模型、将中心点接地电流运行数据输入至用于确定中心点接地电流信息异常的量化后缺陷诊断模型、将铁芯接地电流运行数据输入至用于确定铁芯接地电流信息异常的量化后缺陷诊断模型、将油中溶解气体运行数据输入至用于确定油中溶解气体信息异常的量化后缺陷诊断模型，确定变压器的缺陷诊断结果，即确定变压器的内部是否存在绕组过热、绕组松动变形、匝间与饼间绝缘缺陷、套管缺陷等缺陷。
56.本实施例的技术方案，通过将各预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型，该量化后缺陷诊断模型与原来的缺陷诊断模型相比，具有更高的数据运算速度，能够更快地对各运行数据类型对应的特征数据帧进行处理，有利于对变压器缺陷的快速识别。
57.在另一个实施例中，应用于计算机设备，计算机设备并行运行有通过fpga建立的至少两个加速网络，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，包括：将各运行数据类型对应的特征数据帧输入至相应的加速网络，得到加速网络返回的缺陷诊断结果；其中，加速网络用于将相应的预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型；将相应的特征数据帧输入至量化后缺陷诊断模型，得到相应的缺陷诊断结果。
58.其中，fpga是现场可编程逻辑门阵列，即一个含有可编辑元件的半导体设备，是可供使用者现场程式化的逻辑门阵列元件。
59.其中，加速网络可以是lstm循环神经网络。加速网络可以将32位浮点数结构的缺陷诊断模型转换为12位定点数结构的缺陷诊断模型。
60.具体实现中，服务器通过fpga建立多个lstm加速神经网络，其中每个lstm加速神经网络负责处理一个特征数据帧，lstm加速神经网络可先将预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型，服务器再将各特征数据帧分别输入至对应的lstm加速神经网络中的量化后缺陷诊断模型中，得到相应的缺陷诊断结果。
61.为了便于本领域技术人员的理解，图5示例性地提供了一种变压器的缺陷诊断流程图。其中，将读取的各特征数据帧通过数据库写入单元502写入至诊断分析单元504的高速存储器中，再通过fpga-lstm加速网络506对各特征数据帧进行缺陷诊断，从而得到缺陷
诊断结果。
62.本实施例的技术方案，通过将各运行数据类型对应的特征数据帧输入至相应的加速网络中，得到加速网络返回的缺陷结果，其中，利用了fpga构建了多个并行运算单元，将各特征数据帧输入至相应的并行运算单元中的加速网络，实现了将数据运算过程硬件化，能够提高变压器的缺陷诊断速度。
63.在另一个实施例中，获取变压器的现场传感器数据，包括：获取变压器对应的传感器数据；传感器数据为变压器在电力系统所处位置处设置的多个传感器所读取的数据；各传感器数据均采用同一种预设的数据结构；将传感器数据进行封装处理，得到现场传感器数据。
64.其中，各传感器数据可以是具有相同数据类型的传感器原始波形数据。
65.具体实现中，服务器获取电力系统中变压器附近的多个通道传感器的原始波形数据，服务器再将多个通道传感器的原始波形数据进行封装，得到现场传感器数据。
66.本实施例的技术方案，通过获取变压器在电力系统所处位置周围设置的多个传感器的数据，并将多个传感器的数据进行封装，得到现场传感器数据，有利于后续获取更接近现场实际情况的放电特征数据，以提高对变压器的缺陷诊断准确率。
67.在另一个实施例中，获取变压器的现场异构数据，包括：采集变压器在电力系统所处位置的异构数据；异构数据包括现场监测文本、图片、波形中的至少一种；根据异构数据对应的采集时间和采样率，对异构数据进行封装处理，得到现场异构数据。
68.其中，异构数据是指不同数据格式的数据，例如图片数据和文字数据具有不同的数据格式，可将图片数据和文字数据称为异构数据。
69.其中，采集时间可以是采集数据的时间点，每一个采集的时间点对应一个m维数据向量，当采集时间点有l个时，将异构数据封装为l行m列矩阵。
70.具体实现中，服务器采集变压器在电力系统所处位置的文本数据、图像数据和波形数据等异构数据，将异构数据封装成数据矩阵，在封装好后的数据包后加入各类异构数据的采集时间和采样率，从而得到现场异构数据。
71.为了便于本领域技术人员理解，图6示例性地提供了一种将异构数据进行封装的流程图。其中，通过异构数据接口602（对应于图4的异构数据接口模块406）读取现场异构数据，并将现场异构数据缓存至大小为10g的缓存空间604中，再通过数据矩阵封装模块606将已缓存的异构数据（包括变压器在电力系统所处位置的现场文本数据、现场图片数据和现场报告等现场异构数据）根据采集时间l，封装为统一的m行l列数据矩阵，且将各类现场异构数据封装成为统一格式的数据包后，在数据包后加入各类现场异构数据的采集时长信息和采样率信息，如此完成现场异构数据的数据封装。
72.本实施例的技术方案，通过采集变压器在电力系统所处位置的异构数据，并将异构数据进行封装，得到现场异构数据，如此可以获取到变压器不同类型缺陷产生的各类特征数据，能够较为准确地确定变压器的缺陷情况，有利于变压器的缺陷识别。
73.在另一个实施例中，如图7所示，提供了一种基于异构数据的变压器缺陷诊断方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：步骤s702，获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据。
74.步骤s704，获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度。
75.步骤s706，获取变压器的现场异构数据，对现场异构数据和第二仿真放电数据进行分类处理，得到变压器运行时对应的多个特征数据帧；各特征数据帧具有不同的运行数据类型；运行数据类型包括与变压器关联的负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体中的至少一种。
76.步骤s708，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果。
77.需要说明的是，上述步骤的具体限定可以参见上文对一种基于异构数据的变压器缺陷诊断方法的具体限定。
78.应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。
79.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的基于异构数据的变压器缺陷诊断方法的基于异构数据的变压器缺陷诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于异构数据的变压器缺陷诊断装置实施例中的具体限定可以参见上文中对于基于异构数据的变压器缺陷诊断方法的限定，在此不再赘述。
80.在一个实施例中，如图8所示，提供了一种基于异构数据的变压器缺陷诊断装置，包括：获取模块802，用于获取模拟变压器放电的第一仿真模型；第一仿真模型用于输出变压器的第一仿真放电数据；调整模块804，用于获取变压器的现场传感器数据，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型；第二仿真模型用于输出变压器的第二仿真放电数据；第二仿真放电数据与现场传感器数据的相关程度大于第一仿真放电数据与现场传感器数据的相关程度；诊断模块806，用于获取变压器的现场异构数据，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到变压器的缺陷诊断结果。
81.在其中一个实施例中，根据第一仿真放电数据和现场传感器数据，对第一仿真模型的模型参数进行调整，得到第二仿真模型，调整模块804，具体用于对第一仿真放电数据和现场传感器数据进行灰色关联分析，得到灰色关联分析结果；灰色关联分析结果表征第一仿真放电数据和现场传感器数据之间的关联程度大小；在灰色关联分析结果所表征的值小于或等于预设阈值的情况下，对第一仿真模型的模型参数进行调整，并返回对第一仿真
放电数据和现场传感器数据进行灰色关联分析的步骤，直至灰色关联分析结果所表征的值大于预设阈值；将参数调整后的第一仿真模型作为第二仿真模型。
82.在其中一个实施例中，将现场异构数据和第二仿真放电数据输入至预训练的缺陷诊断模型，得到缺陷诊断结果，诊断模块806，具体用于对现场异构数据和第二仿真放电数据进行分类处理，得到变压器运行时对应的多个特征数据帧；各特征数据帧具有不同的运行数据类型；运行数据类型包括与变压器关联的负荷情况、油温、绕组温度、振动特征、局部放电信号、中心点接地电流、铁芯接地电流、油中溶解气体中的至少一种；将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果。
83.在其中一个实施例中，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，诊断模块806，具体用于将各预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型；将各运行数据类型对应的特征数据帧输入至相应的量化后缺陷诊断模型，得到变压器的缺陷诊断结果。
84.在其中一个实施例中，应用于计算机设备，计算机设备并行运行有通过fpga建立的至少两个加速网络，将各运行数据类型对应的特征数据帧输入至相应的预训练的缺陷诊断模型，得到缺陷诊断结果，诊断模块806，具体用于将各运行数据类型对应的特征数据帧输入至相应的加速网络，得到加速网络返回的缺陷诊断结果；其中，加速网络用于将相应的预训练的缺陷诊断模型由浮点数结构模型转换为定点数结构模型，得到量化后缺陷诊断模型；将相应的特征数据帧输入至量化后缺陷诊断模型，得到相应的缺陷诊断结果。
85.在其中一个实施例中，获取变压器的现场传感器数据，调整模块804，具体用于获取变压器对应的传感器数据；传感器数据为变压器在电力系统所处位置处设置的多个传感器所读取的数据；各传感器数据均采用同一种预设的数据结构；将传感器数据进行封装处理，得到现场传感器数据。
86.在其中一个实施例中，获取变压器的现场异构数据，诊断模块806，具体用于采集变压器在电力系统所处位置的异构数据；异构数据包括现场监测文本、图片、波形中的至少一种；根据异构数据对应的采集时间和采样率，对异构数据进行封装处理，得到现场异构数据。
87.上述基于异构数据的变压器缺陷诊断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。
88.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服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储基于异构数据的变压器缺陷诊断数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于异构数据的变压器缺陷诊断方法。
89.本领域技术人员可以理解，图9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。
90.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，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于异构数据的变压器缺陷诊断方法的步骤。此处一种基于异构数据的变压器缺陷诊断方法的步骤可以是上述各个实施例的一种基于异构数据的变压器缺陷诊断方法中的步骤。
91.在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于异构数据的变压器缺陷诊断方法的步骤。此处一种基于异构数据的变压器缺陷诊断方法的步骤可以是上述各个实施例的一种基于异构数据的变压器缺陷诊断方法中的步骤。
92.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种基于异构数据的变压器缺陷诊断方法的步骤。此处一种基于异构数据的变压器缺陷诊断方法的步骤可以是上述各个实施例的一种基于异构数据的变压器缺陷诊断方法中的步骤。
93.需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
94.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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。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等。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。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
95.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。
96.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本技术专利范围的限制。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，本技术的保护范围应以所附权利要求为准。