换流变压器故障检测方法、装置、设备、介质和程序产品与流程

1.本技术涉及电力系统技术领域，特别是涉及一种换流变压器故障检测方法、装置、设备、介质和程序产品。


背景技术：

2.随着电力系统技术领域的发展，越来越多的技术人员选择通过振动信号采集装置获取换流变压器的振动信号，从而实现实时监测换流变压器的运行状态。
3.然而，采用现有技术对换流变压器的振动信号进行监测时，可能存在监测数值滞后于实际数值的问题，该问题直接导致了换流变压器的早期故障隐患难以被及时发现。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种换流变压器故障检测方法、装置、设备、介质和程序产品。
5.第一方面，本技术提供了一种换流变压器故障检测方法。所述方法包括：
6.获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；
7.利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；
8.将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；
9.根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
10.第二方面，本技术还提供了一种换流变压器故障检测装置。所述装置包括：
11.振动信号获取单元，用于获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；
12.振幅序列分解单元，用于利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；
13.状态参数输出单元，用于将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；
14.检测结果获取单元，用于根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
15.第三方面，本技术还提供了一种计算机设备。所述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：
16.获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
17.第四方面，本技术还提供了一种计算机可读存储介质。所述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：
18.获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
19.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
20.获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
21.上述换流变压器故障检测方法、装置、计算机设备、存储介质和计算机程序产品，首先，获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列。然后，利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量。接着，将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数。最后，根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。该方案采用完全自适应噪声集合经验模态分解法及lstnet网络模型相结合的方法获取换流变压器的振动信号状态参数，不仅能够克服基于现有技术获取的换流变压器的振动信号监测数值可能滞后于实际数值的问题，还能实现实时监测与评估换流变压器中的绕组及铁芯的机械状态，进而帮助技术人员及时发现换流变压器的早期故障隐患。
附图说明
22.图1为一个实施例中换流变压器故障检测方法的流程示意图；
23.图2为一个实施例中采用lstnet网络模型处理多维参数矩阵的具体方式的流程示意图；
24.图3为一个实施例中采用完全自适应噪声集合经验模态分解法处理离散振幅序列的具体方式的流程示意图；
25.图4为一个实施例中获取换流变压器的振动信号的具体方式的流程示意图；
26.图5为针对处于空载工况下的换流变压器进行振动加速度信号数据采集时，在换流变压器的箱体上贴设多个多通道振动传感器的位置示意图；
27.图6为针对处于负载工况下的换流变压器进行振动加速度信号数据采集时，在换流变压器的箱体上贴设多个多通道振动传感器的位置示意图；
28.图7为处于空载工况下的换流变压器的振动幅值预测值与实际测试数据的对比图；
29.图8为处于负载工况下的换流变压器的振动幅值预测值与实际测试数据的对比
图；
30.图9为一个实施例中换流变压器故障检测装置的结构框图；
31.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
32.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。
33.本技术实施例提供的换流变压器故障检测方法，可以应用于服务器执行。其中，数据存储系统可以存储服务器需要处理的数据；数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上；服务器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。
34.在一个实施例中，如图1所示，提供了一种换流变压器故障检测方法，以该方法应用于服务器为例进行说明，包括以下步骤：
35.步骤s101，获取换流变压器的振动信号，并将振动信号转化为离散振幅序列。
36.本步骤中，振动信号可以由振动加速度信号经处理后得到；获取换流变压器的振动信号的方式，可以是在换流变压器上布置多个测试点进行采集，并采用振动信号采集系统针对多个测试点采集得到的振动信号进行汇总处理；换流变压器的振动信号，可以是处于不同工况下的换流变压器的振动信号，例如，处于空载工况下的换流变压器的振动信号、处于负载工况下的换流变压器的振动信号。
37.步骤s102，利用完全自适应噪声集合经验模态分解法处理离散振幅序列，得到本征模态函数分量及残差分量。
38.本步骤中，利用完全自适应噪声集合经验模态分解法处理离散振幅序列，是指利用完全自适应噪声集合经验模态分解法，对离散振幅序列进行分解处理；本征模态函数分量与残差分量之间存在对应关系。
39.步骤s103，将由本征模态函数分量及残差分量构成的多维参数矩阵输入至lstnet网络模型，得到lstnet网络模型输出的振动信号状态参数。
40.本步骤中，将由本征模态函数分量及残差分量构成的多维参数矩阵输入至lstnet网络模型的方式，可以是将由本征模态函数分量及残差分量构成的多维参数矩阵以多维时间序列的形式输入至lstnet网络模型；lstnet网络模型输出的振动信号状态参数，可以是换流变压器振动状态的预测参数，该预测参数可以是能够针对换流变压器的箱体振幅、振动加速度、频谱复杂度等振动关键参数的预测参数，也可以用于评估换流变压器中的绕组及铁芯的机械状态，进而判断换流变压器中的绕组及铁芯是否存在变形、松动等早期故障隐患。
41.步骤s104，根据振动信号状态参数，得到换流变压器的故障检测结果。
42.本步骤中，在明确了lstnet网络模型输出的振动信号状态参数，可以是换流变压器振动状态的预测参数的前提下，根据振动信号状态参数得到的换流变压器的故障检测结果，可以是根据换流变压器振动状态的预测参数得到的关于换流变压器中的绕组及铁芯的机械状态评估结果，该评估结果可以用于判断换流变压器中的绕组及铁芯是否存在变形、
松动等早期故障隐患。
43.上述换流变压器故障检测方法，首先，获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列。然后，利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量。接着，将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数。最后，根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。该方案采用完全自适应噪声集合经验模态分解法及lstnet网络模型相结合的方法获取换流变压器的振动信号状态参数，不仅能够克服基于现有技术获取的换流变压器的振动信号监测数值可能滞后于实际数值的问题，还能实现实时监测与评估换流变压器中的绕组及铁芯的机械状态，进而帮助技术人员及时发现换流变压器的早期故障隐患。
44.对于采用lstnet网络模型处理多维参数矩阵的具体方式，在一个实施例中，如图2所示，lstnet网络模型配置有循环网络模块、循环跳跃模块、自回归预测模块及全连接层，上述步骤s103具体包括：
45.步骤s201，针对多维参数矩阵进行卷积操作及降维处理，得到经降维处理后的参数矩阵。
46.本步骤中，针对多维参数矩阵进行卷积操作及降维处理的方式，可以是将多维参数矩阵以多维时间序列的形式输入至卷积模块，由卷积模块针对前述多维时间序列的形式的多维参数矩阵进行卷积操作及降维处理，并输出经降维处理后的参数矩阵。
47.步骤s202，将经降维处理后的参数矩阵输入至循环网络模块及循环跳跃模块，得到表征长期时间相关性及周期相关性的第一预测向量。
48.本步骤中，循环网络模块可以由循环网络模型rnn构成；表征长期时间相关性及周期相关性的第一预测向量，可以由循环网络模块及循环跳跃模块针对经降维处理后的参数矩阵进行处理得到；循环网络模块及循环跳跃模块针对经降维处理后的参数矩阵进行处理的方式，可以是由循环网络模块及循环跳跃模块从经降维处理后的参数矩阵中提取长期时间相关性及周期相关性。
49.步骤s203，将多维参数矩阵输入至自回归预测模块，得到添加了线性成分的第二预测向量。
50.本步骤中，添加了线性成分的第二预测向量的获取方式，可以是由自回归预测模块针对多维时间序列的形式的多维参数矩阵进行参数预测并添加线性成分。
51.步骤s204，将第一预测向量及第二预测向量输入至全连接层，由全连接层拟合处理表征往期变化的函数关系，并采用损失函数反复迭代修正lstnet网络模型的参数，得到振动信号状态参数。
52.本步骤中，由全连接层拟合处理表征往期变化的函数关系，是指由全连接层拟合处理第一预测向量及第二预测向量中表征多维时间序列的形式的多维参数矩阵的往期变化的函数关系；采用损失函数反复迭代修正lstnet网络模型的参数，可以提高lstnet网络模型输出的振动信号状态参数的数据准确性。
53.上述实施例通过采用lstnet网络模型针对多维时间序列形式的多维参数矩阵进行处理的方式，来获取换流变压器的振动信号状态参数，该方式能够有效克服根据非线性、非周期振动信号针对换流变压器进行监测时，可能出现的监测数值滞后于实际数值的问
题。
54.对于设置循环跳跃模块的具体方式，在一个实施例中，上述步骤s103还包括：
55.在循环网络模块中的隐藏子模块之间添加跳跃连接结构，并将预设周期作为循环跳跃模块的跳跃步长；跳跃连接结构用于采集多个相同周期间隔的数据；预设周期根据输入的实际数据进行调整。
56.其中，循环网络模块可以由循环网络模型rnn构成；预设周期根据输入的实际数据进行调整，是指作为循环跳跃模块的跳跃步长的预设周期可以根据输入的实际数据进行调整，该调整可以使得循环跳跃模块能够实现针对经降维处理后的参数矩阵进行长期时间相关性及周期相关性的提取，进而提高lstnet网络模型输出的振动信号状态参数的准确性；跳跃连接结构采集多个相同周期间隔的数据的方式，可以是以跳跃连接结构为基础，通过循环跳跃连接采集多个相同周期间隔的数据，该过程可以采用如下表达式进行描述：
57.r
t
＝σ(x
twxr
+h
t-pwhr
+br)
58.u
t
＝σ(x
twxu
+h
t-pwhu
+bu)
59.c
t
＝relu(x
twxc
+r
t
⊙
)(h
t-pwhc
)+bc)
60.h
t
＝(1-u
t
)
⊙ht-p
+u
t
⊙ct
61.其中，x
t
为t时刻的网络的输入，σ为sigmoid函数，relu表示激活函数。w和b分别为对应时刻的权重参数矩阵及偏置，p为跳过循环网络模块中的隐藏子模块的数量。
62.上述实施例通过循环网络模块中的隐藏子模块之间添加跳跃连接结构的方式，使得循环跳跃模块能够实现针对经降维处理后的参数矩阵进行长期时间相关性及周期相关性的提取，该方式能够保障lstnet网络模型输出的振动信号状态参数的准确性。
63.对于采用完全自适应噪声集合经验模态分解法处理离散振幅序列的具体方式，在一个实施例中，如图3所示，上述步骤s103具体包括：
64.步骤s301，向离散振幅序列添加均值为零的高斯白噪声，得到预设个数的待分解序列。
65.本步骤中，预设个数的待分解序列，可以由向离散振幅序列添加均值为零的高斯白噪声得到；待分解序列的个数与向离散振幅序列添加均值为零的高斯白噪声的次数相对应，例如，向离散振幅序列添加k次均值为零的高斯白噪声，则会得到k个待分解序列，可以采用如下表达式式表示待分解序列xi(t)：
66.xi(t)＝x(t)+εδi(t)
67.其中，x(t)为离散振幅序列，ε为高斯白噪声权值系数，δi(t)为向离散振幅序列x(t)第i次添加的高斯白噪声。
68.步骤s302，利用完全自适应噪声集合经验模态分解法处理待分解序列，得到余量信号满足单调条件时的各个本征模态函数分量及残差分量。
69.本步骤中，利用完全自适应噪声集合经验模态分解法处理待分解序列的具体方式，可以是利用完全自适应噪声集合经验模态分解法对多个待分解序列依次进行分解处理；各个本征模态函数分量与残差分量之间存在对应关系。
70.结合上述步骤s301至步骤s302，对于采用完全自适应噪声集合经验模态分解法处理离散振幅序列的具体方式，以向离散振幅序列添加k次均值为零的高斯白噪声为例，进行总体说明：
71.首先，向离散振幅序列x(t)添加k次均值为零的高斯白噪声，得到k个待分解序列xi(t)，可以采用如下表达式表示待分解序列xi(t)：
72.xi(t)＝x(t)+εδi(t)
73.其中，x(t)为离散振幅序列，ε为高斯白噪声权值系数，δi(t)为向离散振幅序列x(t)第i次添加的高斯白噪声。
74.然后，针对待分解序列xi(t)进行经验模态分解(emd)，将分解得到的第一个模态分量的均值作为完全自适应噪声集合经验模态(ceemdad)分解得到的本征模态函数分量imf1，可以采用如下表达式表示本征模态函数imf1以及第一次分解后得到的余量信号r1(t)：
[0075][0076]
r1(t)＝x(t)-imf1(t)
[0077]
接着，针对余量信号r1(t)继续添加噪声并进行经验模态分解(emd)，重复前述操作直至第n阶段即可得到本征模态函数imfn以及残差分量rn，可以采用如下表达式表示本征模态函数imfn以及残差分量rn：
[0078][0079]rn
(t)＝r
n-1
(t)-imfn(t)
[0080]
最后，判断第n次分解得到的余量信号rn(t)是否为满足单调条件的单调信号。若余量信号rn(t)是满足单调条件的单调信号，则不再继续进行上述迭代求解的步骤，直接输出单调条件时的各个本征模态函数分量imf及残差分量rn；若余量信号rn(t)不是满足单调条件的单调信号，则继续进行上述迭代求解的步骤。
[0081]
上述实施例通过采用完全自适应噪声集合经验模态分解法处理离散振幅序列的方式，获取用于构建输入至lstnet网络模型的多维参数矩阵的本征模态函数分量及残差分量，该方式有利于提高根据lstnet网络模型输出的振动信号状态参数得到的换流变压器中的绕组及铁芯的机械状态评估结果的准确率，进而实现帮助技术人员及时发现换流变压器的早期故障隐患。
[0082]
对于获取换流变压器的振动信号的具体方式，在一个实施例中，如图4所示，上述步骤s101具体包括：
[0083]
步骤s401，采集换流变压器在三维方向上的振动加速度信号数据；振动加速度信号数据为换流变压器经基于加速度原理的多个多通道振动传感器采集得到；多个多通道振动传感器均贴设于换流变压器的箱体上。
[0084]
本步骤中，换流变压器可以是处于不同工况下的换流变压器，例如，处于空载工况下的换流变压器、处于负载工况下的换流变压器；当针对处于空载工况下的换流变压器进行振动加速度信号数据采集时，可以在换流变压器的箱体上贴设位置如图5所示的多个多通道振动传感器；当针对处于空载负况下的换流变压器进行振动加速度信号数据采集时，可以在换流变压器的箱体上贴设位置如图6所示的多个多通道振动传感器。
[0085]
步骤s402，对振动加速度信号数据进行汇总处理，得到换流变压器的振动信号。
[0086]
本步骤中，可以由振动信号参数采集系统，针对多个多通道振动传感器采集得到的振动加速度信号数据进行汇总处理；在明确了换流变压器可以是处于空载工况下的换流变压器或处于负载工况下的换流变压器的前提下，换流变压器的振动信号可以是处于空载工况下的换流变压器的振动信号或处于负载工况下的换流变压器的振动信号。
[0087]
上述实施例通过采集处于不同工况下的换流变压器的振动信号的方式，进行针对处于不同工况下的换流变压器中的绕组及铁芯的机械状态的实时监测与评估，该方式有利于提高根据换流变压器的振动信号获取到的振动信号状态参数的数据准确性，进而帮助技术人员及时发现换流变压器的早期故障隐患。
[0088]
在一个实施例中，以实际现场测得的换流变压器的振动信号作为原始数据，截取原始数据中的部分数据作为振动信号状态参数的预测参数样本，并以均方根误差(rmse)、平均绝对误差(mae)、平均绝对百分比误差(mape)以及90％置信区间准确率作为评价指标，针对上述换流变压器故障检测方法的有效性进行验证：
[0089]
首先，通过采用不同比例的测试集与训练集的方式，验证上述换流变压器故障检测方法在采用不同比例的测试集与训练集的情况下的具体实施效果，则可以得到如表1所示的数据。
[0090]
表1
[0091][0092]
通过分析如表1所示的数据可知，随着训练集占比的不断增加，采用上述换流变压器故障检测方法得到的振动状态参数的预测误差呈总体下降趋势，且90％置信区间准确率呈总体上升趋势。
[0093]
然后，将现场采集的处于空载及负载工况下的换流变压器的振动信号作为公用数据集，选取lstm、gru、svr、随机森林、lssvm等现有方法与上述换流变压器故障检测方法进行预测效果对比，分别对处于空载工况下的换流变压器的六个测点振幅数据以及处于负载工况下的换流变压器的六个测点振幅数据进行预测，则可以得到如表2所示的空载数据集的预测评价指标数据、如表3所示的负载数据集的预测评价指标数据、如图7所示的处于空载工况下的换流变压器的振动幅值预测值与实际测试数据的对比图以及如图8所示的处于负载工况下的换流变压器的振动幅值预测值与实际测试数据的对比图。
[0094]
表2
[0095][0096]
表3
[0097][0098]
结合如表2、3所示的数据进行分析可知，相较于其他的现有方法，采用上述换流变压器故障检测方法获取的预测参数误差更小，并且具有最高的90％置信区间准确率。此外，结合如图7所示的处于空载工况下的换流变压器的振动幅值预测值与实际测试数据的对比图以及如图8所示的处于负载工况下的换流变压器的振动幅值预测值与实际测试数据的对比图，可知采用上述换流变压器故障检测方法获取的处于负载、空载工况下的换流变压器的振动幅值预测值与实际测试数据均存在高度重合。
[0099]
上述实施例通过采用不同比例的测试集与训练集、与现有方法进行预测效果对比的方式，针对上述换流变压器故障检测方法的有效性进行了验证，由以上验证结果可知，相较于其他的现有方法，采用上述换流变压器故障检测方法获取的预测参数误差更小，并且具有较高的90％置信区间准确率。因此，经上述有效性验证可知，上述换流变压器故障检测方法能够实现实时监测与评估换流变压器中的绕组及铁芯的机械状态，进而帮助技术人员及时发现换流变压器的早期故障隐患。
[0100]
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。
[0101]
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换流变压器故障检测方法的换流变压器故障检测装置。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换流变压器故障检测装置实施例中的具体限定可以参见上文中对于换流变压器故障检测方法的限定，在此不再赘述。
[0102]
在一个实施例中，如图9所示，提供了一种换流变压器故障检测装置，该装置900包括：
[0103]
振动信号获取单元901，用于获取换流变压器的振动信号，并将所述振动信号转化为离散振幅序列；
[0104]
振幅序列分解单元902，用于利用完全自适应噪声集合经验模态分解法处理所述离散振幅序列，得到本征模态函数分量及残差分量；
[0105]
状态参数输出单元903，用于将由所述本征模态函数分量及所述残差分量构成的多维参数矩阵输入至lstnet网络模型，得到所述lstnet网络模型输出的振动信号状态参数；
[0106]
检测结果获取单元904，用于根据所述振动信号状态参数，得到所述换流变压器的故障检测结果。
[0107]
在一个实施例中，状态参数输出单元903，所述lstnet网络模型配置有循环网络模块、循环跳跃模块、自回归预测模块及全连接层；具体用于针对所述多维参数矩阵进行卷积操作及降维处理，得到经降维处理后的参数矩阵；将所述经降维处理后的参数矩阵输入至所述循环网络模块及所述循环跳跃模块，得到表征长期时间相关性及周期相关性的第一预测向量；将所述多维参数矩阵输入至所述自回归预测模块，得到添加了线性成分的第二预测向量；将所述第一预测向量及所述第二预测向量输入至所述全连接层，由所述全连接层拟合处理表征往期变化的函数关系，并采用损失函数反复迭代修正所述lstnet网络模型的参数，得到所述振动信号状态参数。
[0108]
在一个实施例中，状态参数输出单元903，还用于在所述循环网络模块中的隐藏子模块之间添加跳跃连接结构，并将预设周期作为所述循环跳跃模块的跳跃步长；所述跳跃连接结构用于采集多个相同周期间隔的数据；所述预设周期根据输入的实际数据进行调整。
[0109]
在一个实施例中，振幅序列分解单元902，具体用于向所述离散振幅序列添加均值为零的高斯白噪声，得到预设个数的待分解序列；利用所述完全自适应噪声集合经验模态分解法处理所述待分解序列，得到余量信号满足单调条件时的各个本征模态函数分量及残差分量。
[0110]
在一个实施例中，振动信号获取单元901，还用于采集所述换流变压器在三维方向上的振动加速度信号数据；所述振动加速度信号数据为所述换流变压器经基于加速度原理的多个多通道振动传感器采集得到；所述多个多通道振动传感器均贴设于所述换流变压器的箱体上；对所述振动加速度信号数据进行汇总处理，得到所述换流变压器的所述振动信号。
[0111]
上述换流变压器故障检测装置中的各个单元可全部或部分通过软件、硬件及其组
合来实现。上述各单元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单元对应的操作。
[0112]
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10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换流变压器的振动信号等数据。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换流变压器故障检测方法。
[0113]
本领域技术人员可以理解，图10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。
[0114]
在一个实施例中，还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方法实施例中的步骤。
[0115]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0116]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0117]
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。
[0118]
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。
[0119]
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。
[0120]
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。