故障预测模型训练方法和装置、故障预测方法与流程

本申请涉及变压器故障预测，特别是涉及一种故障预测模型训练方法和装置、故障预测方法、计算机设备和存储介质。

背景技术：

1、电力设备作为能源从生产、输送到使用的承担者，一旦出现故障，将会严重影响人民群众的日常生活和社会经济生产。变压器作为重要的电力设备，其安全可靠的运行尤为重要。目前，出现了很多训练神经网络预测模型来对变压器的故障进行预测的方法。

2、在实现过程中，发明人发现传统技术中至少存在如下问题：传统技术在训练变压器故障预测模型时，容易陷入局部最优且收敛速度较慢。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种不易陷入局部最优解且收敛速度较快的故障预测模型训练方法和装置、故障预测方法、计算机设备和存储介质。

2、第一方面，本申请提供了一种故障预测模型训练方法。所述方法包括：

3、获取变压器的运行特征数据；其中，所述运行特征数据包括：溶解气体数据、局部放电数据、绕组变形数据、绕组热点温度数据以及绝缘水分数据中的至少一种；

4、对所述运行特征数据进行特征选择处理，得到样本数据；

5、对所述样本数据进行特征提取处理，得到特征数据；

6、将所述特征数据输入待训练预测模型中，计算得到输出误差；

7、若所述输出误差大于等于预设误差，则计算雅可比矩阵以得到权值调整数据，并根据所述权值调整数据更新所述待训练预测模型；

8、若所述输出误差小于所述预设误差，则将当前的所述待训练预测模型作为故障预测模型。

9、在其中一个实施例中，所述对所述运行特征数据进行特征选择处理，得到样本数据的步骤，包括：

10、对所述运行特征数据进行归一化处理，得到修正数据；其中，所述修正数据包括多个随机变量；

11、运用互信息算法对所述修正数据进行筛选处理，得到所述样本数据。

12、在其中一个实施例中，所述运用互信息算法对所述修正数据进行筛选处理，得到所述样本数据的步骤，包括：

13、计算任意两个所述随机变量之间的互信息值；

14、若所述互信息值大于预设阈值，则将对应的两个所述随机变量作为保留数据；

15、将全部所述保留数据作为所述样本数据。

16、在其中一个实施例中，所述对所述样本数据进行特征提取处理，得到特征数据的步骤，包括：

17、基于所述样本数据训练深度置信网络，得到训练好的特征提取模型；

18、将所述样本数据输入所述特征提取模型中，得到所述特征数据。

19、在其中一个实施例中，所述基于所述样本数据训练深度置信网络，得到训练好的特征提取模型的步骤，包括：

20、初始化所述深度置信网络；其中，所述深度置信网络包括多个受限玻尔兹曼机；

21、基于所述样本数据并采用对比散度算法训练每一所述受限玻尔兹曼机，直至全部受限玻尔兹曼机训练完成；

22、将全部训练好的受限玻尔兹曼机作为所述特征提取模型。

23、在其中一个实施例中，所述将所述特征数据输入待训练预测模型中，计算得到输出误差的步骤，包括：

24、将所述特征数据输入反向传播神经网络中，得到预测向量；

25、通过最小二乘法计算所述预测向量和真实向量之间的误差值，得到所述输出误差。

26、第二方面，本申请还提供了一种故障预测方法。所述方法包括：获取变压器的在线监测数据；

27、对所述在线监测数据进行特征选择处理，得到样本数据；

28、对所述样本数据进行特征提取处理，得到特征数据；

29、将所述特征数据输入训练好的故障预测模型中，得到当前故障状态；其中，所述故障预测模型由第一方面所述的故障预测模型训练方法训练得到。

30、第三方面，本申请还提供了一种故障预测模型训练装置。所述装置包括：

31、数据获取模块，用于获取变压器的运行特征数据；

32、特征选择模块，用于对所述运行特征数据进行特征选择处理，得到样本数据；

33、特征提取模块，用于对所述样本数据进行特征提取处理，得到特征数据；

34、训练模块，用于将所述特征数据输入待训练预测模型中，计算得到输出误差；若所述输出误差大于等于预设误差，则计算雅可比矩阵以得到权值调整数据，并根据所述权值调整数据更新所述待训练预测模型；若所述输出误差小于所述预设误差，则将当前的所述待训练预测模型作为故障预测模型。

35、第四方面，本申请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上述方法的步骤。

36、第五方面，本申请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上述方法的步骤。

37、上述故障预测模型训练方法和装置、故障预测方法、计算机设备和存储介质，在对待训练预测模型进行训练时，通过判断输出误差与预设误差的大小，并通过计算雅可比矩阵来得到权值调整数据，以对待训练预测模型进行更新。使用雅可比矩阵计算得到的权值调整数据在更新训练待训练预测模型时，不容易陷入局部最优解，且模型的收敛速度较快。

技术特征：

1.一种故障预测模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述运行特征数据进行特征选择处理，得到样本数据的步骤，包括：

3.根据权利要求2所述的方法，其特征在于，所述运用互信息算法对所述修正数据进行筛选处理，得到所述样本数据的步骤，包括：

4.根据权利要求1所述的方法，其特征在于，所述对所述样本数据进行特征提取处理，得到特征数据的步骤，包括：

5.根据权利要求4所述的方法，其特征在于，所述基于所述样本数据训练深度置信网络，得到训练好的特征提取模型的步骤，包括：

6.根据权利要求1所述的方法，其特征在于，所述将所述特征数据输入待训练预测模型中，计算得到输出误差的步骤，包括：

7.一种故障预测方法，其特征在于，所述方法包括：

8.一种故障预测模型训练装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的故障预测模型训练方法的步骤或权利要求7所述的故障预测方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的故障预测模型训练方法的步骤或权利要求7所述的故障预测方法的步骤。

技术总结
本申请涉及一种故障预测模型训练方法和装置、故障预测方法。故障预测模型训练方法包括：获取变压器的运行特征数据；对运行特征数据进行特征选择处理，得到样本数据；对样本数据进行特征提取处理，得到特征数据；将特征数据输入待训练预测模型中，计算得到输出误差；若输出误差大于等于预设误差，则计算雅可比矩阵以得到权值调整数据，并根据权值调整数据更新待训练预测模型；若输出误差小于预设误差，则将当前的待训练预测模型作为故障预测模型。使用雅可比矩阵计算得到的权值调整数据在更新训练待训练预测模型时，不容易陷入局部最优解，且模型的收敛速度较快。

技术研发人员：蒋文辉,梁博,程凌森,赵亮,陈波,周波,蒋愈勇,张家兴,李凡,陈煜敏,陈光侵,王玉龙
受保护的技术使用者：南方电网数字电网研究院有限公司
技术研发日：
技术公布日：2024/1/13