一种变压器故障预警模型建立方法、预警方法及装置与流程

1.本发明属于人工智能技术领域，涉及一种变压器故障预警模型建立方法、预警方法及装置，特别涉及一种基于图神经网络和决策树模型的变压器故障预警模型建立方法、预警方法及装置。


背景技术：

2.变压器油是石油的一种分馏产物，主要成分为烷烃、环烷族饱和烃，芳香族不饱和烃等化合物。变压器的绝缘油是许多不同分子量的碳氢化合物分子组成的混合物，分子中含有ch3、ch2和ch化学基因，并由c-c键键合在一起。电或热故障的结果可以使某些c-h键和c-c键断裂，伴随生成少量活泼的氢原子和不稳定的碳氢化合物的自由基，这些氢原子或自由基通过复杂的化学反应重新化合，形成氢气和低烃类气体，如甲烷、乙烷、乙烯、乙炔等。变压器故障初期，所形成的气体溶解于油中，分析油中溶解气体的组份和含量是监视充油电气设备安全运行的最有效的措施之一。
3.基于油中溶解气体的传统变压器故障预警方案主要分为3个方向：基于关键值，基于机器学习，基于神经网络。基于关键值的分析法包含在我国已有30多年使用经验的三比值法，通过比较氢气、甲烷、乙烷、乙烯、乙炔五种气体的相对浓度与温度的相互依赖关系，并选用了两种溶解度和扩散系数相近的气体组分的比值作为判断故障性质的依据。随着电力生产的发展和科学技术水平的提高，对所使用的分析方法和分析结果的判断及解释加以补充和修订，中国电力科学研究院于2000年提出了《变压器油中溶解气体分析和判断导则》。其他的关键值分析法包含罗格斯指标、杜瓦尔三角、频率响应分析、谱分析(希尔伯特黄变换、快速傅里叶变换、小波变换、组合变换)等也在变压器故障预警方面获得广泛应用。基于机器学习的分析法包含：2016年提出的混合最小二乘支持向量机回归(mixed least square support vector regression，m-ls-svr)算法，使用线性和非线性函数的组合作为预测函数，利用真实数据自适应选择其混合比例因子；2017年提出的基于二次维数约简的油中溶解气体浓度预测方案，该方案基于灰色模型和支持向量机模型(svm)；2019年提出的一种基于随机森林的变压器油中溶解气体浓度预测方案等。基于神经网络的分析法包含：2020年提出的一种基于长短期记忆网络(lstm)的变压器油中溶解气体浓度预测模型；2020年提出一种名为ceemd-tcn模型的预测方法，将原始序列分解成不同尺度的子序列分量经过预处理后训练时间卷积网络并优化网络超参数各分量的预测结果叠加重构从而获得最终预测结果；使用bp神经网络进行预测；一种基于经验模态分解与长短期记忆神经网络的预测方法；一种基于深度信念网络的预测方法等。
4.关键值分析法依赖于先验知识，不具备较强的适用性，无法在不同运行环境、运维、通信、外部干扰下的装置上进行微调，同时缺乏预测精度，也无法完全捕捉台账数据对之间、数据时间和空间之间的信息，更无法做到提前报警。基于机器学习的故障诊断方案虽然具备一定的适用性、可解释性和预测性，然而必须预先设立假设如平稳性、气体对之间的线性依赖性等，通常适用于有确定性趋势的数据，较难适应复杂环境下的生产数据，并且计
算难度随着气体数量的增大呈现几何式增长，从而导致预测精度脚底。基于神经网络的故障诊断方案不对数据条件进行预设，具有很强的非线性拟合能力，而且自学习能力强大，学习规则简单，但是模型训练需要大量的样本数据，模型的预测效果和初始超参数的选择有很大关系，学习速度相对于目前流行的其他算法更慢，容易陷入局部极小值点，目前虽然有改进过的bp算法、遗传算法、模拟退火算法等多种优化方法，但在实际应用中依然难以求得全局最小值点，并且无法学习到气体对之间的关系，弱化了模型的可解释性。
5.图是数据的一种特殊表达用来描述节点之间的关联。图神经网络基于其排列不变性、局部不变性和组合性近年来在处理图数据上大获成功。在前向传播过程中，图神经网络让每个节点学习到它的相邻节点信息。每种油中溶解气体也可以被视为图中的一个节点，节点之间的关系可以用来映射设备的健康状态。目前最通用的图神经网络模型为时空卷积结构，其输入多维时序数据和一个图结构作为输入来预测下一时刻的数据值或类别。该方案相较于传统的多维时序预测方法有着明显的精度提高，然而具有两大缺陷。目前图神经网络方案需要预先定义好图结构从而实现时序预测，然而在现实中无法获得变压器油中溶解气体预先定义好的图结构，因为气体之间的依赖关系未知，需要通过数据来进行学习挖掘而非预先定义。另外目前大多数图神经网络即使获得了预先定义好的图结构，也只关注于信息前馈而忽略了图结构中的节点关系会在训练过程中不断变化这一问题。比如基于油中溶解气体数据生成的图结构中，每种气体对之间的单向关系并非一成不变，而是随着时间的变化不断发生更新，这种变化在故障发生前后尤为明显。
6.图神经网络可以划分为五大类别：图卷积网络(graph convolution networks，gcn)、图注意力网络(graph attention networks)、图自编码器(graph autoencoders)、图生成网络(graph generative networks)和图时空网络(graph spatial-temporal networks)。图卷积网络将卷积计算运用到图数据，是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。gcn方法又可以分为基于谱以及基于空间两大类。基于谱的方法从图信号处理的角度引入滤波器来定义图卷积，其中图卷积操作被解释为从图信号中去除噪声。基于空间的方法将图卷积表示为从邻域聚合特征信息，当图卷积网络的算法在节点层次运行时，图池化模块可以与图卷积层交错，将图粗化为高级子结构。在本方案中，主要也是借助gcn的思想来生成图邻接矩阵映射气体的单向关系。
7.在iec标准中，三比值法通过比较油中溶解气体组分浓度比值的大小来判断故障类型。然而三比值法只能在故障发生之后进行使用，无法做到提前预警，并且比值绝对固定，无法在不同运维、环境、通信下的变压器上进行微调。本方案中通过图神经网络学习油中溶解气体之间的单向关系并生成图邻接矩阵来表达，可以映射出不同时刻下设备的运行状态，同时也采用决策树模型对图邻接矩阵做出判断下一时刻变压器是否会发生故障，大大增强了图网络的可解释性。


技术实现要素：

8.本发明的目的是针对现有技术中存在的上述问题，提供了一种基于图神经网络和决策树模型的变压器故障预警模型建立方法、预警方法及装置。
9.本发明的第一个目的可通过下列技术方案来实现：一种变压器故障预警模型建立方法，其特征在于，包括以下步骤：
10.步骤s1：采集历史台账数据、训练图神经网络模型并记录图邻接矩阵：
11.步骤s1.1：采集变压器油中溶解的n种气体的历史台账数据，并按顺序排列；
12.步骤s1.2：对历史台账数据中的缺失值进行填充；
13.步骤s1.3：采集输入样本集以及输出样本集；
14.步骤s1.4：将每组输入样本和输出样本按照时间顺序进行训练，对输入样本的最后一条数据和输出样本使用标准差归一法进行归一化；
15.步骤s1.5：将输出样本最后一条经过归一化后的n个气体数值通过embedding层映射到二维空间，生成一个形状为n
×
n的矩阵，设置两个映射层，得到两个输出结果矩阵：f1和e2，如公式(3)：
16.e1＝embedding1(x)
17.e2＝embedding2(x)，
ꢀꢀꢀ
(3)；
18.步骤s1.6：对两个输出结果矩阵进行一次线性转换，转换后的矩阵依然为n
×
n形状的矩阵：y1和y2，如公式(4)：
19.y1＝a1
×
e1
t
+b1
20.y2＝a2
×
e2
t
+b2，
ꢀꢀꢀ
(4)；
21.步骤s1.7：对两个转换后的矩阵使用sigmoid函数进行激活，并在激活之前设置一个用于控制激活率的超参数β；
22.步骤s1.8：计算获得图邻接矩阵m；
23.步骤s1.9：根据下一时刻的气体变化生成对比图邻接矩阵m2；
24.步骤s1.10：损失函数mape为平均绝对百分比误差，将m和m2计算得到的误差反向传播，更新模型参数；
25.步骤s1.11：将每组输入样本和输出样本按步骤s1.1～步骤s1.10训练，每组输入样本和输出样本保留最优模型参数，下一组输入样本和输出样本训练调用上一组输入样本和输出样本训练得到的最优模型参数，最后一组输入样本和输出样本训练完得到最终模型，并保存模型训练过程中的图邻接矩阵；
26.步骤s2：将所有变压器设备训练过程中生成的图邻接矩阵合并，通过决策树模型判断图邻接矩阵的映射信息：
27.步骤s2.1：将每台变压器根据油中溶解气体数据训练生成的图邻接矩阵合并形成数据样本合集，将下一时刻将会发生故障的图邻接矩阵标记为故障数据样本集，其他的图邻接矩阵标注为正常数据样本集；
28.步骤s2.2：将每个图邻接矩阵转换为向量；
29.步骤s2.3：对所有的数据样本合集按照预设的比例划分训练数据集和验证数据集；
30.步骤s2.4：根据决策树id3算法模型，通过信息增益比准则选择划分图邻接矩阵的属性为正常或故障；
31.步骤s2.5：在训练数据集上完成特征提取工作，在验证数据集上验证模型精度。
32.本发明是针对不同变压器装置的油中溶解气体数据，将其视为图数据，通过图神经网络捕捉不同气体之间的单向关系变化并以图邻接矩阵来进行表达。根据正常和故障状态下的气体单向关系构建决策树模型，通过决策树模型对图邻接矩阵的判断对下一时刻变
压器是否会发生故障做到提前预警。本方案提出使用多项式拟合法对质量较低的台账数据进行修复，利用图神经网络实时捕捉气体之间的单向关系，无需先验知识生成图邻接矩阵，通过信息增益算法得到用于判断正常以及故障状态下图邻接矩阵的决策树模型。在实时预警应用中，根据图邻接矩阵输出的故障概率，结合气体关系的前后变化，实现对变压器的高精度提前预警。
33.在上述的变压器故障预警模型建立方法中，步骤s1.1中，变压器油中溶解的气体为9种，包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)、总烃(totalhydrocarbon)、一氧化碳(co)、二氧化碳(co2)、氧气(o2)，步骤s1.5、步骤s1.6和步骤s2.2中的矩阵为9
×
9矩阵。
34.在上述的变压器故障预警模型建立方法中，步骤s1.2中，填充方法为5阶多项式拟合的方法，如公式(1)：
[0035][0036]
w＝(x
t
x)-1
x
t
y，(1)。
[0037]
在上述的变压器故障预警模型建立方法中，步骤s1.3中，输入样本长度为18，为过往18个时刻的9种油中溶解气体数值，输出样本长度为1，为下个时刻的9种油中溶解气体数值，滑动窗口长度为1，为每隔1个时刻采集一次样本集，设z
t
∈r9为t时刻下的9种油中溶解气体数据值，z
t
[i]∈r为第i种气体在t时刻下的值，x＝{z
t1
，z
t2
，...，z
t18
}为一组输入样本，y＝{z
t19
}为对应的一组输出样本。
[0038]
在上述的变压器故障预警模型建立方法中，步骤s1.4中，标准差归一法如公式(2)：
[0039][0040]
为每组输入样本中每种气体的均值，σ为每种气体的标准差，若输入样本中某种气体的数值持续不变，则设置σ为0.00001防止无法归一化。
[0041]
在上述的变压器故障预警模型建立方法中，步骤s1.7中，激活方法如公式(5)：
[0042]
v1＝sigmσid(β
×
y1)
[0043]
v2＝sigmoid(β
×
y2)
[0044][0045]
步骤s1.8中，通过公式(6)计算图邻接矩阵：
[0046]
m＝relu(sigmoid(v1v2
t-v2v1
t
))，
ꢀꢀꢀ
(6)；
[0047]
步骤s1.9中，先计算得到气体数据的增长比率xi，如公式(7)：
[0048][0049]
为归一化后的输入样本最后一条数据，为归一化后的输出样本数据
[0050]
通过比较比率之间大小生成m2，如公式(8)：
[0051][0052]
步骤s1.10中，损失函数的计算方法如公式(9)：
[0053][0054]
步骤s1.11中，将每组输入样本和输出样本重复训练100轮，优化器为adam，初始学习率0.001，每20轮学习率衰减0.5。
[0055]
在上述的变压器故障预警模型建立方法中，步骤s2.2中，将每个形状为9
×
9的图邻接矩阵转换为长度为81的向量x＝{r1，r2，...，r
b1
}，r
ij
代表气体i到气体j之间的单向关系，根据图邻接矩阵的特性，当r
ij
具有权值时，r
ji
则为0，r
ii
权值为0，
[0056]
步骤s2.4中，决策树id3算法模型如公式(10)：
[0057]gr
(d，a)＝g(d，a)/h(d)
[0058]
g(d，a)＝h(d)-h(d|a)
[0059][0060][0061]
信息增益表示得知特征xj的信息而使所属分类的不确定性减少的程度，定义信息增益比gr(d，a)为信息增益g(d，a)与训练集d的经验熵h(d)之比，特征a对训练数据集d的信息增益g(d，a)，定义为集合d的经验熵h(d)与特征a给定情况下d的经验条件熵h(d|a)之差，pk为集合d的任一样本数据分类k的概率；
[0062]
步骤s2.5中，计算获得评估指标，包括预测类别与真实类别的accuracy、recall、precision、f1 score：
[0063][0064][0065][0066][0067]
tp代表分类器把正向的分类预测正确，tn代表分类器把负向的分类预测正常，fn代表分类器把正向的分类预测错误，fp代表分类器把负向的分类预测错误。
[0068]
在上述的变压器故障预警模型建立方法中，步骤s2.3中，训练数据集和验证数据集的预设比例为4：1。
[0069]
本发明的第二个目的可通过下列技术方案来实现：一种变压器故障预警方法，其特征在于，根据上述的一种变压器故障预警模型建立方法建立预警模型，还包括以下步骤：
[0070]
步骤s3：接收传感器传回服务器的变压器设备最新的油中溶解气体数值，实时推送该变压器设备的编码，并采集过往多个时刻的历史气体数值，和最新的数据合并，并将油中溶解气体按顺序进行排列；
[0071]
步骤s4：将输入的油中溶解气体数据进行归一化，记录下每种气体的均值以及标准差以及最后一条气体数据归一化后的结果
[0072]
步骤s5：将放入已经训练好的图神经网络模型，得到实时图邻接矩阵，映射气体节点之间的单向关系；
[0073]
步骤s6：将图邻接矩阵转换成向量，放入训练好的决策树模型中，得到下一时刻是否会发生故障的概率；
[0074]
步骤s7：结合预测值大小，通过导则判断下一时刻是否会发生故障，以及决策树模型输出的故障概率，判断变压器下一时刻的运行状态。
[0075]
在上述的变压器故障预警方法中，步骤s3中，采集17个时刻的历史气体数值，油中溶解气体为9种，包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)、总烃(totalhydrocarbon)、一氧化碳(co)、二氧化碳(co2)、氧气(o2)；
[0076]
步骤s6中，向量长度为81。
[0077]
本发明的第三个目的可通过下列技术方案来实现：一种变压器故障预警装置，包括输入端、输出端、一个或多个处理器、存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行上述一种变压器故障预警方法。
[0078]
与现有技术相比，本发明具有在实时预警应用中，根据图邻接矩阵输出的故障概率，结合气体关系的前后变化，实现对变压器的高精度提前预警的优点。
附图说明
[0079]
图1是本发明的一种变压器故障预警模型建立方法的流程图。
[0080]
图2是本发明的一种变压器故障预警模型建立方法的步骤1流程图。
[0081]
图3是本发明的一种变压器故障预警模型建立方法的步骤2流程图。
[0082]
图4是本发明的一种变压器故障预警方法的流程图。
具体实施方式
[0083]
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
[0084]
如图1-图4所示，一种变压器故障预警模型建立方法，其特征在于，包括以下步骤：
[0085]
步骤s1：采集历史台账数据、训练图神经网络模型并记录图邻接矩阵：
[0086]
步骤s1.1：采集变压器油中溶解的n种气体的历史台账数据，并按顺序排列；
[0087]
步骤s1.2：对历史台账数据中的缺失值进行填充；
[0088]
步骤s1.3：采集输入样本集以及输出样本集；
[0089]
步骤s1.4：将每组输入样本和输出样本按照时间顺序进行训练，对输入样本的最后一条数据和输出样本使用标准差归一法进行归一化；
[0090]
步骤s1.5：将输出样本最后一条经过归一化后的n个气体数值通过embedding层映射到二维空间，生成一个形状为n
×
n的矩阵，设置两个映射层，得到两个输出结果矩阵：f1和e2，如公式(3)：
[0091]
e1＝embedding1(x)
[0092]
e2＝embedding2(x)，
ꢀꢀꢀ
(3)；
[0093]
步骤s1.6：对两个输出结果矩阵进行一次线性转换，转换后的矩阵依然为
×
n形状的矩阵：y1和y2，如公式(4)：
[0094]
y1＝a1
×
e1
t
+b1
[0095]
y2＝a2
×
e2
t
+b2，
ꢀꢀꢀ
(4)；
[0096]
步骤s1.7：对两个转换后的矩阵使用sigmoid函数进行激活，并在激活之前设置一个用于控制激活率的超参数β；
[0097]
步骤s1.8：计算获得图邻接矩阵m；
[0098]
步骤s1.9：根据下一时刻的气体变化生成对比图邻接矩阵m2；
[0099]
步骤s1.10：损失函数mape为平均绝对百分比误差，将m和m2计算得到的误差反向传播，更新模型参数；
[0100]
步骤s1.11：将每组输入样本和输出样本按步骤s1.1～步骤s1.10训练，每组输入样本和输出样本保留最优模型参数，下一组输入样本和输出样本训练调用上一组输入样本和输出样本训练得到的最优模型参数，最后一组输入样本和输出样本训练完得到最终模型，并保存模型训练过程中的图邻接矩阵；
[0101]
步骤s2：将所有变压器设备训练过程中生成的图邻接矩阵合并，通过决策树模型判断图邻接矩阵的映射信息：
[0102]
步骤s2.1：将每台变压器根据油中溶解气体数据训练生成的图邻接矩阵合并形成数据样本合集，将下一时刻将会发生故障的图邻接矩阵标记为故障数据样本集，其他的图邻接矩阵标注为正常数据样本集；
[0103]
步骤s2.2：将每个图邻接矩阵转换为向量；
[0104]
步骤s2.3：对所有的数据样本合集按照预设的比例划分训练数据集和验证数据集；
[0105]
步骤s2.4：根据决策树id3算法模型，通过信息增益比准则选择划分图邻接矩阵的属性为正常或故障；
[0106]
步骤s2.5：在训练数据集上完成特征提取工作，在验证数据集上验证模型精度。
[0107]
进一步细说，步骤s1.1中，变压器油中溶解的气体为9种，包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)、总烃(totalhydrocarbon)、一氧化碳(co)、二氧化碳(co2)、氧气(o2)，步骤s1.5、步骤s1.6和步骤s2.2中的矩阵为9
×
9矩阵。
[0108]
进一步细说，步骤s1.2中，填充方法为5阶多项式拟合的方法，如公式(1)：
[0109][0110]
w＝(x
t
x)-1
x
t
y，(1)。
[0111]
进一步细说，步骤s1.3中，输入样本长度为18，为过往18个时刻的9种油中溶解气
体数值，输出样本长度为1，为下个时刻的9种油中溶解气体数值，滑动窗口长度为1，为每隔1个时刻采集一次样本集，设z
t
∈r9为t时刻下的9种油中溶解气体数据值，z
t
[i]∈r为第i种气体在t时刻下的值，x＝{z
t1
，z
t2
，...，z
t18
}为一组输入样本，y＝{z
t19
}为对应的一组输出样本。
[0112]
进一步细说，步骤s1.4中，标准差归一法如公式(2)：
[0113][0114]
为每组输入样本中每种气体的均值，σ为每种气体的标准差，若输入样本中某种气体的数值持续不变，则设置σ为0.00001防止无法归一化。
[0115]
进一步细说，步骤s1.7中，激活方法如公式(5)：
[0116]
v1＝sigmoid(β
×
y1)
[0117]
v2＝sigmoid(β
×
y2)
[0118][0119]
步骤s1.8中，通过公式(6)计算图邻接矩阵：
[0120]
m＝relu(sigmoid(v1v2
t-v2v1
t
))，
ꢀꢀꢀ
(6)；
[0121]
步骤s1.9中，先计算得到气体数据的增长比率xi，如公式(7)：
[0122][0123]
为归一化后的输入样本最后一条数据，为归一化后的输出样本数据
[0124]
通过比较比率之间大小生成m2，如公式(8)：
[0125][0126]
步骤s1.10中，损失函数的计算方法如公式(9)：
[0127][0128]
步骤s1.11中，将每组输入样本和输出样本重复训练100轮，优化器为adam，初始学习率0.001，每20轮学习率衰减0.5。
[0129]
进一步细说，步骤s2.2中，将每个形状为9
×
9的图邻接矩阵转换为长度为81的向量x＝{r1，r2…
，r
b1
}，r
ij
代表气体i到气体j之间的单向关系，根据图邻接矩阵的特性，当r
ij
具有权值时，r
ji
则为0，r
ii
权值为0，
[0130]
步骤s2.4中，决策树id3算法模型如公式(10)：
[0131]gr
(d，a)＝g(d，a)/h(d)
[0132]
g(d，a)＝h(d)-h(d|a)
[0133]
[0134][0135]
信息增益表示得知特征xj的信息而使所属分类的不确定性减少的程度，定义信息增益比gr(d，a)为信息增益g(d，a)与训练集d的经验熵h(d)之比，特征h对训练数据集d的信息增益g(d，a)，定义为集合d的经验熵h(d)与特征a给定情况下d的经验条件熵h(d|a)之差，pk为集合d的任一样本数据分类k的概率；
[0136]
步骤s2.5中，计算获得评估指标，包括预测类别与真实类别的accuracy、recall、precision、f1 score：
[0137][0138][0139][0140][0141]
tp代表分类器把正向的分类预测正确，tn代表分类器把负向的分类预测正常，fn代表分类器把正向的分类预测错误，fp代表分类器把负向的分类预测错误。
[0142]
进一步细说，步骤s2.3中，训练数据集和验证数据集的预设比例为4：1。
[0143]
一种变压器故障预警方法，其特征在于，根据上述的一种变压器故障预警模型建立方法建立预警模型，还包括以下步骤：
[0144]
步骤s3：接收传感器传回服务器的变压器设备最新的油中溶解气体数值，实时推送该变压器设备的编码，并采集过往多个时刻的历史气体数值，和最新的数据合并，并将油中溶解气体按顺序进行排列；
[0145]
步骤s4：将输入的油中溶解气体数据进行归一化，记录下每种气体的均值以及标准差以及最后一条气体数据归一化后的结果
[0146]
步骤s5：将放入已经训练好的图神经网络模型，得到实时图邻接矩阵，映射气体节点之间的单向关系；
[0147]
步骤s6：将图邻接矩阵转换成向量，放入训练好的决策树模型中，得到下一时刻是否会发生故障的概率；
[0148]
步骤s7：结合预测值大小，通过导则判断下一时刻是否会发生故障，以及决策树模型输出的故障概率，判断变压器下一时刻的运行状态。
[0149]
进一步细说，步骤s3中，采集17个时刻的历史气体数值，油中溶解气体为9种，包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)、总烃(totalhydrocarbon)、一氧化碳(co)、二氧化碳(co2)、氧气(o2)；
[0150]
步骤s6中，向量长度为81。
[0151]
一种变压器故障预警装置，包括输入端、输出端、一个或多个处理器、存储器，以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置由所述一个或多个处理器执行，所述程序包括用于执行上述一种变压器故障预警方法。
[0152]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0153]
尽管本文较多地使用了大量术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。