基于多模态神经网络的电力变压器健康状态评估方法技术

本发明专利技术公开了一种基于多模态神经网络的变压器健康状态评估方法，包括：采集各变电站中变压器的油中气体和红外图像；对采集的信息进行数据清洗和数据归一化，得到多模态矩阵；将多模态矩阵按比例划分为训练集和验证集；构建基于一维卷积神经网络和深度残差神经网络的多模态神经网络，输入训练集和验证集进行网络训练；利用实时采集的数据经过滤波后得到可训练的数据，进行健康状态评估和网络参数的更新。本发明专利技术利用一维卷积神经网络从油中气体数据中提取文本特征，深度残差神经网络从红外图像中提取图像特征，由稀疏注意力机制从文本特征和图像特征中获得电力变压器统一表征，并得到变压器的健康状态。该神经网络具有准确的评估性能和稳定的鲁棒性。估性能和稳定的鲁棒性。估性能和稳定的鲁棒性。

【技术实现步骤摘要】
基于多模态神经网络的电力变压器健康状态评估方法


[0001]本专利技术属于电力变压器健康状态评估
，更具体地，涉及一种基于多模态神经网络的电力变压器健康状态评估方法。

技术介绍

[0002]电网的安全稳定运行是可靠供电的基础。电网一旦发生故障，不仅损坏电力设备，停止供电，影响人民正常生产、生活，严重时还会危害公共安全，造成重大经济损失和不良社会影响。电力变压器是十分重要的电压转换节点，是变电站核心设备，并且电力变压器造价昂贵，突发故障停运会严重危害电力系统的安全。然而变压器在长期运行过程中，受热、电及其他因素影响，出现缺陷的风险逐渐增大，缺陷点会快速发展为故障，造成变压器停运，影响电网的稳定运行，甚至造成大面积停电。
[0003]电力变压器状态评估是判断变压器健康状态的一种有效手段。变压器在运行过程中积累的数据蕴含丰富状态信息，是进行状态评估和故障诊断的有效基础。通过对变压器的某些指标进行检测和分析，能够对电力变压器的健康状况做出准确、可靠的评估和诊断，为后续的处理方式提供有依据的决策。因此，制定有效、可靠的电力变压器状态评估方法已成为国内外学者和工程师们亟需解决的一个问题。目前，故障诊断方法针对单一模态的数据进行故障诊断，但变压器的数据具有多源、异构的特征，新的多模态故障诊断技术仍需要研究。然而在多模态学习应用的实际任务中，由于不同模态数据之间具有相似性，导致不同模态数据提供的信息存在一定的冗余，如果将不同模态的数据提取到的特征进行简单的拼接融合，往往会降低模型在目标任务上的性能。
专利技术内容
[0004]针对现有技术的以上缺陷或改进需求，本专利技术提出了一种基于多模态神经网络的电力变压器健康状态评估方法，解决现有技术中过于依赖各变量参数的选择、无法评估多变量情形下的健康状态等缺陷，评估效率和准确性更高。
[0005]为实现上述目的，本专利技术提供了一种基于多模态神经网络的电力变压器健康状态评估方法，包括：
[0006](1)采集各变电站中的多模态信息，其中，多模态信息包括：各变电站油测试、油中溶解气体和呋喃含量监测信息，以及变压器的红外图像数据；
[0007](2)对采集到的多模态信息进行数据清洗和数据归一化处理，得到多模态矩阵；
[0008](3)将多模态矩阵按比例划分为训练集和验证集，以对网络的参数进行训练；
[0009](4)构建基于一维卷积网络和深度残差神经网络的多模态神经网络，输入训练集和验证集进行多模态神经网络训练，学习变压器多模态数据的特征；
[0010](5)对实时运行的多模态数据进行健康状态评估，同时对多模态神经网络的权值进行微调，使多模态神经网络持续学习新的特征。
[0011]在一些可选的实施方案中，所述多模态信息包括：运行中变压器以及电力公司记
录的数据，其中每一组数据均包括文本数据和图像数据及其对应的变压器的健康状态，文本数据包含九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔、呋喃含量；图像数据包含变压器运行中的红外图像。
[0012]在一些可选的实施方案中，步骤(2)包括：
[0013](2.1)对多模态信息进行小波阈值去噪，以消除多模态信息中数据存在的噪声；
[0014](2.2)对去噪后的数据进行归一化处理，得到多模态矩阵。
[0015]在一些可选的实施方案中，步骤(2.1)包括：
[0016]对多模态信息进行两层小波分解获得逼近系数和细节系数，对逼近系数和细节系数分别用中值滤波进行处理；
[0017]对中值滤波后的逼近系数和细节系数进行重构，得到初步处理的光谱信号，将光谱信号进行小波分解，采用软阈值函数与无偏风险估计阈值对二次小波分解获得的逼近系数和细节系数进行去噪处理；
[0018]对去噪处理后的逼近系数和细节系数进行小波逆变换，获得最终去噪后的多模态信息中的数据。
[0019]在一些可选的实施方案中，在步骤(3)中将多模态信息中的数据划分为两部分，其中，若干比例的数据作为训练集，对多模态神经网络进行训练，剩下比例的数据作为测试集验证多模态神经网络对变压器健康状态评估效果。
[0020]在一些可选的实施方案中，步骤(4)包括：
[0021](4.1)构建一维卷积神经网络和深度残差神经网络的多模态神经网络，对图像数据进行特征提取，其中，深度残差神经网络由输入层、残差模块、softmax层、分类输出层组成；一维卷积神经网络由卷积层、全局平均池化层和激活函数层组成；
[0022](4.2)利用一维卷积神经网络对文本数据进行特征提取；
[0023](4.3)利用稀疏注意力机制对文本特征和图像特征进行重要信息提取，并输出变压器的健康状态。
[0024]在一些可选的实施方案中，步骤(4.1)包括：
[0025]残差模块包括归一化层、全局平均池化层、激励层、阈值层和残差相加层，残差模块的组成如下：
[0026]第一层为归一化层，其运用正则化方法对数据进行归一化，在归一化层中，计算所有数据的正则化后，对数据进行变化，使网络能够学习正则化的规律；
[0027]第二层为全局平均池化层，实现对传输中的数据降维，减少网络的训练参数；
[0028]第三层是激励层，目的是捕获通道之间的依赖关系；
[0029]第四层为激活层，第五层为激励层，第六层为激活函数层，第七层为阈值层，通过计算α，然后乘以第一层输出的数据，其中，z是由第六层输出的数据；
[0030]第八层为相加层，将第七层输出的数据与第一层输入的数据相加。
[0031]在一些可选的实施方案中，步骤(4.2)包括：
[0032]一维卷积神经网络的组成如下：第一层为卷积层，第二层为全局平局池化层，第三层为卷积层，第四层为全局平均池化层，第五层为激活函数层。
[0033]在一些可选的实施方案中，步骤(4.3)包括：
[0034]构建稀疏注意力机制对特征进行提取，注意机制将查询和一组键值映射到输出，使用KL发散度来度量查询稀疏性；
[0035]计算并归一化注意权重，注意层使用注意权值输出向量。
[0036]在一些可选的实施方案中，步骤(5)包括：
[0037]对于实时采集的多模态数据，进行数据清洗和数据归一化，然后将清洗和归一化后的数据进行分割为训练集和验证集，对多模态神经网络进行训练，进行健康状态评估，若需要增加新的数据类别或相关影响因素，利用原多模态神经网络作为预训练模型，激活所有层进行训练。
[0038]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0039]本专利技术的基于多模态神经网络的电力变压器健康状态评估方法，考虑到典型变压器健康状态评估过程中存在模态单一和精度较低等问题，利用多模态神经网络进行健康状态评估。综合考虑多模态神经网络的参数多和特征提取能力不同，创新性地构建了基于一维卷积神经网络和深度残差神经网络的多模态神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态神经网络的电力变压器健康状态评估方法，其特征在于，包括：(1)采集各变电站中的多模态信息，其中，多模态信息包括：各变电站油测试、油中溶解气体和呋喃含量监测信息，以及变压器的红外图像数据；(2)对采集到的多模态信息进行数据清洗和数据归一化处理，得到多模态矩阵；(3)将多模态矩阵按比例划分为训练集和验证集，以对网络的参数进行训练；(4)构建基于一维卷积网络和深度残差神经网络的多模态神经网络，输入训练集和验证集进行多模态神经网络训练，学习变压器多模态数据的特征；(5)对实时运行的多模态数据进行健康状态评估，同时对多模态神经网络的权值进行微调，使多模态神经网络持续学习新的特征。2.根据权利要求1所述的方法，其特征在于，所述多模态信息包括：运行中变压器以及电力公司记录的数据，其中每一组数据均包括文本数据和图像数据及其对应的变压器的健康状态，文本数据包含九种关键状态的含量：BDV、水含量、酸度、氢气、甲烷、乙烷、乙烯、乙炔、呋喃含量；图像数据包含变压器运行中的红外图像。3.根据权利要求1或2所述的方法，其特征在于，步骤(2)包括：(2.1)对多模态信息进行小波阈值去噪，以消除多模态信息中数据存在的噪声；(2.2)对去噪后的数据进行归一化处理，得到多模态矩阵。4.根据权利要求3所述的方法，其特征在于，步骤(2.1)包括：对多模态信息进行两层小波分解获得逼近系数和细节系数，对逼近系数和细节系数分别用中值滤波进行处理；对中值滤波后的逼近系数和细节系数进行重构，得到初步处理的光谱信号，将光谱信号进行小波分解，采用软阈值函数与无偏风险估计阈值对二次小波分解获得的逼近系数和细节系数进行去噪处理；对去噪处理后的逼近系数和细节系数进行小波逆变换，获得最终去噪后的多模态信息中的数据。5.根据权利要求4所述的方法，其特征在于，在步骤(3)中将多模态信息中的数据划分为两部分，其中，若干比例的数据作为训练集，对多模态神经网络进行训练，剩下比例的数据作为测试集验证多模态神经网络对变压器健康状态评估效果。6.根据权利要求5...

【专利技术属性】
技术研发人员：何怡刚，邢致恺，杜博伦，赵莹莹，
申请(专利权)人：宁波力斗智能技术有限公司，
类型：发明
国别省市：