【技术实现步骤摘要】
本专利技术属于变压器故障检测领域，尤其涉及基于气体成分和电压电流的变压器故障检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、变压器作为电网中的关键设备，其运行的稳定性关乎到整个电网的安全运行；其中，为了保证变压器在运行时的绕组之间以及绕组和铁芯之间的绝缘性、防止电弧的产生以及对变压器进行散热降温，须在变压器内注入变压器油；变压器在正常运行状态下，由于油和固体绝缘会逐渐老化、变质，并分解出极少量的气体，主要包括氢h2、甲烷ch4、乙烷c2h6、乙烯c2h4、乙炔c2h2、一氧化碳co、二氧化碳co2等多种气体；当变压器内部发生过热性故障、放电性故障或内部绝缘受潮时，这些气体的含量会逐渐增加，从而引起变压器周围环境气体成分的变化；气相色谱分析仪是利用气体的特征光谱进行气体成分检测的常用仪器，利用气体色谱的变化获得气体的成分信息。
3、然而，气体成分检测的方法虽然灵敏度较高，能较早发现变压器的故障，但是气体成分数据不能作为判断变压器有无故障的唯一依据；同时，考虑变压器出现故障时，变压器的电压电流也会发生变化；现在也有结合气体和电压电流进行变压器故障检测的方法，但是采用单独检测、结果融合的方式，忽略了气体成分数据与电流电压数据之间的关联性，导致故障检测准确度不高。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了基于气体成分和电压电流的变压器故障检测方法及系统，基于气体成分与电压电流融合后
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了基于气体成分和电压电流的变压器故障检测方法。
4、基于气体成分和电压电流的变压器故障检测方法，包括：
5、实时采集变压器周围的气体成分和电压电流，分别形成气体成分和电流电压的时序数据；
6、对气体成分时序数据和电流电压时序数据进行融合，得到串行数据流；
7、通过深度学习模型将串行数据流转换为故障语义信息流，从而得到变压器故障检测结果。
8、进一步的，所述气体成分时序数据是气体成分随时间变化形成的序列；所述电流电压时序数据是电流电压随时间变化形成的序列。
9、进一步的，所述对气体成分时序数据和电流电压时序数据进行融合，是采用交叉注意力算法进行数据融合。
10、进一步的，所述深度学习模型，基于transformer构建，以随时间变化的串行数据流为输入，输出变压器故障检测结果。
11、进一步的，所述深度学习模型由编码器和解码器两部分组成；
12、所述编码器和解码器都由多头注意力模块和前馈网络组成。
13、进一步的，所述多头注意力模块由多个自注意力子模块构成，所述自注意力子模块以信息矩阵为输入、序列中所有元素的加权信息为输出；
14、所述信息矩阵的构建方法为：
15、每个时刻的气体成分和电流电压数据表示为一个矢量x，则其接收的一段时间的数据序列可表示为信息矩阵x。
16、进一步的，所述前馈网络，引入残差机制，对多头注意力模块的输出进行处理。
17、本专利技术第二方面提供了基于气体成分和电压电流的变压器故障检测系统。
18、基于气体成分和电压电流的变压器故障检测系统，包括时序构建模块、数据融合模块和故障检测模块：
19、时序构建模块，被配置为：实时采集变压器周围的气体成分和电压电流，分别形成气体成分和电流电压的时序数据；
20、数据融合模块，被配置为：对气体成分时序数据和电流电压时序数据进行融合，得到串行数据流；
21、故障检测模块，被配置为：通过深度学习模型将串行数据流转换为故障语义信息流，从而得到变压器故障检测结果。
22、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于气体成分和电压电流的变压器故障检测方法中的步骤。
23、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于气体成分和电压电流的变压器故障检测方法中的步骤。
24、以上一个或多个技术方案存在以下有益效果：
25、本专利技术提供了一种基于气体成分和电压电流的变压器故障检测方案，基于气体成分与电压电流融合后的时序数据，进行变压器故障检测，提高变压器故障检测的精确度。
26、本专利技术通过交叉注意力算法将气体成分数据和电流电压数据进行融合，将融合后的串行数据流输入到transformer中进行变压器故障检测，提高了渗油探测的精确度。
27、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.基于气体成分和电压电流的变压器故障检测方法，其特征在于，包括：
2.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述气体成分时序数据是气体成分随时间变化形成的序列；所述电流电压时序数据是电流电压随时间变化形成的序列。
3.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述对气体成分时序数据和电流电压时序数据进行融合，是采用交叉注意力算法进行数据融合。
4.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述深度学习模型，基于Transformer构建，以随时间变化的串行数据流为输入，输出变压器故障检测结果。
5.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述深度学习模型由编码器和解码器两部分组成；
6.如权利要求5所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述多头注意力模块由多个自注意力子模块构成，所述自注意力子模块以信息矩阵为输入、序列中所有元素的加权信息为输出；
7.
8.基于气体成分和电压电流的变压器故障检测系统，其特征在于，包括时序构建模块、数据融合模块和故障检测模块：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.基于气体成分和电压电流的变压器故障检测方法，其特征在于，包括：
2.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述气体成分时序数据是气体成分随时间变化形成的序列；所述电流电压时序数据是电流电压随时间变化形成的序列。
3.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述对气体成分时序数据和电流电压时序数据进行融合，是采用交叉注意力算法进行数据融合。
4.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在于，所述深度学习模型，基于transformer构建，以随时间变化的串行数据流为输入，输出变压器故障检测结果。
5.如权利要求1所述的基于气体成分和电压电流的变压器故障检测方法，其特征在...
【专利技术属性】
技术研发人员：叶立刚，姜广鑫，韩晋思，甘津瑞，王坤涵，王蓬，刘天奇，刘浩，闫付鑫，张富强，张国栋，王栋，刘会斌，佟敏，
申请(专利权)人：国网内蒙古东部电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。