【技术实现步骤摘要】
本申请属于电数字数据处理，尤其涉及一种变压器故障诊断方法、装置、系统及存储介质。
技术介绍
1、电力变压器作为重要的输变电设备之一，承担着电能转换的重要职责，保证变压器的正常运行对整个电力系统的可靠运行具有重大的意义。随着变压器长时间运行以及环境影响，变压器内部会存在潜在的机械故障，其中绕组与铁芯为发生故障频率最高的结构。如果不及时处理，会引发停电，火灾等事故。
2、传统的电力变压器故障诊断通常依赖于人工经验检测和某些固定的参考规则，存在诊断效率低下，诊断精度低以及浪费大量人力物力资源的问题。而随着深度学习技术的快速发展，被广泛应用于电力变压器故障诊断中，有效解决了上述问题。但深度神经网络需要深层次的网络结构保证其检测精度，进而导致网络模型大，不便于部署，此外，随着数据不断增多，深度学习模型需要重新学习训练，导致网络检测时间长，无法满足电力变压器实时监测要求。
3、因此，目前迫切需要一种能够实时、精确诊断变压器故障的方法。
技术实现思路
1、本申请的目的，在于提供一种变压器故障诊断方法、装置、系统及存储介质，基于格拉姆角场和cbam-cfbls模型实现变压器故障诊断，具有模型小、实时性高、诊断精度高的优点。
2、为了达成上述目的，本申请的解决方案是：
3、第一方面，本申请实施例提供一种变压器故障诊断方法，包括：
4、获取变压器铁芯和绕组的振动信号；
5、通过格拉姆角场对振动信号进行处理，得到特征图像，特征图像包
6、通过多注意力机制对格拉姆角和场特征图像和格拉姆角差场特征图像进行处理，得到全局特征矩阵；
7、基于宽度学习系统对全局特征矩阵进行特征节点级联，构建cfbls模型；
8、基于特征图像构建数据集，将数据集划分为训练集和测试集；将全局特征矩阵输入cfbls模型，通过训练集对cfbls模型进行调参，构建cbam-cfbls变压器故障诊断模型，通过测试集对cbam-cfbls变压器故障诊断模型进行测试，直至故障诊断正确率达到预设阈值；
9、通过训练完毕的cbam-cfbls变压器故障诊断模型进行变压器故障诊断。
10、根据本申请实施例的上述方法，还可以具有以下附加技术特征：
11、进一步的，通过格拉姆角场对振动信号进行处理，得到特征图像，包括：
12、通过序列x＝(x1,x2,...,xn)表示振动信号，对振动信号进行归一化处理，将序列x规范化至区间[0,1]，得到规范化后的值公式如下所示：
13、
14、其中，i＝1,2,...,n，xi表示第i组振动信号，max(x)表示振动信号中的最小值，min(x)表示振动信号中的最小值。
15、进一步的，方法包括将序列x映射为极坐标下的时间序列，公式如下所示：
16、
17、其中，ti表示时间节点，n表示极坐标下的正则化常数因子，θi表示i点的级角，r表示极坐标半径，表示标准化后的时间序列。
18、进一步的，方法包括通过两种带有惩罚项的内积，消除振动信号中的噪声，公式如下所示：
19、
20、
21、其中，<·>表示内积运算。
22、进一步的，方法包括通过计算每两个级角之和的余弦函数并求和汇总后，生成格拉姆角和场二维特征图像，公式如下所示：
23、
24、通过计算每两个级角之差的正弦函数并求和汇总后，生成格拉姆角差场二维特征图像，公式如下所示：
25、
26、其中，i表示单位行向量，表示标准化后的时间序列，表示的转置。
27、进一步的，通过多注意力机制对格拉姆角和场特征图像和格拉姆角差场特征图像进行处理，得到全局特征矩阵，包括：
28、将格拉姆角和场特征图像和格拉姆角差场特征图像作为多注意力机制的输入，多注意力机制包括通道注意力机制和空间注意力机制，通道注意力机制的公式如下所示：
29、
30、其中，i＝1,2,...,n，zi'表示第i组特征图经过通道注意力机制输出的特征，mc表示通道维度上的注意力权重，表示输入第i组振动信号样本经过gaf变换后得到的特征图，表示逐元素乘法；
31、将通道注意力机制输出的特征作为空间注意力机制的输入，公式如下所示：
32、
33、其中，ms表示空间维度上的注意力权重；zi”表示第i组特征图经过空间注意力机制输出的特征；
34、全局特征矩阵的公式如下所示：
35、
36、进一步的，基于宽度学习系统对全局特征矩阵进行特征节点级联，构建cfbls模型，包括：
37、将全局特征矩阵输入宽度学习系统，宽度学习系统通过线性映射将全局特征矩阵转换为n组随机特征节点，并将前一组特征节点的输出作为后一组特征节点的输入，得到cfbls模型的第i组特征节点，公式如下所示：
38、
39、其中，i＝1,2,...,n，表示特征层激活函数，wei和βei分别表示随机生成的第i个特征节点的权重和偏置；
40、将cfbls模型的每组特征节点串联得到完整的特征映射层zp，公式如下所示：
41、zp＝[z1,z2,...,zp]
42、对完整的特征映射节点zp进行非线性变换得到增强节点，公式如下所示：
43、hj＝ξ(zwhk+βhk)
44、其中，j＝1,2,...,q，ξ(·)表示增强节点的线性激活函数，whk和βhk分别表示随机生成的第k个增强节点的权重和偏置；
45、将每个增强节点串联得到完整的增强层hq，公式如下所示：
46、hq＝[h1h2,...,hq]
47、将特征映射层zp和增强层hq串联后连接至输出层，构成完整的cfbls模型，输出矩阵的公式如下所示：
48、y＝[zp|hq]w＝aw
49、其中，a＝[zp|hq]，表示所有特征映射层和增强层拼接的隐藏层，w表示连接隐藏层与输出层的权重；
50、计算最优输出权重的目标函数，公式如下所示：
51、
52、其中，λ表示正则化参数；
53、通过吉洪诺夫正则化方法计算最优输出权重wbest，公式如下所示：
54、wbest＝a+y＝(λi+ata)-1aty
55、其中，a+表示a的伪逆矩阵，i表示单位矩阵；
56、当λ→0时，伪逆矩阵a+的公式如下所示：
57、
58、第二方面，本申请实施例提供一种变压器故障诊断装置，包括：
59、信号获取模块，被配置为用于获取变压器铁芯和绕组的振动信号；
60、特征图像模块，被配置为用于本文档来自技高网...
【技术保护点】
1.一种变压器故障诊断方法，其特征在于，所述方法包括：
2.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过格拉姆角场对所述振动信号进行处理，得到特征图像，包括：
3.如权利要求2所述的变压器故障诊断方法，其特征在于，所述方法包括将所述序列X映射为极坐标下的时间序列，公式如下所示：
4.如权利要求3所述的变压器故障诊断方法，其特征在于，所述方法包括通过两种带有惩罚项的内积，消除所述振动信号中的噪声，公式如下所示：
5.如权利要求3所述的变压器故障诊断方法，其特征在于，所述方法包括通过计算每两个级角之和的余弦函数并求和汇总后，生成格拉姆角和场二维特征图像，公式如下所示：
6.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过多注意力机制对所述格拉姆角和场特征图像和格拉姆角差场特征图像进行处理，得到全局特征矩阵，包括：
7.如权利要求6所述的变压器故障诊断方法，其特征在于，所述基于宽度学习系统对所述全局特征矩阵进行特征节点级联，构建CFBLS模型，包括：
8.一种变压器故障诊断装置，
9.一种变压器故障诊断系统，所述系统包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序由所述处理器加载并执行，以实现如权利要求1至7任一项所述的变压器故障诊断方法。
10.一种计算机可读存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，用于实现如权利要求1至7任一项所述的变压器故障诊断方法。
...【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，所述方法包括：
2.如权利要求1所述的变压器故障诊断方法，其特征在于，所述通过格拉姆角场对所述振动信号进行处理，得到特征图像，包括：
3.如权利要求2所述的变压器故障诊断方法，其特征在于，所述方法包括将所述序列x映射为极坐标下的时间序列，公式如下所示：
4.如权利要求3所述的变压器故障诊断方法，其特征在于，所述方法包括通过两种带有惩罚项的内积，消除所述振动信号中的噪声，公式如下所示：
5.如权利要求3所述的变压器故障诊断方法，其特征在于，所述方法包括通过计算每两个级角之和的余弦函数并求和汇总后，生成格拉姆角和场二维特征图像，公式如下所示：
6.如权利要求1所述的变压器故障诊断方法，其特征在于，...
【专利技术属性】
技术研发人员：李兵，解忠鑫，杨慧敏，朱世航，胡天韵，佐磊，尹柏强，
申请(专利权)人：合肥工业大学，
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。