【技术实现步骤摘要】
本专利技术涉及变压器故障诊断，具体为基于近红外光谱的变压器故障诊断方法及相关设备。
技术介绍
1、造成变压器故障和事故的原因多种多样，包括外部破坏、自然灾害、设备缺陷、绝缘老化、材质劣化等。现有变压器光谱检测多使用气相色谱法等，只能每次在一定时间内做检测，适用性差；或一些检测方法主要获取老化绝缘油纸红外光谱与拉曼光谱，融合光谱特征得到聚合度值，评估变压器实时绝缘老化评估；由于未识别变压器绝缘油类别，没有综合考虑变压器在不同运行状态的红外光谱特征，侧重于对已经老化的绝缘油进行数据采样导致变压器诊断模型无法全面学习变压器的不同绝缘油状态，进而导致故障检测精度不高、不能准确识别变压器的故障类型。
2、中国专利，公开号：cn118209537a，公开日：2024年6月18日，公开了基于融合光谱与神经网络的变压器油纸绝缘老化诊断方法，通过加速热老化实验得到油纸老化样本，基于油纸间物质的扩散平衡，分析绝缘油的光谱数据，间接反应绝缘纸的老化状态。结合自助法，划分样本训练集与测试集，并基于一维卷积神经网络与神经架构搜索算法，建立的油纸绝缘老化诊断模型，以变压器老化绝缘油的红外光谱与拉曼光谱特征变量为输入，输出绝缘纸的聚合度值。而该专利技术没有考虑变压器数据的复杂性和多样性，缺乏对变压器绝缘油类别进行识别，导致建立的油纸绝缘老化诊断模型只能学习到已经老化的红外光特征，进而导致模型学习和泛化性能低，此外，神经架构搜索算法会陷入局部解，从而影响模型计算性能与最终的变压器故障识别结果。
技术实现思路>
1、本专利技术的目的是针对现有变压器光谱检测方法没有综合考虑变压器不同运行状态的近红外光谱特征导致检测范围狭窄且适应性差的问题；提出了基于近红外光谱的变压器故障诊断方法及相关设备，通过对变压器的近红外光谱信息进行标准正态变换得到第一光谱信号，对第一光谱信号进行降维后获取变压器不同运行状态下的光谱特征；基于光谱特征与对应的绝缘油类别标签构建变压器故障诊断模型，使得模型能够全面、准确地检测和预警变压器的各种潜在故障；基于优化模型对待测近红外光谱数据集进行检测，输出绝缘油类型的概率，并选择概率最大的作为待测变压器绝缘油的类型，与标准绝缘油状态数据库进行比对从而判断待测变压器是否故障；克服了由于未综合考虑变压器不同运行状态的近红外光谱特征导致检测范围狭窄且适应性差的问题，显著提高了变压器光谱检测方法的适应性与检测效率，进一步提高了变压器故障诊断的精确度和时效性。
2、为解决上述技术问题，本专利技术采用的技术方案为：一种基于近红外光谱的变压器故障诊断方法，包括以下步骤：
3、s1、获取变压器的近红外光谱信息对其进行标准正态变换，获得第一光谱信号；
4、s2、对所述第一光谱信号进行降维计算，获取变压器不同运行状态对应的光谱特征；
5、s3、基于所述光谱特征与相对应的绝缘油类别标签构建变压器故障诊断模型；
6、s4、基于所述变压器故障诊断模型对待测变压器的待测近红外光谱数据集进行检测，输出每个绝缘油类型概率并根据概率最大值确定待测变压器的绝缘油类型，通过所述绝缘油类型判断所述待测变压器是否发生故障，完成变压器故障检测。
7、本方案中，通过对采集的变压器近红外光谱信息进行标准正态变换，能够减小荧光光谱数据中的噪声信号，消除因样本粒度、散射以及光程变化等因素导致的光谱差异，从而使得不同绝缘油状态之间的光谱特征更具可比性，以便于光谱特征的提取；对第一光谱信号进行降维，使特征优化和特征提取降低了数据维度，提高特征提取效率，并去除了那些对分类任务冗杂且无用的信息，为强化变压器故障诊断模型的学习能力提供高质量的数据支持；通过将提取的光谱特征与对应的绝缘油类别标签构建优化模型，使模型能够全面的学习到不同绝缘油状态的光谱特征，确保在对待测变压器进行故障诊断时能够快速、准确的确定待测变压器的绝缘油类型，准确识别变压器的故障类型，以高效的完成变压器故障状态的检测；同时，确保优化模型能够适用于复杂多变的变压器检测环境，提高待测变压器故障检测的精确度、可靠性和时效性。
8、优选地，所述s1包括如下子步骤：
9、s11、采集变压器不同运行状态的绝缘油近红外光谱数据集，计算每个不同类别的绝缘油近红外光谱样本在所有光谱波长下的光谱平均值；
10、s12、基于所述光谱平均值计算每个绝缘油近红外光谱样本的光谱标准差；
11、s13、采用标准正态变换函数对所述光谱平均值与所述光谱标准差进行计算，以对所述绝缘油近红外光谱数据集进行标准正态转换，获得所述第一光谱信号。
12、本方案中，通过计算每个类型的绝缘油光谱样本在所有波长下的平均值和标准差，然后进行标准正太变换，有助于消除不同光谱数据之间的均值和方差差异，使得不同绝缘油状态的光谱数据具有统一的尺度和可比性，提高数据的质量和稳定性。
13、优选地，所述s2包括如下子步骤：
14、s21、基于所述第一光谱信号建立第一光谱信号矩阵；
15、s22、基于所述第一光谱信号矩阵，采用线性判别分析算法根据不同类别的绝缘油近红外光谱数据集计算得到每类绝缘油样本的协方差矩阵；
16、s23、基于所述第一光谱信号矩阵以及所述协方差矩阵建立不同类别绝缘油的散度矩阵，并根据所述散度矩阵对所述第一光谱信号矩阵进行低维空间投影，获得降维的第二光谱信号矩阵；
17、s24、基于所述第二光谱信号矩阵提取不同类别绝缘油的近红外光谱信号特征，将其作为所述光谱特征。
18、优选地，所述s23包括如下子步骤：
19、s231、对每类绝缘油样本的所述协方差矩阵进行加权平均，获得不同类别绝缘油的类内散度矩阵；
20、s232、基于所述第一光谱信号矩阵计算每一类绝缘油的均值向量以及全局均值向量，并计算所述均值向量以及所述全局均值向量的向量差，根据所述向量差构建不同类别绝缘油的类间散度矩阵；
21、s233、将所述类内散度矩阵与所述类间散度矩阵的广义逆相乘得到广义特征矩阵，对所述广义特征矩阵进行特征值分解，选择最大特征值的特征向量作为低维空间投影方向，构建投影矩阵；
22、s234、基于所述投影矩阵对所述第一光谱信号矩阵进行投影，得到降维后的第二光谱信号矩阵。
23、本方案中，通过第一光谱信号进行降维处理，能够去除高维数据中的冗余信息，只保留原始光谱信号中的重要分类信息，显著减少后续特征提取的计算量，提高计算效率。其中，采用线性判别分析能够找到最佳投影方向，使得不同类别的光谱信号在投影后的空间中尽可能分开，使得光谱信号的不同类别之间的区分度更大，有助于提高变压器故障诊断模型对绝缘油类型的分类准确率和泛化能力。
24、优选地，所述s3包括如下子步骤：
25、s31、基于绝缘油的不同类型设定相对应的类别标签，结合所述第二光谱信号矩阵的维度配置循环神经网络算法的学习参数进行模型训练，得到预备变压器故障诊断模型本文档来自技高网...
【技术保护点】
1.基于近红外光谱的变压器故障诊断方法，其特征在于：
2.根据权利要求1所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S1包括如下子步骤：
3.根据权利要求1所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S2包括如下子步骤：
4.根据权利要求3所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S23包括如下子步骤：
5.根据权利要求3所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S3包括如下子步骤：
6.根据权利要求5所述的基于近红外光谱的变压器故障诊断方法，其特征在于：执行所述S32之前，包括如下子步骤：
7.根据权利要求5所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S33包括如下子步骤：
8.根据权利要求1所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述S4包括如下子步骤：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于近红外光谱的变压器故障诊断方法的步骤。
...【技术特征摘要】
1.基于近红外光谱的变压器故障诊断方法，其特征在于：
2.根据权利要求1所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述s1包括如下子步骤：
3.根据权利要求1所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述s2包括如下子步骤：
4.根据权利要求3所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述s23包括如下子步骤：
5.根据权利要求3所述的基于近红外光谱的变压器故障诊断方法，其特征在于：所述s3包括如下子步骤：
6.根据权利要求5所述的基于近红外光谱的变压器故障诊断方法，其特征在于：执行所述s32之前，包括如下子步骤：
7...
【专利技术属性】
技术研发人员：寿铠，魏逢原，郦铁锋，张学伟，陈嘉栋，荣园园，陈鹏飞，宋爽，
申请(专利权)人：国网浙江省电力有限公司诸暨市供电公司，
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。