[发明专利]一种变压器故障预警方法及系统

权利要求书

1.一种变压器故障预警方法，其特征在于，所述方法包括：

获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；

按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；

将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；

确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；

利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；

获取每种溶解气体的每个残差滑动窗口内的残差平均值；

若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障；

其中，每种溶解气体的训练好的长短期记忆神经网络模型的训练过程具体包括：

获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；

将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；

按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；

将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；

利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；

利用第w种溶解气体的测试样本集对训练后的第w种溶解气体的长短期记忆神经网络模型进行测试，获得训练好的第w种溶解气体的长短期记忆神经网络模型。

2.根据权利要求1所述的变压器故障预警方法，其特征在于，残差阈值的确定，具体包括：

将第w种溶解气体的训练样本集输入训练好的第w种溶解气体的长短期记忆神经网络模型中，输出第w种溶解气体的预测含量样本序列；

确定第w种溶解气体的预测含量样本序列中每个预测样本含量与实际样本含量的差的绝对值，构成第w种溶解气体的残差样本序列；

利用滑动窗口算法将第w种溶解气体的残差样本序列划分为多个样本残差滑动窗口；

获取第w种溶解气体的每个样本残差滑动窗口内的样本残差平均值，并确定第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值；

根据第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值，利用公式确定第w种溶解气体的残差阈值；

其中，x_w为第w种溶解气体的残差阈值，k为阈值系数，为第w种溶解气体的所有样本残差滑动窗口的样本残差平均值的最大值。

3.根据权利要求1所述的变压器故障预警方法，其特征在于，所述获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集，之后还包括：

对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集。

4.根据权利要求3所述的变压器故障预警方法，其特征在于，对所述变压器运行数据集进行预处理，获得预处理之后的变压器运行数据集，具体包括：

基于3σ原则确定所述变压器运行数据集中的运行数据离群点，并删除；

对删除离群点的变压器运行数据集进行线性插值，获得插值后的变压器运行数据集；

将插值后的变压器运行数据集中的每个运行数据进行归一化，获得归一化后的变压器运行数据集，作为预处理之后的变压器运行数据集。