[发明专利]基于深度编解码卷积网络的电力变压器健康状态评估方法

权利要求书

1.基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述方法的步骤为：

S1、获取不同健康状态条件下电力变压器自身及其环境的多属性传感器监测的时间序列数据，形成带有健康状态标签的数据集；

S2、对数据划分成训练集和测试集两部分，并将训练集进一步划分成模型训练集和模型验证集两部分；

S3、将模型训练集输入到带有深度编解码功能的U-Net卷积网络中训练变压器健康状态深度学习模型M；

S4、将模型验证集数据输入到深度学习模型M中，评估模型性能，并产生超参数更新的深度学习模型

S5、将测试数据集输入至深度学习模型中，获得对应的健康状态等级L_k，k∈{R,O,Y,G}。

2.根据权利要求1所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述步骤S1中多属性传感器监测时间序列数据包括干式变压器光纤温控器的线圈温度和铁芯温度测量，电气连接点光突变监测，局部放电监测，运行环境温度和湿度测量，变压器运行振动和地面振动监测，以及环境噪音监测。

3.根据权利要求2所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述步骤S1中将不同的时间节点t采集的多传感器数据看作是电力变压器的一条观测记录，记为向量d_t。对于每一台电力变压器，把它的整个观测时间段T内的数据级联起来，形成由短期观测记录和长期观测记录构成的数据D_T＝{d₁，d₂，...，d_T}，对同型号的所有在运的变压器，就可获得带有健康状态标签的数据集Ω。

4.根据权利要求1所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述步骤S2中将整个数据集Ω划分为两大部分：其中80％作为训练集，20％作为测试集，将训练集再分成两部分，其中80％用于深度模型训练，20％用于模型性能验证，用于动态跟踪训练损失函数值和验证损失函数值的变化，监测训练过程，防止训练模型出现过拟合。

5.根据权利要求1所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述步骤S3中使用的U-Net卷积网络包含了编码器和解码器两个部分，在编码器部分，采用了多次连续的卷积操作和池化操作，主要是实现变压器传感数据的语义特征抽取；在解码器部分，采用了上采样操作，有助于把来自于低分辨率层级的信息传播到高分辨率层级，从而对不同属性数据内在隐含的特征实现从局部到全局的统一表征。

6.根据权利要求5所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，对于所述步骤S3在执行深度编码器卷积操作时，卷积核采用一维形式，两次卷积操作之后，紧接着就是池化过程，实质上就是一种下采样操作，将采用最大池化操作，步长为1，把卷积后的特征沿纵向处理。

7.根据权利要求6所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，所述步骤S3中涉及的解码器采用的上采样因子为2，与池化操作的步长收缩率对应，采用的卷积核与编码器一致，在这个阶段，每完成两次卷积操作之后，都需要将编码阶段的高分辨率信息对称地复制并级联到对应的解码结果上，目的是将编码器阶段的特征传播到这个阶段，对变压器传感各属性数据的特性做出更全面的判别性表征。

8.根据权利要求7所述的基于深度编解码卷积网络的电力变压器健康状态评估方法，其特征在于，提取特征信息之后，作为整个网络的输出层，需要利用到激活函数Softmax函数，将模型输出的实数域结果映射到[0,1]这一表示概率分布的有效实数空间，函数的表达式为：

其中，z_j表示第j个状态对应的实数域结果。