[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

说明书

本发明给出了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：以电力变压器多属性监测数据作为信息输入，通过编码器和解码器两个对称的U‑Net卷积网络，以端到端的方式学习从监测数据到健康状态之间的非线性映射模型。这是一种数据驱动主导的电力变压器健康状态评估方法，有助于提高数字经济发展时代电力变压器健康状态评估的智能化水平，为电力变压器的数字化运维系统提供核心技术上的支撑。本发明通过U‑Net网络的编解码过程，以端到端的数据驱动方式自动产生电力变压器健康状态评估学习模型，有助于提高变压器健康状态评估的准确率，并降低对专业技术人员经验的依赖。

技术领域

本发明属于深度学习的应用技术领域，具体涉及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。

背景技术

电力变压器是电力系统的关键设备，其健康状态对整体电力系统的可靠运行有着至关重要的影响，继而影响关联区域的生产和生活状况。因此，对电力变压器的健康状态进行实时而准确的状态评估，及时发现健康隐患和排除故障，对保障电力系统的安全稳定运行具有重要的现实意义。

在数字化时代，充分利用人工智能领域的深度学习技术，以端到端的深度网络训练方式自动学习从电力变压器各项监测数据构成的数据集到其健康状态之间的映射关系，获得非线性的学习模型，将能够为电力变压器的运行和维护朝着全面数字化和智能化的目标迈进奠定坚实的技术基础。

目前，关于电力变压器健康状态评估的大多数工作都是根据健康指数或评分表对其进行评估的，需要行业专家依赖专业经验对历史数据汇总的每一类参数预先设定一个经验性的权重因子，具有一定的主观性，难以达成一个统一的分析结果。因此，这就需要一种能够依据设备自身状态和环境状态检测数据的实时自动分析方法来完成电力变压器健康状态的评估。进一步来说，需要将与电力变压器安全稳定运行密切相关的一些指标作为参数，输入到健康状态评估智能分析模型中，输出的结果作为设备健康状态等级的判定依据。

因此，针对上述技术问题，有必要提供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。

发明内容

本发明的目的在于提供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，以解决上述问题。

为了实现上述目的，本发明一实施例提供的技术方案如下：

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，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时间序列数据，形成带有健康状态标签的数据集；

S2、将所述数据划分成训练集和测试集两部分，并将所述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、将所述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、将所述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}。

本发明所述步骤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。

本发明所述步骤S1中将不同的时间点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。