[发明专利]一种应用于变压器的状态监测系统及监测方法

权利要求书

1.一种应用于变压器的状态监测系统，其特征在于，包括：

状态监测数据获取单元，用于获取由激光诱导荧光光谱仪采集的待监测变压器的油样的荧光光谱图；

降噪优化单元，用于将所述待监测变压器的油样的荧光光谱图通过作为降噪器的第一卷积神经网络以得到降噪后荧光光谱图；

特征提取单元，用于将所述降噪后荧光光谱图通过作为特征提取器的第二卷积神经网络以得到光谱特征向量；

统计特征提取单元，用于从所述降噪后的荧光光谱中提取多个预定波长下的计数值；

统计特征编码单元，用于将所述多个预定波长下的计数值通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量；

关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，其中，所述基于空间迁移的尺度迁移确定性的关联编码基于所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵除以所述光谱特征向量乘以所述统计特征向量的转置向量所得到的特征矩阵的Frobenius范数来进行；以及

监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待监测变压器是否存在故障；

其中，所述关联编码单元，用于对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为分类特征矩阵，包括：

以如下公式对所述光谱特征向量和所述统计特征向量进行基于空间迁移的尺度迁移确定性的关联编码以得到关联特征矩阵作为所述分类特征矩阵；

其中，所述公式为：

其中M_c表示所述关联特征矩阵，V₁表示所述光谱特征向量，V₂表示所述统计特征向量，且V₁和V₂均为列向量，||·||_F表示矩阵的Frobenius范数。

2.根据权利要求1所述的应用于变压器的状态监测系统，其中，所述第一卷积神经网络为深度可分离卷积神经网络，所述深度可分离卷积神经网络在其卷积操作中不同层的滤波器用于分别在两个空间维度和通道维度上进行卷积以基于三维块匹配和过滤对所述荧光光谱图进行降噪。

3.根据权利要求2所述的应用于变压器的状态监测系统，其中，所述特征提取单元，进一步用于：使用所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行：

卷积处理得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；

对所述池化特征图进行非线性激活以得到激活特征图；以及

由所述第二卷积神经网络的最后一层输出所述光谱特征向量。

4.根据权利要求3所述的应用于变压器的状态监测系统，其中，所述统计特征编码单元，包括：

输入向量排列子单元，用于将所述多个预定波长下的计数值排列为一维的输入向量；

一维卷积子单元，用于使用所述序列关联编码器的一维卷积层以如下公式对所述输入向量排列子单元获得的所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸；

全连接子单元，用于使用所述序列关联编码器的全连接层以如下公式对所述输入向量排列子单元获得的所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，表示矩阵乘。