[发明专利]一种应用于变压器的状态监测系统及监测方法

说明书

本申请涉及变压器故障的智能监测领域，其具体地公开了一种应用于变压器的状态监测系统及监测方法，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。

技术领域

本发明涉及变压器故障的智能监测领域，且更为具体地，涉及一种应用于变压器的状态监测系统及监测方法。

背景技术

我国的经济迅速地发展，电力工业也相应地大规模壮大，导致电力变压器的使用日益增多。煤炭发电是电力生产的主要能源，煤矿中的电力变压器更是在电能传输中起关键作用。因此，定期对煤矿变压器检测维护显得十分重要。

电力变压器常见的故障为电性故障、局部受潮以及热性故障。电力变压器油的检测分析是电力变压器故障诊断的有效方法，快速识别电力变压器油的油样对电力变压器故障诊断工作有重大意义。目前对电力变压器油检测的方法大多是气相色谱法，这种方法操作比较复杂，不适合在线检测，不能快速地检查出故障原因。因此，期待一种优化的用于电路变压器的故障检测方案。

深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展，为变压器的故障诊断提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种应用于变压器的状态监测系统及监测方法，其基于激光诱导荧光光谱技术以将激光打入电力变压器油样中得到荧光光谱，进一步再通过对于所述荧光光谱的分析来进行所述电力变压器油的检测，并且在此过程中，通过深度神经网络模型解决了噪声干扰对于光谱图质量的影响，使其能够准确有效地对所述电力变压器的故障进行诊断，以保障煤矿电力的正常供给。

根据本申请的一个方面，提供了一种应用于变压器的状态监测系统，其包括：

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。

在上述变压器状态监测系统中，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。