本發明涉及電力變壓器壽命預測領域，尤其涉及一種變壓器全壽命周期模型的訓練方法、裝置、終端設備及變壓器的剩余壽命預測方法。

背景技術：

1、變壓器在輸配電系統中具有重要地位，其安全可靠運行對于系統的穩定至關重要。一旦變壓器發生故障，不僅會引發停電事故，甚至會造成電力系統的瓦解，造成不可估量的經濟損失，因此，準確預測變壓器剩余壽命至關重要，可提前規劃維護，延緩老化，提升可靠性，避免意外停電，減少損失。油中溶解氣體分析是變壓器剩余壽命預測最重要的分析因素之一。在正常情況下，隨著變壓器運行時間的增加，其內部的絕緣油和有機絕緣材料在熱和電的作用下逐漸老化、分解，進而生成多種氣體，例如h2、ch4、c2h2、c2h6等。因此，通過檢測變壓器油中溶解的氣體成分和含量變化，并且進行深入分析，可以有效預測變壓器的剩余壽命。

2、目前，國內外已經出現了許多種利用變壓器油中溶解氣體濃度的變壓器壽命預測方法，包括基于統計和概率模型的預測方法、基于人工智能和機器學習的預測方法等。然而，設備從健康運行到出現故障失效會有一個緩變的退化趨勢，對于基于深度學習的剩余壽命預測方法而言，最為關鍵之處就是從設備運行的歷史監測數據中學習到該設備全壽命周期內的自相關退化特征，從而獲得精確的預測結果。但在實際過程中，往往無法獲得設備運行的全壽命周期監測數據，導致現有的基于人工智能和機器學習的預測方法的評估準確性受到影響。

技術實現思路

1、本發明實施例提供了一種變壓器全壽命周期模型的訓練方法、裝置、終端設備及變壓器的剩余壽命預測方法，能夠解決了在工業現場難以獲取全壽命周期監測數據的問題，降低了數據獲取的成本和難度。

2、本發明一實施例提供了一種變壓器全壽命周期模型的訓練方法，包括：

3、初始化一變壓器全壽命周期模型以及生成對抗網絡；生成對抗網絡，包括生成器和判別器；

4、對變壓器全壽命周期模型、生成器以及判別器進行交替迭代訓練，直至對抗損失達到納什均衡，得到訓練完成的變壓器全壽命周期模型；

5、其中，每次迭代訓練時，根據訓練樣本，對當前的變壓器全壽命周期模型進行訓練，并基于非全壽命周期數據通過訓練后的變壓器全壽命周期模型，生成全壽命周期數據，并將生成的全壽命周期數據作為真全壽命周期數據；將一隨機噪聲輸入當前的生成器中，以使當前的生成器生成偽全壽命周期數據；根據真全壽命周期數據和偽全壽命周期數據對當前的判別器的參數進行優化；根據優化后的判別器對偽全壽命周期數據的判別結果，計算對抗損失，并對當前的生成器的參數進行優化；根據優化后的生成器，重新生成偽全壽命周期數據，根據偽全壽命周期數據確定下一次迭代訓練的訓練樣本；初始時的訓練樣本根據非全壽命周期數據確定。

6、進一步的，通過以下方式確定初始時的訓練樣本：

7、獲取非全壽命周期數據；非全壽命周期數據為非全壽命周期的乙炔氣體濃度數據；

8、對非全壽命周期數據進行歸一化處理，得到預處理后的非全壽命周期數據；

9、按照預設的時間窗口長度劃分預處理后的非全壽命周期數據，生成若干樣本數據；

10、將若干樣本數據以及每一樣本數據所對應的下一時刻的乙炔氣體濃度數據作為初始時的訓練樣本。

11、進一步的，對非全壽命周期數據進行歸一化處理，包括：

12、通過以下公式對非全壽命周期數據進行歸一化處理：

13、

14、其中，x′表示歸一化處理后的參數值，x表示歸一化處理前的參數值，xmin表示非全壽命周期數據中的最小參數值，xmax表示非全壽命周期數據中的最大參數值。

15、進一步的，根據真全壽命周期數據和偽全壽命周期數據對當前的判別器的參數進行優化，包括：

16、將真全壽命周期數據和偽全壽命周期數據進行混合，得到待判別的壽命周期數據和用于表征待判別的壽命周期數據的數據類型的實際標簽；實際標簽包括：真全壽命周期數據標簽和偽全壽命周期數據標簽；

17、將待判別的壽命周期數據輸入至當前的判別器中，以使判別器生成待判別的壽命周期數據的預測標簽，將預測標簽與實際標簽進行比對，根據比對結果對判別器的參數進行優化。

18、進一步的，根據優化后的判別器對偽全壽命周期數據的判別結果，計算對抗損失，并對當前的生成器的參數進行優化，包括：

19、根據偽全壽命周期數據以及偽全壽命周期數據的判別結果，計算生成器的對抗損失函數；

20、通過最小化生成器的對抗損失函數，更新生成器的參數，得到優化后的生成器。

21、進一步的，根據優化后的生成器，重新生成偽全壽命周期數據，根據偽全壽命周期數據確定下一次迭代訓練的訓練樣本，包括：

22、將一隨機噪聲輸入至優化后的生成器中，以使優化后的生成器根據該隨機噪聲，生成更新的偽全壽命周期數據，并將更新的偽全壽命周期數據作為新樣本標簽；

23、從更新的偽全壽命周期數據中，截取預設長度的壽命周期數據，得到對應的非全壽命周期數據，并將對應的非全壽命周期數據作為對應的新樣本數據；

24、將新樣本標簽和對應的新樣本數據作為下一次迭代訓練的訓練樣本。

25、在上述方法項實施例的基礎上，本發明對應提供了裝置項實施例，包括：初始化模塊以及變壓器全壽命周期模型迭代訓練模塊；

26、初始化模塊，用于初始化一變壓器全壽命周期模型以及生成對抗網絡；生成對抗網絡，包括生成器和判別器；

27、變壓器全壽命周期模型迭代訓練模塊，用于對變壓器全壽命周期模型、生成器以及判別器進行交替迭代訓練，直至對抗損失達到納什均衡，得到訓練完成的變壓器全壽命周期模型；

28、其中，每次迭代訓練時，根據訓練樣本，對當前的變壓器全壽命周期模型進行訓練，并基于非全壽命周期數據通過訓練后的變壓器全壽命周期模型，生成全壽命周期數據，并將生成的全壽命周期數據作為真全壽命周期數據；將一隨機噪聲輸入當前的生成器中，以使當前的生成器生成偽全壽命周期數據；根據真全壽命周期數據和偽全壽命周期數據對當前的判別器的參數進行優化；根據優化后的判別器對偽全壽命周期數據的判別結果，計算對抗損失，并對當前的生成器的參數進行優化；根據優化后的生成器，重新生成偽全壽命周期數據，根據偽全壽命周期數據確定下一次迭代訓練的訓練樣本；初始時的訓練樣本根據非全壽命周期數據確定。

29、在上述方法項實施例的基礎上，本發明對應提供了終端設備項實施例，包括：處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，處理器執行所述計算機程序時，實現如本發明所述變壓器全壽命周期模型的訓練方法的步驟。

30、本發明一實施例提供了一種變壓器的剩余壽命預測方法，包括：

31、獲取待評估變壓器的非全壽命周期的乙炔氣體濃度數據；

32、將非全壽命周期的乙炔氣體濃度數據輸入至變壓器全壽命周期模型中，以使變壓器全壽命周期模型根據非全壽命周期的乙炔氣體濃度數據，生成對應的全壽命周期的乙炔氣體濃度數據；其中，變壓器全壽命周期模型根據本發明一實施例提供的變壓器全壽命周期模型的訓練方法得到；

33、根據全壽命周期的乙炔氣體濃度數據，計算變壓器的剩余壽命。

34、進一步的，根據全壽命周期的乙炔氣體濃度數據，計算變壓器的剩余壽命，包括：

35、將全壽命周期的乙炔氣體濃度數據中到達預設失效閾值的乙炔氣體濃度數據所在的壽命時間，作為總壽命預測值；

36、將總壽命預測值減去當前時刻的使用壽命，得到變壓器的剩余壽命。

37、與現有技術相比，本方案實施例的有益效果在于：

38、本發明通過初始化一變壓器全壽命周期模型，這個模型旨在模擬變壓器的整個生命周期行為，同時，初始化一生成對抗網絡，包括生成器和判別器；對變壓器全壽命周期模型、生成器以及判別器進行交替迭代訓練，直至對抗損失達到納什均衡，得到訓練完成的變壓器全壽命周期模型；其中，每次迭代訓練時，根據訓練樣本，對當前的變壓器全壽命周期模型進行訓練，其中，初始時的訓練樣本根據非全壽命周期數據確定，對變壓器全壽命周期模型進行初步訓練，基于已訓練的變壓器全壽命周期模型，利用非全壽命周期數據生成全壽命周期數據，并將生成的全壽命周期數據作為真全壽命周期數據；隨后，將一隨機噪聲輸入當前的生成器中，以使當前的生成器生成偽全壽命周期數據，根據真全壽命周期數據和偽全壽命周期數據對當前的判別器的參數進行優化，使其判別器能夠更準確地區分真實數據和生成數據；接著，根據優化后的判別器對偽全壽命周期數據的判別結果，對當前的生成器的參數進行優化，計算對抗損失，并對當前的生成器的參數進行優化，使生成器能夠生成越來越接近真實數據的偽全壽命周期數據；最后，根據優化后的生成器，重新生成偽全壽命周期數據，根據偽全壽命周期數據確定下一次迭代訓練的訓練樣本。當對抗損失達到納什均衡，即生成器和判別器達到穩定狀態，此時生成的數據已經足夠接近真實的全壽命周期數據。一旦訓練完成，得到的變壓器全壽命周期模型能夠根據非全壽命周期數據，預測出全壽命周期數據。

39、綜上所述，本發明通過結合變壓器全壽命周期模型和生成對抗網絡，成功地解決了在工業現場難以獲取全壽命周期監測數據的問題，降低了數據獲取的成本和難度，同時大大增強了模型的泛化能力。