本發明屬于電力設備故障診斷，具體涉及一種變壓器故障診斷方法、系統、設備及介質。

背景技術：

1、變壓器作為電力系統中傳輸和分配電能的核心設備之一，其穩定運行直接關系到整個電力系統的安全性和可靠性。一旦變壓器發生故障，將會導致電能傳輸中斷，還可能引發火災、爆炸等嚴重事故，對人員和財產造成巨大損失。因此，及時、準確地診斷變壓器故障是保障電力系統安全運行的重要手段。

2、目前，油中溶解氣體分析(dissolved?gas?analysis，dga)技術已成為油浸式變壓器故障診斷的最為有效的方法之一。基于dga的變壓器故障診斷方法有傳統方法和基于人工智能的方法。其中，傳統方法包括主要氣體法、iec比值法、rogers法和大衛三角形法等，這些方法具有原理簡單、容易實現、計算量小的優點，在變壓器故障診斷中發揮了重要作用，但這些故障診斷方法的判據是建立在現場經驗基礎上，會出現較大的診斷誤差。基于人工智能的方法主要有神經網絡、隨機森林、支持向量機等，其具有不斷學習、更新等優點，相對于傳統方法計算精度有所提升，但是現有的基于人工智能的方法由于大多是將傳統方法的特征比值作為診斷模型的輸入特征對模型進行訓練，然而該輸入特征與診斷模型的匹配度較低，導致模型精度較低，從而影響故障診斷精度。

技術實現思路

1、為了克服上述現有技術存在的不足，本發明提供了一種變壓器故障診斷方法，包括如下步驟：

2、獲取變壓器油中溶解氣體的樣本數據；

3、使用relief-f算法對所述樣本數據的特征進行權重計算，并根據特征的權重排序篩選出變壓器故障診斷的最優特征集合；

4、將最優特征集合中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，在訓練過程中，使用天鷹算法對深度神經網絡模型的參數進行優化，得到變壓器故障診斷模型；

5、獲取變壓器待測試樣本，將所述變壓器待測試樣本輸入變壓器故障診斷模型中，得到變壓器故障診斷類型。

6、優選的，所述使用relief-f算法對所述樣本數據的特征進行權重計算，并根據特征的權重排序篩選出變壓器故障診斷的最優特征集合，包括如下步驟：

7、在所述樣本數據中隨機選取一個樣本r，在r的同屬性樣本中搜索k個近鄰樣本構成集合h；

8、在r的不同屬性樣本中搜索k個近鄰樣本構成集合m；

9、分別計算r與h和m中的樣本距離，并依據距離大小得到所有特征的權重wa；

10、對所有特征依據權重從大到小排列，選取權重之和為0.8的排名前12個特征作為最優特征集合。

11、優選的，所述將最優特征集合中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，在訓練過程中，使用天鷹算法對深度神經網絡模型的參數進行優化，得到變壓器故障診斷模型，具體為：

12、將所述最優特征集劃分為訓練集和驗證集；

13、將訓練集中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，將深度神經網絡模型的最大迭代次數設置為500，批大小為10，學習率尋優范圍設置為0.001～0.1，采用天鷹算法對學習率進行優化，得到優化后的學習率為0.0138，使用優化后的學習率對深度神經網絡模型進行訓練，得到變壓器故障診斷模型。

14、優選的，所述使用relief-f算法對所述樣本數據的特征進行權重計算之前，還包括對所述樣本數據進行歸一化處理。

15、優選的，所述變壓器油中溶解氣體的樣本數據包括h2、ch4、c2h6、c2h4和c2h2的含量序列以及對應的狀態類型。

16、優選的，深度神經網絡模型包括一個輸入層、4個隱藏層以及一個輸出層。

17、本發明還包括有一種變壓器故障診斷系統，其特征在于，包括：

18、數據獲取模塊，用于獲取變壓器油中溶解氣體的樣本數據；

19、特征選擇模塊，用于使用relief-f算法對所述樣本數據的特征進行權重計算，并根據特征的權重排序篩選出變壓器故障診斷的最優特征集合；

20、模型構建模塊，用于將最優特征集合中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，在訓練過程中，使用天鷹算法對深度神經網絡模型的參數進行優化，得到變壓器故障診斷模型；

21、故障診斷模塊，用于獲取變壓器待測試樣本，將所述變壓器待測試樣本輸入變壓器故障診斷模型中，得到變壓器故障診斷類型。

22、本發明還包括有一種計算機設備，包括存儲器和處理器；所述存儲器存儲有計算機程序，所述處理器用于運行所述存儲器內的計算機程序，以執行所述變壓器故障診斷方法。

23、本發明還包括有一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行所述變壓器故障診斷方法。

24、本發明提供的變壓器故障診斷方法、系統、設備及介質具有以下有益效果：

25、本發明通過使用relief-f特征選擇算法對待選特征空間進行有效篩選，能夠消除與診斷模型不匹配的特征，從而得到更適合診斷模型的最優特征集合；通過將最優特征集合輸入深度神經網絡模型，采用天鷹優化算法確定深度神經網絡模型中的最優參數，能夠得到診斷性能更優的變壓器故障診斷模型；通過將變壓器待測試樣本輸入得到的變壓器故障診斷模型，對變壓器故障進行診斷，能夠提高故障診斷的準確率。

技術特征：

1.一種變壓器故障診斷方法，其特征在于，包括如下步驟：

2.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述使用relief-f算法對所述樣本數據的特征進行權重計算，并根據特征的權重排序篩選出變壓器故障診斷的最優特征集合，包括如下步驟：

3.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述將最優特征集合中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，在訓練過程中，使用天鷹算法對深度神經網絡模型的參數進行優化，得到變壓器故障診斷模型，具體為：

4.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述使用relief-f算法對所述樣本數據的特征進行權重計算之前，還包括對所述樣本數據進行歸一化處理。

5.根據權利要求1所述的變壓器故障診斷方法，其特征在于，所述變壓器油中溶解氣體的樣本數據包括h2、ch4、c2h6、c2h4和c2h2的含量序列以及對應的狀態類型。

6.根據權利要求1所述的變壓器故障診斷方法，其特征在于，深度神經網絡模型包括一個輸入層、4個隱藏層以及一個輸出層。

7.一種變壓器故障診斷系統，其特征在于，包括：

8.一種計算機設備，其特征在于，包括存儲器和處理器；所述存儲器存儲有計算機程序，所述處理器用于運行所述存儲器內的計算機程序，以執行權利要求1-6任一項所述的變壓器故障診斷方法。

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序適于處理器進行加載，以執行權利要求1-6任一項所述的變壓器故障診斷方法。

技術總結
本發明提供了一種變壓器故障診斷方法、系統、設備及介質，屬于電力設備故障診斷技術領域，其方法包括如下步驟：獲取變壓器油中溶解氣體的樣本數據；使用Relief?F算法對樣本數據的特征進行權重計算，并根據特征的權重排序篩選出變壓器故障診斷的最優特征集合；將最優特征集合中的特征輸入深度神經網絡模型，對深度神經網絡模型進行訓練，在訓練過程中，使用天鷹算法對深度神經網絡模型的參數進行優化，得到變壓器故障診斷模型；獲取變壓器待測試樣本，將變壓器待測試樣本輸入變壓器故障診斷模型中，得到變壓器故障診斷類型。本發明能夠提高故障診斷的準確率。

技術研發人員：宋軍,段軍紅,白文遠,馬志程,田耕,王志剛,楊晶,保承家,張廣東,包艷艷,張海龍,劉康,王津,牛歡歡,王月異,夏越,宋瑞凱,張佳樂
受保護的技術使用者：國網甘肅省電力公司電力科學研究院
技術研發日：
技術公布日：2025/4/24