(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211260761.1 (22)申请日 2022.10.14 (71)申请人 西安热工 研究院有限公司 地址 710032 陕西省西安市碑林区兴庆路 136号 申请人 华能威海发电有限责任公司 (72)发明人 杨沛豪　孙钢虎　王中伟　兀鹏越　 邓仕斌　武晓辉　陈予伦　毕诗才　 迟永政　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 曲进华 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01R 31/00(2006.01) (54)发明名称 一种基于深度学习的电力变压器故障诊断 方法 (57)摘要 本申请提出的基于深度学习的电力变压器 故障诊断方法、 装置及存储介质中， 获取电力变 压器的故障样本数据集， 对故障样 本数据集进行 预处理， 得到用于训练的训练数据集， 构建基于 CNN的预设故障诊断模型， 通过训练数据集对预 设故障诊断模 型进行训练， 得到训练后的故障诊 断模型， 优化训练后的故障诊断模型的超参数， 得到目标故障诊断模型， 获取待分析的数据， 通 过目标故障诊断模型对待分析的数据进行分析， 输出待分析的数据对应的故障诊断结果。 本申请 中的故障诊断模 型不需要提取样 本特征， 可以直 接对样本进行故障诊断， 同时本申请优化了训练 后的故障诊断模 型的超参数， 提高了故障诊断模 型分析的准确度。 权利要求书3页 说明书8页 附图2页 CN 115329908 A 2022.11.11 CN 115329908 A 1.一种基于深度学习的电力变压器故障诊断方法， 其特 征在于， 所述方法包括： 获取电力变压器的故障样本数据集， 其中， 所述故障样本数据集中的每个样本数据包 括以多种不同气体的含量组成的多维向量； 对所述故障样本数据集进行 预处理， 得到用于训练的训练数据集； 构建基于卷积神经网络CNN的预设故障诊断模型， 通过所述训练数据集对所述预设故 障诊断模型进行训练， 得到训练后的故障诊断模型； 优化所述训练后的故障诊断模型的超参数， 得到目标故障诊断模型； 获取待分析的数据， 通过所述目标故障诊断模型对所述待分析的数据进行分析， 输出 所述待分析的数据对应的故障诊断结果。 2.根据权利要求1所述的方法， 其特征在于， 所述以多种不同气体的含量组成的多维向 量， 包括： 所述多种不同气体中每种气体含量的单位化特征向量和所述多种不同气体中每 种气体分别占气体总容 量的比例。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述故障样本数据集进行预处理， 得到用于训练的训练数据集， 包括： 通过聚类算法对所述样本数据进行聚类， 得到所述样本数据集中的噪声数据， 其中所 述噪声数据为样本数据集中错 误或异常的数据； 将所述样本数据集中的所述噪声数据删除， 得到用于训练的训练数据集。 4.根据权利要求1所述的方法， 其特征在于， 所述优化所述训练后的故障诊断模型的超 参数， 得到目标故障诊断模型， 包括： 采用麻雀搜索算法优化所述训练后的故障诊断模型的 超参数， 得到目标故障诊断模型。 5.根据权利要求1所述的方法， 其特 征在于， 所述麻雀搜索算法， 包括： 初始化种群参数， 设定最大迭代次数、 寻优阈值、 寻优步长等参数， 初始化种群中发现 者和跟随者两种角色的比例； 计算种群中各个个体的适应度值， 并按照数值大小进行排序， 筛选出当前种群内最优 与最劣的个 体； 发现者在种群中的位置 Lf通过第一公式计算并更新， 其中， 第一公式为： 其中， 表示麻雀种群中第 m只麻雀在第 n维的位置， 且 n为[1，d]范围内的整数， t 表示的是迭代的次数， α表示的是0~1之间的随机数， C表示的是常数， R是服从标准化正态分 布的一个随机数， D表示的是1 ×d维的矩阵， 表示的是预警阈值， 表示的是安 全值； 跟随者在种群中的位置 Lg通过第二公式计算并更新， 其中， 第二公式为：权　利　要　求　书 1/3 页 2 CN 115329908 A 2其中， 表示的是第t次迭代时整个种群中的最劣位置， 表示的是第t次迭代 时跟随者在种群中的位置， 表示的是第t+1次迭代时种群中发现者的最优位置， 表 示的是1×d维的矩阵且 ，N表示的是种群中的个 体总数； 设定种群中的预 警者， 对所述预 警者所处位置 Lj进行随机设定， 模拟天敌来袭时其未知 的变化， 并通过第三公式进行位置更新， 其中所述第三公式为： 其中， 表示当前种群中个体的最优位置， β是服从标准化正态分布的一个随机数， e 是常数，Fi表示的是现有个体的适应度值， Fg表示的是全局最优的适应度值， Fw表示的是全 局最劣的适应度值； 当求解得到全局最优解时， 则算法终止并输出最优超参数， 得到所述目标故障诊断模 型； 否则重复上述 步骤直至迭代终止 。 6.根据权利要求1所述的方法， 其特征在于， 所述通过所述目标故障诊断模型对所述待 分析的数据进行分析， 输出 所述待分析的数据对应的故障诊断结果， 包括： 通过所述目标故障模型对所述待分析的数据进行分析， 输出所述待分析的数据对应的 故障类型。 7.根据权利要求6所述的方法， 其特征在于， 所述故障类型包括： 低温过热、 中温过热、 高温过热、 局部放电、 低能放电、 高能放电、 正常状态。 8.一种基于深度学习的电力变压器故障诊断装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取电力变压器的故障样本数据集， 其中， 所述故障样本数据集中的每 个样本数据包括以多种不同气体的含量组成的多维向量； 预处理模块， 用于对所述故障样本数据集进行 预处理， 得到用于训练的训练数据集； 训练模块， 用于构建基于CNN的预设故障诊断模型， 通过所述训练数据集对所述预设故 障诊断模型进行训练， 得到训练后的故障诊断模型； 优化模块， 用于优化所述训练后的故障诊断模型的超参数， 得到目标故障诊断模型； 故障分析模块， 用于获取待分析的数据， 通过所述目标故障诊断模型对所述待分析的权　利　要　求　书 2/3 页 3 CN 115329908 A 3