本發(fā)明涉及特征處理，尤其涉及一種用于變壓器狀態(tài)評估的多源融合特征生成方法和裝置。

背景技術(shù)：

1、在當(dāng)今的電力系統(tǒng)中，變壓器作為關(guān)鍵設(shè)備，其運行狀態(tài)對電力系統(tǒng)的正常運行影響起到至關(guān)重要的影響。然而，現(xiàn)有的變壓器評估體系存在著一些明顯的不足之處。

2、現(xiàn)有對變壓器狀態(tài)評估體系特征參量輸入，一般只考慮采取電氣試驗數(shù)據(jù)和油色譜數(shù)據(jù)。同時在數(shù)據(jù)預(yù)處理階段對于缺失數(shù)據(jù)，一般只采用一種數(shù)據(jù)填充方式，對于數(shù)據(jù)降維，一般采用粗糙集，深度置信網(wǎng)絡(luò)進行數(shù)據(jù)稀疏降維。對于數(shù)據(jù)清洗，采用的是自編碼器進行清洗。

3、上述單一數(shù)據(jù)源選擇具有很大的局限性，無法全面地反映變壓器在整體運行工況下的實際狀態(tài)，只考慮單一填充方法無法從整個數(shù)據(jù)層面的角度進行填充，可能導(dǎo)致訓(xùn)練過擬合，現(xiàn)有降維方法沒有考慮時序歷史數(shù)據(jù)的影響，采用自編碼器的數(shù)據(jù)清洗對于計算資源要求較高，難以及時對變壓器數(shù)據(jù)進行有效的數(shù)據(jù)預(yù)處理，容易導(dǎo)致變壓器評估的準(zhǔn)確性和可靠性降低。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種用于變壓器狀態(tài)評估的多源融合特征生成方法和裝置，解決了在現(xiàn)有的變壓器狀態(tài)評估過程中，單一數(shù)據(jù)源選擇具有很大的局限性，無法全面地反映變壓器在整體運行工況下的實際狀態(tài)，只考慮單一填充方法無法從整個數(shù)據(jù)層面的角度進行填充，可能導(dǎo)致訓(xùn)練過擬合，現(xiàn)有降維方法沒有考慮時序歷史數(shù)據(jù)的影響，采用自編碼器的數(shù)據(jù)清洗對于計算資源要求較高，難以及時對變壓器數(shù)據(jù)進行有效的數(shù)據(jù)預(yù)處理，容易導(dǎo)致變壓器評估的準(zhǔn)確性和可靠性降低的技術(shù)問題。

2、本發(fā)明提供的一種用于變壓器狀態(tài)評估的多源融合特征生成方法，包括：

3、按照預(yù)設(shè)的獲取周期，從變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件分別獲取狀態(tài)數(shù)據(jù)；

4、基于構(gòu)建的雙稀疏字典模型對各所述狀態(tài)數(shù)據(jù)進行降維，得到降維數(shù)據(jù)；

5、按照多種填充方式對所述降維數(shù)據(jù)進行加權(quán)填充，得到填充數(shù)據(jù)；

6、根據(jù)所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)之間的重構(gòu)誤差情況，對所述填充數(shù)據(jù)進行數(shù)據(jù)清洗，生成多源融合特征。

7、可選地，所述按照預(yù)設(shè)的獲取周期，從變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件分別獲取狀態(tài)數(shù)據(jù)，包括：

8、調(diào)用變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件實時采集特征數(shù)據(jù)；其中，所述特征數(shù)據(jù)包括聲音信號、光信號、超聲波信號和振動信號；

9、當(dāng)采集時間滿足預(yù)設(shè)的獲取周期時，從各所述數(shù)據(jù)采集組件分別獲取所述聲音信號、所述光信號、所述超聲波信號和所述振動信號；

10、按照采集時間對所述聲音信號、所述光信號、所述超聲波信號和所述振動信號進行排序，分別構(gòu)建序列形式的狀態(tài)數(shù)據(jù)。

11、可選地，所述基于構(gòu)建的雙稀疏字典模型對各所述狀態(tài)數(shù)據(jù)進行降維，得到降維數(shù)據(jù)，包括：

12、以固定字典模型為基礎(chǔ)層疊加學(xué)習(xí)型字典模型，構(gòu)建雙稀疏字典模型；

13、將各所述狀態(tài)數(shù)據(jù)投影至所述雙稀疏字典模型；

14、采用正交匹配追蹤算法求解各所述狀態(tài)數(shù)據(jù)在所述雙稀疏字典模型下的稀疏表示，得到降維數(shù)據(jù)；

15、所述雙稀疏字典模型為：

16、

17、其中，是系數(shù)矩陣中第個字典元素對應(yīng)的系數(shù)列矢量，是狀態(tài)數(shù)據(jù)在學(xué)習(xí)型字典模型下的稀疏表示系數(shù)矩陣，是學(xué)習(xí)型字典模型經(jīng)稀疏表示后的系數(shù)矩陣，是每一個字典元素均預(yù)定義的固定字典模型，是狀態(tài)數(shù)據(jù)中的第i個樣本，是稀疏系數(shù)向量，是狀態(tài)數(shù)據(jù)的稀疏表示，即降維數(shù)據(jù)，表示稀疏系數(shù)向量中非零元素的個數(shù)。

18、可選地，所述按照多種填充方式對所述降維數(shù)據(jù)進行加權(quán)填充，得到填充數(shù)據(jù)，包括：

19、按照多種填充方式分別計算所述降維數(shù)據(jù)對應(yīng)的模擬填充值；

20、分別采用各所述模擬填充值與所述降維數(shù)據(jù)中的已知值，計算各種所述填充方式對應(yīng)的誤差系數(shù)；

21、按照各所述誤差系數(shù)設(shè)置各種所述填充方式的填充權(quán)重；

22、按照所述填充權(quán)重對各所述填充方式的填充值進行加權(quán)平均，得到實際填充值；

23、按照所述實際填充值對所述降維數(shù)據(jù)的缺失值進行填充，得到填充數(shù)據(jù)。

24、可選地，所述根據(jù)所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)之間的重構(gòu)誤差情況，對所述填充數(shù)據(jù)進行數(shù)據(jù)清洗，生成多源融合特征，包括：

25、計算所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)在所述獲取周期內(nèi)的損失誤差；

26、若所述損失誤差均未超過預(yù)設(shè)損失閾值，則將所述填充數(shù)據(jù)確定為無損特征；

27、若所述損失誤差超過預(yù)設(shè)損失閾值，則統(tǒng)計誤差時長；

28、若所述誤差時長未超過預(yù)設(shè)時長閾值，則將所述填充數(shù)據(jù)確定為波動特征；

29、若所述誤差時長超過預(yù)設(shè)時長閾值，則調(diào)用預(yù)設(shè)的堆疊去噪自編碼器模型對所述填充數(shù)據(jù)進行數(shù)據(jù)重構(gòu)，得到重構(gòu)特征；

30、采用所述無損特征、所述波動特征和/或所述重構(gòu)特征，生成多源融合特征。

31、本發(fā)明還提供了一種用于變壓器狀態(tài)評估的多源融合特征生成裝置，包括：

32、狀態(tài)數(shù)據(jù)獲取模塊，用于按照預(yù)設(shè)的獲取周期，從變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件分別獲取狀態(tài)數(shù)據(jù)；

33、數(shù)據(jù)降維模塊，用于基于構(gòu)建的雙稀疏字典模型對各所述狀態(tài)數(shù)據(jù)進行降維，得到降維數(shù)據(jù)；

34、數(shù)據(jù)填充模塊，用于按照多種填充方式對所述降維數(shù)據(jù)進行加權(quán)填充，得到填充數(shù)據(jù)；

35、數(shù)據(jù)清洗模塊，用于根據(jù)所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)之間的重構(gòu)誤差情況，對所述填充數(shù)據(jù)進行數(shù)據(jù)清洗，生成多源融合特征。

36、可選地，所述狀態(tài)數(shù)據(jù)獲取模塊具體用于：

37、調(diào)用變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件實時采集特征數(shù)據(jù)；其中，所述特征數(shù)據(jù)包括聲音信號、光信號、超聲波信號和振動信號；

38、當(dāng)采集時間滿足預(yù)設(shè)的獲取周期時，從各所述數(shù)據(jù)采集組件分別獲取所述聲音信號、所述光信號、所述超聲波信號和所述振動信號；

39、按照采集時間對所述聲音信號、所述光信號、所述超聲波信號和所述振動信號進行排序，分別構(gòu)建序列形式的狀態(tài)數(shù)據(jù)。

40、可選地，所述數(shù)據(jù)降維模塊具體用于：

41、以固定字典模型為基礎(chǔ)層疊加學(xué)習(xí)型字典模型，構(gòu)建雙稀疏字典模型；

42、將各所述狀態(tài)數(shù)據(jù)投影至所述雙稀疏字典模型；

43、采用正交匹配追蹤算法求解各所述狀態(tài)數(shù)據(jù)在所述雙稀疏字典模型下的稀疏表示，得到降維數(shù)據(jù)；

44、所述雙稀疏字典模型為：

45、

46、其中，是系數(shù)矩陣中第個字典元素對應(yīng)的系數(shù)列矢量，是狀態(tài)數(shù)據(jù)在學(xué)習(xí)型字典模型下的稀疏表示系數(shù)矩陣，是學(xué)習(xí)型字典模型經(jīng)稀疏表示后的系數(shù)矩陣，是每一個字典元素均預(yù)定義的固定字典模型，是狀態(tài)數(shù)據(jù)中的第i個樣本，是稀疏系數(shù)向量，是狀態(tài)數(shù)據(jù)的稀疏表示，即降維數(shù)據(jù)，表示稀疏系數(shù)向量中非零元素的個數(shù)。

47、可選地，所述數(shù)據(jù)填充模塊具體用于：

48、按照多種填充方式分別計算所述降維數(shù)據(jù)對應(yīng)的模擬填充值；

49、分別采用各所述模擬填充值與所述降維數(shù)據(jù)中的已知值，計算各種所述填充方式對應(yīng)的誤差系數(shù)；

50、按照各所述誤差系數(shù)設(shè)置各種所述填充方式的填充權(quán)重；

51、按照所述填充權(quán)重對各所述填充方式的填充值進行加權(quán)平均，得到實際填充值；

52、按照所述實際填充值對所述降維數(shù)據(jù)的缺失值進行填充，得到填充數(shù)據(jù)。

53、可選地，所述數(shù)據(jù)清洗模塊具體用于：

54、計算所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)在所述獲取周期內(nèi)的損失誤差；

55、若所述損失誤差均未超過預(yù)設(shè)損失閾值，則將所述填充數(shù)據(jù)確定為無損特征；

56、若所述損失誤差超過預(yù)設(shè)損失閾值，則統(tǒng)計誤差時長；

57、若所述誤差時長未超過預(yù)設(shè)時長閾值，則將所述填充數(shù)據(jù)確定為波動特征；

58、若所述誤差時長超過預(yù)設(shè)時長閾值，則調(diào)用預(yù)設(shè)的堆疊去噪自編碼器模型對所述填充數(shù)據(jù)進行數(shù)據(jù)重構(gòu)，得到重構(gòu)特征；

59、采用所述無損特征、所述波動特征和/或所述重構(gòu)特征，生成多源融合特征。

60、從以上技術(shù)方案可以看出，本發(fā)明具有以下優(yōu)點：

61、本發(fā)明通過按照預(yù)設(shè)的獲取周期，從變壓器關(guān)聯(lián)的多種數(shù)據(jù)采集組件分別獲取狀態(tài)數(shù)據(jù)；基于構(gòu)建的雙稀疏字典模型對各所述狀態(tài)數(shù)據(jù)進行降維，得到降維數(shù)據(jù)；按照多種填充方式對所述降維數(shù)據(jù)進行加權(quán)填充，得到填充數(shù)據(jù)；根據(jù)所述填充數(shù)據(jù)與所述狀態(tài)數(shù)據(jù)之間的重構(gòu)誤差情況，對所述填充數(shù)據(jù)進行數(shù)據(jù)清洗，生成多源融合特征，從而及時對變壓器數(shù)據(jù)進行有效的數(shù)據(jù)預(yù)處理，有效提高變壓器評估的準(zhǔn)確性和可靠性。