本发明涉及变压器，具体为一种变压器的状态预测和故障诊断方法。
背景技术：
1、变压器运行状态和故障发生受到多个方面的影响，其中包括自然的雷电，极端天气等灾害，人为、意外事故等外力伤害，或者产品本身因制造工艺、材料、运输等造成的质量缺陷。为保证变压器长期稳定健康的运行需要不断进行维护。目前电力变压器的维护任务主要包括两类，针对变压器出现问题时的故障检修，以及根据固定时间进行的定期检修。故障检修试运行设备出现状况或故障时进行维修，虽然节约成本，但是会存在维修不及时的问题，并且故障一旦已经出现，若没有快速反应容易引发严重后果。而定期维护模式则会根据维修周期的不同出现维护过度或者维护不足的情况，前者成本过高，而后者有安全隐患。而通过当前设备运行的各种参数，基于模型和算法对如油色谱等实时监测数据进行预测并提前诊断潜在的变压器故障，可以有效提升变压器的检修维护能力。因此，针对电力变压器进行状态预测，根据检测数据开展状态检修对于变压器运行维护具有十分重要的意义。
2、多年来的研究表明，变压器自身运行数据如油浸式变压器的油色谱气体等信息数据可以直接反映变压器的运行状态。利用油色谱气体信息评估变压器的运行状态仍是一门发展中的基础理论和应用技术紧密结合的前沿学科。目前，国内外对变压器的状态监测方式可大致分为三类。第一类是基于数学和统计学对参数解析的诊断方法；第二类是基于实验检测信号的诊断方法；第三类则是基于人工智能模型的诊断和检测方法。
3、源于人工智能的快速发展，大量的模型被用于与变压器等电力设备的故障诊断或状态预测中，但是进一步的研究和结果表明当前的模型算法仍有许多不足之处需要改进或研究。现有的模型及算法的问题如下：
4、(1)目前针对电力设备的故障诊断或参量预测方法都是利用诊断对象的特征信号来进行模拟训练。然而，现场采集的变压器油色谱数据一般较少，对于当前主流模型需要的训练数据规模而言较小，总体数据样本有限，会严重影响现有算法的预测或诊断结果。
5、(2)现有的预测算法主要基于获得的历史数据进行曲线拟合。当出现外部干扰或内部短时间快速变化时，模型不能快速做出反应容易造成预测偏差。目前的预测算法主要依赖于历史数据进行曲线拟合。
6、(3)人工智能技术的模型可以有效根据状态信息进行电力设备的故障诊断，但是绝大部分智能算法内部处于黑箱状态，算法根据自身网络结构调整参数进行故障判断，研究人员不能得到模型作出判断结果的依据，过于依赖模型判断结果会影响设备运行的可靠性。
技术实现思路
1、本发明所要解决的技术问题在于：解决现有的电力设备的故障诊断的预测精度差和可靠性低的问题。
2、为解决上述技术问题，本发明提供如下技术方案：
3、一种变压器的状态预测和故障诊断方法，包括以下步骤：
4、s100，获取油色谱数据，所述油色谱数据包括气体特征量数据和气体故障状态数据；
5、s200，建立变压器状态预测及故障诊断模型，包括改进gru模型和改进卷积神经网络；将所述气体特征量数据输入至所述改进gru模型中，以预测变压器内油色谱气体的趋势；并将所述改进gru模型的输出结果和所述气体故障状态数据，输入至所述改进卷积神经网络中，以识别变压器的故障列别；
6、s300，以及采用最小风险训练方法，以训练所述变压器状态预测及故障诊断模型，确保所述改进gru模型和改进卷积神经网络的关联性。
7、在本发明的一实施例中，在步骤s100中，在输入至所述变压器状态预测及故障诊断模型前，先进行归一化处理；其中，
8、在进行归一化时，若油色谱数据为单一气体含量时，采用以下公式进行归一化：
9、
10、式中，为归一化处理后第i个样本中的某个数据，xi为第i个样本中的某个数据，ximin为第i个样本中数据的最小值，ximax为第i个样本中数据的最大值；
11、若油色谱数据为气体类数据时时，采用以下公式进行归一化：
12、
13、式中，为归一化处理后的第ii个数据集中的第jj类的数据，xiijj为第ii个数据集中的第jj类的数据，xjjmin是所有样本中第jj类型数据的最小值，而xjjmax是所有样本中第jj类型数据的最大值。
14、在本发明的一实施例中，将归一化后的气体特征量数据进行预处理，获取气体特征量时间序列数据；并将所述气体特征量时间序列数据划分为气体特征量时间序列训练集和气体特征量时间序列验证集；
15、将所述气体特征量时间序列训练集输入至改进gru模型中进行训练；
16、将所述气体特征量时间序列验证集输入至训练好的改进gru模型中进行验证；
17、并通过训练好的改进gru模型的预测结果进行评价。
18、在本发明的一实施例中，所述改进gru模型采用双向循环神经网络结构，包含两个循环层，且共享一个输入层和输出层；以及同一个时间节点上，所述气体特征量时间序列数据同时输入正向循环层和反向循环层，两个循环节点的输出也同时进入输出层。
19、在本发明的一实施例中，在所述改进gru模型中的隐含层中，加入的注意力机制后生成关键气体特征序列数据；所述关键气体特征序列数据通过以下公式获取：
20、
21、其中，
22、式中，为通过注意力机制后生成关键气体特征序列数据，为在特定的隐含层中第j个特征气体在第i个时间序列中的注意力权重，为在特定的隐含层中第j个特征气体在第i个时间序列中的隐含层中的状态，li为第i个气体特征量时间序列数据中气体特征量的数量，f为评估函数，为权重向量，和为两个权重矩阵，为偏置项，t为转置，tanh为双曲正切函数。k为索引，exp为指数函数
23、在本发明的一实施例中，将归一化后的气体故障状态数据进行向量化处理，获取气体故障状态向量矩阵；将所述气体故障状态向量矩阵视为图像的像素二维矩阵，使用所述改进卷积神经网络进行特征提取，采用文本卷积方式只对垂直方向做卷积，卷积核宽度和述气体故障状态向量矩阵的列宽度相同，高度为超参数，且特征提取时，所述气体故障状态向量矩阵中每一行的n组数据仅代表一项气体故障数据。
24、在本发明的一实施例中，所述改进卷积神经网络中，采用k-max池化为所述改进卷积神经网络的池化层。
25、在本发明的一实施例中，将所述改进gru模型的输出结果进行向量化处理，获取气体特征向量矩阵；将所述气体特征向量矩阵打标签作为标签在数据和所述气体故障状态向量矩阵一同输入至所述改进卷积神经网络中。
26、在本发明的一实施例中，所述改进卷积神经网络中设置有两个分类器，第一个分类器用以进行分类，获取分类结果的概率分布并可视化注意力权重图，第二个分类器用以生成子标签评分作为分类结果的解释。
27、在本发明的一实施例中，所述气体故障状态数据包括基本特征气体数据、衍生气体比值数据和气体总和数据。
28、与现有技术相比，本发明的有益效果是：本发明提出了一种组合循环神经网络模型和一种基于卷积神经网络与注意力机制的变压器故障诊断模型，该模型以改进的循环网络gru(gated recurrent unit,门循环控制单元)模型作为基础，改进双循环结构并融入注意力机制以追踪变压器内油色谱气体趋势，此阶段旨在捕获油色谱数据的动态变化。利用卷积核挖掘变压器dga数据中各个特征气体参量之间的联系，通过池化作用使模型在处理现场数据集的稳定性更高，从而对变压器进行状态预测以及故障诊断的能力得到进一步提升。
1.一种变压器的状态预测和故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的变压器的状态预测和故障诊断方法，其特征在于，在步骤s100中，在输入至所述变压器状态预测及故障诊断模型前，先进行归一化处理；其中，
3.根据权利要求1所述的变压器的状态预测和故障诊断方法，其特征在于，将归一化后的气体特征量数据进行预处理，获取气体特征量时间序列数据；并将所述气体特征量时间序列数据划分为气体特征量时间序列训练集和气体特征量时间序列验证集；
4.根据权利要求3所述的变压器的状态预测和故障诊断方法，其特征在于，所述改进gru模型采用双向循环神经网络结构，包含两个循环层，且共享一个输入层和输出层；以及同一个时间节点上，所述气体特征量时间序列数据同时输入正向循环层和反向循环层，两个循环节点的输出也同时进入输出层。
5.根据权利要求4所述的变压器的状态预测和故障诊断方法，其特征在于，在所述改进gru模型中的隐含层中，加入的注意力机制后生成关键气体特征序列数据；所述关键气体特征序列数据通过以下公式获取：
6.根据权利要求2所述的变压器的状态预测和故障诊断方法，其特征在于，将归一化后的气体故障状态数据进行向量化处理，获取气体故障状态向量矩阵；将所述气体故障状态向量矩阵视为图像的像素二维矩阵，使用所述改进卷积神经网络进行特征提取，采用文本卷积方式只对垂直方向做卷积，卷积核宽度和述气体故障状态向量矩阵的列宽度相同，高度为超参数，且特征提取时，所述气体故障状态向量矩阵中每一行的n组数据仅代表一项气体故障数据。
7.根据权利要求6所述的变压器的状态预测和故障诊断方法，其特征在于，所述改进卷积神经网络中，采用k-max池化为所述改进卷积神经网络的池化层。
8.根据权利要求6所述的变压器的状态预测和故障诊断方法，其特征在于，将所述改进gru模型的输出结果进行向量化处理，获取气体特征向量矩阵；将所述气体特征向量矩阵打标签作为标签在数据和所述气体故障状态向量矩阵一同输入至所述改进卷积神经网络中。
9.根据权利要求8所述的变压器的状态预测和故障诊断方法，其特征在于，所述改进卷积神经网络中设置有两个分类器，第一个分类器用以进行分类，获取分类结果的概率分布并可视化注意力权重图，第二个分类器用以生成子标签评分作为分类结果的解释。
10.根据权利要求6所述的变压器的状态预测和故障诊断方法，其特征在于，所述气体故障状态数据包括基本特征气体数据、衍生气体比值数据和气体总和数据。
