(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 202210907068.2 (22)申请日 2022.07.29 (71)申请人 贵州电网有限责任公司 地址 550002 贵州省贵阳市南明区滨河路 17号 (72)发明人 李洵　龙玉江　卫薇　王杰峰　 纪元　钱俊凤　舒彧　甘润东　 龙娜　钟掖　 (74)专利代理 机构 贵阳中新专利商标事务所 52100 专利代理师 商小川 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种极端气象条件下输变电变压器设备故 障预测分析方法 (57)摘要 本发明公开了一种极端气象条件下输变电 变压器设备故障预测分析方法， 所述方法包括： 步骤1、 采集各种极端气象条件下发生过的输变 电变压器故障数据， 预置故障类型； 步骤2、 数据 参数预处理； 步骤3、 创建深度学习 网络； 步骤4、 使用误差反向传播算法更新梯度并优化参数， 训 练神经网络； 步骤5、 故障预测， 验证神经网络准 确率； 解决了现有技术中输变电变压器 设备故障 预测在在极端气象条件下， 已有的故障预测模型 会出现一定的偏差， 其故障预测准确性会受到极 端气象的影 响， 在这种情况下已有故障预测模型 已不再适用等 技术问题。 权利要求书2页 说明书5页 附图3页 CN 115222142 A 2022.10.21 CN 115222142 A 1.一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 所述方法 包括： 步骤1、 采集各种极端气象条件下发生过的输变电变压器故障数据， 预置故障类型； 步骤2、 数据参数 预处理； 步骤3、 创建深度学习网络； 步骤4、 使用误差反向传播 算法更新梯度并优化 参数， 训练神经网络； 步骤5、 故障预测， 验证神经网络准确率。 2.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 采集的变压器故障数据包括变压器油的H2， CH4， C2H6， C2H4和C2H2五种气体含量 与极端气象条件下的外界温度、 湿度、 气压、 风速和雷暴 天气下空气中等离子体浓度气象参 数。 3.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 预置故障类型包括： 故障类型一、 高温过 热， 高于70 0℃； 故障类型二、 中温过 热， 低于70 0℃且高于 300℃； 故障类型三、 低温过 热， 低于300℃； 故障类型四、 高能放电； 故障类型五、 低能放电； 故障类型 六、 局部放电； 故障类型七、 正常。 4.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 步骤2所述数据参数 预处理的方法为包括： 步骤2.1、 每一秒种读取一组数据， 连续读取1024s； 对1024s内采集的1024组数据添加 故障类型标签， 形成带故障标签的原始数据集； 将1024组五种气体含量作为数据集 Ⅰ， 将 1024组外界气象参数作为数据集 II； 步骤2.2、 从原始数据集中随机抽出75％的数据作 为训练集， 其余25 ％的数据作 为验证 集。 5.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 步骤3所述创建深度学习网络的方法包括： 通过序列输入层将带标签的原始信 号数据集 Ⅰ与数据集II分别导入深度学习网络 Ⅰ与深度学习网络II， 深度学习网络结构有八 层， 依次为： 第一层为一个卷积层 Ⅰ， 防止原输入信息掉到卷积核边界之外； 第二层为一个池化层， 对数据进行降采样， 简化网络复杂度， 降低计算量； 第三层为一个卷积层II； 第四层为一个 池化层II； 第五层为一个卷积层III， 第六层为一个池化层III； 第七层为一个卷积层IV； 第 八层为一个池化层IV。 通过卷积层与池化层实现降维， 通过调整卷积核大小以及卷积层和 池化层的步长， 使得深度学习网络 Ⅰ提取的数据集 Ⅰ与数据集 II的特征维度相同， 得以融合。 6.根据权利要求5所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 它还包括： 深度学习网络III， 深度学习网络III结构有 六层， 依次为： 第一层为 卷积层Ⅰ， 第二层为一个池化层， 第三层为一个卷积层II， 第四层为一个池化层， 第五层为一权　利　要　求　书 1/2 页 2 CN 115222142 A 2个全连接层， 第六层为一个Softmax层， 通过Softmax多分类器计算每个故障类型的概率值， 传输到分类层达到分类目的； 通过卷积层与池化层实现降维， 每层卷积后采用Rule激活函 数。 7.根据权利要求6所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 将训练数据集I通过序列输入层导入深度学习网络I， 提取变压器内五种气体 含量随着时间变化的高维特征； 将数据集II通过序列输入层导入深度学习网络II， 提取外 界气象参数随着时间变化的高维特征； 将数据集I与数据集II提取 的特征融合并导入深度 学习网络I II。 8.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法， 其特征在于： 使用误差反向传播算法更新梯度并优化参数， 训练神经网络的方法为： 初始 化 神经网络训练参数， 设置最大训练迭代数为1000， 设置初始学习率为0.01， 将预 处理过后的 数据导入网络进行训练， 并使用误差反向传播算法更新网络权重， 得到最优的网络结构并 不断更新迭代次数与学习率， 最终得到故障预测率。权　利　要　求　书 2/2 页 3 CN 115222142 A 3