CN119293629B 一种基于注意力变分自编码的变压器故障诊断方法、系统、设备及存储介质 （南京南瑞智慧交通科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119293629B(45)授权公告日2025.07.01

(21)申请号202411262174.5

(22)申请日2024.09.10

(65)同一申请的已公布的文献号申请公布号CN119293629A

(43)申请公布日2025.01.10

(73)专利权人南京南瑞智慧交通科技有限公司地址211500江苏省南京市江北新区高新

G01D21/02(2006.01)GO6N3/0455(2023.01)GO6F18/15(2023.01)

(56)对比文件

CN108152612A,2018.06.12

CN118277797A,2024.07.02

审查员徐则双

路20号

(72)发明人杨国彬左振鲁费洋吴永城李聪朱祁张雅婷

(74)专利代理机构南京苏高专利商标事务所

(普通合伙)32204专利代理师沈丹

(51)Int.CI.

GO6F18/2415(2023.01)权利要求书4页说明书9页附图3页

(54)发明名称

一种基于注意力变分自编码的变压器故障诊断方法、系统、设备及存储介质

(57)摘要

CN119293629B本发明公开了一种基于注意力变分自编码的变压器故障诊断方法、系统、设备及存储介质，该方法包括：获取变压器的各特征气体历史浓度数据，变压器历史油温数据及历史负荷数据；对历史数据归一化处理；构建自注意力变分自编码模型；提取故障特征，得到故障特征训练集，构建概率神经网络故障分类模型；对实时监测的数据归一化处理，处理后的实时数据作为自注意力变分自编码模型的输入数据，对溶解气体浓度动态预测，得到溶解气体浓度的预测偏差，若预测偏差大于预设阈值，则作为故障特征；利用获取的故障特征，通过概率神经网络故障分类模型进行故障诊断，输出故障类型。本发明能够提升溶解

CN119293629B

从变压器油的溶解气体中选择特征气体，获取变压器的各特

从变压器油的溶解气体中选择特征气体，获取变压器的各特征气体历史浓度数据，获取变压器的历史油温数据以及历史

负荷数据

对历史浓度数据、历史油温数据和历史负荷数据进行归一化处理

构建注意力变分自编码模型并利用归一化处理后的历史数据

素之间具有关联性

对实时监测的变压器负荷、油温数据以及溶解气体浓度进行归一化处理，将归一化处理后的实时数据作为注意力变分自编码模型的输入数据，对溶解气体浓度进行动态预测，得到溶解气体浓度的预测偏差，若预测偏差大于预设阈值，则将

其作为故障特征

CN119293629B权利要求书1/4页

2

1.一种基于注意力变分自编码的变压器故障诊断方法，其特征在于，包括：

从变压器油的溶解气体中选择特征气体，获取变压器的各特征气体历史浓度数据，获取变压器的历史油温数据以及历史负荷数据；

对历史浓度数据、历史油温数据和历史负荷数据进行归一化处理；

构建注意力变分自编码模型并利用归一化处理后的历史数据对模型进行训练，通过注意力变分自编码模型获得变压器溶解性气体浓度间的相关性，提取其低维潜变量特征；所述注意力变分自编码模型的损失项包括变压器溶解气体浓度的重构损失、数据分布一致性损失和注意力预测损失，该模型通过引入注意力机制使得模型的低维潜变量特征与外界影响因素之间具有关联性；

所述注意力变分自编码模型的损失项包括变压器溶解气体浓度的重构损失、数据分布一致性损失和注意力预测损失，其中，损失项的构建过程如下：

低维潜变量由z。和z,两部分组成，z。和z,的概率分布服从相互独立的多元高斯分布，因此，解码器的概率表达式如下：

X~De?(z)=pe(x|z?,zy)

y~De?(x)=pa(y|zy)

式中：De?为解码器，De?为基于注意力机制的解码器；θ和9分别为De?和De?的网络参数；

相应地，编码器的概率表达式如下：

z～En(x)=q(z。,zy|x)=q(z。|x)q。(z,|x)

式中：q。(z,|x)为p?(y|zy)的近似后验概率分布；En为编码器；φ为En的网络参数；

因此，模型的总损失函数如下：

LHM=Eφ(202y|x)[Logpe(x|z0,zy)]-β1DkL[qφ(Z?|x)l