本发明涉及变压器检测，具体为一种基于数据融合的变压器振动异常检测方法。
背景技术：
1、大型电力变压器的运行状态对电网的安全、稳定运行具有重要影响。由于变压器振动信号受变压器运行状态影响显著，因此，可以通过变压器振动信号分析变压器工作状态。变压器振动异常检测具有可带电监测、成本低廉、无直接电气连接安全性高等优点，然而，传统的变压器振动分析法无法兼顾变压器表面振动受电压、电流、功率、环境温湿度等多重因素的影响，导致对变压器运行状态分析和故障诊断的准确率低，难以满足高质量变压器运检工作的实际需要。
2、中国专利，公开号：cn118091229a，公开日：2024年5月28日，公开了一种变压器在线检测方法、装置及系统和变压器，获取目标变压器的实时输入电压、实时振动信号以及实时运行时长，然后根据实时输入电压、实时振动信号以及实时运行时长判断目标变压器是否故障。而该发明并未考虑到变压器表面振动受电压、电流、功率、环境温湿度等多重因素的影响，无法满足高质量变压器运检工作的实际需要。
技术实现思路
1、本发明的目的是针对现有变压器振动分析技术由于无法综合分析变压器振动的多重影响因素，导致变压器振动异常检测效率低、检测结果不可靠的问题；提出了一种基于数据融合的变压器振动异常检测方法，通过对变压器振动特性与运行需求确定变压器振动信号长度，以提取变压器的振动信号特征，并对变压器运行参数与振动信号特征进行数据融合分析，建立表征变压器正常运行状态的状态特征向量；构建变压器振动特征预测模型，将状态特征向量与变压器历史正常运行数据作为输入进行模型训练，得到第一振动预测值，以第一振动预测值确定振动异常指标并建立振动异常判定规则；基于振动特征预测模型对变压器的运行状态数据进行预测，得到第二振动预测值；通过振动异常判定规则对第二振动预测值进行异常判定，从而完成对变压器运行状态的检测，克服了现有技术无法综合分析变压器振动的多重影响因素，导致变压器振动异常检测效率低、检测结果不可靠的问题，显著提高了变压器振动状态的检测效率与检测结果的可靠性。
2、为解决上述技术问题，本发明采用的技术方案为：一种基于数据融合的变压器振动异常检测方法，包括以下步骤：
3、s1、基于变压器振动特性以及变压器的运行需求确定变压器振动信号长度；
4、s2、根据所述变压器振动信号长度提取出变压器的振动信号特征；
5、s3、对变压器运行参数与所述振动信号特征进行数据融合分析，建立表征变压器正常运行状态的状态特征向量；
6、s4、基于人工神经网络算法构建变压器的振动特征预测模型，将所述状态特征向量与变压器历史正常运行数据作为所述振动特征预测模型的输入进行模型训练，并输出变压器的第一振动预测值；
7、s5、基于所述第一振动预测值确定振动异常指标，并建立振动异常判定规则；
8、s6、基于训练完成的所述振动特征预测模型对变压器的运行状态数据进行预测，得到变压器的第二振动预测值；
9、s7、基于所述振动异常判定规则对所述第二振动预测值进行异常判定。
10、本方案中，通过确定变压器振动信号长度可以有效采集分析数据，避免直接采集多元异构、海量高维以及冗余度高的数据，增加数据分析前期的数据处理负担，提高数据的处理效率以及数据在变压器振动异常检测中的可用性，并提高对采集的变压器运行数据的利用效率以及保证异常检测的精度；通过将变压器运行参数以及提取出的振动信号特征进行数据融合，能够综合多源信息，更全面、准确地反映变压器的运行状态，以便于为后续进行变压器振动异常分析提供全面的、准确的和可靠的数据支撑，确保变压器振动异常检测结果的精准性和可信度，解决了单一参数或特征可能无法全面反映变压器健康状况的问题；通过构建变压器的振动特征预测模型，能够学习变压器的正常振动模式，为后续的异常检测提供基础，还能对变压器的运行状态趋势进行预测；通过建立振动异常判定规则，可以准确的对待测样本进行异常类型判断，以便于根据不同的异常判定结果以及不同的异常程度进行针对性的异常处理，确保变压器的稳定运行；同时，有效解决了变压器运行状态检测中存在的振动异常检测精度不高、无法快速响应异常等问题。
11、优选地，所述s1包括如下子步骤：
12、基于变压器的振动信号采样频率以及所述振动信号采样频率相对应的变压器振动频率确定变压器振动信号长度。
13、优选地，所述s2包括如下子步骤：
14、基于所述变压器振动信号长度对变压器的运行参数进行特征提取，获得振动信号特征；
15、其中，所述振动信号特征至少包括振动加速度特征、速度特征以及位移特征。
16、本方案中，振动信号的加速度、速度和位移特征能够直接反映变压器内部的机械运动状态。当这些特征参数出现异常时，往往意味着变压器内部存在某种故障或隐患，通过对这些特征参数的实时监测和分析，可以及时发现潜在的故障，从而避免变压器进一步损坏或引发更大的事故。
17、优选地，所述s3包括如下子步骤：
18、s31、采集变压器的运行状态数据并进行数据预处理，获得格式统一的变压器运行参数；其中，所述变压器运行参数至少包括电压特征、电流特征、环境温度特征、环境湿度特征以及油温特征；
19、s32、基于特征拼接对所述变压器运行参数以及所述振动信号特征进行数据融合，得到表征变压器正常运行状态的状态特征向量。
20、本方案中，通过对采集的变压器运行状态数据进行数据预处理，可以确保所有数据转换为统一的格式和单位，提高数据的质量，便于后续的数据分析和处理，减少噪声和误差对异常检测结果的影响；通过特征拼接，将变压器运行参数和振动信号特征融合在一起，能够充分利用来自不同数据源的信息，提高检测的准确性和可靠性。
21、优选地，所述s4包括如下子步骤：
22、s41、将变压器历史正常运行数据作为vae算法的输入进行vae模型训练，基于训练完成的所述vae模型对所述状态特征向量进行计算，获得变压器的状态特征隐变量；
23、s42、基于lstm算法构建所述振动特征预测模型，并将所述状态特征隐变量作为所述振动特征预测模型的训练样本进行模型训练，并生成变压器的所述第一振动预测值。
24、本方案中，将变压器历史正常运行数据作为输入，vae能够学习到数据的内在结构和特征，提取出能够代表变压器状态的特征隐变量，由于vae在编码过程中引入了噪声，使得模型对噪声和异常值具有更好的鲁棒性，并降低状态特征向量的维度，以便于提供更丰富、更有效的变压器振动特征信息，帮助lstm更好地学习变压器状态的动态变化；通过将vae生成的状态特征隐变量作为lstm的训练样本，lstm能够学习到与变压器状态密切相关的特征，从而提高预测的精度，lstm模型一旦训练完成，可以实时对新的变压器数据进行预测和分析，为变压器的运维和维护提供及时、有效的支持。
25、优选地，所述s5包括如下子步骤：
26、s51、提取所述第一振动预测值对应的训练样本的数据点，将不符合变压器振动数据时序关系的数据点作为第一振动异常指标；
27、s52、提取所述第一振动预测值对应的训练样本的振动数据片段，将不符合历史振动数据概率分布的所述振动数据片段作为第二振动异常指标；
28、s53、分别将所述第一振动异常指标以及所述第二振动异常指标的异常程度等级由低至高依次划分为正常、注意、告警以及严重，根据不同的异常程度等级配置异常分值，得到所述振动异常判定规则。
29、本方案中，通过对时序异常的检测，可以及时发现变压器振动数据的异常变化，为后续的故障诊断和维护提供重要依据，时序异常检测有助于在变压器状态恶化初期就发现问题，从而避免可能的故障扩大或设备损坏；通过概率分布异常的检测，可以更加全面地评估变压器振动数据的片段异常情况，检测概率分布异常有助于发现那些难以通过单一数据点检测到的异常模式，为变压器的预防性维护提供更加可靠的依据；将第一振动异常指标和第二振动异常指标的异常程度等级由低至高依次划分为正常、注意、告警以及严重，并根据不同的异常程度等级配置相应的异常分值，形成振动异常判定规则，有助于运维人员更加清晰地了解变压器振动数据的异常程度，从而采取相应的维护措施，还可以量化评估变压器的振动异常情况，为设备状态评估和风险评估提供有力支持，提高了检测效率和准确性。
30、优选地，所述s6包括如下子步骤：
31、将变压器的运行状态数据作为所述振动特征预测模型的待测样本，对所述待测样本进行计算，获得变压器的所述第二振动预测值；
32、其中，从所述运行状态数据中提取振动信号特征，将所述状态特征隐变量和所述振动信号特征作为所述振动特征预测模型的预测对象，对变压器的振动特征进行预测。
33、优选地，所述s7包括如下子步骤：
34、s71、基于所述第二振动预测值分析所述待测样本的振动异常指标类型；
35、s72、根据同一类振动异常类型在变压器采样周期中出现的次数判断所述待测样本的异常程度等级，并基于所述异常程度等级匹配相对应的异常分值，对变压器的运行状态进行异常判定。
36、优选地，所述s71包括如下子步骤：
37、s711、根据所述待测样本中任意两个相邻样本对应的所述第二振动预测值的误差计算得到所述第一振动异常程度；
38、s712、对所述待测样本中的振动信号特征进行拟合生成振动特征概率分布函数f1(x)，并对所述第二振动预测值进行拟合生成特征预测值概率分布函数f2(x)；
39、s713、计算振动特征概率分布函数f1(x)的图像与特征预测值概率分布函数f2(x)的图像相互映射的重叠面积，获得所述第二振动异常程度；
40、其中，若所述第一振动异常程度大于等于第一标准程度阈值，则判定所述待测样本的振动异常指标类型为所述第一振动异常指标；若所述第二振动异常程度大于等于第二标准程度阈值，则判定所述待测样本的振动异常指标类型为所述第二振动异常指标。
41、优选地，所述s71还包括：
42、a1、将所述待测样本中第二振动预测值的误差大于第一振动预测值中误差最大的相应数据点作为第一振动异常样本；
43、a2、若所述第一振动异常样本在所述待测样本中的占比大于等于标准比例阈值，则判定所述待测样本的振动异常指标类型为所述第一振动异常指标。
44、本方案中，通过比较预测值误差的大小，并设置合理的阈值和比例要求，能够准确地识别出待测样本中存在的振动异常，减少了误报和漏报的可能性，确保异常类型的判断更加准确和可靠，提高了异常检测的准确性。
45、本发明的有益效果：
46、1、通过确定变压器振动信号长度可以有效采集分析数据，避免直接采集多元异构、海量高维以及冗余度高的数据，提高数据的处理效率以及数据在变压器振动异常检测中的可用性，保证异常检测的精度；
47、2、通过将变压器运行参数以及提取出的振动信号特征进行数据融合，能够综合多源信息，更全面、准确地反映变压器的运行状态，以便于为后续进行变压器振动异常分析提供全面的、准确的和可靠的数据支撑，确保变压器振动异常检测结果的精准性和可靠性；
48、3、通过构建变压器的振动特征预测模型，能够学习变压器的正常振动模式，为后续的异常检测提供基础，还能对变压器的运行状态趋势进行预测；
49、4、通过建立振动异常判定规则，可以准确的对待测样本进行异常类型判断，以便于根据不同的异常判定结果以及不同的异常程度进行针对性的异常处理，确保变压器的稳定运行。
1.一种基于数据融合的变压器振动异常检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s1包括如下子步骤：
3.根据权利要求1所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s2包括如下子步骤：
4.根据权利要求3所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s3包括如下子步骤：
5.根据权利要求1所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s4包括如下子步骤：
6.根据权利要求1所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s5包括如下子步骤：
7.根据权利要求5所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s6包括如下子步骤：
8.根据权利要求7所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s7包括如下子步骤：
9.根据权利要求8所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s71包括如下子步骤：
10.根据权利要求8所述的一种基于数据融合的变压器振动异常检测方法，其特征在于：所述s71还包括：
