本發(fā)明涉及變壓器故障診斷，具體為基于全頻段多模態(tài)數(shù)據(jù)融合的配電變壓器故障診斷方法。

背景技術(shù)：

1、在電力系統(tǒng)中，配電變壓器的穩(wěn)定運行至關(guān)重要，而故障診斷的準(zhǔn)確性直接影響到電力供應(yīng)的可靠性。傳統(tǒng)的故障診斷方法往往依賴于單一的數(shù)據(jù)源，這限制了診斷的全面性和準(zhǔn)確性。

2、利用概率神經(jīng)網(wǎng)絡(luò)（pnn）進(jìn)行配電變壓器故障診斷能夠依據(jù)已有的標(biāo)記數(shù)據(jù)來識別和分類故障類型。而這種方法在處理未知或少見故障模式時可能面臨挑戰(zhàn)，因為它們通常需要大量數(shù)據(jù)或更高級的模型來實現(xiàn)良好的泛化。此外，復(fù)雜的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練和評估時對計算資源的需求較高，這可能限制了其在資源受限環(huán)境中的適用性。同時，對于需要快速響應(yīng)的實時應(yīng)用場景，這些模型的推斷時間可能過長，無法滿足即時性的需求。因此，研究如何優(yōu)化pnn模型，以提高其泛化能力、降低資源消耗，并加快處理速度，對于提升全頻段多模態(tài)數(shù)據(jù)下變壓器故障診斷的效率和準(zhǔn)確性具有重要作用。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于全頻段多模態(tài)數(shù)據(jù)融合的配電變壓器故障診斷方法，其目的在于解決背景技術(shù)中的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于全頻段多模態(tài)數(shù)據(jù)融合的配電變壓器故障診斷方法，包括如下步驟：

3、步驟s1：收集變壓器的不同特征圖，包括聲紋頻譜圖、特高頻局部放電圖譜、高頻局部放電圖譜以及超聲波圖譜；

4、步驟s2：采用卷積神經(jīng)網(wǎng)絡(luò)對收集的不同特征圖進(jìn)行特征提取，得到一維特征向量，將一維特征向量進(jìn)行加權(quán)求和，得到多源融合特征向量；

5、步驟s3：對多源融合特征向量進(jìn)行數(shù)據(jù)預(yù)處理，數(shù)據(jù)預(yù)處理后再進(jìn)行歸一化處理；

6、步驟s4：構(gòu)建改進(jìn)概率神經(jīng)網(wǎng)絡(luò)pnn；對改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的多項式階數(shù)進(jìn)行初始化設(shè)置；將歸一化處理后的多源融合特征向量輸入至初始化設(shè)置多項式階數(shù)后的改進(jìn)概率神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到訓(xùn)練好的改進(jìn)概率神經(jīng)網(wǎng)絡(luò)；

7、步驟s5：采用改進(jìn)北極海鸚優(yōu)化算法對訓(xùn)練好的改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的多項式階數(shù)進(jìn)行優(yōu)化；采用優(yōu)化后的改進(jìn)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器故障診斷；

8、采用改進(jìn)北極海鸚優(yōu)化算法對改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的多項式階數(shù)進(jìn)行優(yōu)化的具體過程為：

9、步驟s5.11：設(shè)置改進(jìn)北極海鸚優(yōu)化算法的參數(shù)，包括海鸚個體的數(shù)量、搜索空間、總迭代次數(shù)，并引入logistic混沌映射初始化初始種群位置；

10、步驟s5.12：初始化當(dāng)前迭代次數(shù)t=1，直到滿足t>t，t表示總迭代次數(shù)，對每只海鸚個體進(jìn)行適應(yīng)度評估，計算出適應(yīng)度最高的海鸚個體并記錄位置和適應(yīng)度值；

11、步驟s5.13：根據(jù)當(dāng)前迭代次數(shù)和總迭代次數(shù)動態(tài)調(diào)整行為系數(shù)；當(dāng)行為系數(shù)大于設(shè)定閾值c時，為全局搜索階段；當(dāng)行為系數(shù)小于或等于設(shè)定閾值c時，為局部搜索階段；

12、步驟s5.14：當(dāng)處于全局搜素階段時，海鸚個體通過模擬空中搜索策略、俯沖捕食策略以及種群合并策略來更新自身位置；

13、步驟s5.15：當(dāng)處于局部搜素階段時，海鸚個體通過模擬集體覓食策略、加強(qiáng)搜索策略、逃避天敵策略以及種群融合策略來更新自身位置；

14、步驟s5.16：判斷當(dāng)前迭代次數(shù)是否為最大迭代次數(shù)，是，則輸出最高適應(yīng)度的海鸚個體位置作為改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的最優(yōu)多項式階數(shù)，否，則返回步驟s5.12重新迭代。

15、進(jìn)一步的，改進(jìn)概率神經(jīng)網(wǎng)絡(luò)的核函數(shù)表示為：

16、；

17、式中，表示改進(jìn)多項式核函數(shù)；表示高斯核函數(shù)；表示權(quán)重參數(shù)；表示可調(diào)節(jié)參數(shù)；、表示從多源融合特征向量中分解出來計算的向量，用于衡量多源融合特征向量中不同特征向量直徑的相關(guān)性；

18、改進(jìn)多項式核函數(shù)表示為：

19、；

20、式中，表示縮放參數(shù)；表示偏置參數(shù)；表示階數(shù)；表示的轉(zhuǎn)置；

21、高斯核函數(shù)表示為：

22、；

23、式中，表示帶寬參數(shù)。

24、進(jìn)一步的，設(shè)置改進(jìn)北極海鸚優(yōu)化算法的參數(shù)，包括海鸚個體的數(shù)量、搜索空間、總迭代次數(shù)，并引入logistic混沌映射初始化初始種群位置，表示為：

25、；

26、式中，表示第次迭代產(chǎn)生的混沌值；表示控制參數(shù)，取值為[3.57,4]；表示第次迭代產(chǎn)生的混沌值；表示第次迭代后第只海鸚個體的位置；和分別表示搜索空間的上界和下界；表示海鸚個體的總數(shù)；

27、行為系數(shù)表示為：

28、；

29、式中，表示(0,1)中的隨機(jī)數(shù)。

30、進(jìn)一步的，模擬空中搜索策略，在空中搜索策略中引入動態(tài)調(diào)整levy飛行參數(shù)進(jìn)行改進(jìn)，表示為：

31、；

32、式中，表示從海鸚種群中隨機(jī)選擇的一個海鸚個體，為1到n-1之間的隨機(jī)整數(shù)；表示動態(tài)調(diào)整levy飛行的步長；表示維數(shù)；表示符合標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；表示經(jīng)過空中搜索策略更新后第只海鸚個體的位置；表示根據(jù)當(dāng)前迭代次數(shù)調(diào)整的隨機(jī)擾動；

33、表示為：

34、；

35、式中，是動態(tài)調(diào)整levy飛行的最大值，是動態(tài)調(diào)整levy飛行的最小值。

36、進(jìn)一步的，模擬俯沖捕食策略，引入動態(tài)調(diào)整速度因子進(jìn)行改進(jìn)，表示為：

37、；

38、式中，表示動態(tài)調(diào)整速度因子；表示經(jīng)過俯沖捕食策略更新后第只海鸚個體的位置。

39、進(jìn)一步的，模擬種群合并策略，表示為：

40、；

41、式中，表示根據(jù)匯總海鸚個體的適應(yīng)度值，從小到大排序操作；表示第次迭代后第i個海鸚個體的位置；表示經(jīng)過空中搜索策略和俯沖捕食策略更新后的海鸚個體位置集合；表示根據(jù)中海鸚個體適應(yīng)度對中海鸚個體進(jìn)行排序操作。

42、進(jìn)一步的，模擬集體覓食策略，表示為：

43、；

44、式中，表示協(xié)作參數(shù)，表示協(xié)作參數(shù)的最大值；、和均表示從當(dāng)前海鸚種群中隨機(jī)選取的海鸚個體；、和是介于1到n-1之間且不包括i的隨機(jī)整數(shù)；表示經(jīng)過集體覓食策略更新后第i個海鸚個體的位置。

45、進(jìn)一步的，模擬加強(qiáng)搜索策略，表示為：

46、；

47、式中，表示自適應(yīng)因子；表示經(jīng)過加強(qiáng)搜索策略更新后第i個海鸚個體的位置。

48、進(jìn)一步的，模擬逃避天敵策略并引入基于距離的捕食者感知模型進(jìn)行改進(jìn)，表示為：

49、；

50、；

51、式中，表示捕食者位置和第只海鸚個體位置之間的距離；表示第只海鸚個體的位置；表示捕食者的位置；表示設(shè)置的閾值；是一個在0到1之間隨機(jī)生成的數(shù)；表示經(jīng)過逃避天敵策略更新后第i個海鸚個體的位置；

52、當(dāng)小于，海鸚個體采取逃避行動，當(dāng)大于或等于，海鸚個體主動避開捕食者。

53、進(jìn)一步的，模擬種群融合策略，表示為：

54、；

55、式中，表示經(jīng)過集體覓食策略、加強(qiáng)搜索策略和逃避天敵策略更新后的海鸚個體位置集合；表示根據(jù)中海鸚個體適應(yīng)度對中海鸚個體進(jìn)行排序操作。

56、與現(xiàn)有的技術(shù)相比，本發(fā)明具備以下有益效果：

57、（1）本發(fā)明采用改進(jìn)北極海鸚優(yōu)化算法，通過模擬北極海鸚的覓食行為，有效結(jié)合全局搜索和局部搜索，優(yōu)化了改進(jìn)概率神經(jīng)網(wǎng)絡(luò)pnn的多項式階數(shù)，提高了變壓器數(shù)據(jù)融合診斷的準(zhǔn)確率和概率神經(jīng)網(wǎng)絡(luò)的泛化能力。本發(fā)明能夠迅速處理和分析大量數(shù)據(jù)，滿足實時監(jiān)控和快速響應(yīng)的需求，從而為電力系統(tǒng)的穩(wěn)定運行提供了堅實的保障。

58、（2）本發(fā)明能夠全面捕獲變壓器在全頻段下的行為特征，并從溫度、電流、聲音和振動等多維度數(shù)據(jù)中提取相關(guān)信息，通過綜合分析，顯著提升了故障檢測的精確度，降低了由單一數(shù)據(jù)源引發(fā)的誤報和漏報風(fēng)險，同時增強(qiáng)了對復(fù)雜故障情況的診斷效能。