(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110365778.2 (22)申请日 2021.04.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113011103 A (43)申请公布日 2021.06.22 (73)专利权人 南京机电职业 技术学院 地址 211306 江苏省南京市高淳区鹿鸣大 道33号 (72)发明人 武建卫　邵剑峰　 (74)专利代理 机构 南京众联专利代理有限公司 32206 代理人 蒋昱 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/04(2020.01) 审查员 张骞 (54)发明名称 一种多维信息融合的电力变压器寿命预测 模型 (57)摘要 一种多维信息融合的电力变压器寿命预测 模型。 该方法包括以下步骤： 步骤1， 获取模型训 练数据： 利用多种传感器获取变压器监测的各类 数据， 并上传至MYSQL数据库中进行分类保存； 步 骤2， 数据预处理： 从MYSQL数据库中读取变压器 寿命预测的相关数据， 并对每类数据进行最大最 小值归一化处理； 步骤3， MPFW ‑LSTM模型的训练： 利用步骤2处理得到的数据对MPFW ‑LSTM模型进 行训练， 直至模型训练收敛； 步骤 4， MPFW‑LSTM模 型的微调： 利用训练数据对步骤3初步训练得到 的MPFW‑LSTM模型进行微调； 步骤5， MPFW ‑LSTM模 型的应用： 将步骤1～步骤4训练得到的MPFW ‑ LSTM模型在线应用从而实现对变压器的剩余使 用寿命准确有效的预测。 本发明所述MPFW ‑LSTM 模型可以准确的对变压器的寿命进行预测， 有着 很好的实际应用价 值。 权利要求书2页 说明书5页 附图2页 CN 113011103 B 2022.05.03 CN 113011103 B 1.一种多维信息融合的电力变压器寿命预测模型， 具体步骤如下， 其特 征在于： 步骤1， 获取模型训练数据： 利用多种传感器获取变压器监测的各类数据， 并上传至 MYSQL数据库中进行分类保存； 步骤2， 数据预处理： 从MYSQL数据库中读取变压器寿命预测的相关数据， 并对每类数据 进行最大最小值归一 化处理； 步骤2中对传感器监测的数据进行最大最小值归一 化至[0,1]的过程可表述如下： 式中， Xp和Xn分别表示传感器采集的数据和归一化处理后得到的数据， max( ·)和max (·)分别表示 最大值函数和最小值 函数； 步骤3， MPFW ‑LSTM模型的训练： 利用步骤2处理得到的数据对MP FW‑LSTM模型进行训练， 直至模型训练收敛； 步骤3中MPFW ‑LSTM模型的训练的具体步骤如下： 步骤3.1， 权重层处理： 依据经验对油色谱中的气体参数和油质成分进行加权处理， 其 中C2H2、 C2H4、 CH4、 H2和C2H6对应的权重系数分别为0.4615、 0.1154、 0.1154、 0.1923和 0.1154； 微水含量、 酸值、 介质损耗和击穿电压对应的权重系数分别为0.2191、 0.2191、 0.3425和0.2191； 步骤3.2， 油色谱气体参数LSTM1网络训练： 利用加权处理后的油色谱气体参数对LSTM1 网络进行训练， 具体的步骤如下： 步骤3.2.1， 训练遗忘门， 删除记忆单元中部分无效信息从而降低记忆负载， 其中得到 的遗忘门样本ft为： ft＝σ(Wfxxt+Wfhht‑1+bf) 式中， σ(·)表示sigmoid激活函数， xt是输入样本， ht‑1表示t‑1时刻的隐藏状态， Wfx和 Wfh分别为遗 忘门与xt和ht‑1连接的权 重系数， bf为遗忘门偏置系数： 步骤3.2.2， 训练输入门， 对输入 的无意义信息进行过滤， 并向记忆单元中有选择性的 添加有效信息， 其中得到的输入门样本gt为： gt＝σ(Wgxxt+Wghht‑1+bg) 式中， Wgx和Wgh分别表示输入门与xt和ht‑1间的连接 权重系数， bg表示输入门偏置系数； 步骤3.2.3， 更新记 忆单元， 其中得到更新后的细胞状态st为： st＝ftst‑1+gttanh(Wsxxt+Wshht‑1+bs) 式中， Wsx和Wsh分别表示细胞与xt和ht‑1间的连接 权重， bs为细胞对应的偏置系数； 步骤3.2.4， 更新输出门， 其中得到的更新后的输出门对应的隐藏状态ht为： ht＝tanh(st)σ(Wqxxt+Wqhht‑1+bq) 式中， Wqt和Wqh分别为输出门与xt和ht‑1间的连接 权重， bq为输出门偏置系数； 步骤3.2.5， 重复步骤3.2.1～步骤3.2.4， 直至损失函数 得到设定的收敛阈值1e ‑5； 步骤3.3， 油质成分参数LSTM2网络训练： 利用加权处理后的油质成分参数对LSTM2网络 进行训练， 网络训练步骤同步骤3.2； 步骤3.4， 将步骤3.2和步骤3.3训练得到的LSTM 网络进行融合， 得到油色谱气体和油质权　利　要　求　书 1/2 页 2 CN 113011103 B 2成分两类参数的融合权 重系数Wfusion， 其计算过程 为： Wfusion＝Wair×Woil 式中， Wair和Woil分别表示 LSTM1和LSTM2网络的输出权 重系数； 步骤3.5， 结合录入的变压器出厂限定的使用寿命Trow确定剩余使用寿命Tremain， 具体表 达式为： Tremain＝Trow×Wfusion； 步骤4， MPFW ‑LSTM模型的微调： 利用训练数据对步骤3初步训练得到的MPFW ‑LSTM模型 进行微调； 步骤5， MPFW ‑LSTM模型的应用： 将步骤1～步骤4训练得到的MP FW‑LSTM模型在线应用从 而实现对变压器的剩余使用寿命准确有效的预测。 2.根据权利要求1所述的一种 多维信息融合的电力变压器寿命预测模型， 其特征在于： 步骤1中传 感器监测的数据包含： C2H2、 C2H4、 CH4、 H2、 C2H6和微水含量、 酸值、 介质损耗、 击穿 电压。权　利　要　求　书 2/2 页 3 CN 113011103 B 3