本发明涉及数据处理，尤其涉及一种基于人工智能的变压器故障监测方法及系统。
背景技术：
1、电力变压器是电网运行过程中最关键的静止的电器设备，其能否平稳运行关系着整个电力系统的安全性与供电可靠性，一旦电力变压器发生故障造成停运，不仅会导致自身毁坏，还会中断电力供应，给用户造成极大的经济损失，甚至导致重大事故，因此，高效精准地监测电力变压器，对电力系统安全运行意义重大。而cnn模型能够有效地从复杂的原始数据中学习和提取特征，例如从变压器传感器采集的电流、电压等数据中提取故障特征，可以利用优化算法和cnn模型相结合，实现卷积核参数自主学习训练，以实现变压器故障监测，又由于de算法（差分进化算法）属于启发式并行搜寻技术中的一种，该算法的优点是寻优能力强，适用于优化cnn模型中的超参数，因此，可结合de算法来对cnn模型中的卷积核进行参数优化，再利用cnn模型来实现变压器的故障监测。
2、目前公开号为cn109002892a的专利申请文件为一种改进de-gwo算法的实现方法，通过引入差分进化策略（de算法）与gwo算法构成de-gwo算法，利用差分进化的变异、交叉和选择三种操作对灰狼个体的位置和目标函数进行迭代更新；引入一种非线性函数收敛因子策略，改进de-gwo算法的寻优性能，得到全局最优解。
3、上述方法中de算法的差分权重扮演着关键的角色，其作用主要体现在控制差分变异操作的程度和影响力上，差分权重决定了如何通过变异操作来生成新的候选解，较大的值会导致更大幅度的变异，从而在搜索空间中更远的位置生成新解；而较小的值则产生更小的变异，有助于维持种群的稳定性和收敛性，已知变压器故障监测是一个复杂的实时任务，并且变压器的故障类型和工作条件可能会随时间和环境的变化而不同，导致电流数据的特征也会有所不同，差分权重的选取会影响到de算法的优化效果，进而影响对cnn模型中的卷积核进行参数优化的效果，最终导致变压器监测结果准确性受到一定影响。
技术实现思路
1、为了解决差分权重的选取会影响到de算法的优化效果，进而影响cnn模型中的卷积核进行参数优化的效果，最终导致变压器监测结果不准确的技术问题，本发明提供一种基于人工智能的变压器故障监测方法及系统。
2、第一方面，本发明提供一种基于人工智能的变压器故障监测方法，采用如下的技术方案：
3、一种基于人工智能的变压器故障监测方法，包括步骤：
4、采集输入电流数据集以及输出电流数据集；获取输入电流数据集中各数据的特征值偏差，所述特征值偏差为输入电流数据集中各数据的值与所有数据的均值的偏差；将输入电流数据集中所有数据的特征值偏差的最大值与最小值的差值作为输入电流数据集的第一振荡幅度；获取输入电流数据集的傅里叶曲线；获取输入电流数据集的第二振荡幅度，所述第二振荡幅度与输入电流数据集的傅里叶曲线的峰度和偏度正相关；
5、获取差分权重； b代表输入电流数据集的第二振荡幅度； a代表输入电流数据集的第一振荡幅度；代表预设第一权重；代表预设第二权重；exp()代表以自然常数为底数的指数函数；获取电力变压器的负载变化，所述负载变化与输入电流数据集和输出电流数据集中对应数据的差值负相关；将差分权重与电力变压器的负载变化的差值作为修正差分权重；根据修正差分权重，对电力变压器的故障进行监测。
6、本发明的创新性在于根据输入电流数据集中数据的振荡幅度以及电力变压器的负载变化自适应获取差分权重，将所获差分权重应用到de算法中，对cnn模型中的卷积核参数进行寻优，将优化后的cnn模型搭载至变压器故障监测系统进行故障监测，提高了de算法的优化效果，进而提高了对cnn模型中的卷积核进行参数优化的效果，使得变压器监测结果更加准确。
7、优选的，所述获取输入电流数据集中各数据的特征值偏差，包括：
8、；
9、式中，代表输入电流数据集中第i个数据的特征偏差值；代表输入电流数据集中第i个数据的值；代表输入电流数据集中所有数据的均值；||代表绝对值符号。
10、输入电流数据集中各数据的特征值偏差能够反映各数据的数值的振荡，便于后续根据特征值偏差，获取输入电流数据集的第一振荡幅度。
11、优选的，所述获取输入电流数据集的傅里叶曲线，包括：
12、对输入电流数据集进行傅里叶变换，并得到输入电流数据集的傅里叶曲线。
13、优选的，所述获取输入电流数据集的第二振荡幅度，包括：
14、；
15、式中， b代表输入电流数据集的第二振荡幅度； k代表输入电流数据集的傅里叶曲线的峰度； s代表输入电流数据集的傅里叶曲线的偏度。
16、便于后续根据输入电流数据集的第二振荡幅度，获取差分权重。
17、优选的，所述获取电力变压器的负载变化，包括：
18、；
19、式中， z代表电力变压器的负载变化；代表输入电流数据集中第i个数据的值；代表输入电流数据集中第i个数据的采样时间对应的输出电流数据集中的数据的值； n代表输入电流数据集中数据的个数；||代表绝对值符号； d代表输入电流数据集与输入电流数据集的皮尔逊相关系数； norm()代表归一化函数。
20、考虑了电力变压器的负载变化，便于后续根据负载变化对差分权重进行修正。
21、优选的，所述根据修正差分权重，对电力变压器的故障进行监测，包括：
22、将修正差分权重输入de算法，对cnn模型中的卷积核参数进行寻优，将优化后的cnn模型部署到电力变压器故障监测系统中，并将采集的输入电流数据集输入优化后的cnn模型中对电力变压器进行故障判断。
23、提高了de算法的优化效果，进而提高了对cnn模型中的卷积核进行参数优化的效果，使得变压器监测结果更加准确。
24、优选的，所述采集输入电流数据集以及输出电流数据集，包括：
25、获取任意使用满一年的电力变压器，获取该电力变压器近一年的输入电流数据以及输出电流数据，得到输入电流数据集以及输出电流数据集。
26、第二方面，本发明提供一种基于人工智能的变压器故障监测系统，采用如下的技术方案：
27、一种基于人工智能的变压器故障监测系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述一种基于人工智能的变压器故障监测方法。
28、通过采用上述技术方案，将上述的一种基于人工智能的变压器故障监测方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而根据存储器及处理器制作终端设备，方便使用。
29、本发明具有以下技术效果：本发明根据输入电流数据集中数据的波动获取输入电流数据集的振荡幅度；接着根据的输入电流数据集以及输出电流数据集的对应数据的变化一致性，获取电力变压器的负载变化，最后根据输入电流数据集的振荡幅度以及电力变压器的负载变化，自适应获取差分权重，将所获差分权重应用到de算法中，对cnn模型中的卷积核参数进行寻优，将优化后的cnn模型搭载至变压器故障监测系统进行故障监测，提高了de算法的优化效果，进而提高了对cnn模型中的卷积核进行参数优化的效果，使得变压器监测结果更加准确。
1.一种基于人工智能的变压器故障监测方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述获取输入电流数据集中各数据的特征值偏差，包括：
3.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述获取输入电流数据集的傅里叶曲线，包括：
4.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述获取输入电流数据集的第二振荡幅度，包括：
5.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述获取电力变压器的负载变化，包括：
6.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述根据修正差分权重，对电力变压器的故障进行监测，包括：
7.根据权利要求1所述的一种基于人工智能的变压器故障监测方法，其特征在于，所述采集输入电流数据集以及输出电流数据集，包括：
8.一种基于人工智能的变压器故障监测系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的一种基于人工智能的变压器故障监测方法。
