本发明涉及电力变压器监测，具体来说是基于多尺度门控注意力全卷积网络的电力变压器状态评估方法。
背景技术：
1、电力变压器是电力系统的关键组成部分，其意外故障会严重影响电网的稳定运行，给电力公司和用户带来巨大损失。因此，科学准确的对变电设备的运行状态进行评估，对及时发现存在的断电隐患，并对变压器设备提前进行维护和检修有着重要的意义。
2、近年来，不断有学者探索变电设备状态评价方法，产生了一些主流的方法。如基于溶解气体分析(dissolved gas analysis,dga)的方法，该方法大多是分析变压器油中溶解的气体成分及其浓度来实现变压器设备状态的评估。还有基于局部放电(pd)检测技术的方法、基于红外热成像或变压器油温的热分析技术、基于振动分析的方法、基于频率响应分析的方法，这些方法存在一定的局限性，仅根据单一数据进行评价，不能全面的评估变压器运行状态，难以满足当前需求。
3、为了解决单一数据评估的局限性，有些学者探索了基于多种因素对变电设备状态进行全方位评估，这些方法在设计时就考虑了多种因素对变电设备状态评价影响。但也存在一定的局限性，多变量复杂数据使用传统方法难以保证预测的可靠性，而深度学习已被证明可以学习更复杂的特征，且实现更高的预测精度。
4、此外，这些方法评价时多依赖于当前时刻的数据，无法全面评估变压器运行状态。众所周知，变压器的运行状态不仅与当前时刻的数据有关，还跟过去一段时间的数据有关，即一段时序数据可以更准确的反映出变压器的运行状态。
5、根据上述工作局限性引出了我们要解决的两个问题，1)基于多源传感器数据对变压器运行状态进行全面评估；2)将当前时刻数据与过去一段时间的历史数据构建为一段时序数据，基于时序数据对变压器运行状态进行评估。
6、因此，基于以上两个问题，如何研究出基于多变量时间序列数据进行变压器状态评价技术已经成为急需解决的技术问题。
技术实现思路
1、本发明的目的是为了解决现有技术中在利用多源传感器数据方面缺乏可靠且全面的电力变压器状态评估方法的问题，提供一种基于多尺度门控注意力全卷积网络的电力变压器状态评估方法来解决上述问题。
2、为了实现上述目的，本发明的技术方案如下：
3、一种基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，包括以下步骤：
4、电力变压器多源传感器数据的获取及预处理：获取电力变压器的多源传感器数据，其包括油中溶解气体、顶层油温、铁芯接地电流以及供电负荷数据，并进行预处理；
5、电力变压器状态评价数据集的构建：基于预处理后的多源传感器数据，构建带有时序特征的多变量和标签的二维矩阵数据集，作为电力变压器状态评价数据集；
6、电力变压器状态评估模型的构建：基于多尺度门控注意力模块和全卷积网络模块构建电力变压器状态评估模型；
7、电力变压器状态评估模型的训练：将预处理后的电力变压器基础数据送入电力变压器状态评估模型进行训练；
8、电力变压器的实时监测：对电力变压器进行实时监测获取监测数据并进行预处理；
9、电力变压器状态的评估：将预处理后的实时监测数据输入训练后的电力变压器状态评估模型，得到电力变压器状态的评估结果。
10、所述电力变压器状态评价数据集的构建包括以下步骤：
11、将从变电站的数据监测平台获取变压器的多源传感器数据，即油中溶解气体、微水、铁芯接地电流、顶层油温、供电负荷数据，把数据按照时间进行合并构建出一个完整数据表；
12、对合并后的数据表进行预处理，人工对多个变量单独分析，处理每个变量的缺失值以及异常值问题，然后使用min-max归一化方法对数据进行归一化操作，形成预处理的数据表；
13、将预处理后的数据表与变压器运行状态数据按照时间维度进行融合，构建用于训练的电力变压器状态评价数据集，其中，最后一列为标签列，其余列为特征列。
14、所述电力变压器状态评估模型的构建包括以下步骤：
15、构建电力变压器状态评估模型，其包括输入层、特征提取层、特征融合层、分类层；
16、设定输入层，输入层用于读取原始数据，并将数据重构成模型所用的数据格式；
17、设定特征提取层，特征提取层由多尺度门控注意力模块和全卷积网络模块构成，
18、设定多尺度门控注意力模块，其由多尺度卷积、门控机制和多头自注意力机制构成，
19、设定多尺度卷积用于提取不同变量的多尺度时间信息，其由三个卷积核大小不同的一维卷积构成，三个一维卷积核的大小分别设定为1*3、1*5和1*7，然后将三个一维卷积提取的特征拼接，得到多尺度卷积模块的输出；
20、
21、其中，表示拼接融合后的多尺度特征，是输入数据的转置，dwc1d是一维深度可分离卷积；
22、设定门控机制，其由一个可学习的一维向量和一个sigmoid函数以及一个按位乘操作构成，表达式如下：
23、fgate＝σ(conv1d(fms))⊙fms，
24、其中，表示门控加权后的输出特征，σ表示sigmoid激活函数，⊙是元素相乘操作；
25、设定多头自注意力机制，由特征拼接操作和多头注意力操作构成，
26、
27、其中，表示多头自注意力的输入特征，是线性变换矩阵，是经过线性变换后得到的自注意力计算中所需要的查询、键和值，是矩阵乘法操作，d是变量嵌入维度；
28、设定全卷积网络模块，由三层卷积构成，第一层和第三层卷积是普通的一维卷积，第二层是一维的深度可分离卷积，
29、x′i＝conv1d(dwc1d(conv1d(xi)))
30、f＝ln((x′i⊙xi)+xi)，
31、其中，xi是输入特征，x′i是三层卷积后的输出特征，ln表示层归一化；
32、设定特征融合层，
33、特征融合层由向量拼接操作和向量相加操作构成，将门控机制的输出与多头自注意力机制的输出进行拼接操作，设定前馈神经网络将拼接后特征进行重构，然后将重构后输出特征与全卷积网络模块的输出进行相加操作，从而实现特征融合；
34、设定分类层，将融合后的特征输入到mlp网络中进行分类，得到电力变压器的状态类别，从而实现电力变压器的状态评价。
35、所述电力变压器状态评估模型的训练包括以下步骤：
36、将构建的电力变压器状态评价数据集分成训练集和测试集，然后分别将训练集和测试集重构为模型可读取的数据格式，并将训练集数据输入到电力变压器状态评估模型的输入层；
37、特征提取层从原始数据中提取出有效的特征，分别由多尺度门控注意力模块和全卷积网络模块来提取数据的时间特征和变量之间的依赖关系，
38、多尺度门控注意力模块提取时间特征：
39、通过多尺度卷积提取多变量的多尺度时间信息，通过特征拼接得到多尺度特征；然后，将多尺度特征输入到门控机制，门控机制学习一个门控向量，通过门控向量与多尺度特征相乘，保留每个变量的重要的时间特征，过滤掉冗余的时间尺度信息；
40、通过多头自注意力机制提取原始数据的全局时间特征，将多尺度特征与原始数据特征融合输入到多头自注意力机制，学习捕捉时间序列的全局时间特征；
41、全卷积网络模块提取变量之间的依赖关系：
42、将原始数据输入全卷积网络用于提取多变量之间的交互依赖关系；
43、特征融合层将提取的多个有效特征进行融合得到全方位特征：
44、将门控机制的输出特征与多头自注意力机制的输出特征融合得到时间特征，将时间特征与全卷积网络模块输出的特征进行融合，得到全方位特征；
45、分类层进行分类预测：
46、利用提取的全方位特征进行分类预测，将预测值与真实值通过交叉熵损失函数计算损失值，然后通过adam和反向传播更新模型参数，使损失值不断减小直到趋于平稳，得到电力变压器状态评价模型，随后，利用测试集对模型性能进行评估；若模型性能达到预设要求，则将其应用于电力变压器状态评价；反之，则需根据评估结果对模型超参数进行调整，并利用训练集数据重新训练模型，直至获得满足性能要求的电力变压器状态评价模型；
47、当多源传感器的时序数据输入到电力变压器状态评价模型时，模型会根据数据特点对当前变压器状态进行评价。
48、有益效果
49、本发明的基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，与现有技术相比基于多源传感器的数据实现了一种端到端的电力变压器状态评价模型，该模型可以利用多源传感器的时序数据对电力变压器的运行状态进行全面的实时评估，提高变压器状态评价的可靠性。
50、实验表明，本发明的方法在变电设备状态识别的准确率上用于最先进的性能。另外，还在公开的多变量时间序列数据集上做了广泛实验，验证了所提方法的泛化性。
1.一种基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，其特征在于，所述电力变压器状态评价数据集的构建包括以下步骤：
3.根据权利要求1所述的基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，其特征在于，所述电力变压器状态评估模型的构建包括以下步骤：
4.根据权利要求1所述的基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，其特征在于，所述电力变压器状态评估模型的训练包括以下步骤：
