本申請涉及計算機，特別涉及一種變壓器故障檢測方法、裝置、介質和設備。
背景技術：
1、一般的，變壓器故障聲紋信號是一種非線性的時間序列，傳統的時域特征提取方法，如均值、均方根、峭度和偏斜度等，和頻域特征提取方法如功率譜、包絡譜分析和快速傅里葉變換等，難以分析此類非線性信號。
2、現有技術中，變壓器故障聲紋檢測方法其本質是一個多分類問題，一般需要一個多分類機器學習算法從訓練數據中學習聲紋特征與故障標簽之間的內在關聯規則，再通過測試數據測試多分類機器學習算法學習內在規則的效果，最終使多分類器有能力對變壓器故障聲紋信號作出智能診斷。從現有的技術路徑來看，一類是使用靜態數據驅動的監督型經典機器學習算法，如決策樹、集成學習、支持向量機等。因為變壓器故障聲紋信號是一種非線性的時間序列信息，上述方法破壞了蘊含在時間序列中的潛在規則，致使只學習了前層的數據關聯規則，而忽視了序列上下文的語義信息。另一類方法發現了上述問題，所以采用循環神經網絡(rnn)來學習聲紋信號時序特征，但是rnn受其自身算法結構的制約，對于長序列數據學習效果很差，記憶性短暫。并且rnn在訓練過程中容易產生梯度消失與梯度爆炸。
3、綜上，現有的變壓器故障檢測方法對變壓器的聲紋信號的分析利用較差，故障檢測精度較低。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種變壓器故障檢測方法、裝置、介質和設備。
2、本說明書采用下述技術方案：
3、本說明書提供了一種變壓器故障檢測方法，包括：
4、獲取變壓器的歷史聲紋數據作為樣本數據，并標注樣本數據對應的真實故障類型；
5、將樣本數據按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數據對應的復合多尺度散布熵；
6、將樣本數據對應的復合多尺度散布熵輸入transformer模型的編碼器，得到預測故障類型；并以最小化真實故障類型和預測故障類型之間的偏差為優化目標，對transformer模型的編碼器進行訓練，得到故障檢測模型；
7、提取待檢測變壓器的聲紋數據的復合多尺度散布熵，并將其輸入故障檢測模型，通過故障檢測模型提取待檢測變壓器的聲紋數據的復合多尺度散布熵的故障特征，并根據故障特征確定待檢測變壓器的故障類型。
8、可選地，所述將樣本數據按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數據對應的復合多尺度散布熵，具體包括：
9、對樣本數據進行濾波以消除背景噪聲，對濾波后的樣本數據進行歸一化處理，得到預處理后的樣本數據；
10、通過下式根據預處理后的樣本數據生成多個不同時域尺度下的多個粗粒化序列：
11、
12、針對每個不同時域尺度，確定該時域尺度下各粗粒化序列的散布熵，并確定各粗粒化序列的散布熵均值；
13、將不同時域尺度下各粗粒化序列的散布熵均值，作為樣本數據對應的復合多尺度散布熵；
14、其中，為時域尺度τ對應的第k個粗粒化序列中第j項元素，x為預處理后的樣本數據序列，τmax為預設的最大時域尺度，n為預處理后的樣本數據序列中的元素個數。
15、可選地，所述并以最小化真實故障類型和預測故障類型之間的偏差為優化目標，對transformer模型的編碼器進行訓練，具體包括：
16、根據交叉熵損失函數確定真實故障類型和預測故障類型之間的偏差損失；
17、以最小化各樣本數據的總偏差損失為優化目標，對transformer模型的編碼器進行訓練。
18、可選地，所述真實故障類型包括：繞組變形、鐵芯松動、附件松動、諧波電流、直流偏磁、風機老化、鐵芯松動、重載、風機異響和局部放電中的一種或多種。
19、本說明書提供了一種變壓器故障檢測裝置，包括：
20、獲取模塊，用于獲取變壓器的歷史聲紋數據作為樣本數據，并標注樣本數據對應的真實故障類型；
21、提取模塊，用于將樣本數據按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數據對應的復合多尺度散布熵；
22、訓練模塊，用于將樣本數據對應的復合多尺度散布熵輸入transformer模型的編碼器，得到預測故障類型；并以最小化真實故障類型和預測故障類型之間的偏差為優化目標，對transformer模型的編碼器進行訓練，得到故障檢測模型；
23、檢測模塊，用于提取待檢測變壓器的聲紋數據的復合多尺度散布熵，并將其輸入故障檢測模型，通過故障檢測模型提取待檢測變壓器的聲紋數據的復合多尺度散布熵的故障特征，并根據故障特征確定待檢測變壓器的故障類型。
24、本說明書提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述變壓器故障檢測方法。
25、本說明書提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述變壓器故障檢測方法。
26、本說明書采用的上述至少一個技術方案能夠達到以下有益效果：
27、先獲取變壓器的歷史聲紋數據作為樣本數據，并標注各樣本數據的故障類型，然后提取各樣本數據的復合多尺度散布熵，將其輸入至transformer模型的編碼器，得到預測故障類型，并以最小化真實故障類型和預測故障類型之間的偏差為優化目標，對transformer模型的編碼器進行訓練，得到故障檢測模型，最后對于待檢測變壓器的聲紋數據，提取其對應的復合多尺度散布熵，并將其輸入故障檢測模型進行故障特征提取，以確定待檢測變壓器的故障類型。本發明采用復合多尺度散布熵來體現變壓器的聲紋數據的時域特征，通過粗粒化與時移融合了變壓器的聲紋數據多時域尺度、幅值間關系等特征，便于更加全面地從中提取到故障特征，提高了故障檢測的準確率。
1.一種變壓器故障檢測方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述將樣本數據按照時間序列滑動分解為多個時域尺度，并計算每個尺度下的散布熵，得到樣本數據對應的復合多尺度散布熵，具體包括：
3.如權利要求1所述的方法，其特征在于，所述并以最小化真實故障類型和預測故障類型之間的偏差為優化目標，對transformer模型的編碼器進行訓練，具體包括：
4.如權利要求1所述的方法，其特征在于，所述真實故障類型包括：繞組變形、鐵芯松動、附件松動、諧波電流、直流偏磁、風機老化、鐵芯松動、重載、風機異響和局部放電中的一種或多種。
5.一種變壓器故障檢測裝置，其特征在于，包括：
6.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述權利要求1～4任一項所述的方法。
7.一種計算機設備，其特征在于，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述權利要求1～4任一所述的方法。