本发明属于电力变压器故障诊断，更具体地，涉及一种基于信息融合与改进深度残差网络的变压器故障诊断方法及系统。
背景技术：
1、在能源互联网的时代背景下，加快新型电力系统建设对我国的能源转型有着举足轻重的作用。电力变压器作为新型电力系统的核心部件之一，其运行状态直接关系整个新型电力系统的安全稳定。然而，由于变压器所处的恶劣环境以及复杂多变的运行工况，往往会导致各类故障的发生。变压器故障不仅影响供电的可靠性，还会造成严重的经济损失。对变压器进行故障诊断，可以及时发现潜在的故障，便于进行早期维护。因此，准确的故障诊断是保证电力变压器稳定安全运行的关键。
2、有效的变压器故障诊断方法可以判断变压器是否发生故障，也可以准确诊断变压器故障类型，及时安排人员检修维护，防止对电力系统运行造成进一步的损害。传统的电力变压器故障诊断方法包括频率响应法、短路电抗法、低压脉冲法、超宽带方法等。然而，上述传统诊断方法都有一定的局限性。例如，频率响应法通过外施激励源进行诊断，要求变压器必须退出运行。短路电抗法受限于电压电流测量的分散性，不能准确反映绕组的微小故障。低压脉冲法多用于出厂试验，应用场景相对较窄。随着机器学习和传感器技术的不断发展，一些智能算法如支持向量机、贝叶斯网络和极端学习机等开始应用于电力变压器的故障诊断。然而，上述方法都属于浅层学习方法，对数据的分析能力较弱，难以提取变压器的关键故障特征，在实际工业环境中无法达到较好的诊断效果。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本发明提出了一种基于信息融合与改进深度残差网络的变压器故障诊断方法及系统，解决电力变压器关键故障特征难以提取的难题。
2、为实现上述目的，按照本发明的一个方面，提供了一种基于信息融合与改进深度残差网络的变压器故障诊断方法，包括：
3、利用格拉姆角场将不同位置的一维的振动信号转换为二维图像，并采用引导滤波的方式实现不同位置二维图像的融合；
4、将残差块中的传统卷积替换为空洞卷积，将升维型卷积注意力模块嵌入到含有空洞卷积的残差块，形成改进的深度残差网络模块；
5、将融合后的二维图像输入改进后的深度残差网络模块完成故障诊断。
6、在一些可选的实施方案中，所述利用格拉姆角场将不同位置的一维的振动信号转换为二维图像，并采用引导滤波的方式实现不同位置二维图像的融合，包括：
7、对不同位置的原始变压器一维振动信号进行归一化，并将归一化后的信号编码为极坐标形式，利用三角函数分析极坐标系统中各时间点之间的角度信息，以将不同位置的一维的振动信号转换为二维图像；
8、使用引导滤波图像融合算法来实现不同位置振动的二维图像的融合。
9、在一些可选的实施方案中，所述升维型卷积注意力模块包含改进的通道注意力模块和空间注意力模块，所述升维型卷积注意力模块的工作机制为：f”＝ms(f')f'，其中，f为输入特征，f'是通过通道注意获得的新特征，f”是最终的输出特征，mc是通道注意权重，ms空间注意力权重。
10、在一些可选的实施方案中，在所述改进的通道注意力模块中，输入的特征图分别通过全局最大池化层和全局平均池化层，得到相应的特征图。
11、在一些可选的实施方案中，在所述空间注意力模块中，将特征图f'进行全局最大池化和全局平均池化，得到两个特征图，然后，拼接两个特征图通道，并进行卷积核运算及激活操作，最后，将所得结果与输入的特征图相乘，得到所需特征。
12、按照本发明的另一方面，提供了一种基于信息融合与改进深度残差网络的变压器故障诊断系统，包括：
13、信息融合模块，用于利用格拉姆角场将不同位置的一维的振动信号转换为二维图像，并采用引导滤波的方式实现不同位置二维图像的融合；
14、改进的深度残差网络模块，用于将残差块中的传统卷积替换为空洞卷积，将升维型卷积注意力模块嵌入到含有空洞卷积的残差块，形成改进的深度残差网络模块；
15、诊断模块，用于将融合后的二维图像输入改进后的深度残差网络模块完成故障诊断。
16、在一些可选的实施方案中，所述信息融合模块，用于对不同位置的原始变压器一维振动信号进行归一化，并将归一化后的信号编码为极坐标形式，利用三角函数分析极坐标系统中各时间点之间的角度信息，以将不同位置的一维的振动信号转换为二维图像；使用引导滤波图像融合算法来实现不同位置振动的二维图像的融合。
17、在一些可选的实施方案中，所述升维型卷积注意力模块包含改进的通道注意力模块和空间注意力模块，所述升维型卷积注意力模块的工作机制为：f”＝ms(f')f'，其中，f为输入特征，f'是通过通道注意获得的新特征，f”是最终的输出特征，mc是通道注意权重，ms空间注意力权重。
18、在一些可选的实施方案中，在所述改进的通道注意力模块中，输入的特征图分别通过全局最大池化层和全局平均池化层，得到相应的特征图。
19、在一些可选的实施方案中，在所述空间注意力模块中，将特征图f'进行全局最大池化和全局平均池化，得到两个特征图，然后，拼接两个特征图通道，并进行卷积核运算及激活操作，最后，将所得结果与输入的特征图相乘，得到所需特征。
20、按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
21、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
22、本发明首先设计一种信息融合模块，具体地，利用格拉姆角场将不同位置的一维的振动信号转换为二维图像，并采用引导滤波的方式实现不同位置二维图像的融合。随后，提出一种改进的深度残差网络模块，具体而言，将残差块中的传统卷积替换为空洞卷积以提升卷积感受野，提取出更多的变压器关键故障特征；其次，将本发明所设计的升维型卷积注意力模块嵌入到含有空洞卷积的残差块，形成最终的改进的深度残差网络模块。最后，将融合后的二维图像输入改进后的深度残差网络模块完成故障诊断。本发明充分考虑了现有的故障数据利用不足以及关键故障特征难以提取的问题，所提出的方法能够自适应的实现多位置传感器数据的融合，并将网络的注意力放在对诊断有利的区域，能够实现高精度的电力变压器故障诊断。
1.一种基于信息融合与改进深度残差网络的变压器故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用格拉姆角场将不同位置的一维的振动信号转换为二维图像，并采用引导滤波的方式实现不同位置二维图像的融合，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述升维型卷积注意力模块包含改进的通道注意力模块和空间注意力模块，所述升维型卷积注意力模块的工作机制为：f”＝ms(f')f'，其中，f为输入特征，f'是通过通道注意获得的新特征，f”是最终的输出特征，mc是通道注意权重，ms空间注意力权重。
4.根据权利要求3所述的方法，其特征在于，在所述改进的通道注意力模块中，输入的特征图分别通过全局最大池化层和全局平均池化层，得到相应的特征图。
5.根据权利要求4所述的方法，其特征在于，在所述空间注意力模块中，将特征图f'进行全局最大池化和全局平均池化，得到两个特征图，然后，拼接两个特征图通道，并进行卷积核运算及激活操作，最后，将所得结果与输入的特征图相乘，得到所需特征。
6.一种基于信息融合与改进深度残差网络的变压器故障诊断系统，其特征在于，包括：
7.根据权利要求6所述的系统，其特征在于，所述升维型卷积注意力模块包含改进的通道注意力模块和空间注意力模块，所述升维型卷积注意力模块的工作机制为：f”＝ms(f')f'，其中，f为输入特征，f'是通过通道注意获得的新特征，f”是最终的输出特征，mc是通道注意权重，ms空间注意力权重。
8.根据权利要求7所述的系统，其特征在于，在所述改进的通道注意力模块中，输入的特征图分别通过全局最大池化层和全局平均池化层，得到相应的特征图。
9.根据权利要求8所述的系统，其特征在于，在所述空间注意力模块中，将特征图f'进行全局最大池化和全局平均池化，得到两个特征图，然后，拼接两个特征图通道，并进行卷积核运算及激活操作，最后，将所得结果与输入的特征图相乘，得到所需特征。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
