CN119495322A 一种变压器故障识别方法、系统、设备及介质 （国网湖北省电力有限公司超高压公司）

司质本发明公开一种变压器故障识别方法、系2采集变压器的音频信号，并提取音频信号的混沌域多尺度分型维度将提取的音频信号特征输入生物启发式多域神经网络模型，识别出变压器的故障类过所述生物启发式多域神经网络模型识别变压器的故障类别具体包采用混沌神经网络对混沌域多尺度分型维度特征进行提取，得2.根据权利要求所述的一种变压器故障识别方法，3将音频信号分解为一组本征模态函数，对音频信号进行局部极值点4，5脉冲神经网络模拟生物神经元的脉冲发射机i*采用基于膜电位更新规则调节后的脉冲神经网络对时域零交叉率特征进行处6初始化萤火虫个体：在待优化超参数的取值范围内对于每个萤火虫个体，根据其超参数组合训练生物启发式多域神经模根据生物启发式多域神经模型的性能指标计算适应度值，使用验f(Xi)＝validationloss(Xi)的结构为：使用损失函数均方差损失误差损失计算预测值和真实值Y之间的损失：7根据光强度更新萤火虫个体的位置，更新萤火虫i的位置，使其向亮度经过多次迭代更新，记录最优适应度值以及对应的超参采集变压器的音频信号，并提取音频信号的混沌域多尺度分型维度识别模块，用于将提取的音频信号特征输入生物启发式多域特征提取单元，用于采用混沌神经网络对混沌域多尺度分型维度特述存储器内的计算机程序，所述处理器执行所述计算机程序时实现权利要求1_7任一项所8[0005]针对现有技术仅仅利用单一的特征进行分析，难以全面通过所述生物启发式多域神经网络模型识别变压器的故障类别具体包括9[0023]将每个尺度因子τ下计算得到的分型维度Df按照尺度因子顺序排列，构建多尺度[0030]选择窗长L和重叠长度O分割信号，将信号x(t)分割成多个窗，每个窗包含L个样[0040]将每个窗的短时零交叉率Zi映射到时间轴上，形成所需的短时零交叉率特征图，[0089]将混沌神经网络的输出X*(t+1)作为反馈信号，调节脉冲神经，[0094]采用基于膜电位更新规则调节后的脉冲神经网络对时域值Y,使用损失函数均方差损失误差损失计算预测值和真实值Y之间的损失：和混沌神经网络；通过所述生物启发式多域神经网络模型识别变压器的故障类别具体包[0132]特征提取单元，用于采用混沌神经网络对混沌域多尺度得到混沌域特征；将混沌域特征作为反馈信号输入仿生卷积层中调节仿生卷积层的权重，[0158]将每个尺度因子τ下计算得到的分型维度Df按照尺度因子顺序排列，构建多尺度[0166]选择窗长L和重叠长度O分割信号，将信号x(t)分割成多个窗，每个窗包含L个样[0179]将每个窗的短时零交叉率Zi映射到时间轴上，形成所需的短时零交叉率特征图r)=A,t)e"t"(16)[0217]使用脉冲神经网络(SpikingNeuralNetwork,SNN)处理时域特征图。SNN模拟生物[0230]使用混沌神经网络处理混沌域特征图。混沌神经网络模拟生物混沌系统中的行[0241](3)神经调制机制：引入神经调制机制(如多巴胺调制)来动态调节特征融合过程模块的超参数(tls)，频域特征学习模块的超参数(ffs)，混沌域特征学习模块的超参数[0281]根据步骤S54所记录最优超参数组合输出到生物启发式多域神经模型中进行训[0294]特征提取单元，用于采用混沌神经网络对混沌域多尺度得到混沌域特征；将混沌域特征