具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的换流变压器漏油检测方法，可以应用于如图1所示的应用环境中。其中终端102与服务器104通过网络连接，其中终端102可以通过向服务器104发送待检测换流变压器的实时油温数据，来通过服务器104对待检测换流变压器的状态进行预测，判断待检测换流变压器是否存在漏油的情况。服务器104可以获取待检测换流变压器的实时油温数据以及实时油位数据；将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果，预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及历史油位数据训练获取；根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，还可以是待检测换流变压器上的油温检测传感器件，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，也可以为云服务器。

在一个实施例中，如图2所示，提供了一种换流变压器漏油检测方法，本实施例以该方法应用于图1中的服务器104为例进行说明。本实施例中，该方法包括以下步骤：

步骤201，获取待检测换流变压器的实时油温数据以及实时油位数据。

其中，待检测换流变压器是本申请的换流变压器漏油检测方法所检测的目标对象，换流变压器是指接在换流桥与交流系统之间的电力变压器。采用换流变压器实现换流桥与交流母线的连接，并为换流桥提供一个中性点不接地的三相换相电压，它不仅参与了换流器的交流电与直流电的相互变换，而且还承担着改变交流电压数值、抑制直流短路电流等作用。换流变压器是高压直流输电系统中核心设备，换流变压器中常用油来绝缘。换流变压器常用油枕储油，油枕中油位会随着换流变压器本体油温升高而增加，降低而减小。实时油温数据则是本申请的换流变压器漏油检测方法所检测的基础数据，实时油温数据具体可以通过监控换流变压器实时油温数据的传感器检测获得。实时油位数据同样可以通过待检测换流变压器的油位检测传感器来测得。

具体地，本申请的换流变压器漏油检测方法具体可以基于当前换流变压器内油温与油位的对应关系来进行换流变压器漏油检测。因此，可以先基于当前待检测换流变压器对应的历史数据来对神经网络模型进行训练，而在需要预测具体地漏油情况时，即可通过待检测换流变压器的实时油温数据，确定待检测换流变压器对应的预测油位，通过对比预测油位与实际油位，即可识别出当前换流变压器是否存在漏油情况。

步骤203，将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果，预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及历史油位数据训练获取。

其中，贝叶斯长短期神经网络模型具体是指基于贝叶斯优化的长短期记忆神经网络，其与传统长短期记忆神经网络在原理上相同，具体可以参照图3，图3中的f_t为遗忘门，i_t为输入门，C_t为更新门，O_t为输出门，w_f,w_i，w_c,w_o，b_f,b_i,b_c,b_o分别为对应门的权重和偏置，h_t-1为上一时刻的输出，x_t为此刻的输入。σ和tanh都为激活函数，分别为：

遗忘门、输入门、更新门和输出门分别为：

f_t＝σ(w_f[h_t-1,x_t]+b_f)

i_t＝σ(W_i[h_t-1,x_t]+b_i)

O_t＝σ(W_o[h_t-1,x_t)+b_o)

h_t＝O_t*tanh(C_t)

贝叶斯长短期记忆神经网络与传统长短期神经网络所不同的是贝叶斯长短期神经网络利用概率密度分布来对权重和偏置进行采样，然后优化分布参数，公式为：

参数ρ和μ，用来表示不同的权重和偏置分布。

具体地，在得到实时油温数据后，可以匹配当前的待检测换流变压器对应的预设贝叶斯长短期神经网络模型，该预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及油位数据训练获取，例如对于当前年份的漏油检测，可以将上一年份时，待检测换流变压器正常运行时的实时油温数据与油位数据作为匹配的训练数据，来训练得到预设贝叶斯长短期神经网络模型，从而实现对实时运行的待检测换流变压器的油位检测。在其中一个实施例中，本申请的预设贝叶斯长短期神经网络模型可以在环境为Python3.7.5，Pytorch1.5.1的系统中实现，含有2个隐藏层和1个输出层，隐藏层神经元个数为20，损失函数使用均方误差MSE，优化算法为Adam。

步骤205，根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。

具体地，当通过预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果后，即可通过油位预测结果与实时油位数据的对比，来确定最终的漏油检测结果，如果实时油位数据相比油位预测结果的油位数据存在异常，如油位数据过低，则可以判定换流变压器存在漏油现象。

上述换流变压器漏油检测方法，通过获取待检测换流变压器的实时油温数据以及实时油位数据；将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果；根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。本申请通过预设贝叶斯长短期神经网络模型来学习历史数据中的实时油温数据与油位数据的对应关系，而后通过实时油温数据来获取预测的油位预测结果，通过比对实时油位数据以及油位预测结果，来确定待检测换流变压器是否存在漏油的情况，可以随时对换流变压器进行漏油检测，保证漏油检测过程的检测及时性。

在其中一个实施例中，如图4所示，步骤203之前，还包括：。

步骤401，获取历史数据中的油温数据以及油温数据对应的油位数据。

步骤403，通过油温数据对应的油位数据对油温数据进行标注，获取模型训练数据。

步骤405，通过模型训练数据对初始贝叶斯长短期神经网络模型进行训练，获取预设贝叶斯长短期神经网络模型。

其中，历史数据具体可以为待检测换流变压器在最近的某个时间段内正常运行过程中的油温数据以及油温数据对应油位数据。

具体地，在通过预设贝叶斯长短期神经网络模型对油位数据进行预测前，可以通过历史数据来对完成对预设贝叶斯长短期神经网络模型的训练，在训练过程中，可以先获取历史数据中的油温数据以及油温数据对应的油位数据，而后用油位数据标注油温数据，形成带标记的模型训练数据，而后通过这些带标记的模型训练来对初始贝叶斯长短期神经网络模型进行有监督训练，得到预设贝叶斯长短期神经网络模型。本实施例中，通过历史数据中的油温数据以及油温数据对应的油位数据来构建模型训练数据，从而完成预设贝叶斯长短期神经网络模型，可以有效保证预设贝叶斯长短期神经网络模型识别油位数据的识别准确率。

在一个实施例中，如图5所示，步骤403包括：

步骤502，基于孤立森林算法对油温数据以及油位数据进行过滤处理。

步骤504，提取过滤处理后的油温数据对应的油位数据。

步骤506，根据过滤处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

其中，孤立森林是一种异常检测方法，采用二叉树对数据进行切分，数据点在二叉树中所处的深度代表着该数据疏离程度。令iTree为一个二叉树的结构。则数据x在每颗iTree中的深度为：

h(x)＝e+C(n)

其中e表示数据从一个二叉树的结构iTree的根节点到叶节点过程中经过的边的数目，n为训练样本个数，C(n)表示构建的二叉树平均深度，C(n)计算公式为：

其中H(n-1)可用ln(n-1)+0.57721估算，数据的最终异常值为：

E(h(x))表示数据在多颗iTree中的平均值。

具体地，由于采集误差等原因，可能导致历史数据中的油温数据以及油位数据中的部分数据存在异常，因此可以在进行模型训练前，先通过孤立森林算法分别对油温数据以及油位数据进行过滤处理。在这个过滤过程中，如果油位或者油温数据中任一方存在异常，即可去除则对应的一组数据，在过滤完成后，则提取过滤处理后的油温数据对应的油位数据；根据过滤处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。在本实施例中的方案中，主要通过孤立森林来检测出历史数据中的油温数据以及油位数据来进行异常检测，去除其中因油温油位传感器故障等因素导致的数据误差。孤立森林是一种适用于连续数据的无监督异常检测方法，即不需要有标记的样本来训练，并且具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。从而提高模型训练数据的数据质量，进而提高预设贝叶斯长短期神经网络模型的识别准确率。

在其中一个实施例中，如图6所示，步骤403还包括：

步骤601，通过z-score标准化处理对油温数据以及油位数据进行标准化处理。

步骤603，提取标准化处理后的油温数据对应的油位数据。

步骤605，根据标准化处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

其中，在构建模型训练数据前，可以先对油温数据以及油位数据进行标准化处理，从而提高后续模型训练的训练效率以及换流变压器漏油检测过程的检测效率。数据标准化的方式具体包括min-max标准化(Min-max normalization)，log函数转换，atan函数转换，z-score标准化，模糊量化法等。本文使用z-score标准化。相比其他标准化方法而言，经过z-score标准化处理的数据符合正态分布。

具体地，本申请在模型训练过程中，还可以通过z-score标准化处理对油温数据以及油位数据进行标准化处理；而后提取标准化处理后的油温数据对应的油位数据；再根据标准化处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。本实施例中，通过对数据的标准化处理。可以有效提高后续处理过程的计算效率。

在其中一个实施例中，模型训练数据包括训练组数据以及验证组数据，步骤405包括：通过训练组数据对初始贝叶斯长短期神经网络模型进行训练，获取待验证贝叶斯长短期神经网络模型；通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证，当验证通过时，将待验证贝叶斯长短期神经网络模型作为预设贝叶斯长短期神经网络模型。

具体地，在训练过程中，为了保证所得的预设贝叶斯长短期神经网络模型可用性，可以将模型训练数据分为训练组以及验证组两组。其中训练组数据用于对初始贝叶斯长短期神经网络模型进行训练，获取中间过程中的待验证贝叶斯长短期神经网络模型。而后通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证，当验证通过时，输出待验证贝叶斯长短期神经网络模型，作为预设贝叶斯长短期神经网络模型。而在未通过验证时，则需要调整参数来重新训练，直到通过验证为止。本实施例中，通过对初始贝叶斯长短期神经网络模型的训练以及验证，可以保证所得的预设贝叶斯长短期神经网络模型的可用性，从而保证换流变压器漏油检测的准确率。

在其中一个实施例中，通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证包括：将验证组数据中的油温数据输入待验证贝叶斯长短期神经网络模型，获取验证油位数据；基于油温数据对应的油位标记数据以及验证油位数据，获取待验证贝叶斯长短期神经网络模型对应的评价指标数据；当评价指标数据低于预设评价指标阈值时，判定待验证贝叶斯长短期神经网络模型通过验证。

具体地，在通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证时，可以模拟实际的换流变压器漏油检测过程。通过将验证组数据中的油温数据输入待验证贝叶斯长短期神经网络模型，获取验证油位数据；基于油温数据对应的油位标记数据以及验证油位数据，获取待验证贝叶斯长短期神经网络模型对应的评价指标数据；当评价指标数据低于预设评价指标阈值时，判定待验证贝叶斯长短期神经网络模型通过验证。在这个验证过程中，可以以多种不同的误差来对待验证贝叶斯长短期神经网络模型进行验证，如平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)等数据，通过求取验证组数据中各个不同油温数据对应的评价指标数据，并求取平均值，在这些数据都符合预设评价指标阈值时，则判定待验证贝叶斯长短期神经网络模型通过验证。本实施例中，通过预设评价指标阈值来实现对待验证贝叶斯长短期神经网络模型是否有效的判定，可以有效得到符合预期要求的预设贝叶斯长短期神经网络模型。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种换流变压器漏油检测装置，包括：

数据获取模块702，用于获取待检测换流变压器的实时油温数据以及实时油位数据。

油位预测模块704，用于将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果，预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及历史油位数据训练获取。

漏油检测模块706，用于根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。

在其中一个实施例中，还包括模型训练模块，用于：获取历史数据中的油温数据以及油温数据对应的油位数据；通过油温数据对应的油位数据对油温数据进行标注，获取模型训练数据；通过模型训练数据对初始贝叶斯长短期神经网络模型进行训练，获取预设贝叶斯长短期神经网络模型。

在其中一个实施例中，模型训练模块还用于：基于孤立森林算法对油温数据以及油位数据进行过滤处理；提取过滤处理后的油温数据对应的油位数据；根据过滤处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在其中一个实施例中，模型训练模块还用于：通过z-score标准化处理对油温数据以及油位数据进行标准化处理；提取标准化处理后的油温数据对应的油位数据；根据标准化处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在其中一个实施例中，模型训练数据包括训练组数据以及验证组数据，模型训练模块还用于：通过训练组数据对初始贝叶斯长短期神经网络模型进行训练，获取待验证贝叶斯长短期神经网络模型；通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证，当验证通过时，将待验证贝叶斯长短期神经网络模型作为预设贝叶斯长短期神经网络模型。

在其中一个实施例中，模型训练模块还用于：将验证组数据中的油温数据输入待验证贝叶斯长短期神经网络模型，获取验证油位数据；基于油温数据对应的油位标记数据以及验证油位数据，获取待验证贝叶斯长短期神经网络模型对应的评价指标数据；当评价指标数据低于预设评价指标阈值时，判定待验证贝叶斯长短期神经网络模型通过验证。

关于换流变压器漏油检测装置的具体限定可以参见上文中对于换流变压器漏油检测方法的限定，在此不再赘述。上述换流变压器漏油检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储换流变压器漏油检测相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流变压器漏油检测方法。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测换流变压器的实时油温数据以及实时油位数据；

将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果，预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及历史油位数据训练获取；

根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史数据中的油温数据以及油温数据对应的油位数据；通过油温数据对应的油位数据对油温数据进行标注，获取模型训练数据；通过模型训练数据对初始贝叶斯长短期神经网络模型进行训练，获取预设贝叶斯长短期神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于孤立森林算法对油温数据以及油位数据进行过滤处理；提取过滤处理后的油温数据对应的油位数据；根据过滤处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过z-score标准化处理对油温数据以及油位数据进行标准化处理；提取标准化处理后的油温数据对应的油位数据；根据标准化处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过训练组数据对初始贝叶斯长短期神经网络模型进行训练，获取待验证贝叶斯长短期神经网络模型；通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证，当验证通过时，将待验证贝叶斯长短期神经网络模型作为预设贝叶斯长短期神经网络模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将验证组数据中的油温数据输入待验证贝叶斯长短期神经网络模型，获取验证油位数据；基于油温数据对应的油位标记数据以及验证油位数据，获取待验证贝叶斯长短期神经网络模型对应的评价指标数据；当评价指标数据低于预设评价指标阈值时，判定待验证贝叶斯长短期神经网络模型通过验证。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测换流变压器的实时油温数据以及实时油位数据；

将实时油温数据输入预设贝叶斯长短期神经网络模型，获取实时油温数据对应的油位预测结果，预设贝叶斯长短期神经网络模型基于换流变压器的历史实时油温数据以及历史油位数据训练获取；

根据油位预测结果以及实时油位数据，获取换流变压器对应的漏油检测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史数据中的油温数据以及油温数据对应的油位数据；通过油温数据对应的油位数据对油温数据进行标注，获取模型训练数据；通过模型训练数据对初始贝叶斯长短期神经网络模型进行训练，获取预设贝叶斯长短期神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于孤立森林算法对油温数据以及油位数据进行过滤处理；提取过滤处理后的油温数据对应的油位数据；根据过滤处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过z-score标准化处理对油温数据以及油位数据进行标准化处理；提取标准化处理后的油温数据对应的油位数据；根据标准化处理后的油温数据对应的油位数据，对油温数据进行标注，获取模型训练数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过训练组数据对初始贝叶斯长短期神经网络模型进行训练，获取待验证贝叶斯长短期神经网络模型；通过验证组数据对待验证贝叶斯长短期神经网络模型进行验证，当验证通过时，将待验证贝叶斯长短期神经网络模型作为预设贝叶斯长短期神经网络模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将验证组数据中的油温数据输入待验证贝叶斯长短期神经网络模型，获取验证油位数据；基于油温数据对应的油位标记数据以及验证油位数据，获取待验证贝叶斯长短期神经网络模型对应的评价指标数据；当评价指标数据低于预设评价指标阈值时，判定待验证贝叶斯长短期神经网络模型通过验证。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。