[0001] 本申请涉及变压器故障诊断技术领域，具体而言，涉及一种基于多传感器的变压器的故障确定方法、装置、计算机程序产品和变压器故障检测系统。

[0002] 变压器故障诊断是指通过对变压器运行过程中的各种参数和信号进行监测和分析，以判断变压器是否存在故障，并找出故障的具体原因和位置。然而，目前的变压器故障检测的方案中，故障检测的准确率较低。

[0027] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0028] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

[0029] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0030] 正如背景技术中所介绍的，现有技术中变压器故障检测的准确率较低，为解决如上的问题，本申请的实施例提供了一种基于多传感器的变压器的故障确定方法、装置、计算机程序产品和变压器故障检测系统。

[0031] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

[0032] 本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于多传感器的变压器的故障确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

[0033] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

[0034] 在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的基于多传感器的变压器的故障确定方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0035] 图2是根据本申请实施例的一种基于多传感器的变压器的故障确定方法的流程示意图。如图2所示，该方法包括以下步骤：

[0036] 步骤S201，获取变压器的运行信息，其中，上述运行信息有多个，上述运行信息为采用传感器采集得到的，上述传感器有多个，上述运行信息和上述传感器一一对应；

[0037] 具体地，可以使用多个传感器来对变压器进行检测，一个传感器检测一种类型的运行信息，当然，也可以多个传感器检测一种类型的运行信息，例如，温度传感器检测变压器的温度，湿度传感器检测变压器的湿度。

[0038] 步骤S202，获取上述运行信息对应的权重系数，其中，上述权重系数和上述运行信息一一对应；

[0039] 具体地，预先设定了不同运行信息的权重系数，权重信息表示运行信息在数据融合中所占的权重。

[0040] 步骤S203，计算上述权重系数和上述运行信息的加权平均值，得到综合计算结果；

[0041] 具体地，通过融合算法将不同传感器检测的数据整合在一起，可以得到综合变压器的计算结果，即综合计算结果。

[0042] 例如，多传感器可分为温度传感器、湿度传感器和气体传感器，将温度传感器采集到的数据为T(t)，湿度传感器采集到的数据为H(t)，气体传感器采集到的数据为G(t)，最后得出S(t)＝f(T(t)，H(t)，G(t))；分别设定权重系数α＝0.4、β＝0.3、γ＝0.3，具体表示温度在融合中占40％的权重，湿度和气体浓度各占30％的权重，在时刻t的数据如下：

[0043] T(t)＝80摄氏度；

[0044] H(t)＝60％；

[0045] G(t)＝0.5ppm；

[0046] 根据信息融合算法，可以计算综合信息S(t)＝0.4×80+0.3×60+0.3×0.5＝2+18+0.15＝50.15，最后通过调整权重系数，可以灵活地控制不同传感器数据在融合中的影响程度，从而实现更加精准和有效的信息融合。

[0047] 步骤S204，根据上述综合计算结果和预设运行阈值的大小关系，得到第一分析结果，其中，上述第一分析结果用于表征上述变压器是否故障，在上述综合计算结果大于或者等于上述预设运行阈值的情况下，上述第一分析结果表征上述变压器正常，在上述综合计算结果小于上述预设运行阈值的情况下，上述第一分析结果表征上述变压器故障。

[0048] 具体地，在得到了变压器的综合的评价的综合计算结果后，直接通过阈值比较的方式来确定第一分析结果，例如，预设运行阈值可以是50、60、70、80等等，在上述的实施例中，如果预设运行阈值是50，综合计算结果是50.15，那么变压器未故障。

[0049] 通过本实施例，可以同时采集到不同传感器检测的信息，得到多个运行信息，综合分析多个运行信息，来评估变压器是否故障，相比单一传感器评估的方式准确率更高，可以提高变压器故障检测的准确性。

[0050] 另外，上述的方案可以应用于变压器故障检测系统，本方案中的不同功能在系统中可以采用模块化架构，每个模块独立负责特定功能，便于模块的新增或替换，从而确保系统的灵活扩展性，并且可对诊断结果的不确定性进行了有效管理，从而显著增强了系统在复杂环境下的故障诊断能力。

[0051] 本方案中提出的基于多传感器信息融合的变压器故障诊断方案，是指通过同时采集和融合来自不同传感器的多种参数信息，综合分析这些信息，从而提高对变压器故障的准确性和可靠性，在这种方案中，可以使用数据融合技术将来自不同传感器的数据整合在一起，利用模式识别、统计分析等方法对这些数据进行处理和分析，以实现对变压器故障的准确诊断。通过综合考虑多种参数信息，可以提高故障诊断的准确性，并且可以更全面地了解变压器的运行状态，及时采取措施进行维护和修复，确保变压器的安全和可靠运行。

[0052] 具体地，如图3所示，方案的主要功能包括数据采集、信息融合、故障诊断和系统反馈，数据采集是通过多传感器采集，还包括系统扩展，系统扩展主要包括接口标准化、动态配置和插件机制配置，还包括数据一致性检测，还包括数据接收、数据预处理，还包括不确定诊断。

[0053] 具体地，数据采集指的是通过传感器采集数据，并将采集到的数据进行融合，根据预设的权重系数计算综合计算结果，根据综合计算结果判断变压器是否发生故障。还可以将这些诊断的结果进行反馈，反馈给操作人员，通过多功能模块之间的协作运转，本方案可以实现数据采集、信息融合、故障诊断和自动反馈的全流程化操作，提高了方案整体的准确性和稳定性，帮助及时发现和处理潜在的故障问题。

[0054] 具体地，将经过预处理的数据进行信息融合，通过融合算法将不同传感器的数据融合在一起，得到综合的变压器的状态信息，其中，多传感器可分为温度传感器、湿度传感器和气体传感器，将温度传感器采集到的数据为T(t)，湿度传感器采集到的数据为H(t)，气体传感器采集到的数据为G(t)，最后得出S(t)＝f(T(t)，H(t)，G(t))。

[0055] 现有监测温度、湿度和气体浓度三个指标，设定权重系数α＝0.4、β＝0.3、γ＝0.3，具体表示温度在融合中占40％的权重，湿度和气体浓度各占30％的权重，在时刻t的数据如下：

[0056] T(t)＝80摄氏度；

[0057] H(t)＝60％；

[0058] G(t)＝0.5ppm；

[0059] 根据信息融合算法，可以计算综合信息S(t)＝0.4×80+0.3×60+0.3×0.5＝2+18+0.15＝50.15，最后通过调整权重系数，可以灵活地控制不同传感器数据在融合中的影响程度，从而实现更加精准和有效的信息融合。

[0060] 为了进一步提高数据的有效性和准确性，在获取变压器的运行信息之前，上述方法还包括以下步骤：获取初始运行信息；对上述初始运行信息进行数据一致性检验，得到检验结果，其中，检验方式至少包括数值分析、方差分析、相关性分析、时间序列分析中的一种或者多种；在上述检验结果表征数据不一致的情况下，对上述初始运行信息进行数据修复，得到上述运行信息，其中，数据修复方式至少包括重新采集数据、填补缺失数据、剔除异常数据中的一种或者多种。

[0061] 该方案中，可以对数据进行一致性检验，以确定是否存在异常的数据，如果数据不一致，即存在异常的数据的情况下，可以对数据进行修复处理，从而可以进一步提高数据的有效性和准确性。

[0062] 初始运行信息为初始时刻获取得到的运行信息，即变压器刚运行时候获取得到的运行信息。

[0063] 具体地，可以对变压器数据进行数值分析，计算各个变量的均值、中位数、标准差等统计量，以了解数据的分布情况和异常值情况。利用方差分析检验变压器数据的均值是否存在显著差异。可以使用ANOVA方法对多个变量之间的均值进行比较，以确定它们是否存在一致性。通过相关性分析来检验变压器数据之间的相关性，判断数据之间是否存在一致性关系。可以计算Pearson相关系数或Spearman秩相关系数来评估变量之间的相关性。对变压器数据进行时间序列分析，检验数据是否呈现出一致的时间趋势和周期性。可以绘制时间序列图和自相关图来观察数据的特征。

[0064] 例如，有一组变压器的数据，包括输入电流、输出电流和温度等变量。首先对这些数据进行统计分析，计算均值、中位数和标准差等统计量。然后使用方差分析检验这些变量的均值是否存在显著差异，以确定它们之间是否存在一致性。接着通过相关性分析计算各个变量之间的相关系数，判断它们之间的关系是否一致。最后通过时间序列分析检验数据是否存在一致的时间趋势和周期性。

[0065] 假设得到的结果显示，输入电流和输出电流之间的相关系数为0.95，表明它们之间存在高度相关性；而温度变量的均值在方差分析中不显著不同，说明温度变量的数据一致性较好。时间序列分析显示，输出电流呈现出逐渐增加的趋势，表明变压器输出电流可能存在一致的时间变化规律。通过以上分析，可以得出结论：变压器的输入电流和输出电流之间存在高度一致性，而温度变量的数据也较为一致。

[0066] 具体地，可以重新采集变压器的数据，确保数据的准确性和完整性。可以通过传感器或监测设备实时监测数据，或者定期对变压器进行检查和测试来获取数据。对于缺失的数据，可以通过插值法或均值法来填补。插值法是根据已知数据点之间的关系来估计缺失数据点的值，例如线性插值、多项式插值等；均值法是用已知数据的平均值来代替缺失数据。通过对数据进行统计分析和异常值检测，找出异常数据点并剔除。常见的异常值检测方法包括箱线图、Z‑score方法等。剔除异常数据可以提高数据的准确性和可靠性。

[0067] 具体地，如图4所示，上述实施例的主要流程包括数据采集、一致性检测、数据修复、修复执行、异常报警和日志记录。

[0068] 具体地，可以定期检测数据库中的传感器数据，比较不同传感器之间的数据是否一致，检测包括数据值是否在合理范围内以及是否存在异常数据，当检测到数据不一致时，会根据预先设定的数据修复策略进行处理，其中的数据修复策略可通过以下步骤生成：数据分析、异常检测、策略生成、策略评估、策略优化、策略应用、结果监控、反馈机制。

[0069] 数据分析：收集历史数据，并进行数据分析，包括统计分析、异常检测等；

[0070] 异常检测：使用数据挖掘或机器学习算法检测传感器数据中的异常值或不一致性；

[0071] 策略生成：根据异常检测结果和数据分析，自动化生成数据修复策略；策略生成可以基于规则引擎、机器学习模型或专家系统；

[0072] 策略评估：对生成的数据修复策略进行评估，包括准确性、效率和可行性等方面；确保策略能够有效修复数据不一致性问题；

[0073] 策略优化：如有必要，对生成的策略进行优化和调整，提高修复效果和性能；

[0074] 策略应用：将生成的数据修复策略应用到实际数据中，修复不一致性数据；

[0075] 结果监控：监控修复后的数据，确保数据一致性和准确性；

[0076] 反馈机制：根据修复结果反馈到策略生成模块，用于优化和改进策略生成过程。

[0077] 通过以上流程，可以自动化生成数据修复策略，提高数据修复的效率和准确性。可以根据历史数据和实时数据动态生成适合当前情况的修复策略，减少人工干预和提高方案的自适应能力。同时，通过策略的评估和优化，可以不断改进数据修复的效果，确保数据的一致性和质量。

[0078] 具体实现过程中，在获取变压器的运行信息之后，上述方法还包括以下步骤：构建第一检测模型，其中，上述第一检测模型是使用多组训练数据来通过贝叶斯算法训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史运行信息、上述历史运行信息对应的历史第二分析结果，其中，上述历史第二分析结果用于表征历史变压器是否故障；将上述运行信息输入至上述第一检测模型，得到上述运行信息对应的第二分析结果。

[0079] 该方案中，可以通过训练数据集来训练贝叶斯网络模型，即第一检测模型，通过第一检测模型来分析变压器是否故障，贝叶斯算法可以根据已有的数据和先验知识来计算出变压器是否故障的概率，从而快速准确地判断变压器的工作状态，贝叶斯算法可以有效地处理不确定性和噪声，进一步提高了故障诊断的准确性和可靠性。

[0080] 具体地，如图5所示，上述实施例的主要流程包括不确定建模、故障诊断、不确定性处理、结果解释、反馈优化，还包括额外节点添加、节点定义和数据整合。

[0081] 具体地，首先从传感器等设备中采集实时数据，并存储在数据库中接着对采集到的数据进行清洗、去噪和特征提取，以准备进行故障诊断分析再将多种故障诊断算法包括规则引擎、机器学习模型和专家系统进行融合，形成一个集成的故障检测模型(第一检测模型)，此时引入概率推断技术，对算法生成的诊断结果使用贝叶斯网络进行不确定性建模，根据数据特征和算法融合结果，进行故障诊断分析，并生成可能的故障诊断结果，对诊断结果的不确定性进行处理，包括计算置信度或概率分布，以提高诊断结果的可靠性，其中特别要说明的是，使用贝叶斯网络进行不确定性建模时，额外加入了温度、湿度、风速作为模型的输入，接着根据领域知识和数据分析，定义地理环境和天气因素与变压器状态之间的关系，具体的，在高温环境下，变压器内部的温度可能会升高，导致电气绝缘性能下降，从而增加了变压器发生故障的风险，因此建立一个表示温度对变压器状态的影响关系节点，高湿度环境可能导致变压器绝缘材料受潮，增加了漏电和短路的可能性。因此，湿度可以与变压器状态节点相关联，反映湿度对变压器性能的影响，在风速较大的情况下，可能会导致变压器受到外部环境的影响，风吹动导致的应力增加或风雨侵蚀导致的绝缘性能下降，因此，风速可以作为一个节点，与变压器状态节点相关联，描述风速对变压器的影响，此时，当引入额外节点表示地理环境和天气因素时，可以通过条件概率分布矩阵来描述节点之间的关系，具体设有以下节点：

[0082] 变压器状态节点：T(正常、故障)；

[0083] 电流节点：I(低(小于第一电流阈值)、正常(大于等于第一电流阈值并且小于第二电流阈值)、高(大于第二电流阈值)，第一电流阈值小于第二电流阈值)；

[0084] 温度节点：Temp(低(小于第一温度阈值)、正常(大于等于第一温度阈值并且小于第二温度阈值)、高(大于第二温度阈值)，第一温度阈值小于第二温度阈值)；

[0085] 湿度节点：Humidity(低(小于第一湿度阈值)、正常(大于等于第一湿度阈值并且小于第二湿度阈值)、高(大于第二湿度阈值)，第一湿度阈值小于第二湿度阈值)；

[0086] 风速节点：Wind(低(小于第一风速阈值)、正常(大于等于第一风速阈值并且小于第二风速阈值)、高(大于第二风速阈值)，第一风速阈值小于第二风速阈值)；

[0087] 最终P(T∣I,Temp,Humidity,Wind)(变压器状态节点关于其他节点的条件概率分布)这个矩阵包含了所有可能的组合情况，如当电流为低、温度为高、湿度为正常、风速为低时，变压器状态为正常的概率，这样的矩阵可以帮助模型进行推断和预测，更全面地考虑了多个因素。

[0088] 接着将地理环境和天气数据整合到贝叶斯网络模型的训练数据中，然后进行模型训练。通过学习数据中的模式和关联性，模型可以更准确地对变压器的状态进行推断和预测，再接着将诊断结果按照地区的不同反馈给用户或操作者，并解释诊断结果的可信度和推荐的处理措施，最后根据实际情况和用户反馈，优化算法融合和不确定性建模过程，以提高方案整体的故障诊断准确性和可靠性，最终实现了将地理位置的气温、湿度和风速因素作为额外节点，与变压器状态节点关联起来，通过分析这些因素与变压器故障之间的关系，贝叶斯网络模型可以更准确地预测变压器的运行状态和潜在故障。

[0089] 具体的，整合地理环境和天气数据到贝叶斯网络模型的训练数据中，然后进行模型训练，需要进行以下步骤：数据准备、构建贝叶斯网络模型、整合数据、模型训练。

[0090] 数据准备：准备地理环境和天气数据，以及传感器数据。确保数据格式一致，并且进行必要的预处理，如缺失值处理、数据归一化等；

[0091] 构建贝叶斯网络模型：使用合适的库或工具来构建贝叶斯网络模型具体使用pgmpy；

[0092] 整合数据：将地理环境和天气数据整合到传感器数据中，形成完整的训练数据集；

[0093] 模型训练：使用整合后的训练数据集来训练贝叶斯网络模型。这包括将数据输入到模型中，并调用相应的训练函数来拟合模型。

[0094] 具体模型训练代码如下：

[0095] from pgmpy.models import BayesianModel；

[0096] from pgmpy.estimators import ParameterEstimator；

[0097] from pgmpy.estimators import MaximumLikelihoodEstimator；

[0098] import pandas as pd；

[0099] #假设已经准备好了传感器数据、地理环境和天气数据，并且存储在DataFrame中；

[0100] #假设传感器数据存储在sensor_data中，地理环境数据存储在geo_data中，天气数据存储在weather_data中；

[0101] #合并数据；

[0102] merged_data＝pd.concat([sensor_data,geo_data,weather_data],axis＝1)；

[0103] #构建贝叶斯网络模型；

[0104] model＝BayesianModel([('sensor1','sensor2'),('geo_feature','sensor1'),('weather_feature','sensor1')])；

[0105] #使用最大似然估计来估计参数；

[0106] estimator＝ParameterEstimator(model,merged_data)；

[0107] estimator.get_parameters()；

[0108] #使用最大似然估计来估计参数；

[0109] model.fit(merged_data,estimator＝MaximumLikelihoodEstimator)；

[0110] 通过以上流程，可以有效处理故障诊断算法的不确定性，提高故障诊断结果的可靠性和可解释性。算法融合和概率推断的结合可以充分利用不同算法的优势，并对诊断结果的不确定性进行有效管理，从而提高本方案在复杂环境下的故障诊断能力。

[0111] 上述的，由于不同传感器之间的数据可能存在不一致性，包括单位不同、采样频率不同，这会影响信息融合的准确性，并且随着变压器检测系统的规模的增大和新传感器的引入，变压器检测系统的可扩展性也是一个挑战，需要考虑到变压器检测系统的性能和资源需求，同时变压器检测系统内部的故障诊断算法可能存在误判和漏判的情况，特别是在复杂故障情况下，算法的准确性可能受到影响，在进行信息融合的过程中常采用贝叶斯网络模型进行变压器故障检测，然而通过固定的贝叶斯网络模型经过深度学习后，应用到不同区域位置的变电站时还会因为地理环境及外界的天气的影响而产生不同的错误判断，进而可能造成预测故障时的局限性，因此可以通过多算法融合的凡是来进行深度学习训练，以下实施例进行详细介绍。

[0112] 具体实现过程中，在获取变压器的运行信息之后，上述方法还包括以下步骤：构建第二检测模型，其中，上述第二检测模型是使用多组训练数据来通过贝叶斯算法和辅助算法训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史运行信息、上述历史运行信息对应的历史第三分析结果，其中，上述历史第三分析结果用于表征历史变压器是否故障，上述辅助算法至少包括LSTM算法、LightGBM算法、TPE算法、BOA‑LSTM算法、BART算法中的一种或者多种；将上述运行信息输入至上述第二检测模型，得到上述运行信息对应的第三分析结果。

[0113] 该方案中，通过多种算法进行融合，可以弥补单一算法的不足，进而可以降低误判率，进一步准确地确定变压器是否故障。

[0114] 具体地，可以通过贝叶斯算法和LSTM算法来构建第二检测模型，确定变压器是否故障。使用贝叶斯算法对提取的特征进行分析，计算出变压器故障的概率。贝叶斯算法可以有效地处理不确定性和缺失数据。将时间序列数据输入到LSTM神经网络中进行训练，以预测未来的变压器状态。LSTM算法可以捕捉时间序列数据中的长期依赖关系。将贝叶斯算法和LSTM算法的结果进行综合分析，确定变压器是否存在故障。贝叶斯算法可以有效地处理不确定性和缺失数据，提高了方案的鲁棒性。LSTM算法可以捕捉时间序列数据中的长期依赖关系，提高了预测的准确性和稳定性。结合两种算法可以综合考虑静态特征和动态特征，全面分析变压器的健康状态。

[0115] 具体地，可以通过贝叶斯算法和LightGBM算法来构建第二检测模型，确定变压器是否故障。将数据集划分为训练集和测试集。使用贝叶斯算法对训练集进行训练，得到模型。使用LightGBM算法对训练集进行训练，得到模型。使用测试集对模型进行评估，比较两种算法的准确率、召回率等指标。根据模型预测结果确定变压器是否故障。LightGBM算法是一种高效的梯度提升算法，能够处理大规模数据集，并且具有较高的准确率。两种算法结合使用可以提高模型的准确率和鲁棒性，使得故障判断更加可靠。

[0116] 具体地，可以通过贝叶斯算法和TPE算法来构建第二检测模型，确定变压器是否故障。使用贝叶斯算法建立一个初始的概率模型，该模型可以表示变压器是否故障的概率分布。使用TPE算法对该概率模型进行优化，以找到最可能导致变压器故障的参数组合。根据优化后的参数组合，再次使用贝叶斯算法更新概率模型，以更准确地表示变压器是否故障的概率分布。根据更新后的概率模型，可以得到一个更准确的预测结果，从而确定变压器是否故障。TPE算法可以快速有效地找到最可能导致变压器故障的参数组合，从而减少计算时间和资源消耗。贝叶斯算法和TPE算法的结合可以在不断更新概率模型的过程中，更好地适应变压器故障的潜在规律和特征，提高预测的准确性和可靠性。

[0117] 具体地，可以通过贝叶斯算法和BOA‑LSTM算法来构建第二检测模型，确定变压器是否故障。使用贝叶斯算法进行故障预测：利用贝叶斯算法对变压器运行数据进行分析和建模，得出变压器是否存在故障的概率。将预处理后的数据输入到BOA‑LSTM算法中进行训练，得出变压器是否存在故障的预测结果。将贝叶斯算法和BOA‑LSTM算法得到的故障预测结果进行结合，综合分析变压器是否存在故障。贝叶斯算法可以提供概率分析的结果，BOA‑LSTM算法可以提供时间序列数据的预测结果，两者结合可以更全面地评估变压器的故障情况。结合两种算法可以有效降低误报率和漏报率，提高故障预测的效果和效率。

[0118] 具体地，可以通过贝叶斯算法和BART算法来构建第二检测模型，确定变压器是否故障。用贝叶斯算法对数据进行分析，计算出变压器各个参数的后验概率分布。将得到的后验概率分布作为BART算法的输入，利用BART算法建立一个预测模型，预测变压器是否故障。根据BART算法的预测结果，对变压器进行维护或修理。BART算法可以通过非参数方法建立预测模型，提高了预测的准确性和稳定性。结合两种算法可以更全面地分析变压器的状态，提高了故障诊断的效率和准确性。

[0119] 具体地，本方案通过收集并分析历史数据，结合数据挖掘与机器学习算法，能够有效识别传感器数据中的异常值或不一致现象。进一步地，结合规则引擎、机器学习模型和专家系统，可针对各种数据修复需求与情况，自动生成相应的修复策略。这一自动化流程不仅大幅提升了数据修复的效率与准确性，而且通过策略生成的动态调整，能够根据历史及实时数据生成适应当前情境的最佳修复策略，从而显著减少人工干预，增强自适应能力。同时，通过不断地评估与优化策略，能够持续优化数据修复效果，确保数据的一致性与质量。在故障诊断算法方面，通过考虑地理环境和天气因素，使得加入地理位置与天气情况节点的贝叶斯网络模型可以更好地适应不同区域的变压器系统，这种定制化的模型可以更准确地反映特定区域的环境特征，提高了模型的适用性和泛化能力，并且结合预测模型和修复策略生成，可以更加智能地调整修复策略，以适应未来数据的变化。这样一来，就能够更加灵活地应对不同情况，进一步提高方案的适应性和泛化能力。

[0120] 在一些实施例上，在获取变压器的运行信息之前，上述方法还包括以下步骤：获取接口定义信息，其中，上述接口定义信息为预先定义的上述传感器的接口的数据传输格式、传输协议和通信方式的信息；根据上述接口定义信息，对上述传感器的接口进行配置。

[0121] 该方案中，可以预先定义标准化的接口规范，保证可以通过标准接口实现通信与数据交互，极大地促进了第三方模块或者第三方设备的集成，进一步增强了本方案的可扩展性。

[0122] 具体地，通过获取预先定义的传感器接口的数据传输格式、传输协议和通信方式的信息，然后根据这些信息来配置传感器的接口。这样做的好处是可以确保传感器与其他设备(例如变压器)或系统之间的数据传输是有效和准确的，同时也能提高系统的稳定性和可靠性。

[0123] 举例来说，假设有一个温度传感器，根据厂商提供的接口定义信息，该传感器使用Modbus协议进行通信，数据传输格式为16位整数，通信方式为RS485。根据这些信息，可以配置传感器的接口参数，确保与其他设备或系统之间的通信正常进行，避免数据传输错误或丢失。通过合理配置传感器的接口，可以提高系统的整体效率和性能，减少因数据传输问题导致的系统故障，确保数据的准确性和可靠性。

[0124] 具体地，在上述具体实施例中，如图6所示，接口标准化的具体流程如下步骤：接口定义、接口管理、接口注册、接口验证、接口通信、接口更新。

[0125] 接口定义：确定各个传感器以及系统之间需要进行数据交换和通信的接口。可以包括定义接口的数据格式、传输协议、通信方式等规范；

[0126] 接口管理：接口标准化管理中负责管理的所有接口的定义和规范。可以维护一个接口清单，包括接口名称、描述、数据格式等信息；

[0127] 接口注册：当新模块或者新的传感器加入整体系统时，需要注册其提供的接口。注册包括接口名称、功能描述、数据格式等信息；

[0128] 接口验证：对注册的接口进行验证，确保符合规范。验证包括数据格式是否正确、数据传输是否可靠等方面；

[0129] 接口通信：当需要与其他传感器或者设备进行通信时，通查询对应接口的规范。按照规范进行数据交换和通信，确保数据的正确传输和解析；

[0130] 接口更新：随着整体方案的演化和需求变化，接口规范可能需要更新。及时更新接口规范，并通知对应的设备或者模块或者传感器进行相应调整。

[0131] 通过以上流程，接口标准化可以确保系统中各个模块以及传感器之间的接口规范一致性和可靠性，提高可维护性和可扩展性。同时，通过统一的接口规范，不同设备和模块之间的集成和交互变得更加简单和高效。

[0132] 在一些实施例上，在获取变压器的运行信息之前，上述方法还包括以下步骤：获取配置定义信息，其中，上述配置定义信息为预先定义的上述传感器的采样频率、分辨率、异常报警阈值和电源模式的信息；根据上述配置定义信息，对上述传感器进行配置。

[0133] 该方案中，可以预先定义标准化的传感器规范，保证可以通过标准化的设置来对传感器进行自动化配置，进而进一步增强了本方案的可扩展性，进一步高传感器的性能和稳定性。

[0134] 具体地，获取传感器的配置信息，包括采样频率、分辨率、异常报警阈值和电源模式等预先定义的参数；然后根据这些配置信息对传感器进行相应的配置设置。这样可以根据实际需求和环境条件来定制传感器的工作参数，以确保传感器能够正常工作并提供准确的数据。例如，如果需要监测温度变化，可以设置温度传感器的采样频率为每分钟采集一次数据，分辨率为0.1摄氏度，异常报警阈值为超过40摄氏度时报警，电源模式选择低功耗模式。通过配置传感器，可以提高传感器的性能和稳定性，同时也可以有效管理电源消耗，延长传感器的使用寿命。

[0135] 具体地，在上述具体实施例中，通过动态配置可管理配置信息，并允许用户或管理员根据需要动态修改配置。如图7所示，以下是动态配置的具体流程：配置管理、配置查询、配置修改、配置校验、配置生效、配置回滚。

[0136] 配置管理：维护一个配置清单，包括各个模块以及传感器的配置项及其默认值。每个配置项都有一个唯一的标识符和描述，用于识别和说明该配置项的作用；

[0137] 配置查询：用户或管理员可以查询配置项及其当前取值。提供接口或界面供用户查看和管理配置信息；

[0138] 配置修改：用户可以通过修改配置项取值修改配置项时，会根据新的取值自动更新相关模块的配置；

[0139] 配置校验：在用户修改配置项时，会对新的配置取值进行校验。校验包括数据格式是否正确、取值范围是否合法等方面；

[0140] 配置生效：用户修改配置后，会将新的配置信息应用到相关模块以及传感器。确保新的配置立即生效，而无需重启主控的设备；

[0141] 配置回滚：如果用户修改配置后发现问题，可以将配置项回滚到修改前的取值。确保在配置修改过程中可以做到安全可靠。

[0142] 通过以上流程，可以实现配置的灵活管理和动态调整，提高了方案适应性和可维护性。用户可以根据需要随时修改配置，而无需停机或重启系统，从而提高了方案的灵活性和可定制性。

[0143] 具体地，本方案还引入了插件机制，可以允许用户或开发人员根据实际需求编写自定义插件，并将其无缝集成至方案中，为用户提供了极大的功能扩展空间。

[0144] 具体地，在上述具体实施例中，通过插件机制可以负责加载、管理和调用的插件。如图8所示，以下是引入插件机制的流程的步骤：插件注册、插件加载、插件调用、插件卸载、插件更新、插件通信。

[0145] 插件注册：开发人员编写插件，并将插件注册到包括传感器的系统中。注册包括插件名称、描述、版本号、作者等信息。

[0146] 插件加载：系统启动时，会加载所有注册的插件。加载过程包括检查插件的依赖关系、初始化插件环境等操作。

[0147] 插件调用：可以调用已加载的插件。插件提供了一些接口或功能，供调用和扩展功能。

[0148] 插件卸载：当不再需要某个插件时，可以卸载该插件。卸载过程包括释放插件占用的资源、清理插件相关的数据等操作。

[0149] 插件更新：可以支持插件的更新操作。当插件作者发布新版本时，可以更新插件。

[0150] 插件通信：插件之间可以进行通信和协作。提供了一些通信机制，用于插件之间的数据交换和协同工作。

[0151] 通过以上流程，插件机制可以实现功能的动态扩展和定制，提高了方案的灵活性和可扩展性。开发人员可以根据需要编写插件，而不必修改核心代码，从而降低了方案维护和升级的难度。同时，插件机制也促进了模块之间的解耦和协作，使方案更加模块化和可组合。

[0152] 综上，本方案的设计旨在实现灵活扩展与高度定制化，以满足不同用户的实际需求，从而确保方案的高可扩展性和强适应性。

[0153] 在一些实施例上，在根据上述综合计算结果和预设运行阈值的大小关系，得到第一分析结果之后，上述方法还包括以下步骤：在上述第一分析结果表征上述变压器故障的情况下，生成预警信息；基于上述预警信息，控制预警设备开启，其中，上述预警设备至少包括蜂鸣器和/或LED灯。

[0154] 该方案中，如果变压器故障，那么可以控制预警设备开启，这样可以及时提示作业人员变压器故障，以便于作业人员及时了解变压器故障。

[0155] 综上，本方案中的可扩展性较好，基本上故障诊断算法存在误判和漏判情况较少。

[0156] 为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的基于多传感器的变压器的故障确定方法的实现过程进行详细说明。

[0157] 本实施例涉及一种具体的基于多传感器的变压器的故障确定方法，包括如下步骤：

[0158] 步骤S1：数据采集处理；

[0159] 首先从不同传感器中实时采集数据，并将数据传递到信息融合模块中，并且在接收数据的同时，比较不同传感器之间的数据是否一致，同时检测包括数据值是否在合理范围内，是否存在异常数据，当检测到传感器数据不一致时，数据一致性校验模块会根据预先设定的数据修复策略进行处理，包括取平均值、取中位数、剔除异常值，当需要对系统进行拓展时，首先确定系统中各个模块之间需要进行数据交换和通信的接口，接着定义接口的数据格式、传输协议以及通信方式；

[0160] 步骤S2：信息融合；

[0161] 接着接收来自不同传感器的数据，通过加权平均的方式计算综合信息S，具体计算公式为S＝α*T+β*H+γ*G，其中α、β和γ为权重系数，用于调节不同传感器在融合中的重要性；

[0162] 步骤S3：故障诊断；

[0163] 根据融合后的信息S进行故障诊断，判断系统是否存在故障，当S超过预设阈值，判定系统存在故障，触发警报并提供维修建议，当S未超过阈值，系统正常运行，不进行任何操作，在故障诊断的过程中，将多种故障诊断算法包括规则引擎、机器学习模型和专家系统进行融合，形成一个集成的故障诊断系统，接着使用贝叶斯网络对算法生成的诊断结果进行不确定性建模，再对诊断结果的不确定性进行处理。

[0164] 本申请实施例还提供了一种基于多传感器的变压器的故障确定装置，需要说明的是，本申请实施例的基于多传感器的变压器的故障确定装置可以用于执行本申请实施例所提供的用于基于多传感器的变压器的故障确定方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

[0165] 以下对本申请实施例提供的基于多传感器的变压器的故障确定装置进行介绍。

[0166] 图9是根据本申请实施例的一种基于多传感器的变压器的故障确定装置的结构框图。如图9所示，该装置包括：

[0167] 第一获取单元10，用于获取变压器的运行信息，其中，上述运行信息有多个，上述运行信息为采用传感器采集得到的，上述传感器有多个，上述运行信息和上述传感器一一对应；

[0168] 第二获取单元20，用于获取上述运行信息对应的权重系数，其中，上述权重系数和上述运行信息一一对应；

[0169] 计算单元30，用于计算上述权重系数和上述运行信息的加权平均值，得到综合计算结果；

[0170] 确定单元40，用于根据上述综合计算结果和预设运行阈值的大小关系，得到第一分析结果，其中，上述第一分析结果用于表征上述变压器是否故障，在上述综合计算结果大于或者等于上述预设运行阈值的情况下，上述第一分析结果表征上述变压器正常，在上述综合计算结果小于上述预设运行阈值的情况下，上述第一分析结果表征上述变压器故障。

[0171] 通过本实施例，可以同时采集到不同传感器检测的信息，得到多个运行信息，综合分析多个运行信息，来评估变压器是否故障，相比单一传感器评估的方式准确率更高，可以提高变压器故障检测的准确性。

[0172] 为了进一步提高数据的有效性和准确性，上述装置还包括第三获取单元、检验单元和修复单元，第三获取单元用于在获取变压器的运行信息之前，获取初始运行信息；检验单元用于对上述初始运行信息进行数据一致性检验，得到检验结果，其中，检验方式至少包括数值分析、方差分析、相关性分析、时间序列分析中的一种或者多种；修复单元用于在上述检验结果表征数据不一致的情况下，对上述初始运行信息进行数据修复，得到上述运行信息，其中，数据修复方式至少包括重新采集数据、填补缺失数据、剔除异常数据中的一种或者多种。

[0173] 该方案中，可以对数据进行一致性检验，以确定是否存在异常的数据，如果数据不一致，即存在异常的数据的情况下，可以对数据进行修复处理，从而可以进一步提高数据的有效性和准确性。

[0174] 具体实现过程中，上述装置还包括第一构建单元和第一处理单元，第一构建单元用于在获取变压器的运行信息之后，构建第一检测模型，其中，上述第一检测模型是使用多组训练数据来通过贝叶斯算法训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史运行信息、上述历史运行信息对应的历史第二分析结果，其中，上述历史第二分析结果用于表征历史变压器是否故障；第一处理单元用于将上述运行信息输入至上述第一检测模型，得到上述运行信息对应的第二分析结果。

[0175] 该方案中，可以通过训练数据集来训练贝叶斯网络模型，即第一检测模型，通过第一检测模型来分析变压器是否故障，贝叶斯算法可以根据已有的数据和先验知识来计算出变压器是否故障的概率，从而快速准确地判断变压器的工作状态，贝叶斯算法可以有效地处理不确定性和噪声，进一步提高了故障诊断的准确性和可靠性。

[0176] 具体实现过程中，上述装置还包括第二构建单元和第二处理单元，第二构建单元用于在获取变压器的运行信息之后，构建第二检测模型，其中，上述第二检测模型是使用多组训练数据来通过贝叶斯算法和辅助算法训练得到的，上述多组训练数据中的每一组训练数据均包括历史时间段内获取的历史运行信息、上述历史运行信息对应的历史第三分析结果，其中，上述历史第三分析结果用于表征历史变压器是否故障，上述辅助算法至少包括LSTM算法、LightGBM算法、TPE算法、BOA‑LSTM算法、BART算法中的一种或者多种；第二处理单元用于将上述运行信息输入至上述第二检测模型，得到上述运行信息对应的第三分析结果。

[0177] 该方案中，通过多种算法进行融合，可以弥补单一算法的不足，进而可以降低误判率，进一步准确地确定变压器是否故障。

[0178] 在一些实施例上，上述装置还包括第四获取单元和第一配置单元，第四获取单元用于在获取变压器的运行信息之前，获取接口定义信息，其中，上述接口定义信息为预先定义的上述传感器的接口的数据传输格式、传输协议和通信方式的信息；第一配置单元用于根据上述接口定义信息，对上述传感器的接口进行配置。

[0179] 该方案中，可以预先定义标准化的接口规范，保证可以通过标准接口实现通信与数据交互，极大地促进了第三方模块或者第三方设备的集成，进一步增强了本方案的可扩展性。

[0180] 在一些实施例上，上述装置还包括第五获取单元和第二配置单元，第五获取单元用于在获取变压器的运行信息之前，获取配置定义信息，其中，上述配置定义信息为预先定义的上述传感器的采样频率、分辨率、异常报警阈值和电源模式的信息；第二配置单元用于根据上述配置定义信息，对上述传感器进行配置。

[0181] 该方案中，可以预先定义标准化的传感器规范，保证可以通过标准化的设置来对传感器进行自动化配置，进而进一步增强了本方案的可扩展性，进一步高传感器的性能和稳定性。

[0182] 在一些实施例上，上述装置还包括生成单元和控制单元，生成单元用于在根据上述综合计算结果和预设运行阈值的大小关系，得到第一分析结果之后，在上述第一分析结果表征上述变压器故障的情况下，生成预警信息；控制单元用于基于上述预警信息，控制预警设备开启，其中，上述预警设备至少包括蜂鸣器和/或LED灯。

[0183] 该方案中，如果变压器故障，那么可以控制预警设备开启，这样可以及时提示作业人员变压器故障，以便于作业人员及时了解变压器故障。

[0184] 上述基于多传感器的变压器的故障确定装置包括处理器和存储器，上述第一获取单元、第二获取单元、计算单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

[0185] 处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中变压器故障检测的准确率较低的问题。

[0186] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

[0187] 本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述基于多传感器的变压器的故障确定方法。

[0188] 本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于多传感器的变压器的故障确定方法。

[0189] 本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少基于多传感器的变压器的故障确定方法步骤。

[0190] 本文中的设备可以是服务器、PC、PAD、手机等。

[0191] 一种计算机程序产品，包括非易失性计算机可读存储介质，上述非易失性计算机可读存储介质存储计算机程序，上述计算机程序被处理器执行时实现本申请各个实施例中上述基于多传感器的变压器的故障确定方法的步骤。

[0192] 本申请还提供一种变压器故障检测系统，包括一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的基于多传感器的变压器的故障确定方法。

[0193] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

[0194] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0195] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0196] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0197] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0198] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

[0199] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

[0200] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

[0201] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0202] 从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

[0203] 1)、本申请的基于多传感器的变压器的故障确定方法，可以同时采集到不同传感器检测的信息，得到多个运行信息，综合分析多个运行信息，来评估变压器是否故障，相比单一传感器评估的方式准确率更高，可以提高变压器故障检测的准确性。

[0204] 2)、本申请的基于多传感器的变压器的故障确定装置，可以同时采集到不同传感器检测的信息，得到多个运行信息，综合分析多个运行信息，来评估变压器是否故障，相比单一传感器评估的方式准确率更高，可以提高变压器故障检测的准确性。

[0205] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。