本发明实施例涉及故障诊断，具体而言，涉及一种电站设备故障诊断方法、装置及设备。
背景技术：
1、电站设备故障诊断对于确保电站的安全、可靠、经济和高效运行具有重要意义。目前，通常采用故障诊断模型对电站设备进行故障诊断，但是随着电站设备的老化，会导致电站设备的性能参数发生变化，而故障诊断模型通常基于一组特定的数据集进行训练，若数据集与老化的电站设备的性能参数不匹配，可能会导致数据分布的偏移，使得故障诊断模型无法准确地识别故障。
2、针对上述问题，当前并无较好的解决方案。
技术实现思路
1、本发明实施例提供了一种电站设备故障诊断方法、装置及设备，以有效提高故障诊断模型的故障诊断的准确性。
2、根据本发明的一个实施例，提供了一种电站设备故障诊断方法，应用于电子设备，所述电子设备内部集成有故障诊断模型，所述故障诊断模型的网络架构为transformer模型，所述故障诊断模型包括初级层和高级层，所述方法包括：
3、将所述故障诊断模型作为源模型，并冻结所述源模型的所述初级层；
4、实时获取电站设备的设备数据，并基于实时获取的所述设备数据，循环执行第一循环步骤，至达到预设的执行次数，得到故障诊断结果；
5、其中，所述第一循环步骤包括：
6、对实时获取的所述设备数据进行数据分析，得到分析结果；
7、在所述分析结果与前一个分析结果不一致的情况下，根据所述分析结果，确定当前目标任务；
8、根据所述当前目标任务对前一个所述源模型的高级层进行调整，以使所述高级层适应所述当前目标任务；
9、构建迁移学习网络模型，其中，所述迁移学习网络模型的网络架构为lstm模型与transformer模型的混合架构；
10、根据冻结的所述初级层和调整后的所述高级层，通过所述迁移学习网络模型对所述源模型进行迁移学习，得到迁移学习后的迁移学习网络模型；
11、采用所述迁移学习后的迁移学习网络模型对所述电站设备进行故障诊断，得到故障诊断结果。
12、在一个示例性实施例中，所述故障诊断模型的初级层包括至少一个encoder层和每个所述encoder层的自注意力子层；
13、所述冻结所述源模型的所述初级层，包括：
14、在所述源模型构建的过程中，遍历所述源模型的层，并确定至少一个所述encoder层或每个所述encoder层的自注意力子层为冻结层；
15、冻结所述冻结层的权重，使所述冻结层的权重在所述源模型的训练过程中不进行更新。
16、在一个示例性实施例中，所述根据冻结的所述初级层和调整后的所述高级层，通过所述迁移学习网络模型对所述源模型进行迁移学习，得到迁移学习后的迁移学习网络模型，包括：
17、基于前一个源模型的初级层，添加lstm模块，并将前一个所述源模型的输出连接到所述lstm模块，构建得到初始迁移学习网络模型；
18、训练所述初始迁移学习网络模型，其中，在训练所述初始迁移学习网络模型的过程中，所述lstm模块和所述高级层实时更新，所述初级层不进行更新；
19、将训练后的所述初始迁移学习网络模型作为迁移学习后的迁移学习网络模型。
20、在一个示例性实施例中，所述根据所述当前目标任务对前一个所述源模型的高级层进行调整，以使所述高级层适应所述当前目标任务，包括：
21、根据所述当前目标任务定义损失函数；
22、将实时获取的所述设备数据划分为多个任务数据集；
23、采用每个所述任务数据集依次训练前一个所述源模型，其中，在每次训练前一个所述源模型的过程中，均计算所述损失函数的梯度；
24、循环执行第二循环步骤，至达到预设的执行次数，以使所述高级层适应所述当前目标任务，其中，所述执行次数大于前一个所述源模型的训练次数；
25、所述第二循环步骤包括：
26、根据所述损失函数的梯度更新前一个所述源模型的高级层的参数。
27、在一个示例性实施例中，所述根据所述损失函数的梯度更新前一个所述源模型的高级层的参数，包括：
28、采用梯度下降公式，根据所述损失函数的梯度更新前一个所述源模型的高级层的参数；
29、其中，所述梯度下降公式包括：
30、
31、式中，θnew为更新后的前一个所述源模型的高级层的参数，θold为更新前的前一个所述源模型的高级层的参数，η为学习率，用于控制每次执行所述第二循环步骤时参数更新的步长，j(θ)为损失函数，为所述损失函数关于参数θ的梯度。
32、在一个示例性实施例中，所述对实时获取的所述设备数据进行数据分析，得到分析结果，包括：
33、提取实时获取的所述设备数据的关键特征；
34、获取所述电站设备的历史数据；
35、根据所述历史数据构建所述电站设备的正常性能基线，并根据实时获取的所述设备数据的关键特征，确定当前设备性能指标；
36、比较所述当前设备性能指标与所述正常性能基线，得到b个比较结果，其中，b为正整数；
37、根据b个所述比较结果，确定所述电站设备的m个正常指标和n个异常指标，其中，m+n＝b，且m、n均为整数；
38、将m个所述正常指标和n个所述异常指标作为所述分析结果。
39、在一个示例性实施例中，所述在所述分析结果与前一个分析结果不一致的情况下，根据所述分析结果，确定当前目标任务，包括：
40、若所述分析结果中存在至少一个所述异常指标与所述前一个分析结果中的异常指标不同；和/或
41、若所述分析结果中存在至少一个所述异常指标为所述前一个分析结果中未存在的指标，则获取目标指标，其中，所述目标指标为所述分析结果中至少一个与所述前一个分析结果不同的异常指标和/或所述分析结果中至少一个在所述前一个分析结果中未存在的异常指标；
42、根据所述目标指标，确定当前目标任务。
43、在一个示例性实施例中，所述根据所述目标指标，确定当前目标任务，包括：
44、将所述目标指标按照对应的性质进行分类，得到所述目标指标的类型，并获取所述目标指标的类型对应的目标设备；
45、结合历史维修数据库，根据所述目标指标的类型和所述目标设备，确定当前目标任务。
46、根据本发明的另一个实施例，提供了一种电站设备故障诊断装置，包括：
47、冻结模块，用于将故障诊断模型作为源模型，并冻结所述源模型的所述初级层；
48、循环模块，用于实时获取电站设备的设备数据，并基于实时获取的所述设备数据，循环执行第一循环步骤，至达到预设的执行次数，得到故障诊断结果；
49、其中，所述第一循环步骤包括：
50、对实时获取的所述设备数据进行数据分析，得到分析结果；
51、在所述分析结果与前一个分析结果不一致的情况下，根据所述分析结果，确定当前目标任务；
52、根据所述当前目标任务对前一个所述源模型的高级层进行调整，以使所述高级层适应所述当前目标任务；
53、构建迁移学习网络模型，其中，所述迁移学习网络模型的网络架构为lstm模型与transformer模型的混合架构；
54、根据冻结的所述初级层和调整后的所述高级层，通过所述迁移学习网络模型对所述源模型进行迁移学习，得到迁移学习后的迁移学习网络模型；
55、采用所述迁移学习后的迁移学习网络模型对所述电站设备进行故障诊断，得到故障诊断结果。
56、根据本发明的又一个实施例，还提供了一种电子设备，包括：
57、上述的电站设备故障诊断装置
58、存储器，被配置成存储指令；以及
59、处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现上述的电站设备故障诊断方法。
60、通过本发明，采用迁移学习的方法，通过在源模型的高级层进行调整，并结合lstm和transformer模型的混合架构的迁移学习网络模型，对源模型进行迁移学习，可以利用源模型已经学到的特征，减少对新数据集的依赖，从而在一定程度上解决数据分布偏移的问题。除此之外，通过冻结源模型的初级层和调整高级层，利用迁移学习网络模型对源模型进行迁移学习，使得模型能够适应老化设备的性能参数变化。通过迁移学习后的迁移学习网络模型，可以对电站设备进行故障诊断，从而得到更准确的故障诊断结果。
1.一种电站设备故障诊断方法，其特征在于，应用于电子设备，所述电子设备内部集成有故障诊断模型，所述故障诊断模型的网络架构为transformer模型，所述故障诊断模型包括初级层和高级层，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的初级层包括至少一个encoder层和每个所述encoder层的自注意力子层；
3.根据权利要求2所述的方法，其特征在于，所述根据冻结的所述初级层和调整后的所述高级层，通过所述迁移学习网络模型对所述源模型进行迁移学习，得到迁移学习后的迁移学习网络模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述当前目标任务对前一个所述源模型的高级层进行调整，以使所述高级层适应所述当前目标任务，包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述损失函数的梯度更新前一个所述源模型的高级层的参数，包括：
6.根据权利要求1所述的方法，其特征在于，所述对实时获取的所述设备数据进行数据分析，得到分析结果，包括：
7.根据权利要求6所述的方法，其特征在于，所述在所述分析结果与前一个分析结果不一致的情况下，根据所述分析结果，确定当前目标任务，包括：
8.根据权利要求7所述的方法，其特征在于，所述根据所述目标指标，确定当前目标任务，包括：
9.一种电站设备故障诊断装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：
