CN108875262A - 变压器油老化状态的检测方法及装置、存储介质、处理器 - Google Patents
变压器油老化状态的检测方法及装置、存储介质、处理器 Download PDFInfo
- Publication number
- CN108875262A CN108875262A CN201810731727.5A CN201810731727A CN108875262A CN 108875262 A CN108875262 A CN 108875262A CN 201810731727 A CN201810731727 A CN 201810731727A CN 108875262 A CN108875262 A CN 108875262A
- Authority
- CN
- China
- Prior art keywords
- transformer oil
- testing result
- ageing state
- detected
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 145
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 33
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器油老化状态的检测方法及装置、存储介质、处理器。其中，该变压器油老化状态的检测方法包括：获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；根据检测结果确定待检测的变压器油的老化状态。本发明解决了变压器油老化状态检测结果准确度不高的技术问题。
Description
技术领域
本发明涉及变压器老化状态检测领域，具体而言，涉及一种变压器油老化状态的检测方法及装置、存储介质、处理器。
背景技术
电力变压器作为变、配电中能量转换和传输的核心，是输变电设备中最为重要、关键、昂贵的设备，其运行的可靠性直接关系到电网的经济运行和安全稳定。根据国家电网公司对变压器事故统计分析表明，大量变压器事故的发生是由其绝缘劣化引起的，变压器油作为变压器绝缘材料的主要组成部分对变压器的寿命有着至关重要的影响。为了避免盲目更换带来巨大经济损失，以及无依据继续运行造成的安全隐患，有必要利用现代技术和分析手段对变压器油的老化状态，因此对变压器油进行老化状态评估对电力系统的稳定运行、节约经济成本有着极大的实际意义。
目前对于变压器油的老化评估方法均能在一定程度上对变压器油的老化程度进行评估，但是所选用的参考量单一，不能完全反应变压器油的真正老化情况，同时，这些老化评估手段未能够充分考虑数据测量存在的分散性影响可能产生误判结果，导致变压器油老化状态检测结果不准确。
针对变压器油老化状态检测结果准确度不高的技术问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种变压器油老化状态的检测方法及装置、存储介质、处理器，以至少解决变压器油老化状态检测结果准确度不高的技术问题。
根据本发明实施例的一个方面，提供了一种变压器油老化状态的检测方法，包括：获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；根据检测结果确定待检测的变压器油的老化状态。
进一步地，利用训练好的神经网络获取检测参数对应的检测结果包括：将检测参数作为训练好的神经网络的输入参数，得到训练好的神经网络的输出参数，其中，输出参数为检测结果。
进一步地，根据检测结果确定待检测的变压器油的老化状态包括：当检测结果在第一数值范围时，确定待检测的变压器的老化状态为正常状态；当检测结果在第二数值范围时，确定待检测的变压器的老化状态为良好状态；当检测结果在第三数值范围时，确定待检测的变压器的老化状态为开始出现老化状态；当检测结果在第四数值范围时，确定待检测的变压器的老化状态为严重老化状态。
进一步地，在获取待检测的变压器油的检测参数之前，方法还包括：利用样本变压器油的检测参数与样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为样本变压器油的检测参数，神经网络的输出参数用于指示样本变压器油的老化状态。
根据本发明实施例的另一方面，还提供了一种变压器油老化状态的检测装置，包括：第一获取单元，用于获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；第二获取单元，用于利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；确定单元，用于根据检测结果确定待检测的变压器油的老化状态。
进一步地，第二获取单元包括：获取模块，用于将检测参数作为训练好的神经网络的输入参数，得到训练好的神经网络的输出参数，其中，输出参数为检测结果。
进一步地，确定单元包括：确定模块，用于当检测结果在第一数值范围时，确定待检测的变压器的老化状态为正常状态；当检测结果在第二数值范围时，确定待检测的变压器的老化状态为良好状态；当检测结果在第三数值范围时，确定待检测的变压器的老化状态为开始出现老化状态；当检测结果在第四数值范围时，确定待检测的变压器的老化状态为严重老化状态。
进一步地，装置还包括：第三获取单元，用于利用样本变压器油的检测参数与样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为样本变压器油的检测参数，神经网络的输出参数用于指示样本变压器油的老化状态。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的变压器油老化状态的检测方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的变压器油老化状态的检测方法。
在本发明实施例中，采用获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值的方式，通过利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；，达到了根据检测结果确定待检测的变压器油的老化状态的目的，从而实现了提高检测变压器油的老化状态的准确度的技术效果，进而解决了变压器油老化状态检测结果准确度不高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的变压器油老化状态的检测方法的硬件环境的示意图；
图2是根据本发明实施例的变压器油老化状态的检测方法的流程图；
图3是根据本发明优选实施例的基于BP神经网络的变压器油老化评估方法的流程图；
图4是根据本发明实施例的变压器油老化状态的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
根据本发明实施例，提供了一种变压器油老化状态的检测方法的实施例，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。
可选地，在本实施例中，上述变压器油老化状态的检测方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中。如图1所示，服务器102通过网络与终端104进行连接，上述网络包括但不限于：广域网、城域网或局域网，终端104并不限定于PC、手机、平板电脑等。本发明实施例的变压器油老化状态的检测方法可以由服务器102来执行，也可以由终端104来执行，还可以是由服务器102和终端104共同执行。其中，终端104执行本发明实施例的变压器油老化状态的检测方法也可以是由安装在其上的客户端来执行。
可选地，服务器102执行本发明实施例的变压器油老化状态的检测方法的过程可以描述为：服务器102获取待检测的变压器油的检测参数，其中，所述检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；服务器102利用训练好的神经网络获取所述检测参数对应的检测结果，其中，所述检测结果用于指示所述待检测的变压器油的老化状态；服务器102根据所述检测结果确定所述待检测的变压器油的老化状态。
可选地，终端104或者客户端执行本发明实施例的变压器油老化状态的检测方法的过程可以描述为：终端104或者客户端获取待检测的变压器油的检测参数，其中，所述检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；终端104或者客户利用训练好的神经网络获取所述检测参数对应的检测结果，其中，所述检测结果用于指示所述待检测的变压器油的老化状态；终端104或者客户端根据所述检测结果确定所述待检测的变压器油的老化状态。
可选地，由服务器102和终端104或者客户端共同执行本发明实施例的变压器油老化状态的检测方法的过程可以描述为：终端104或者客户端获取待检测的变压器油的检测参数，其中，所述检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；终端104或者客户端利用训练好的神经网络获取所述检测参数对应的检测结果，其中，所述检测结果用于指示所述待检测的变压器油的老化状态；服务器102如果根据所述检测结果确定所述待检测的变压器油的老化状态；服务器102将所述待检测的变压器油的老化状态发送给终端104或者客户端。
下面以客户端为执行主体对本发明实施例的变压器油老化状态的检测方法进行详细说明。
图2是根据本发明实施例的变压器油老化状态的检测方法的流程图，如图2所示，该方法包括如下步骤：
步骤S102，获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；
步骤S104，利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；
步骤S106，根据检测结果确定待检测的变压器油的老化状态。
通过上述步骤，获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；根据检测结果确定待检测的变压器油的老化状态，可以实现提高检测的变压器油的老化状态的准确度。
在步骤S102提供的方案中，本发明实施例对检测参数的获取方式不做具体限定，可以根据国际标准中的方式进行获取，也可以根据现有的技术获取等。在实际应用过程中，检测参数可以不止介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值这些参数，还可以包含其他对检测变压器油老化状态有关联的参数，此处不再一一举例。
在步骤S104提供的方案中，本发明实施例利用训练好的神经网络获取检测参数对应的检测结果，可选地，将检测参数作为所述训练好的神经网络的输入参数，得到训练好的神经网络的输出参数，其中，输出参数为检测结果，其中，检测结果用于指示待检测的变压器油的老化状态。
在步骤S106提供的方案中，本发明实施例在利用训练好的神经网络获取所述检测参数对应的检测结果方法之后，可选地，当检测结果在第一数值范围时，确定待检测的变压器的老化状态为正常状态；当检测结果在第二数值范围时，确定待检测的变压器的老化状态为良好状态；当检测结果在第三数值范围时，确定待检测的变压器的老化状态为开始出现老化状态；当检测结果在第四数值范围时，确定待检测的变压器的老化状态为严重老化状态。
例如，当检测结果在(0.75,1]时，变压器油状况为正常；当检测结果在(0.5,0.75]时，变压器油状况为良好；当检测结果在(0.25,0.5]时，变压器油状况为出现老化；当检测结果在[0,0.25]时，变压器油状况为老化严重。
可选地，在获取待检测的变压器油的检测参数之前，方法还包括：利用样本变压器油的检测参数与样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为样本变压器油的检测参数，神经网络的输出参数用于指示样本变压器油的老化状态。
本发明实施例通过获取待检测的变压器油的检测参数，利用训练好的神经网络获取检测参数对应的检测结果，根据检测结果确定待检测的变压器油的老化状态，进而可以进一步实现提高变压器油的老化状态准确度的效果。
本发明还提供了一种优选实施例，该优选实施例提供了一种基于BP神经网络的变压器油老化评估方法(对应上述实施例中的变压器油的老化状态检测方法)。
该优选实施例中方法，包括变压器油多种参量测量以及利用神经网络法分析变压器油的老化状况，所述变压器油多种参量应当包括介质损耗因数、体积电阻率、局部放电量、工频耐压，所述神经网络法利用多参量检测结果对变压器油的老化情况进行评估。本发明优选实施通过对变压器油的多种数据进行测量，并利用BP神经网络法综合评判变压器油的绝缘状态，从而实现变压器油的老化状态评估。图3是根据本发明优选实施例的基于BP神经网络的变压器油老化评估方法的流程图，如图3所示。
以下结合流程示意图对本发明的实施流程进行详细说明。基体实施步骤如下：
第一步，变压器油老化状态评估参量的选取与测量方法。
变压器油老化状态评估参量包括介质损耗因数、体积电阻率、局部放电量、工频耐压值。
A、所述介质损耗因数测量方法应按照国标GB/T 5654-2007来进行，由于变压器油的介质损耗因数与电源频率及温度相关，为了得到更为准确的数据应当尽量保证测量环境温度为90℃，电源频率为40～62Hz正弦电压。
B、所述体积电阻率的测量方法应按照国标GB/T 5654-2007来进行，同时，变压器油的体积电阻率与温度及电化时间紧密相关，为了得到更为统一和标准的体积电阻率应当尽量保证温度恒定为90℃并在电化时间为1min的条件下进行测量。
C、所述局部放电量测量方法应按照国标GB/T 7354-2003来进行，本优选实施例中局放测量参量包括：1pC局放量起始电压，1分钟局放总量两个参数。
D、所述工频耐压测量方法按照国标GB/T 507-86来进行，其中电压按照2kV/s的速度上升，直至发生击穿，重复进行6次试验，计算平均击穿电压作为工频耐压值。
第二步，获取训练样本
将变压器油样的老化程度分为正常、良好、一般、严重老化四个程度，选取4个不同老化程度的变压器油样各若干，保证处于不同状态的变压器油样不少于10份，按照第一步中A～D的方法分别测量变压器油样的介质损耗因数、体积电阻率、局部放电水平、工频耐压水平，以获取BP神经网络的训练样本，每个样本包含电损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值5个参量。
第三步，构造BP神经网络
利用第二步中获取的训练样本构建BP神经网络，进行反复训练，得到基于BP神经网络的变压器油老化状态评估模型。其具体步骤如下：
A、确定BP神经网络层数：理论上已经证明，单个隐含层的网络可以通过适当的增加神经元节点的个数实现任意非线性映射，本专利所建立的网络模型并不复杂，因此只需要一层隐藏层即可实现，即建立的BP神经网络层数为3层；
B、确定输入节点数：本专利中测量了变压器油样介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压5个参量，因此输入节点数为5个；
C、确定隐含层节点数：隐藏层确定主要基于经验公式M＝log2n来确定，其中n为输入层神经元数目，M为隐藏层节点数；
D、确定输出层神经元个数：本专利的输出结果只有一个，即变压器油的老化状况，因此输出层的个数为1。当输出结果为∈(0.75,1]时，变压器油状况为正常；当输出结果为∈(0.5,0.75]时，变压器油状况为良好；当输出结果为∈(0.25,0.5]时，变压器油状况为出现老化；当输出结果为∈[0,0.25]时，变压器油状况为老化严重。
第四步，待测变压器油老化状态评估
针对待评估测变压器油样，依次按照第一步中A～D测量其各个参数，并将测量参数输入所建立神经网络中，对变压器油样老化状态进行评估。
通过该优选实施例，能够取得下列有益效果：
(1)基于变压器油的电气特性参量，建立了一种对变压器油老化状态进行评估的方法，利用该方法能够较为准确真实的反映变压器油的老化状态，对变压器油的使用具有一定的指导意义；
(2)所涉及的参数所需要的设备较为简单，均为对变压器油老化性能测量的常规参数，设备所需简便，同时能够利用上述参数建立与老化状态之间的对应关系；
(3)所采用的方法区别于传统的单参量状态识别，在某些测量出现失误时也能够实现对变压器油的老化状态评估，抗干扰能力强，同时随着测量样品数量的增多，被测变压器油样品能够作为BP神经网络评价模型的训练样本对模型进行补充，进一步提高变压器油老化评估能力。
根据本发明实施例，还提供了一种变压器油老化状态的检测的装置实施例，需要说明的是，该变压器油老化状态的检测装置可以用于执行本发明实施例中的变压器油老化状态的检测方法，也即本发明实施例中的变压器油老化状态的检测方法可以在该变压器油老化状态的检测装置中执行。
图4是根据本发明实施例的变压器油老化状态的检测装置的示意图，如图4所示，该装置可以包括：第一获取单元40，用于获取待检测的变压器油的检测参数，其中，检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；第二获取单元42，用于利用训练好的神经网络获取检测参数对应的检测结果，其中，检测结果用于指示待检测的变压器油的老化状态；确定单元44，用于根据检测结果确定待检测的变压器油的老化状态。
需要说明的是，该实施例中的第一获取单元40可以用于执行本发明实施例中的步骤S102，该实施例中的第二获取单元42可以用于执行本发明实施例中的步骤S104，该实施例中的确定单元44可以用于执行本发明实施例中的步骤S106。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
可选地，第二获取单元包括：获取模块，用于将检测参数作为训练好的神经网络的输入参数，得到训练好的神经网络的输出参数，其中，输出参数为检测结果。
可选地，确定单元包括：确定模块，用于当检测结果在第一数值范围时，确定待检测的变压器的老化状态为正常状态；当检测结果在第二数值范围时，确定待检测的变压器的老化状态为良好状态；当检测结果在第三数值范围时，确定待检测的变压器的老化状态为开始出现老化状态；当检测结果在第四数值范围时，确定待检测的变压器的老化状态为严重老化状态。
可选地，装置还包括：第三获取单元，用于利用样本变压器油的检测参数与样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为样本变压器油的检测参数，神经网络的输出参数用于指示样本变压器油的老化状态。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的变压器油老化状态的检测方法。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的变压器油老化状态的检测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种变压器油老化状态的检测方法，其特征在于，包括：
获取待检测的变压器油的检测参数，其中，所述检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；
利用训练好的神经网络获取所述检测参数对应的检测结果，其中，所述检测结果用于指示所述待检测的变压器油的老化状态；
根据所述检测结果确定所述待检测的变压器油的老化状态。
2.根据权利要求1所述的方法，其特征在于，所述利用训练好的神经网络获取所述检测参数对应的检测结果包括：
将所述检测参数作为所述训练好的神经网络的输入参数，得到所述训练好的神经网络的输出参数，其中，所述输出参数为所述检测结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果确定所述待检测的变压器油的老化状态包括：
当所述检测结果在第一数值范围时，确定所述待检测的变压器的老化状态为正常状态；
当所述检测结果在第二数值范围时，确定所述待检测的变压器的老化状态为良好状态；
当所述检测结果在第三数值范围时，确定所述待检测的变压器的老化状态为开始出现老化状态；
当所述检测结果在第四数值范围时，确定所述待检测的变压器的老化状态为严重老化状态。
4.根据权利要求1至3中任一项所述的方法，其特征在于，在所述获取待检测的变压器油的检测参数之前，所述方法还包括：
利用样本变压器油的检测参数与所述样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到所述训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为所述样本变压器油的检测参数，神经网络的输出参数用于指示所述样本变压器油的老化状态。
5.一种变压器油老化状态的检测装置，其特征在于，包括：
第一获取单元，用于获取待检测的变压器油的检测参数，其中，所述检测参数至少包括：介质损耗因数、体积电阻率、1pC局放量起始电压、1分钟局放总量、工频耐压值；
第二获取单元，用于利用训练好的神经网络获取所述检测参数对应的检测结果，其中，所述检测结果用于指示所述待检测的变压器油的老化状态；
确定单元，用于根据所述检测结果确定所述待检测的变压器油的老化状态。
6.根据权利要求5所述的装置，其特征在于，所述第二获取单元包括：
获取模块，用于将所述检测参数作为所述训练好的神经网络的输入参数，得到所述训练好的神经网络的输出参数，其中，所述输出参数为所述检测结果。
7.根据权利要求5所述的装置，其特征在于，所述确定单元包括：
确定模块，用于当所述检测结果在第一数值范围时，确定所述待检测的变压器的老化状态为正常状态；当所述检测结果在第二数值范围时，确定所述待检测的变压器的老化状态为良好状态；当所述检测结果在第三数值范围时，确定所述待检测的变压器的老化状态为开始出现老化状态；当所述检测结果在第四数值范围时，确定所述待检测的变压器的老化状态为严重老化状态。
8.根据权利要求5至7中任一项所述的装置，其特征在于，所述装置还包括：
第三获取单元，用于利用样本变压器油的检测参数与所述样本变压器油的老化状态之间的对应关系对神经网络进行训练，得到所述训练好的神经网络，其中，在对神经网络进行训练时，神经网络的输入参数为所述样本变压器油的检测参数，神经网络的输出参数用于指示所述样本变压器油的老化状态。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任一项所述的方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810731727.5A CN108875262A (zh) | 2018-07-05 | 2018-07-05 | 变压器油老化状态的检测方法及装置、存储介质、处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810731727.5A CN108875262A (zh) | 2018-07-05 | 2018-07-05 | 变压器油老化状态的检测方法及装置、存储介质、处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875262A true CN108875262A (zh) | 2018-11-23 |
Family
ID=64299490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810731727.5A Pending CN108875262A (zh) | 2018-07-05 | 2018-07-05 | 变压器油老化状态的检测方法及装置、存储介质、处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875262A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045248A (zh) * | 2019-04-27 | 2019-07-23 | 西南交通大学 | 一种基于图像识别的油浸式套管老化状态评估方法 |
| CN111413491A (zh) * | 2020-04-11 | 2020-07-14 | 深圳市资通科技有限公司 | 充油设备绝缘老化评估平台 |
| CN114034844A (zh) * | 2021-11-09 | 2022-02-11 | 广东电网有限责任公司 | 一种绝缘油的溯源检测方法、介质、电子设备及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637469A (zh) * | 2012-04-11 | 2012-08-15 | 华北电力大学 | 一种提高变压器油耐老化性能的方法 |
| CN103678773A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 球间隙放电电压检测方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
-
2018
- 2018-07-05 CN CN201810731727.5A patent/CN108875262A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637469A (zh) * | 2012-04-11 | 2012-08-15 | 华北电力大学 | 一种提高变压器油耐老化性能的方法 |
| CN103678773A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 球间隙放电电压检测方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 周天春等: "基于局部放电因子向量和BP神经网络的油纸绝缘老化状况诊断", 《电工技术学报》 * |
| 李金等: "浅谈变压器绝缘油老化原因及预控措施", 《科技展望》 * |
| 杨启平等: "变压器绝缘老化的诊断与寿命评估", 《变压器》 * |
| 杨启平等: "变压器绝缘老化诊断技术", 《上海电力学院学报》 * |
| 邱昌容等: "《电工设备局部放电及其测试技术》", 30 September 1994, 机械工业出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045248A (zh) * | 2019-04-27 | 2019-07-23 | 西南交通大学 | 一种基于图像识别的油浸式套管老化状态评估方法 |
| CN111413491A (zh) * | 2020-04-11 | 2020-07-14 | 深圳市资通科技有限公司 | 充油设备绝缘老化评估平台 |
| CN114034844A (zh) * | 2021-11-09 | 2022-02-11 | 广东电网有限责任公司 | 一种绝缘油的溯源检测方法、介质、电子设备及装置 |
| CN114034844B (zh) * | 2021-11-09 | 2023-06-02 | 广东电网有限责任公司 | 一种绝缘油的溯源检测方法、介质、电子设备及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9970977B2 (en) | Systems and methods for implementing S/SSTDR measurements | |
| CN104090214B (zh) | 一种电缆故障检测及老化分析方法 | |
| US8278939B2 (en) | Diagnostic method for determining deformations in a transformer winding | |
| US20120130663A1 (en) | On-line diagnostic method for health monitoring of a transformer | |
| CN108875262A (zh) | 变压器油老化状态的检测方法及装置、存储介质、处理器 | |
| CN106021756A (zh) | 一种基于频域介电谱特征量评估油纸绝缘状态的方法 | |
| CN106855605A (zh) | 用于电缆整体老化寿命评估的频域测试分析系统及方法 | |
| CN109270482B (zh) | 电压互感器计量准确度在线评价方法及终端设备 | |
| CN110308375A (zh) | 一种基于神经网络集成的电缆绝缘状态评估方法 | |
| US20200326380A1 (en) | Method for determining an ageing parameter, a state of charge parameter and a temperature of a rechargeable battery, especially a lithium rechargeable battery | |
| KR102648764B1 (ko) | 전지 성능 평가 방법 및 전지 성능 평가 장치 | |
| CN107728014A (zh) | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 | |
| EP2024755B1 (en) | A method for determining the linear electrical response of a transformer, generator or electrical motor | |
| Vališ et al. | Modelling of degradation and a soft failure moment during the operation of a supercapacitor applying selected diffusion processes | |
| CN115856529A (zh) | 一种基于pdc多特征量权重的cvt绝缘老化状态评估方法 | |
| CN108037424B (zh) | 基于多数据来源的电力电容器绝缘状态评估方法与系统 | |
| CN115639418A (zh) | 隔离器耐压寿命评估方法和装置、电子设备 | |
| CN114460376A (zh) | 回路阻抗检测方法、电路、计算机设备和存储介质 | |
| CN109239543A (zh) | 一种乙丙橡胶电缆终端故障模拟方法 | |
| CN113466749A (zh) | 变压器主绝缘老化状态评估方法、装置、设备和存储介质 | |
| Yousof et al. | The influence of data size in statistical analysis of power transformer frequency response | |
| Guo et al. | A method for evaluating the accuracy of power system state estimation results based on correntropy | |
| Ren et al. | Generic algorithm to calculate Jacobian matrix used for ladder network parameters identification and winding fault diagnosis | |
| Kinsht et al. | Discrete diagnostic model of many high-voltage equipment insulation defects | |
| CN105319451B (zh) | 氧化锌避雷器运行状态的检测方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
| RJ01 | Rejection of invention patent application after publication |