CN109842210B - 一种用于变压器的监控系统及方法 - Google Patents

Abstract

本发明涉及一种用于变压器的监控系统及方法，包括：数据采集模块和数据分析模块；所述数据采集模块获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述数据分析模块运行于服务器，服务器对各种参数信息进行存储并承担数据分析的任务；所述数据分析模块利用构建的基于S‑RNN深度神经网络的变压器状态评估模型进行分析；利用所述历史参数信息对S‑RNN深度神经网络状态评估模型进行训练，并不断调参优化；将所述实时参数信息输入到所述S‑RNN深度神经网络，通过对待测变压器的状态评估实现对变压器的监控。本发明利用S‑RNN对变压器进行监控评估，在处理速度上有了百倍的提速，有效的提升了对变压器监控及预测的能力，能够及时排除故障隐患。

Description

一种用于变压器的监控系统及方法

技术领域

本发明属于变压器技术领域，更具体地说，涉及一种用于变压器的监控系统及方法。

背景技术

变压器是电力系统的枢纽设备，在电力系统中承担着电压变换、电能分配和转移的重任，变压器的正常运行是电力系统安全、可靠、优质、经济运行的重要保证，其运行可靠性直接关系到电力系统的安全与稳定。电压等级越高，容量越大，电力变压器的故障率也就越高。而且由于变压器故障的复杂性和多样性，如果发生故障，影响的范围都比较大。因此，准确地监控变压器的运动状态，及时判断变压器故障类型及故障发生部位具有十分重要的经济意义和社会价值。

鉴于S-RNN优异的处理速度，我们将S-RNN首次应用于变压器的监控系统中，切片循环神经网络的使用，在处理速度上提升了近百倍，有效的提升了对变压器监控及预测的能力，能够及时排除故障隐患。而且，着眼于要处理的变压器状态数据本身，提取了有效的特征数据，并构建了独特的S-RNN网络架构，使之适应于变压器的监控及评估。网络结构中各层的设置以及模型学习更新的方法都为本发明的首创，更没人在变压器监控系统中进行使用。

发明内容

为了弥补现有技术中存在的不足，克服现有技术缺乏针对变压器的状态监测、故障诊断、需检修的时间、内容、方式分析技术不足，本发明提供用于变压器的监控系统及方法，以解决现有技术不足。

为实现上述目的，本发明的技术方案是：

一种用于变压器的监控系统，包括：

数据采集模块和数据分析模块；

所述数据采集模块获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

所述数据分析模块运行于服务器，服务器对各种参数信息进行存储并承担数据分析的任务；所述数据分析模块利用构建的基于切片循环神经网络(S-RNN)的变压器状态评估模型进行分析；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控。

本申请同时提出了一种用于变压器的监控方法，包括：

获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

构建基于切片循环神经网络(S-RNN)的变压器状态评估模型进行分析，由服务器对各种参数信息进行存储并承担数据分析的任务；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控。

本申请基于切片循环神经网络(S-RNN)，提升了RNN的速度，切片循环神经网络的使用，在处理速度上提升了近百倍，有效的提升了对变压器监控及预测的能力，能够及时排除故障隐患。

本申请通过获取编码信息和地理位置信息可以将存在故障的变压器及时进行定位及排除处理。

附图说明

图1为本发明的简化示意图。

具体实施方式

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，都属于本申请保护的范围。

实施例1.

参照图1的图示，首先步骤1获取变压器历史参数信息及实时参数信息；其次构建S-RNN变压器状态评估模型；最后对待测变压器进行监控评估，具体的再通过以下实施例进行详细说明：

一种用于变压器的监控系统，包括：

数据采集模块和数据分析模块；

所述数据采集模块获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

所述数据分析模块运行于服务器，服务器对各种参数信息进行存储并承担数据分析的任务；所述数据分析模块利用构建的基于切片循环神经网络(S-RNN)的变压器状态评估模型进行分析；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控。

实施例2.

根据实施例1，所述局部放电信息是通过超高频天线传感器测得的宽带信号。

实施例3.

根据实施例1，所述变压器油中的气体浓度是利用变压器内的油样用色谱法或光声光谱法分析得到的，所述气体包括H₂、CH₄、C₂H₄、C₂H₆、C₂H₂、CO、CO₂一种或多种组合。

实施例4.

根据实施例1，所述切片循环神经网络(S-RNN)至少包括：包括输入层、双向长短期记忆网络BiLSTM层、池化层、局部连接层、全连接层，所述输入层的信息来自于所述历史参数信息及所述实时参数信息；所述池化层的池化窗口大小为5*5，通道数为64；所述局部连接层采用32个滤波器，32个通道，5*5的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数。

采用如下方式对所述切片循环神经网络(S-RNN)进行学习更新，将获得的原始样本数据映射成64维特征向量；计算惩罚函数，所述惩罚函数由正反馈函数及第一惩罚函数、第二惩罚函数融合而成，所述的正反馈函数为：

其中，M表示训练样本个数，y_i表示样本x_i对应的标签，a为神经网络模型的预测输出；

所述第一惩罚函数如下：

式中，N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；

表示样本x_ii在其标签y_i处的权重，b向量包括

和b_j，

表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；

所述第二惩罚函数如下：

式中，

为样本x_i与其对应标签y_i的权重夹角，θ_j,i为样本x_i与输出节点j处的权重W_j的夹角，m为预设参数，1≤m≤8；k＝abs(sign(cosθ_j,i))-sign(cosθ_j,i)(abs(sign(cos2θ_j,i))-sign(cosθ_j,i))/2；

最终的反馈函数为：

其中1≤λ≤8；0.3≤μ,β≤0.8。

实施例5.

一种用于变压器的监控方法，包括：

获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

构建基于切片循环神经网络(S-RNN)的变压器状态评估模型进行分析，由服务器对各种参数信息进行存储并承担数据分析的任务；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控。

实施例6.

根据实施例5，所述局部放电信息是通过超高频天线传感器测得的宽带信号。

实施例7.

根据实施例5，所述变压器油中的气体浓度是利用变压器内的油样用色谱法或光声光谱法分析得到的，所述气体包括H₂、CH₄、C₂H₄、C₂H₆、C₂H₂、CO、CO₂一种或多种组合。

实施例8.

根据实施例5，所述切片循环神经网络(S-RNN)至少包括：包括输入层、双向长短期记忆网络BiLSTM层、池化层、局部连接层、全连接层，所述输入层的信息来自于所述历史参数信息及所述实时参数信息；所述池化层的池化窗口大小为5*5，通道数为64；所述局部连接层采用32个滤波器，32个通道，5*5的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数；

采用如下方式对所述切片循环神经网络(S-RNN)进行学习更新，将获得的原始样本数据映射成64维特征向量；计算惩罚函数，所述惩罚函数由正反馈函数及第一惩罚函数、第二惩罚函数融合而成，所述的正反馈函数为：

其中，M表示训练样本个数，y_i表示样本x_i对应的标签，a为神经网络模型的预测输出；

所述第一惩罚函数如下：

式中，N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；

表示样本x_i在其标签y_i处的权重，b向量包括和b_j，

表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；

所述第二惩罚函数如下：

式中，

为样本x_i与其对应标签y_i的权重夹角，θ_j,i为样本x_i与输出节点j处的权重W_j的夹角，m为预设参数，1≤m≤8；k＝abs(sign(cosθ_j,i))-sign(cosθ_j,i)(abs(sign(cos2θ_j,i))-sign(cosθ_j,i))/2；

最终的反馈函数为：

其中1≤λ≤8；0.3≤μ,β≤0.8。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用的是递进的方式进行描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例所存在的相同或相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。

Claims (2)

1.一种用于变压器的监控系统，包括：

数据采集模块和数据分析模块；

所述数据采集模块获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

所述数据分析模块运行于服务器，服务器对各种参数信息进行存储并承担数据分析的任务；所述数据分析模块利用构建的切片循环神经网络(S-RNN)的变压器状态评估模型进行分析；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控；

所述局部放电信息是通过超高频天线传感器测得的宽带信号；

所述变压器油中的气体浓度是利用变压器内的油样用色谱法或光声光谱法分析得到的，所述气体包括H₂、CH₄、C₂H₄、C₂H₆、C₂H₂、CO、CO₂一种或多种组合；

所述切片循环神经网络(S-RNN)至少包括：包括输入层、双向长短期记忆网络BiLSTM层、池化层、局部连接层、全连接层，所述输入层的信息来自于所述历史参数信息及所述实时参数信息；所述池化层的池化窗口大小为5*5，通道数为64；所述局部连接层采用32个滤波器，32个通道，5*5的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数。

2.一种用于变压器的监控方法，包括：

获取各变压器的基本参数信息以及与变压器运行状态有关的历史参数信息和实时参数信息；所述基本参数信息包括编码信息及地理位置信息；所述历史参数信息包括电压信息、变压器绝缘电阻、变压器油中的气体浓度、局部放电信息、变压器负荷信息、变压器温度信息中的一种或多种；所述实时参数信息包括局部放电信息、电压信息、变压器绝缘电阻、变压器温度信息中的一种或多种；

构建基于切片循环神经网络(S-RNN)的变压器状态评估模型进行分析，由服务器对各种参数信息进行存储并承担数据分析的任务；

利用所述历史参数信息对切片循环神经网络(S-RNN)状态评估模型进行训练，并不断调参优化；

将所述实时参数信息输入到所述切片循环神经网络(S-RNN)，通过对待测变压器的状态评估实现对变压器的监控；

所述局部放电信息是通过超高频天线传感器测得的宽带信号；

所述变压器油中的气体浓度是利用变压器内的油样用色谱法或光声光谱法分析得到的，所述气体包括H₂、CH₄、C₂H₄、C₂H₆、C₂H₂、CO、CO₂一种或多种组合；

所述切片循环神经网络(S-RNN)至少包括：包括输入层、双向长短期记忆网络BiLSTM层、池化层、局部连接层、全连接层，所述输入层的信息来自于所述历史参数信息及所述实时参数信息；所述池化层的池化窗口大小为5*5，通道数为64；所述局部连接层采用32个滤波器，32个通道，5*5的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，w^e表示当前层的权重，φ表示损失函数，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数。