CN110261703A - 一种变压器故障预警方法、终端设备及存储介质 - Google Patents
一种变压器故障预警方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110261703A CN110261703A CN201910608738.9A CN201910608738A CN110261703A CN 110261703 A CN110261703 A CN 110261703A CN 201910608738 A CN201910608738 A CN 201910608738A CN 110261703 A CN110261703 A CN 110261703A
- Authority
- CN
- China
- Prior art keywords
- temperature
- transformer
- early warning
- value
- maximum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000001757 thermogravimetry curve Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001931 thermography Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 238000004804 winding Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000937378 Everettia interior Species 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及一种变压器故障预警方法、终端设备及存储介质，该方法中包括：S1：采集变压器的红外热像图；S2：根据变压器在不同运行状态下的外壳温度情况，设定温度标尺；S3：将温度标尺中包含的所有数据构成训练集对回归模型进行训练；S4：根据训练后的模型对变压器的红外热像图进行温度识别，输出外壳温度的温度最大值；S5：根据变压器的外壳温度的温度最大值对用户进行报警。本发明通过研究变压器在不同运行状态下的外壳温度情况，结合红外成像技术和图像识别技术，通过训练的回归模型对变压器的温度进行识别，比方便、快速的对变压器的故障情况进行判断。
Description
技术领域
本发明涉及红外诊断技术领域，尤其涉及一种变压器故障预警的方法、终端设备及存储介质。
背景技术
变压器是电力系统的一个重要部件，可靠运行对电力系统的安全性影响巨大，变压器的运行状态是影响整个电能传输可靠性的重要因素，而实际操作中因为一些偶然或者非偶然的原因变压器会出现各种故障。
10kV配电变压器广泛应用在低压配电室和室外场所中，是电网末端最常见的变压器等级，也与民众生活用电关系紧密，因此，保证其正常运行对提高民用电质量具有极大的意义。传统的电力变压器状态巡视工作主要依靠电力工人完成，需要耗费较多的人力资源，且在故障还未发生或是还未检查出来之前隐藏的危险会对人员或设备造成不小的伤害。
发明内容
为了解决上述问题，本发明提出了一种变压器故障预警方法、终端设备及存储介质。
具体方案如下：
一种变压器故障预警方法，包括以下步骤：
S1：采集变压器的红外热像图；
S2：根据变压器在不同运行状态下的外壳温度情况，设定温度标尺，所述运行状态包括额定负荷、最大允许过负荷和短路故障，设定温度标尺对应温度的最大值大于短路故障时变压器的外壳温度的最大值，设定温度标尺对应温度的最小值小于最小额定负荷下变压器的外壳温度的最小值；
S3：将温度标尺中包含的所有数据构成训练集对回归模型进行训练；
S4：根据训练后的模型对变压器的红外热像图进行温度识别，输出外壳温度的温度最大值；
S5：根据变压器的外壳温度的温度最大值对用户进行报警。
进一步的，步骤S1还包括将采集的红外热像图中的空白区域进行填充。
进一步的，所述填充具体为：将空白区域中像素点的颜色填充位空白区域的左上角像素点的颜色。
进一步的，所述温度标尺对应温度的最大值为700K，最小值为273K。
进一步的，所述回归模型采用Lasso回归模型。
进一步的，步骤S5具体为：
设定最大允许过负荷温度阈值和故障温度阈值；
当温度大于故障温度阈值时，进行报警，并对变压器的元件进行保护；
当温度介于最大允许过负荷温度阈值与故障温度阈值之间时，发出提醒信息。
一种变压器故障预警终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，通过研究变压器在不同运行状态下的外壳温度情况，结合红外成像技术和图像识别技术，通过训练的回归模型对变压器的温度进行识别，比方便、快速的对变压器的故障情况进行判断。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中采集的温度云图。
图3所示为该实施例中温度云图的填补结果。
图4所示为该实施例中不同负荷状态的仿真实验结果图。
图5所示为该实施例中另外的不同负荷状态的仿真实验结果图。
图6所示为该实施例中不同环境温度下的各种负荷状态的仿真实验结果图。
图7所示为该实施例中的温度标尺图像。
图8所示为该实施例中删除重复数值的示意图。
图9所示为该实施例中填入数值的示意图。
图10所示为该实施例中色彩数值与温度的对应的示意图。
图11所示为该实施例中训练集中部分x变量矩阵。
图12所示为该实施例中训练集中部分y变量矩阵。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种变压器故障预警方法，如图1所示，其为本发明实施例所述的变压器故障预警方法的流程图，所述方法包括以下步骤：
步骤一：收集配电变压器的红外热像图。
该实施例中采集的配电变压器的红外热像图为如图2所示的温度云图，由于其外壳中含有散热口，因此温度云图中含有白色镂空部分，而这部分空白在温度标尺中并无对应温度无法识别，因此需要对其进行填补，为了不对识别造成影响，该实施例中将空白的像素点均以其左上角的温度值对应色彩填补，填充结果如图3所示。
步骤二：分析配电变压器在不同运行状况下的外壳温度情况。
(1)不同运行状况对变压器外壳温度的影响。
在日常生产工作中，一台变压器其运行状态可以大致分为三种：正常运行、过负荷运行及故障状态。
根据主变压器运行规定，变压器可以在正常过负荷和事故过负荷的情况下运行。正常过负荷不能经常使用，其允许值根据变压器的负荷曲线、冷却介质温度以及过负荷前变压器所带的负荷等来确定，事故过负荷只允许在事故情况下使用。当变压器出现过负荷时，应立即向调度汇报，由调度明确告诉变电站值班员是正常过负荷，还是事故过负荷。变压器过负荷后，应将过负荷大小和持续时间记录存档，过负荷运行时，应加强监视，每半小时向调度及所领导汇报主变运行数据一次。
当变压器处于过负荷运行状态时，绕组间电流热效应将会加强，绕组和铁芯的发热量将会增加，进而影响外壳温度。
变压器允许的最大过负荷程度为额定负荷120％状态下运行1～2小时，因此，该实施例中选取配变在额定负荷下运行及120％过负荷运行两种运行状态进行仿真实验，通过改变计算得出的发热量模拟两种状态下的变压器外壳温度。该实施例中进行了表1所示的12种负荷状态的仿真实验，其结果如图4和5所示。
表1
通过仿真结果可得，外壳高温区域集中在下方散热口，即外壳内部变压器放置的区域，经过多次仿真实验结果看，随着负荷增多，变压器外壳表面温度呈上升趋势。
当变压器工作在额定负荷状态时，外壳平均温度为323K，即50℃，最高温度359K，即86℃，考虑到模型简化以及对流换热系数粗略选取对实验结果的影响，加上配变实际工作中，配电房中配有空调装置，环境温度普遍不会达到40℃，因此实验模拟温度与热像仪实际所拍摄的温度相比会有所升高。
当变压器工作在最大允许过负荷状态时，外壳平均温度为326K，即53℃，最高温度375K，即102℃，比额定负荷时提高了16℃。
当变压器故障时，高压绕组和低压绕组上都将通过数十倍的电流，如此巨大的电流将会产生极大的热量，导致外壳温度急剧上升，在模拟实验中测出的变压器外壳表面温度平均值为386K，即113℃，外壳最高温度为656K，即383℃。
具体结果数据见表2所示。
表2
因此，在不同运行状态下，变压器高低压绕组发热量的差异将会导致变压器外壳温度的差异，内部发热量越大，则传热越多，变压器外壳温度也会随之升高，额定负荷运行状态和最大允许过负荷状态都与故障状态有着显著的区别，但额定负荷运行状态与最大允许过负荷运行状态这两者之间的差异并不很明显，因此在还需设置判别条件，将额定负荷运行状态与最大允许过负荷运行状态这二者加以区分。
(2)环境温度对变压器的外壳温度的影响。
上述的仿真实验均是在环境温度为40℃的条件下完成，考虑到季节与气候变化导致的环境温度变化会对变压器温升造成影响，该实施例中增设两组不同环境温度下的仿真实验作为比对，分别为环境温度303K即30℃，及环境温度293K即20℃。具体进行了如表3所示的6组实验，其结果如图6所示。
表3
表4和表5分别为环境温度为303K和293K时不同运行状态下的变压器外壳温度情况。
表4
表5
通过不同环境温度下，变压器外壳平均温度以及最大温度的差异可以得出环境温度对变压器外壳温度的影响：当环境温度越高时，变压器外壳的温度也会上升得越高。这是因为在散热的过程中，温度差越大的两种物体越容易发生热量传递。但从仿真实验结果来看，只有在额定负荷运行状态下，变压器外壳最大运行温度有所上升，而在最大允许过负荷及短路故障时，环境温度的改变变压器外壳最大温度值影响并不大。因此，该实施例中忽略环境温度的影响。
因此，根据上述仿真实验结果，可以得出变压器在发生最恶劣的短路故障时，外壳温度最高达到656K，为了提高数据集的准确度，将温度上限设置为700K，温度下限则设置为273K。
步骤三：设定温度标尺，所述温度标尺中所包含温度值与RGB值一一对应的数据。
该实施例中，通过OpenCV对温度标尺进行识别，OpenCV是一个跨平台计算机视觉库，因为计算机视觉与机器学习之间联系紧密，OpenCV也涵盖了一些机器学习算法。最为大众熟知的便是图像识别在安全防范领域方面的应用。该实施例中调用了多个OpenCV库中函数对需要识别的红外热像图进行处理。
(1)温度标尺的选取。
为了实现通过识别外壳表面温度来判别变压器的运行状态，首先要确定红外热像图中温度与色彩值的对应关系，在fluent软件中生成的温度云图，通常是由软件自动生成合适的温度标尺，而为了对温度范围不同的图像进行识别，需要确立一条统一的温度标尺，通过对步骤二的仿真实验结果的观察分析，在考虑一定裕度的情况下，该实施例中选取的标尺范围为273K～700K。
(2)数据转换。
在RGB色彩模式下，每一种颜色将会对应一个固定的三维数值，而数值的大小则对应着红、绿、蓝三种原色此时的亮度，例如常见的红色，对应的即是(0,0,255)，通过不同数值的组合，能够得到1678万种色彩。
该实施例中的温度标尺的本质同样也是RGB图像，如图7所示，首先对温度标尺进行取色，由于温度标尺图像中每列颜色一样，因此取出其中一列即可。
(3)数据处理：将三原色的数值放在一起，以删掉重复的颜色。
首先用空值开一个空间，用循环把每行的三原色数值放在一起，接着建立空列表，把重复的颜色删除。具体为：
A、用空值开一个空间，把剩下的颜色重新拆分成RGB三原色，如图8所示。
B、三原色数值拆开后填入各自的空值内，如图9所示。
(4)将色彩值与温度值进行对应匹配，如图10所示。
步骤四：建立回归模型，使用温度标尺中的数据对回归模型进行训练。
将大量数据通过机器学习进行处理然后形成一个模型，最终能满足各种需求的过程就是AI。而绝大部分机器学习都建立在“回归分析”的基础上，包括神经网络与深度学习。该实施例中，对于图像识别的要求则是给定一张图像，识别该图中的色彩值特征，与回归分析的理念相契合，因此，该实施例中采用回归模型实现对图像中色彩值特征的识别，具体选用的回归模型有线性回归、岭回归与Lasso回归三种。
针对回归模型，其输入变量为图像的色彩值，即图像中每个像素点的RGB值，即这个像素点里红绿蓝三原色的亮度值；输出变量则是每一像素点的温度值。
该实施例中，温度标尺图像经过OpenCV处理后，得出该温度标尺像素矩阵共有1793行，将温度范围平均分割，并与温度标尺中不同颜色对应的RGB值相匹配，即形成了训练模型中使用的数据集，其中x为颜色值，y为温度值。将数据集分为训练集与测试集，再将训练集细分为五份对模型进行交叉训练。如图11和12所示分别为训练集中部分x变量和y变量的矩阵。
最优模型的选择依据是最小损失，在经过训练后，使用测试集对模型进行测试。线性回归与岭回归、Lasso回归的差异即可体现在此，Lasso回归和岭回归使用的损失函数中包含了可修改的正则化参数将会使结果偏差减小，提高准确度。
在选择[1、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1]等十种不同参数对Lasso回归和岭回归进行参数修改后，进行最优模型的选择。通过判断最小损失值，该实施例中选定的最优模型为Lasso模型，准确度最高，为93.3％。
步骤五：使用训练后的模型对采集的温度云图进行识别，以对故障情况进行预警。
通过温度云图通过OpenCV处理为RGB值矩阵，将其作为输入变量输入至训练后的Lasso模型中，将会输出整张温度云图每一像素点上的温度值矩阵。待测图像像素尺寸为2036*1655，即温度值矩阵中包含有2036×1655个温度值。
通过寻找最值语句，可以迅速找出温度值矩阵中的最大值，其意义也就是变压器外壳上的最高温度。
通过命令语句寻找温度数据矩阵中的最大数值，判断温度最大值处于哪个区间，同时给出相应的响应，当图中的温度最大值超过最大允许过负荷运行状态下的温度最大值时，将输出该值。
通过仿真实验，基本可以确定，当变压器负荷为额定负荷及其内时，变压器外壳的最大温度值不会超过360K，考虑其他因素的作用，该实施例中选择365K作为变压器正常工作状态下外壳容许出现的最大温度值，选择385K作为变压器最大允许过负荷工作下外壳容许出现的最大温度，由于规定变压器在最大允许过负荷状态下可以工作1～2小时，此时给出一条警示信息，提醒电力工作人员，而当变压器外壳温度超过400K时，应当直接输出当前温度，与其他电力检测元件配合，及时使保护元件动作，减少故障损失。
本发明实施例一通过研究变压器在不同运行状态下的外壳温度情况，结合红外成像技术和图像识别技术，通过训练的回归模型对变压器的温度进行识别，比方便、快速的对变压器的故障情况进行判断。
实施例二：
本发明还提供一种变压器故障预警终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述变压器故障预警终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述变压器故障预警终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述变压器故障预警终端设备的组成结构仅仅是变压器故障预警终端设备的示例，并不构成对变压器故障预警终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述变压器故障预警终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述变压器故障预警终端设备的控制中心，利用各种接口和线路连接整个变压器故障预警终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述变压器故障预警终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述变压器故障预警终端设备集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (8)
1.一种变压器故障预警方法，其特征在于，包括以下步骤：
S1：采集变压器的红外热像图；
S2：根据变压器在不同运行状态下的外壳温度情况，设定温度标尺，所述运行状态包括额定负荷、最大允许过负荷和短路故障，设定温度标尺对应温度的最大值大于短路故障时变压器的外壳温度的最大值，设定温度标尺对应温度的最小值小于最小额定负荷下变压器的外壳温度的最小值；
S3：将温度标尺中包含的所有数据构成训练集对回归模型进行训练；
S4：根据训练后的模型对变压器的红外热像图进行温度识别，输出外壳温度的温度最大值；
S5：根据变压器的外壳温度的温度最大值对用户进行报警。
2.根据权利要求1所述的变压器故障预警方法，其特征在于：步骤S1还包括将采集的红外热像图中的空白区域进行填充。
3.根据权利要求2所述的变压器故障预警方法，其特征在于：所述填充具体为：将空白区域中像素点的颜色填充位空白区域的左上角像素点的颜色。
4.根据权利要求1所述的变压器故障预警方法，其特征在于：所述温度标尺对应温度的最大值为700K，最小值为273K。
5.根据权利要求1所述的变压器故障预警方法，其特征在于：所述回归模型采用Lasso回归模型。
6.根据权利要求1所述的变压器故障预警方法，其特征在于：步骤S5具体为：
设定最大允许过负荷温度阈值和故障温度阈值；
当温度大于故障温度阈值时，进行报警，并对变压器的元件进行保护；
当温度介于最大允许过负荷温度阈值与故障温度阈值之间时，发出提醒信息。
7.一种变压器故障预警终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6中任一所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608738.9A CN110261703A (zh) | 2019-07-08 | 2019-07-08 | 一种变压器故障预警方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608738.9A CN110261703A (zh) | 2019-07-08 | 2019-07-08 | 一种变压器故障预警方法、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110261703A true CN110261703A (zh) | 2019-09-20 |
Family
ID=67924937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910608738.9A Pending CN110261703A (zh) | 2019-07-08 | 2019-07-08 | 一种变压器故障预警方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110261703A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487493A (zh) * | 2020-04-28 | 2020-08-04 | 深圳力维智联技术有限公司 | 用于电力系统设备的数据采集装置及系统 |
| CN112348429A (zh) * | 2020-10-09 | 2021-02-09 | 江苏中利集团股份有限公司 | 一种提升聚合物材料性能的处理方法和装置 |
| GB2600914A (en) * | 2020-10-06 | 2022-05-18 | Idletechs As | Method and system for monitoring objects and equipment by thermal imaging and data analysis |
| CN116106705A (zh) * | 2023-04-12 | 2023-05-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 无人机飞行验证用的等离子体激励器实时监控装置和方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819239A (zh) * | 2010-04-06 | 2010-09-01 | 嘉兴学院 | 基于三维温度场快速构建的变压器故障诊断系统 |
| CN103278244A (zh) * | 2013-05-15 | 2013-09-04 | 杭州盈电科技有限公司 | 变压器过热故障的监测方法及其监测系统 |
| CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
| CN106485705A (zh) * | 2016-10-08 | 2017-03-08 | 西安交通大学 | 基于支持矩阵机的电力设备红外图像异常识别方法 |
| CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109945977A (zh) * | 2019-04-08 | 2019-06-28 | 华北电力大学（保定） | 一种干式变压器热故障诊断方法及系统 |
-
2019
- 2019-07-08 CN CN201910608738.9A patent/CN110261703A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819239A (zh) * | 2010-04-06 | 2010-09-01 | 嘉兴学院 | 基于三维温度场快速构建的变压器故障诊断系统 |
| CN103278244A (zh) * | 2013-05-15 | 2013-09-04 | 杭州盈电科技有限公司 | 变压器过热故障的监测方法及其监测系统 |
| CN104408459A (zh) * | 2014-10-27 | 2015-03-11 | 国家电网公司 | 电力设备监控中使用的图像识别方法 |
| CN106485705A (zh) * | 2016-10-08 | 2017-03-08 | 西安交通大学 | 基于支持矩阵机的电力设备红外图像异常识别方法 |
| CN107607207A (zh) * | 2017-08-22 | 2018-01-19 | 中国科学院深圳先进技术研究院 | 一种电力设备热故障诊断方法、系统及电子设备 |
| CN107480730A (zh) * | 2017-09-05 | 2017-12-15 | 广州供电局有限公司 | 电力设备识别模型构建方法和系统、电力设备的识别方法 |
| CN108564565A (zh) * | 2018-03-12 | 2018-09-21 | 华南理工大学 | 一种基于深度学习的电力设备红外图像多目标定位方法 |
| CN109945977A (zh) * | 2019-04-08 | 2019-06-28 | 华北电力大学（保定） | 一种干式变压器热故障诊断方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111487493A (zh) * | 2020-04-28 | 2020-08-04 | 深圳力维智联技术有限公司 | 用于电力系统设备的数据采集装置及系统 |
| CN111487493B (zh) * | 2020-04-28 | 2022-07-19 | 深圳力维智联技术有限公司 | 用于电力系统设备的数据采集装置及系统 |
| GB2600914A (en) * | 2020-10-06 | 2022-05-18 | Idletechs As | Method and system for monitoring objects and equipment by thermal imaging and data analysis |
| GB2600914B (en) * | 2020-10-06 | 2022-11-02 | Idletechs As | Method and system for monitoring objects and equipment by thermal imaging and data analysis |
| CN112348429A (zh) * | 2020-10-09 | 2021-02-09 | 江苏中利集团股份有限公司 | 一种提升聚合物材料性能的处理方法和装置 |
| CN116106705A (zh) * | 2023-04-12 | 2023-05-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 无人机飞行验证用的等离子体激励器实时监控装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261703A (zh) | 一种变压器故障预警方法、终端设备及存储介质 | |
| CN107607207B (zh) | 一种电力设备热故障诊断方法、系统及电子设备 | |
| CN104898036B (zh) | 集成电路装置的云端测试及远程监视的系统及方法 | |
| US6404437B1 (en) | Nuclear reactor core performance data visualization system | |
| CN108921048A (zh) | 一种购物结算方法、装置和用户终端 | |
| CN105224458B (zh) | 一种数据库测试方法及系统 | |
| CN104007343B (zh) | 一种基于贝叶斯网络的变压器动态综合故障诊断方法 | |
| CN107608291A (zh) | 一种智能变电站应用功能联动规则验证方法及系统 | |
| CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
| Swarup et al. | ANN approach assesses system security | |
| CN116740654A (zh) | 基于图像识别技术的变电站作业防控方法 | |
| CN115469590A (zh) | 智能电表接口的低功耗控制方法、装置、设备及存储介质 | |
| CN105913337B (zh) | 一种psasp数据模型转换为rscad数据模型的方法 | |
| Stanek et al. | Model-aided diagnosis-a new method for online condition assessment of high voltage circuit breakers | |
| TWM595226U (zh) | 電力設備故障之智慧檢測設備 | |
| CN108492660A (zh) | 变电站安措模拟方法、装置和系统 | |
| CN116188962B (zh) | 电能计量装置的错误识别方法、装置和计算机设备 | |
| CN205691753U (zh) | 电源产品电气安全测试系统 | |
| CN111709492A (zh) | 高维电子医疗记录表的降维可视化方法、装置及存储介质 | |
| TWI731502B (zh) | 電力設備故障之智慧檢測方法及系統 | |
| CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
| Chudasama et al. | Induction motor relaying scheme for external faults detection and classification using subtractive clustering based sugeno fuzzy inference system | |
| CN109670550A (zh) | 一种配电终端检修决策方法和装置 | |
| CN112766251B (zh) | 变电设备红外检测方法、系统、储存介质及计算机设备 | |
| CN114942359A (zh) | 一种终端的功能评价方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190920 |