CN110749793A - 基于宽度学习干式变压器健康管理方法、系统及存储介质 - Google Patents

基于宽度学习干式变压器健康管理方法、系统及存储介质 Download PDF

Info

Publication number
CN110749793A
CN110749793A CN201911058553.1A CN201911058553A CN110749793A CN 110749793 A CN110749793 A CN 110749793A CN 201911058553 A CN201911058553 A CN 201911058553A CN 110749793 A CN110749793 A CN 110749793A
Authority
CN
China
Prior art keywords
data
width learning
width
module
health management
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
Application number
CN201911058553.1A
Other languages
English (en)
Inventor
姜淏予
王梦梦
葛泉波
余彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongheng Cloud Energy Internet Technology Co ltd
Hangzhou Zhonhen Electric Co ltd
Original Assignee
Hangzhou Zhong Yun Energy Internet Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhong Yun Energy Internet Technology Co Ltd filed Critical Hangzhou Zhong Yun Energy Internet Technology Co Ltd
Priority to CN201911058553.1A priority Critical patent/CN110749793A/zh
Publication of CN110749793A publication Critical patent/CN110749793A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本申请公开了一种基于宽度学习干式变压器健康管理方法、系统及存储介质，本发明的有益效果是：(1)宽度学习模型直接用特征提取将高维的输入数据转化成特征节点，这个转换方式由于直接通过矩阵运算就能完成，所以非常高效；(2)对于权重的动态更新方面，当模型结构发生变化时，连接权重可以在不改变原来网络结构的情况下通过权重更新公式迅速进行更新；(3)当模型输出的值无法达到期望值时，得到的误差能自动并迅速地对模型进行反馈从而确定增加的节点的个数。

Description

基于宽度学习干式变压器健康管理方法、系统及存储介质
技术领域
本申请涉及变压器健康管理技术领域，尤其涉及一种基于宽度学习干式变压器健康管理方法、系统及存储介质。
背景技术
变压器设备是电力传输和配送的重要环节，不但本身的价格非常昂贵，而且由于其在电力系统中起着传输、升降电压和连接各个变电站及电网的作用，对于整个电网来说其地位是不可替代的。干式变压器具有无油污，低污染，绝缘性能好，机械强度好，防火性能好，安装经济的优点，所以它广泛用于对安全性和清洁度要求很高的场所。大量电力事故表明停电的主要原因是变压器的故障。而电力设备大多数的故障一般不会在瞬间发生，而是首先从初始状态逐步劣化到能被检测到的不良状态。在此之后劣化速度会加快，最终发展成发生故障的状态。因此，为了避免变压器功能故障的发生，预知变压器的健康态势，必须在能被检测到的不良状态到最终发生故障的状态之间进行有效的异常检测
由于干式变压器健康管理技术起步较晚，发展较为缓慢。传统的变压器健康管理分为两类，在线诊断和离线定时检修。前者一般都通常是判断单一量的运行态势，当某一检测量超过预先设置的阈值时，则启动保护装置，并不给出诊断结果。一般可完成干式变压器配电网漏电、对称短路、不对称短路、断相、过载和欠电压等监测功能。后者必须定期停电校验，工作量大，主要依靠检修规程来确定检修项目，导致盲目检修，对设备缺陷较多的检修不足，对设备状态较好的又检修过剩。
发明内容
为了解决上述技术问题，本申请实施例提供一种基于宽度学习干式变压器健康管理方法、系统及存储介质。
本申请实施例第一方面提供了一种基于宽度学习干式变压器健康管理方法，可包括：
采集数据收集干变压器异常和健康状态的监测数据，将数据分成训练样本和测试样本；
针对训练样本的数据，建立原始宽度学习模型，利用样本数据进行优化，建立增量学习系统；
针对所要测试的干式变压器的数据，利用增量学习系统进行健康评分。
进一步地，所述采集数据中包含电压数据和电流数据。
进一步地，所述监测数据包括正常运行状态数据、绝缘异常状态数据、绕组异常状态数据和漏磁状态数据。
进一步地，所述针对训练样本的数据，建立原始宽度学习模型，利用样本数据进行优化，建立增量学习系统包括：
准备训练数据和测试数据，用训练数据确定随机选择特征节点和增强节点的数量，建立原始的宽度学习模型；
用测试数据测试建立的原始模型，如果模型的输出满足所需的精度则得到输出，否则通过闭环结构确定增量学习模型的增量数并反馈给原始的宽度学习模型完成权重的更新和模型的优化。
本申请实施例第二方面提供了一种基于宽度学习干式变压器健康管理系统，包括：
数据采集模块，用于收集干变压器异常和健康状态的监测数据，将数据分成训练样本和测试样本；
宽度学习模块，根据训练样本数据建立原始宽度学习模型；
误差反馈模块，利用宽度学习模块对测试样本数据进行测试，对于输出精度不合要求的情况不断优化增量数节点数，并反馈至宽度学习模块中；
输出模块，用于输出测试样本的符合精度的状态数据。
进一步地，所述数据采集模块中包括若干组监测数据；每组所述监测数据至少包括正常运行数据、绝缘异常数据、绕组异常数据和漏磁数据。
进一步地，每组所述监测数据还包括电压数据和电流数据。
进一步地，所述宽度学习模块包括：
模型建立模块，根据训练样本数据形成初始宽度学习模型，
数据预处理模块，用于对训练样本中的数据进行预处理，生成特征节点以及增强节点数据；
所述数据预处理模块中所产生的数据用于对初始宽度学习模型进行训练。
进一步地，所述输出模块根据宽度学习模块的输出结果按照既定标准形成打分结果。
本申请实施例第三方面提供了一种基于宽度学习干式变压器健康管理，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述第一方面的方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述第一方面的方法。
在本申请实施例中，与现有技术相比，本发明的有益效果是：(1)宽度学习模型直接用特征提取将高维的输入数据转化成特征节点，这个转换方式由于直接通过矩阵运算就能完成，所以非常高效；(2)对于权重的动态更新方面，当模型结构发生变化时，连接权重可以在不改变原来网络结构的情况下通过权重更新公式迅速进行更新；(3)当模型输出的值无法达到期望值时，得到的误差能自动并迅速地对模型进行反馈从而确定增加的节点的个数。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的算法流程图；
图2是改进后的宽度学习网络结构图。
具体实施方式
为使得本申请的申请目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。
下面结合附图和具体实施例，进一步阐明本发明。
在本申请的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本申请中的系统内容与方法相同，下面从方法角度对本申请进行说明，基于宽度学习干式变压器健康管理方法，可包括：
S101-采集数据收集干变压器异常和健康状态的监测数据，将数据分成训练样本和测试样本；采集数据中包含电压数据和电流数据，监测数据包括正常运行状态数据、绝缘异常状态数据、绕组异常状态数据和漏磁状态数据。
S102-针对训练样本的数据，建立原始宽度学习模型，利用样本数据进行优化，建立增量学习系统。
增量学习系统包括：
准备训练数据和测试数据，用训练数据确定随机选择特征节点和增强节点的数量，建立原始的宽度学习模型；
用测试数据测试建立的原始模型，如果模型的输出满足所需的精度则得到输出，否则通过闭环结构确定增量学习模型的增量数并反馈给原始的宽度学习模型完成权重的更新和模型的优化。
S103-针对所要测试的干式变压器的数据，利用增量学习系统进行健康评分。
作为一个具体的实施例，假设搜集到某台干式变压器的共a组监测数据，涵盖了正常运行数据、绝缘异常、绕组异常、和漏磁四项健康状态，其中b组训练数据，c组测试数据(a＝b+c)。
每组数据又包含了高低压侧三相电压、三相电流，低压侧三相负荷，低压侧三相温度。X是输入，Y是输出。
如图1所示，训练用数据首先对数据进行预处理，然后生成特征节点矩阵Z＝φ(XW1+β1)＝XW1+β1，其中W1是连接输入和特征节点的随机生成的权重，β1是阈值，其中随机生产的范围为[0,1]。
然后生成增强节点H＝ξ(ZW2+β2)＝ZW2+β2，其中W2是随机生成的权重，β2是阈值。
接着在获得中间层的特征节点Z和增强节点H之后，整个中间层可以由A＝[Z|H]表示。模型输出Y、连接中间层和输出层的权重值W的更新公式分别为：
1)Y＝A·W，
2)W＝A+Y，A+为矩阵A的伪逆。
当数据训练结束后，在宽度学习网络中输入测试数据，以验证输出的准确性是否符合期望值。
假设初始网络由输入X，N个特征节点，M个增强节点和输出Y构成。输出的预期精度设置为c％，第一轮计算的精度为p％，如果p％<c％，则下一轮增量节点的增量数
Figure BDA0002256505710000061
Figure BDA0002256505710000062
为向上取整函数，c、p为0到100之间非零数。
在下一轮中，增强节点的数量增加到(M+Δm)，然后中间层可以表示为:
Figure BDA0002256505710000071
其中
Figure BDA0002256505710000072
表示随机生成的Δm列权重矩阵，
Figure BDA0002256505710000073
表示随机生成的Δm列阈值矩阵，Z为更新前的特征节点。
根据下述权重更新公式进行依次更新迭代：
Figure BDA0002256505710000074
其中：
Figure BDA0002256505710000075
Figure BDA0002256505710000076
Figure BDA0002256505710000077
更新连接中间层和输出层的权重值Wm+1。
误差反馈模块是十分灵活的，可以通过输出调整增强节点的增加数目。当输出精度变差时，误差就会变大，那么下一轮优化就会产生更加多的节点数。而当精度接近预期值时，误差很小，下一轮的调整就会很小。
应用改进的增量学习系统后，可以获得干式变压器的实时状态。由于定量输出可以使结果直观且易于分析，于是设计了干式变压器状态评分表，根据表1来对干式变压器的健康状态进行评分。
Figure BDA0002256505710000078
Figure BDA0002256505710000081
表1干式变压器状态评分表
其中，I0、U0、T0、P0分别为电流、电压、温度、功率额定值，Ii、Ui、Ti、Pi分别为电流、电压、温度、功率实测值。对应地，Is、Us、Ts、Ps为得分值。关于变压器的不良状况，根据状态的严重程度来确定分数。例如，绕组变形和漏磁杂损的损失是轻度故障，因此对于每种条件给出80分。同时，频繁的大电流和高温是绝缘损坏的主要原因，这是一个明显的严重的故障，其得分为75。正常情况下，健康评分由(x0-xi)/x0确定，具体为x0是额定值，xi是每个特征的检测值，这样就可以给出健康状况的详细测量结果。
本发明基于宽度学习对干式变压器的异常状态进行科学的检测，建立了宽度学习增量学习模型，用误差反馈调节机制优化增量学习结构，最后依据状态评分表将检测结果量化为直观易懂的分数。
以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等)，这些等同变换均属于本发明的保护。

Claims (10)

1.一种基于宽度学习干式变压器健康管理方法，其特征在于，包括：
采集数据收集干变压器异常和健康状态的监测数据，将数据分成训练样本和测试样本；
针对训练样本的数据，建立原始宽度学习模型，利用样本数据进行优化，建立增量学习系统；
针对所要测试的干式变压器的数据，利用增量学习系统进行健康评分。
2.根据权利要求1所述的基于宽度学习干式变压器健康管理方法，其特征在于，
所述采集数据中包含电压数据和电流数据。
3.根据权利要求1所述的基于宽度学习干式变压器健康管理方法，其特征在于，
所述监测数据包括正常运行状态数据、绝缘异常状态数据、绕组异常状态数据和漏磁状态数据。
4.根据权利要求1所述的基于宽度学习干式变压器健康管理方法，其特征在于，
所述针对训练样本的数据，建立原始宽度学习模型，利用样本数据进行优化，建立增量学习系统包括：
准备训练数据和测试数据，用训练数据确定随机选择特征节点和增强节点的数量，建立原始的宽度学习模型；
用测试数据测试建立的原始模型，如果模型的输出满足所需的精度则得到输出，否则通过闭环结构确定增量学习模型的增量数并反馈给原始的宽度学习模型完成权重的更新和模型的优化。
5.一种基于宽度学习干式变压器健康管理系统，其特征在于，包括：
数据采集模块，用于收集干变压器异常和健康状态的监测数据，将数据分成训练样本和测试样本；
宽度学习模块，根据训练样本数据建立原始宽度学习模型；
误差反馈模块，利用宽度学习模块对测试样本数据进行测试，对于输出精度不合要求的情况不断优化增量数节点数，并反馈至宽度学习模块中；
输出模块，用于输出测试样本的符合精度的状态数据。
6.根据权利要求5所述的基于宽度学习干式变压器健康管理系统，其特征在于，
所述数据采集模块中包括若干组监测数据；每组所述监测数据至少包括正常运行数据、绝缘异常数据、绕组异常数据和漏磁数据。
7.根据权利要求6所述的基于宽度学习干式变压器健康管理系统，其特征在于，
每组所述监测数据还包括电压数据和电流数据。
8.根据权利要求6所述的基于宽度学习干式变压器健康管理系统，其特征在于，
所述宽度学习模块包括：
模型建立模块，根据训练样本数据形成初始宽度学习模型，
数据预处理模块，用于对训练样本中的数据进行预处理，生成特征节点以及增强节点数据；
所述数据预处理模块中所产生的数据用于对初始宽度学习模型进行训练。
9.根据权利要求8所述的基于宽度学习干式变压器健康管理系统，其特征在于，
所述输出模块根据宽度学习模块的输出结果按照既定标准形成打分结果。
10.一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1-4的方法或权利要求5-9所述的系统。
CN201911058553.1A 2019-10-31 2019-10-31 基于宽度学习干式变压器健康管理方法、系统及存储介质 Pending CN110749793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911058553.1A CN110749793A (zh) 2019-10-31 2019-10-31 基于宽度学习干式变压器健康管理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911058553.1A CN110749793A (zh) 2019-10-31 2019-10-31 基于宽度学习干式变压器健康管理方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN110749793A true CN110749793A (zh) 2020-02-04

Family

ID=69281742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911058553.1A Pending CN110749793A (zh) 2019-10-31 2019-10-31 基于宽度学习干式变压器健康管理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN110749793A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108337255A (zh) * 2018-01-30 2018-07-27 华中科技大学 一种基于web自动化测试和宽度学习的钓鱼网站检测方法
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN109029699A (zh) * 2018-06-12 2018-12-18 国网四川省电力公司乐山供电公司 一种变压器振动在线异常检测方法
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法
WO2019179403A1 (zh) * 2018-03-22 2019-09-26 中国银联股份有限公司 基于序列宽深学习的欺诈交易检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734301A (zh) * 2017-06-29 2018-11-02 澳门大学 一种机器学习方法和机器学习装置
CN108337255A (zh) * 2018-01-30 2018-07-27 华中科技大学 一种基于web自动化测试和宽度学习的钓鱼网站检测方法
WO2019179403A1 (zh) * 2018-03-22 2019-09-26 中国银联股份有限公司 基于序列宽深学习的欺诈交易检测方法
CN109029699A (zh) * 2018-06-12 2018-12-18 国网四川省电力公司乐山供电公司 一种变压器振动在线异常检测方法
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MARCO RIGAMONTI: ""Ensemble of optimized echo state networks for remaining useful life prediction"", 《NEUROCOMPUTING》 *
张苗苗: ""轴承故障的智能诊断方法"", 《轴承故障的智能诊断方法》 *
段淇倡: ""补偿模糊神经网络的改进及其在通风空调故障诊断中的应用"", 《制冷与空调(四川)》 *

Similar Documents

Publication Publication Date Title
CN101930047B (zh) 一种变压器绕组状态在线监测装置及其监测方法
CN110689252B (zh) 一种电容式电压互感器计量误差态势感知系统
US7236898B2 (en) System and method for calculating real-time voltage stability risk index in power system using time series data
CN108846591A (zh) 一种变电站开关柜多运行状态智能监测系统及评估方法
CN110287543B (zh) 一种继电保护装置寿命预测方法
CN112116276B (zh) 一种计及电气主设备时变状态的变电站运行风险评估方法
CN114977483B (zh) 一种智能电网调控控制设备故障诊断系统
CN112710930A (zh) 一种电容式电压互感器内绝缘状态在线评价方法
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN109827679B (zh) 配电变压器绕组温升在线监测系统以及在线监测方法
WO2005043340A2 (en) Transformer performance prediction
CN115549094B (zh) 一种智能电网变电设备预警评估方法及系统
CN105844538A (zh) 一种基于故障严重度的电力电缆风险评估方法
CN111008454A (zh) 一种基于信息物理融合模型的智能变电站可靠性评估方法
CN102867119A (zh) 一种油浸式变压器状态评估方法及其装置
CN108710036B (zh) 一种基于智能变电站状态估计的采样环节状态评估方法
CN110110933A (zh) 一种智能变电站保护系统的检修周期优化方法
CN104834305B (zh) 基于dms系统的配网自动化终端遥测异常分析系统及方法
CN108896852B (zh) 一种公共接入点短路容量在线测量方法及系统
CN112285454B (zh) 一种基于改进能量指标的电压暂降严重程度评估方法
CN110749793A (zh) 基于宽度学习干式变压器健康管理方法、系统及存储介质
CN111914426A (zh) 一种基于关联分析的变压器智能维护方法
CN111581802A (zh) 一种配电设备实时综合故障率计算方法和系统
CN116071036A (zh) 一种变压器温度状态评价方法、设备和介质
CN114462692A (zh) 一种电网老旧设备技改策略优化调整方法

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
TA01 Transfer of patent application right

Effective date of registration: 20200316

Address after: 310000 floor 2, building 2, No. 69, Dongxin Avenue, Zhijiang science and Technology Industrial Park, high tech Zone, Binjiang District, Hangzhou, Zhejiang Province

Applicant after: HANGZHOU ZHONGHENG CLOUD ENERGY INTERNET TECHNOLOGY CO.,LTD.

Applicant after: HANGZHOU ZHONHEN ELECTRIC Co.,Ltd.

Address before: 310000 floor 2, building 2, No. 69, Dongxin Avenue, Zhijiang science and Technology Industrial Park, high tech Zone, Binjiang District, Hangzhou, Zhejiang Province

Applicant before: HANGZHOU ZHONGHENG CLOUD ENERGY INTERNET TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20200204

RJ01 Rejection of invention patent application after publication