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
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:
其中
表示随机生成的Δm列权重矩阵,
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:
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。
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。