CN111060221A - 基于循环神经网络的变压器过热故障预警方法 - Google Patents
基于循环神经网络的变压器过热故障预警方法 Download PDFInfo
- Publication number
- CN111060221A CN111060221A CN201911417059.XA CN201911417059A CN111060221A CN 111060221 A CN111060221 A CN 111060221A CN 201911417059 A CN201911417059 A CN 201911417059A CN 111060221 A CN111060221 A CN 111060221A
- Authority
- CN
- China
- Prior art keywords
- neural network
- transformer
- early warning
- content
- overheating fault
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于循环神经网络的变压器过热故障预警方法,通过建立循环神经网络及分类神经网络,循环神经网络实现对历史物理量在时间维度上的状态预测,分类神经网络实现物理量与预警状态的准确匹配;以变压器油色谱中的气体含量和热点温度作为输入状态量,以过热故障的严重程度为输出量;基于历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练,将训练完成的神经网络模块集成到变压器运维平台中心,用于及时向变压器运行维护人员提供告警预警;并根据电力设备运维规程提供对应运维方案,在变压器发生过热故障之前对设备进行提前检测和维护。本发明提高了变压器的过热故障预警准确性,降低了设备的运行风险。
Description
技术领域
本发明涉及电力变压器监控和维护领域,尤其涉及一种基于循环神经网络的变压器过热故障预警方法。
背景技术
电力变压器作为电力系统安全稳定运行的枢纽设备,如何准确预测故障,对于保证电网安全运行至关重要。据统计,在变压器所有的故障类型中过热故障所占的比例最大,且温度的升高使得变压器的绝缘寿命持续下降,亟需根据变压器测量物理量对变压器的过热故障进行诊断和预警。
油中溶解气体分析技术(DGA)和热点温度是分析变压器过热故障诊断的重要物理量,先前的诊断多是基于国家标准以及专家诊断,但分析手段过于落后,且无法对变压器过热故障进行主动预警。实现变压器的过热故障预警能够在设备发生过热故障之前对设备进行提前检测和维护,提高运行维护人员的维护效率以及降低设备的运行风险。
深度学习和神经网络因其在数据处理及预测方面具有优异的表现,被广泛应用于语音处理、图像识别等领域。基于深度学习的变压器故障预警尚处于起步阶段,循环神经网络能够基于历史数据实现对未来数据的预测,目前在电网负荷预测中应用较多,但在电力设备故障预警方面应用较少。电力变压器热点温度以及油色谱数据根据设备运行状态在进行实时变化,循环神经网络能够实现对这些物理量的有效预测。
发明内容
发明目的:针对以上问题,本发明提出一种基于循环神经网络的变压器过热故障预警方法,对电力变压器的过热故障进行主动预警,根据电力设备运维规程提供对应运维方案,在变压器发生过热故障之前对设备进行提前检测和维护。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于循环神经网络的变压器过热故障预警方法,包括步骤:
(1)获取变压器的各状态量的历史监测数据并进行归一化处理,归一化的数据作为神经网络的样本库;
(2)构造循环神经网络,输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据,输出量为对应物理量的未来数据;
(3)构造分类神经网络,以物理量的未来数据为输入量,以过热故障的严重程度为输出量;
(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练,并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订;
(5)将训练完成的神经网络模块集成到变压器运维平台中心,向运行维护人员提供变压器告警预警。
进一步地,所述步骤1中,归一化模型采用z-score归一化:
x=(xd-u)/δ
其中,xd表示原始数据,x表示归一化值,u表示均值,δ表示标准差。
进一步地,所述步骤2中,循环神经网络采用长短期预测神经网络。
进一步地,所述步骤2中,循环神经网络的输入层为9个输入元,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;循环神经网络的输出层为9个输出元,与输入物理量相同。
进一步地,所述步骤3中,分类神经网络的输入层为9个输入元,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;分类神经网络的输出层为1个输出元,为过热故障的严重程度。
进一步地,所述步骤3中,过热故障的严重程度分为红色预警、黄色预警、蓝色预警以及正常运行。
有益效果:本发明采用循环神经网络对电力变压器热点温度以及油色谱数据进行预测,并通过分类神经网络实现物理量预测结果与对应过热预警状态的匹配,实现对电力变压器过热故障的主动预警,且该模块能集成在运维平台上对运行维护人员进行及时通报。根据电力设备运维规程提供对应运维方案,在电力变压器发生过热故障之前对设备进行提前检测和维护,从而提高变压器的过热故障预警准确性,降低设备的运行风险。
附图说明
图1是本发明基于循环神经网络的变压器过热故障预警方法流程图;
图2是循环神经网络和分类神经网络示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,本发明所述的基于循环神经网络的变压器过热故障预警方法,包括步骤:
(1)获取变压器的各状态量的历史监测数据并进行归一化处理,归一化的数据作为神经网络的样本库;
其归一化模型为z-score归一化,表示为:
x=(xd-u)/δ
其中,xd表示原始数据,x表示归一化值,u表示均值,δ表示标准差。
电力变压器过热预警的物理量主要包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量。
(2)如图2所示,构造循环神经网络,循环神经网络的输入量为变压器油色谱中气体含量和热点温度的历史数据(归一化处理后),循环神经网络的输出量为对应物理量的未来数据;
设定物理量历史天数为30天,预测未来一周内的物理量状态变化。采用长短期预测神经网络,初始设定长短期预测(LSTM)层数为2层。
循环神经网络的输入层为9个输入元,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;循环神经网络的输出层为9个输出元,与输入物理量相同;循环神经网络的N层隐含层需要根据训练效果进行确定。
(3)如图2所示,构造分类神经网络,以物理量的未来数据为输入量,以过热故障的严重程度为输出量,严重程度分为红色预警、黄色预警、蓝色预警以及正常运行,依次对应于4、3、2、1;
初始设定隐含层为3层,每层神经元为30个。
分类神经网络的输入层为9个输入元,为循环神经网络的输出层结果,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;分类神经网络的输出层为1个输出元,为设备运行状态。循环神经网络的L层隐含层需要根据训练效果进行确定。
(4)在MATLAB平台上,基于MATLAB自带的神经网络工具箱,根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练,并根据训练结果对循环神经网络和分类神经网络的超参数N和L进行修订;
(5)将训练完成的神经网络模块集成到变压器运维平台中心,用于及时向变压器运行维护人员提供告警预警,并根据电力系统运维规程提供对应运维方案,在设备发生过热故障之前对设备进行提前检测和维护。
本发明结合循环神经网络和分类神经网络,实现对电力变压器未来一周内的过热故障主动预警,且该模块能集成在运维平台上对运行维护人员进行及时通报。在设备故障出现之前对设备进行针对性、预防性的维护,提高设备运行安全性,降低设备运行风险并节约运维成本。
Claims (6)
1.一种基于循环神经网络的变压器过热故障预警方法,其特征在于,包括步骤:
(1)获取变压器的各状态量的历史监测数据并进行归一化处理,归一化的数据作为神经网络的样本库;
(2)构造循环神经网络,输入量为归一化后的变压器油色谱中气体含量和热点温度的历史数据,输出量为对应物理量的未来数据;
(3)构造分类神经网络,以物理量的未来数据为输入量,以过热故障的严重程度为输出量;
(4)根据历史的采样数据及对应变压器运行状态对循环神经网络及分类神经网络进行同时训练,并根据训练结果对循环神经网络的隐含层层数N和分类神经网络的隐含层层数L进行修订;
(5)将训练完成的神经网络模块集成到变压器运维平台中心,向运行维护人员提供变压器告警预警。
2.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法,其特征在于,所述步骤1中,归一化模型采用z-score归一化:
x=(xd-u)/δ
其中,xd表示原始数据,x表示归一化值,u表示均值,δ表示标准差。
3.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法,其特征在于,所述步骤2中,循环神经网络采用长短期预测神经网络。
4.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法,其特征在于,所述步骤2中,循环神经网络的输入层为9个输入元,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;循环神经网络的输出层为9个输出元,与输入物理量相同。
5.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法,其特征在于,所述步骤3中,分类神经网络的输入层为9个输入元,包括热点温度、甲烷含量、乙烯含量、乙烷含量、乙炔含量、氢气含量、一氧化碳含量、二氧化碳含量以及总烃含量;分类神经网络的输出层为1个输出元,为过热故障的严重程度。
6.根据权利要求1所述的基于循环神经网络的变压器过热故障预警方法,其特征在于,所述步骤3中,过热故障的严重程度分为红色预警、黄色预警、蓝色预警以及正常运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417059.XA CN111060221A (zh) | 2019-12-31 | 2019-12-31 | 基于循环神经网络的变压器过热故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911417059.XA CN111060221A (zh) | 2019-12-31 | 2019-12-31 | 基于循环神经网络的变压器过热故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111060221A true CN111060221A (zh) | 2020-04-24 |
Family
ID=70305701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911417059.XA Pending CN111060221A (zh) | 2019-12-31 | 2019-12-31 | 基于循环神经网络的变压器过热故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060221A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
CN111860569A (zh) * | 2020-06-01 | 2020-10-30 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的电力设备异常检测系统及方法 |
CN112364995A (zh) * | 2020-11-10 | 2021-02-12 | 重庆大学 | 一种变压器故障率评估方法及系统、可读存储介质 |
CN112580187A (zh) * | 2020-11-10 | 2021-03-30 | 广东电网有限责任公司广州供电局 | 干式变压器过热预警方法、装置、计算机设备、存储介质 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基神经网络的变压器故障诊断方法 |
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
CN105259435A (zh) * | 2015-09-23 | 2016-01-20 | 国网山东莒县供电公司 | 一种变压器监测装置和故障诊断方法 |
CN105787557A (zh) * | 2016-02-23 | 2016-07-20 | 北京工业大学 | 一种计算机智能识别的深层神经网络结构设计方法 |
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 |
CN108171329A (zh) * | 2017-12-13 | 2018-06-15 | 华南师范大学 | 深度学习神经网络训练方法、层数调整装置和机器人系统 |
CN108681625A (zh) * | 2018-04-25 | 2018-10-19 | 深圳凯达通光电科技有限公司 | 基于大数据技术的变压器短期过载能力智能评估系统 |
CN108828377A (zh) * | 2018-08-31 | 2018-11-16 | 海南电网有限责任公司电力科学研究院 | 一种变压器故障诊断方法 |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
-
2019
- 2019-12-31 CN CN201911417059.XA patent/CN111060221A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN103235973A (zh) * | 2013-04-16 | 2013-08-07 | 郑州航空工业管理学院 | 一种基于径向基神经网络的变压器故障诊断方法 |
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
CN105259435A (zh) * | 2015-09-23 | 2016-01-20 | 国网山东莒县供电公司 | 一种变压器监测装置和故障诊断方法 |
CN105787557A (zh) * | 2016-02-23 | 2016-07-20 | 北京工业大学 | 一种计算机智能识别的深层神经网络结构设计方法 |
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 |
CN108171329A (zh) * | 2017-12-13 | 2018-06-15 | 华南师范大学 | 深度学习神经网络训练方法、层数调整装置和机器人系统 |
CN108681625A (zh) * | 2018-04-25 | 2018-10-19 | 深圳凯达通光电科技有限公司 | 基于大数据技术的变压器短期过载能力智能评估系统 |
CN108828377A (zh) * | 2018-08-31 | 2018-11-16 | 海南电网有限责任公司电力科学研究院 | 一种变压器故障诊断方法 |
CN109242205A (zh) * | 2018-10-09 | 2019-01-18 | 国网上海市电力公司 | 一种变压器状态预测方法及系统 |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
CN110070172A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列预测模型的建立方法 |
CN110083951A (zh) * | 2019-04-30 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
CN111860569A (zh) * | 2020-06-01 | 2020-10-30 | 国网浙江省电力有限公司宁波供电公司 | 一种基于人工智能的电力设备异常检测系统及方法 |
CN112364995A (zh) * | 2020-11-10 | 2021-02-12 | 重庆大学 | 一种变压器故障率评估方法及系统、可读存储介质 |
CN112580187A (zh) * | 2020-11-10 | 2021-03-30 | 广东电网有限责任公司广州供电局 | 干式变压器过热预警方法、装置、计算机设备、存储介质 |
CN112364995B (zh) * | 2020-11-10 | 2024-05-03 | 重庆大学 | 一种变压器故障率评估方法及系统、可读存储介质 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
CN113516310B (zh) * | 2021-07-12 | 2022-04-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060221A (zh) | 基于循环神经网络的变压器过热故障预警方法 | |
CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN103926490B (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
CN107862052A (zh) | 一种故障案例库、故障树及故障谱构建方法 | |
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
CN104298225A (zh) | 化工过程异常工况因果关系推理模型建模与图形化展示方法 | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
WO2022147853A1 (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
CN103309342A (zh) | 一种针对工业控制系统的防危性验证方案 | |
CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
CN112966990A (zh) | 一种变电设备综合状态评价方法 | |
CN113435759A (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN112115618A (zh) | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 | |
CN107977672A (zh) | 基于海量数据并行运算的sf6设备二级故障诊断方法 | |
CN102929241B (zh) | 精对苯二甲酸装置安全运行指导系统及其应用 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN116561707B (zh) | 一种变压器故障校验、预警方法及系统 | |
CN107273984A (zh) | 一种电力用油化学监督管理方法和系统 | |
CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 | |
CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
CN114997664A (zh) | 一种基于卷积神经网络的变压器异常预警分析方法及系统 |
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: 20200424 |
|
RJ01 | Rejection of invention patent application after publication |