CN111160383A - 一种自适应的油浸式变压器火灾模型预警检测方法 - Google Patents

一种自适应的油浸式变压器火灾模型预警检测方法 Download PDF

Info

Publication number
CN111160383A
CN111160383A CN201911147538.4A CN201911147538A CN111160383A CN 111160383 A CN111160383 A CN 111160383A CN 201911147538 A CN201911147538 A CN 201911147538A CN 111160383 A CN111160383 A CN 111160383A
Authority
CN
China
Prior art keywords
neural network
data
early warning
fault
module
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
CN201911147538.4A
Other languages
English (en)
Inventor
蔚超
李建生
郭鹏宇
吴益明
王铭民
陆云才
吴鹏
杨小平
谢天喜
王同磊
王胜权
李栋
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.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911147538.4A priority Critical patent/CN111160383A/zh
Publication of CN111160383A publication Critical patent/CN111160383A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种自适应的油浸式变压器火灾模型预警检测方法，该方法将标记过的各传感器故障数据输入样本扩充算法中以扩充负样本，将扩充的负样本及相同数量的正样本输入卷积神经网络，对采集的变压器各传感器的数据进行预处理，将预处理的数据输入卷积神经网络对火灾模型检测。该火灾模型包括训练模块、信号处理模块、诊断模块；其中训练模块包括故障数据的处理、故障样本及卷积神经网络三部分，信号处理模块包括变压器传感器信号采集及预处理，诊断模块包括训练过的卷积神经网络模块。本发明基于神经网络，通过对包含接地电流、高频电流故障数据的训练调整自身参数，以对传感器信号的输入做出准确的判断并预警，避免火灾的发生。

Description

一种自适应的油浸式变压器火灾模型预警检测方法
技术领域
本发明涉及变压器，尤其涉及一种自适应的油浸式变压器火灾模型预警检测方法。
背景技术
变压器是一种静止的电气设备，它利用电磁感应原理把输入的电压升高或降低为同频率的交流电压输出，以满足高压送电低压配电及其他用途的需要。变压器就其用途可分为电力变压器、试验变压器、仪用变压器及特殊用途的变压器。其中电力变压器关乎人类日常生产需求和生活需要，是电力输配电、电力用户配电的必要设备。
变压器内部除了电磁绕组外还具有大量的绝缘油及其他可燃物，如纸板、木材，一旦其他部分产生火花等故障即可产生变压器火灾，将会对人类的生产安全及生命安全造成极大隐患。当今世界，无论是发达国家还是发展中国家，都不同程度受到变压器安全问题的困扰，因此确保变压器安全稳定运行受到了全世界的广泛关注。
油浸式变压器是电力系统中应用最广泛的变压器，其采用变压油作为绝缘、冷却介质，变压油是一种可燃矿物油，其闪点为155℃，燃点为160℃，且生物降解性差。在油浸式变压器中，一旦发生其发生火灾，由于温度的剧烈上升压缩空气极易产生爆炸喷油事故，影响到其他设备，且极易燃烧并难以扑救。
变压器故障通常是伴随着电弧和放电以及剧烈燃烧而发生，随后电力设备即发生短路或其他故障，该类故障的产生往往可以通过布置传感器的方式检测相关信号的波动来进行故障诊断，但目前为止对信号的检测处理方式不具有自适应性的特点，或者故障传感信号数据的缺失使得难以利用人工智能算法进行故障诊断。
发明内容
发明目的：针对以上技术问题，本发明提出一种自适应性的油浸式变压器火灾模型预警检测方法，通过对神经网络结构参数的训练，并将其作为诊断结构对输入的多路传感信号处理的方式数据进行分析并做出预警。
技术方案：本发明自适应的油浸式变压器火灾模型预警检测方法，包括以下步骤：
S1：将标记过的各传感器故障数据信息输入样本扩充算法中，扩充负样本；
S2：将扩充的负样本及相同数量的正样本输入卷积神经网络，对神经网络参数进行训练；
S3：将数据输入卷积神经网络，进行对火灾模型的检测。
步骤S2中，对实时采集的变压器各传感器的数据进行预处理后，将预处理的数据输入神经网络，进行对火灾模型的检测。
步骤S1中，利用SMOTE算法对故障样本数量进行扩充，通过计算N组故障数据之间的欧式距离来产生新的故障数据。
步骤S2中，卷积神经网络包括三层卷积层及softmax分类器，卷积层对故障数据进行高纬度的特征提取，softmax对特征结果进行分类及输出。
本发明自适应的油浸式变压器火灾模型预警检测装置，包括：负样本模块、训练模块和诊断模块；
负样本模块，用于将标记过的各传感器故障数据信息输入样本扩充算法中，扩充负样本；
训练模块，用于将扩充的负样本及相同数量的正样本输入卷积神经网络，对神经网络参数进行训练；
诊断模块，用于将数据输入神经网络，对火灾模型进行检测。
诊断模块，具体用于对实时采集的变压器各传感器的数据进行预处理后，将预处理的数据输入神经网络，进行对火灾模型的检测。
负样本模块，具体用于利用SMOTE算法对故障样本数量进行扩充，通过计算N组故障数据之间的欧式距离来产生新的故障数据。
训练模块，具体用于采用卷积神经网络对故障数据进行高纬度的特征提取，所述softmax对特征结果进行分类及输出。
自适应的油浸式变压器火灾模型预警检测装置中，训练模块对采集的传感器数据做初步的处理以进行故障诊断。
有益效果：与现有技术相比，本发明具有以下优点：本发明解决了专家系统中对阈值判断的不确定性以及采用人工智能算法时，需要大量数据样本集训练的问题；实现了利用较小故障样本的学习达到迅速、准确的判断出变压器是否存在火灾风险并给予报警；本发明预警方法基于神经网络，通过对包含接地电流、高频电流故障数据的训练调整自身参数，达到对传感器信号的输入做出准确的判断并预警的作用，从而避免了火灾的发生，保证了电网能够安全、稳定地运行。
附图说明
图1为本发明自适应变压器火灾预警方法框架图；
图2为本发明的故障样本生成流程图；
图3为本发明的卷积神经网络结构图。
具体实施方式
如图1所示，本发明预警检测方法包括以下步骤：
步骤1，采集故障变压器的各传感器故障数据信息，将故障信息输入至样本扩充算法中，扩充负样本数量；步骤2，将扩充的负样本及相同数量的正样本标记后输入卷积神经网络，对神经网络参数进行训练，使得其达到对故障进行有效诊断的能力；步骤3，将实时采集的变压器各传感器的数据，进行数据的预处理以便于进一步的故障诊断；步骤4，将预处理的数据输入卷积神经网络中，完成诊断。其中步骤1中的信号包括高频电流信号、接地电流信号、噪声信号。
本发明自适应的油浸式变压器火灾模型包括以下几部分：训练模块、信号处理模块、诊断模块；其中训练模块包括变压器故障数据的处理、故障样本扩充以及卷积神经网络三部分；信号处理模块则包括变压器传感器信号采集，及信号及预处理部分；诊断模块包括训练过的卷积神经网络模块。
变压器故障数据处理模块将a组正常状态下传感器输入的信号及b组不同类型的故障信号数据标记并分类，建立变压器数据库，其中信号包括且不限于高频电流信号、接地电流信号、噪声信号。
然后将故障数据库中的b组故障数据利用SMOTE算法对故障数量进行扩充至c组，目的是增加故障样本数量，在建立故障模型时更为具体。如图2所示，本发明的故障样本生成流程为：采集变压器N个故障数据，计算N个故障数据之间的欧氏距离，根据采样率确定最近的k个样本，根据样本到最近k个样本的欧氏距离随机生成新的样本，根据样本到最近k个样本的欧氏距离随机生成新的样本。
如图3所示，卷积神经网络是卷积神经网络包含三层卷积层及softmax分类器，其中不同卷积层之中通过卷积核传递数据并对数据进行提取处理，到达最后一层时数据中包含与故障相关的特征信号，即卷积层对故障数据进行了高维度的特征提取，最后再经由softmax对特征结果进行分类及输出。
信号处理模块包括变压器传感器信号采集部分，即采集各个传感器采集的信号并经由信号与处理部分进行降噪处理。
诊断模块包括训练好的卷积神经网络模块，降噪完成的信号进入卷积神经网络后被进行分类诊断输出结果。
其中作为主要诊断结构的卷积神经网络具有对数据的分类度高、诊断效果好的特点。
本发明自适应的油浸式变压器火灾模型预警检测装置，包括：负样本模块、训练模块和诊断模块；
负样本模块，用于将标记过的各传感器故障数据信息输入样本扩充算法中，扩充负样本；
训练模块，用于将扩充的负样本及相同数量的正样本输入卷积神经网络，对神经网络参数进行训练；
诊断模块，用于将数据输入神经网络，对火灾模型进行检测。
诊断模块，具体用于对实时采集的变压器各传感器的数据进行预处理后，将预处理的数据输入神经网络，进行对火灾模型的检测。
负样本模块，具体用于利用SMOTE算法对故障样本数量进行扩充，通过计算N组故障数据之间的欧式距离来产生新的故障数据。
训练模块，具体用于采用卷积神经网络对故障数据进行高纬度的特征提取，所述softmax对特征结果进行分类及输出。
训练模块对采集的传感器数据做初步的处理以进行故障诊断。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种自适应的油浸式变压器火灾模型预警检测方法，其特征在于：所述方法包括以下步骤：
(S1)：将标记过的各传感器故障数据信息输入样本扩充算法中，扩充负样本；
(S2)：将扩充的负样本及相同数量的正样本输入卷积神经网络，对神经网络参数进行训练；
(S3)：将数据输入神经网络，进行对所述火灾模型的检测。
2.根据权利要求1所述的自适应的油浸式变压器火灾模型预警检测方法，其特征在于：步骤(S2)中，对实时采集的变压器各传感器的数据进行预处理后，将预处理的数据输入神经网络，进行对火灾模型的检测。
3.根据权利要求1所述的自适应的油浸式变压器火灾模型预警检测方法，其特征在于：所述步骤(S1)中，利用SMOTE算法对故障样本数量进行扩充，通过计算N组故障数据之间的欧式距离来产生新的故障数据。
4.根据权利要求1所述的自适应的油浸式变压器火灾模型预警检测方法，其特征在于：所述步骤(S2)中采用的卷积神经网络包括三层卷积层及softmax分类器，所述卷积层对故障数据进行高纬度的特征提取，所述softmax对特征结果进行分类及输出。
5.根据权利要求1所述的自适应的油浸式变压器火灾模型预警检测方法，其特征在于：所述步骤(S2)中，对采集的传感器数据做初步的处理以进行故障诊断。
6.一种自适应的油浸式变压器火灾模型预警检测装置，其特征在于，包括负样本模块、训练模块和诊断模块；
所述负样本模块，用于将标记过的各传感器故障数据信息输入样本扩充算法中，扩充负样本；
所述训练模块，用于将扩充的负样本及相同数量的正样本输入卷积神经网络，对神经网络参数进行训练；
所述诊断模块，用于将数据输入神经网络，对火灾模型进行检测。
7.根据权利要求6所述的自适应的油浸式变压器火灾模型预警检测装置，其特征在于：所述诊断模块，具体用于对实时采集的变压器各传感器的数据进行预处理后，将预处理的数据输入神经网络，进行对火灾模型的检测。
8.根据权利要求6所述的自适应的油浸式变压器火灾模型预警检测装置，其特征在于：所述负样本模块，具体用于利用SMOTE算法对故障样本数量进行扩充，通过计算N组故障数据之间的欧式距离来产生新的故障数据。
9.根据权利要求6所述的自适应的油浸式变压器火灾模型预警检测装置，其特征在于：所述训练模块，具体用于采用卷积神经网络对故障数据进行高纬度的特征提取，所述softmax对特征结果进行分类及输出。
10.根据权利要求6所述的自适应的油浸式变压器火灾模型预警检测装置，其特征在于：所述训练模块对采集的传感器数据做初步的处理以进行故障诊断。
CN201911147538.4A 2019-11-21 2019-11-21 一种自适应的油浸式变压器火灾模型预警检测方法 Pending CN111160383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911147538.4A CN111160383A (zh) 2019-11-21 2019-11-21 一种自适应的油浸式变压器火灾模型预警检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911147538.4A CN111160383A (zh) 2019-11-21 2019-11-21 一种自适应的油浸式变压器火灾模型预警检测方法

Publications (1)

Publication Number Publication Date
CN111160383A true CN111160383A (zh) 2020-05-15

Family

ID=70556025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911147538.4A Pending CN111160383A (zh) 2019-11-21 2019-11-21 一种自适应的油浸式变压器火灾模型预警检测方法

Country Status (1)

Country Link
CN (1) CN111160383A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348262A (zh) * 2020-11-10 2021-02-09 国网上海市电力公司 一种电力电缆运行安全预警方法
CN112508137A (zh) * 2021-02-09 2021-03-16 南方电网数字电网研究院有限公司 变压器异常检测方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020714A (zh) * 2018-01-10 2019-07-16 阿里巴巴集团控股有限公司 模型训练及数据分析方法、装置、设备以及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020714A (zh) * 2018-01-10 2019-07-16 阿里巴巴集团控股有限公司 模型训练及数据分析方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾京龙: "基于卷积神经网络的变压器故障诊断方法", 《电测与仪表》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348262A (zh) * 2020-11-10 2021-02-09 国网上海市电力公司 一种电力电缆运行安全预警方法
CN112508137A (zh) * 2021-02-09 2021-03-16 南方电网数字电网研究院有限公司 变压器异常检测方法、装置、计算机设备和存储介质
CN112508137B (zh) * 2021-02-09 2021-07-06 南方电网数字电网研究院有限公司 变压器异常检测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
KR101958903B1 (ko) RBFNNs 모델을 이용한 부분 방전 분류 시스템
Do et al. Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor
CN108535589B (zh) 一种故障电弧检测方法及装置
CN105675802A (zh) 一种变压器故障的诊断方法
CN111160383A (zh) 一种自适应的油浸式变压器火灾模型预警检测方法
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN117612345A (zh) 一种电力设备状态监测报警系统及方法
Khan et al. ANFIS based identification and location of paper insulation faults of an oil immersed transformer
CN117437933A (zh) 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法
Lu et al. Fault diagnosis of power capacitors using a convolutional neural network combined with the chaotic synchronisation method and the empirical mode decomposition method
CN112036320A (zh) 局部放电状态识别方法、装置、放电模拟器和识别设备
CN117520951B (zh) 一种基于多特征量的变压器健康评估方法和系统
Yaacob et al. DGA method-based ANFIS expert system for diagnosing faults and assessing quality of power transformer insulation oil
CN104360194A (zh) 一种智能电网故障诊断方法
CN104346627A (zh) 一种基于大数据分析的sf6气体泄漏在线预警平台
CN108845074B (zh) 油浸式变压器状态评价方法
Mishra et al. Diagnostics analysis of partial discharge events of the power cables at various voltage levels using ramping behavior analysis method
Niazazari et al. Event cause analysis in distribution networks using synchro waveform measurements
Zarei et al. Broken rotor bars detection via Park's vector approach based on ANFIS
CN113094983A (zh) 一种光伏系统直流故障电弧多维时变特性的在线模拟方法
Chang et al. Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor
Zakaria et al. Optimized Artificial Neural Network for the detection of incipient faults in power transformer
Chen et al. Identification of typical partial discharge defects of distribution system equipment based on classification learner
CN113721116A (zh) 基于局部放电、油压检测的故障识别方法、系统
CN109917245B (zh) 考虑相位差的超声检测局部放电信号模式识别方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515

RJ01 Rejection of invention patent application after publication