CN111398723A - 一种变压器故障智能诊断的模型方法 - Google Patents
一种变压器故障智能诊断的模型方法 Download PDFInfo
- Publication number
- CN111398723A CN111398723A CN202010302455.4A CN202010302455A CN111398723A CN 111398723 A CN111398723 A CN 111398723A CN 202010302455 A CN202010302455 A CN 202010302455A CN 111398723 A CN111398723 A CN 111398723A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault
- characteristic
- vibration
- temperature
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Protection Of Transformers (AREA)
Abstract
一种变压器故障智能诊断的模型方法,该方法根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2);利用自学习算法动态优化三个参数的动态AI特征库(1)(2)(3)(4)(5)(6)(7),提高变压器故障诊断的准确性;再建立三个参数联合诊断变压器故障的逻辑算法树模型(4),从而支持实现对任一变压器实时运行故障的智能诊断能力(1)(3)(4),有力保障电力电气企业的智能化生产。
Description
技术领域
本发明涉及变压器设备的故障智能诊断技术领域,尤其是一种变压器故障智能诊断的模型方法。
背景技术
变压器是一种常用关键的电力电气设备,对于电力生产供给非常重要,变压器发生故障往往会给电力电气企业的生产工作带来重大经济损失,因此变压器故障的实时智能诊断和及时修复极其重要。变压器的物理结构比较复杂,发生故障的原因很多,主要有电故障、机械故障、自动控制故障和材料故障等,各类故障之间会互为原因,相互传导,因果链复杂。这些故障往往会在电流、温度、振动等监测参数上体现出一定的显性数据特征,从而为变压器故障智能诊断提供了技术上实现的可能。通过监测变压器的电流、温度、振动等监测参数,根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障参数特征库,利用因果关系链建立故障逻辑判断模型,从而可以实现变压器故障的实时智能诊断。
发明内容
为了解决上述现有技术中存在的问题,本发明提供一种变压器故障智能诊断的模型方法。
本发明解决其技术问题所采用的技术方案是:一种变压器故障智能诊断的模型方法,该方法根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2);利用自学习算法动态优化三个参数的动态AI特征库(1)(2)(3)(4)(5)(6)(7),提高变压器故障诊断的准确性;再建立三个参数联合诊断变压器故障的逻辑算法树模型(4),从而支持实现对任一变压器实时运行故障的智能诊断能力(1)(3)(4)。
本发明还具有以下附加技术特征:
作为本发明技术方案进一步具体优化的:在故障诊断基础AI参数特征库(2)建立方面,根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2)。三个参数的故障特征基础AI库如下。
变压器故障振动特征基础AI库:
变压器在正常工作时,因磁致伸缩引起的铁芯振动或绕组振动,会引起整个变压器的振动现象,一般振动频率为电源频率的高次谐波。变压器发生故障时,铁芯、绕组、油箱或变压器箱体的振动特征(频谱、波形、振幅)会发生明显的变化,例如,【1】铁心振动信号主要集中在100Hz~400Hz,振动信号的大小与负载电压平方成正比,除了100Hz,200Hz、300Hz、400hz等高次谐波分量信号也很强,而1000Hz后基本衰减到零;【2】铁芯松动(铁芯松散状态)时,振动除了50Hz的偶数倍频,幅值增加了大量50Hz的奇数倍频信号;【3】绕组振动信号基本上集中在基频100Hz处,且振动信号的大小与负载电流平方成正比,200Hz、300Hz、400Hz也有但信号弱小。1000hz以外基本为零;绕组非线性频率成分:4倍工频频率200Hz以及300Hz;【4】绕组松动时,振动集中在50hz偶数倍频,油箱顶部中心测点的加速度幅值与正常时相比有较大的增加。通过建立变压器故障振动特征基础AI库和监测变压器振动信号,可以有效低识别部分变压器故障。
变压器故障温度特征基础AI库:
变压器在正常工作时,铁芯、绕组、油箱或箱体的工作温度一般会处在一个合理的正常区间。变压器发生故障时,铁芯、绕组、油箱或变压器箱体的温度一般会明显上升,例如,【1】铁芯多点接地会产生电流回路,导致铁芯发热,温度异常升高;【2】绕组绝缘损坏引起过热,温度异常升高;【3】冷却装置故障失效会导致变压器箱体发热,温度异常升高。通过建立变压器故障温度特征基础AI库和监测变压器温度信号,可以有效低识别部分变压器故障;为此,我国制订了电力变压器运行温度标准(GB1094.2),对于A级绝缘的变压器:
1)安全环境温度[-30,40度];
2)油浸式变压器连续额定容量下顶层油温极限为60K(100度);
3)油与大气直接接触的变压器为55K;绕组的极限温度为65K(105度);
4)铁芯、绕组外部的电气连接线或油箱中的结构件,不规定温升极限,但仍要求温度通常不超过80K(120度);
5)由于绕组的平均温度比油温高10度左右,同时为了防止油质劣化,规定变压器上层温度最高不超过95度;
6)在正常情况下,为了绝缘油不致过速氧化,上层油温不应超过85度;
7)对于采用强迫油循环风冷和水冷的变压器,上层油温不宜超过75度。
变压器故障电流特征基础AI库:
变压器在正常工作时,其输入输出的工作电流以及其内部电控元件的工作电流一般会处在一个合理的正常区间。变压器发生故障时,其工作电流特征(电流值、电压值、波形)会发生明显的变化,例如,【1】变压器发生励磁涌流时,有明显的间断角特征。涌流畸变严重时,电流呈现出尖顶波的凹弧特征;尖顶波的激磁电流可分解为基波及3、5、7次等一系列的奇次谐波,除基波外,主要是3次谐波;【2】变压器发生穿越性故障电流时,电流值突然增大;【3】绝缘性能下降或劣化的故障。根据放电的能量密度不同,电故障又分为局部放电、火花放电和高能电弧放电三种故障类型;【4】变压器的三相负荷不平衡度不应大于15%,只带少量单相负荷的三相变压器,零线电流不应超过额定电流的25%,否则会引起变压器异常事故;【5】变压器过负荷运行,电流表指示超过额定值,会产生变压器振动噪音,加速设备元器件损耗。通过建立变压器故障电流特征基础AI库和监测变压器电流信号,可以有效低识别部分变压器故障。
作为本发明技术方案进一步具体优化的:在故障诊断动态AI特征库(1)(2)(3)(4)(5)(6)(7)优化方面,提供了数据特征自学习算法,提高变压器故障诊断的准确性。
数据特征自学习算法程序:
Program1:持续采集设备振动、温度、电流特征数据(1),与初装的三个参数的故障特征基础AI库(2)比较,做出初步诊断。按变压器类型,积累一定时期的参数特征数据和诊断结果,按求取平均值(=∑[x(i)]/n,i=1,n)或峰值(=Maximum[x(i)],i=1,n),与初装故障特征基础AI库(2)阈值比较,列出特征偏差清单(=∑[x(i)]/n-x0或Maximum[x(i)]-x0);
Program2:定期收集用户反馈的诊断结果不一致信息,按故障和参数特征,列出特征偏差清单({参数特征[i],故障偏差[i]=<诊断故障类型[i] VS实际故障类型[i]>});
Program3:根据定期列出的《数据特征偏差清单》(Program1,Program2),在初装故障特征基础AI库(2)的基础上,对库特征数据定期进行深度学习,持续改进形成故障动态AI特征库(4),使得每次诊断时,采集特征与库对标特征的偏差平方和最小(=Minimum∑[x(i)-x0]*[x(i)]-x0],从而动态持续优化变压器故障智能诊断;
Program4:定期循环这一过程。
作为本发明技术方案进一步具体优化的:在变压器故障逻辑算法树模型构造设计方面,根据变压器故障因果关系链,设计了精准适当的故障推断逻辑算法树,支持对任一变压器实时运行故障的精准智能诊断。
该模型的特点在于电流参数比温度参数的优先级高,而温度参数的优先级比振动参数高,而各参数中的二级参数特征值又有优先级排序。该算法模型没有采用无具体含义的神经网络模型,而采用具有内涵意义的逻辑算法树模型,是大量实践表明变压器各种故障类型之间存在因果链关系,有明确物理学机制,基于变压器的物理结构,电故障、机械故障、自动控制故障和材料故障等各类故障之间存在相互作用影响的故障传导关系,因此,在利用电流、温度、振动等参数特征反演故障类型时,需要遵从这种物理机制上的因果逻辑,这样诊断的结果才符合实际情况。
主要故障因果链关系如下:
LogicRules1: 绝缘材料失效或短路—> 电流升高;
LogicRules2: 电流升高—> 温度升高;电流升高—> 磁力异常—> 振动异常;三相电流不平衡—> 磁力异常—> 振动异常;
LogicRules3: 冷却装置失效—> 温度升高;
主要故障诊断逻辑树规则如下:
DiagnosisLogicRules1: 电流数据特征>温度数据特征;
DiagnosisLogicRules2: 电流数据特征>振动数据特征;
DiagnosisLogicRules3: 温度数据特征>振动数据特征;振动频谱数据特征>振动幅值数据特征。
本发明和现有技术相比,其优点在于:
优点(1):本技术方案为变压器故障智能诊断提供了一套科学适用的技术框架体系。包括电流、温度、振动等多参数数据采集体系、故障诊断基础AI特征库、诊断逻辑算法、数据特征自学习算法等等,例如,构建了包括个有效监测参数的数据采集体系及故障诊断基础AI特征库;基于故障因果关系链,设计了精准适当的故障推断逻辑算法树。该体系和现有的设备故障库优化体系相比更具适用性和先进性。
优点(2):本技术方案通过发明一种数据特征泛在自学习算法,在变压器故障数据特征值动态优化方面给出有效解决方法,基于变压器故障诊断基础AI特征库,支持库随时间与设备同步动态更新,形成可持续更新的变压器故障诊断动态AI特征库,为个性化变压器设备故障的智能精准诊断提供了强大的技术内核,从而不断提高对变压器故障诊断的准确性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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,还可根据这些附图获得其他的附图。
图1是本申请故障诊断逻辑算法树模型图。
图2是本申请实施例的方法逻辑图。
图2中所示序号:持续采集变压器电流、温度、振动等参数特征数据-1,变压器故障诊断基础AI特征库-2,变压器故障诊断动态AI特征库-3,故障诊断逻辑算法树-4,用户反馈诊断偏差清单-5,定期自学习数据特征值-6,数据特征偏差清单-7。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例,这些实施例是为了能够更透彻地理解本发明,并且能够将本发明公开的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明公开的示例性实施例,然而应当理解,本发明而不应被这里阐述的实施例所限制。
一种变压器故障智能诊断的模型方法,该方法根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2);利用自学习算法动态优化三个参数的动态AI特征库(1)(2)(3)(4)(5)(6)(7),提高变压器故障诊断的准确性;再建立三个参数联合诊断变压器故障的逻辑算法树模型(4),从而支持实现对任一变压器实时运行故障的智能诊断能力(1)(3)(4),有力保障电力电气企业的智能化生产。
持续采集变压器电流、温度、振动等参数特征数据-1。只要变压器处于运行状态,变压器故障智能诊断系统就一直能够采集到有效连续的设备电流、温度、振动等特征数据资源,这既是AI诊断的源数据,也是变压器故障诊断动态AI特征库(3)定期优化的源数据。
变压器故障诊断基础AI特征库-2。变压器故障诊断基础AI特征库(2)是一个根据变压器故障的历史经验知识建立的变压器通用故障基础特征库,包含每类故障的电流数据特征、温度数据特征和振动数据特征,该库一般在系统初装时根据变压器设备参数和工况信息设置安装,只能对一般的变压器设备故障进行准确预测,复杂工况环境、工况发生变化或者变压器设备存在个性特征时,该库会有适用性问题。
变压器故障诊断动态AI特征库-3。该库是一个连续动态库,初始基于变压器故障诊断基础AI特征库(2),根据用户反馈诊断偏差情况(5)和数据特征自学习值(6)(7)对基础AI特征库(2)进行定期持续更新,不断优化和完善各种故障的电流、温度、振动参数特征值域,得到变压器故障诊断动态AI特征库(3)。
故障诊断逻辑算法树-4。故障诊断逻辑算法树(4)是一套推理逻辑算法,输入为变压器参数及其电流、温度、振动等参数特征,输出为故障诊断结果;变压器故障逻辑算法树设计基于变压器故障因果关系链,变压器故障因果关系链是基于变压器的物理结构及其物理学机制,根据大量实践中总结出来的,主要描述了电故障、机械故障、自动控制故障和材料故障等各类故障之间互为因果的逻辑关系,从而,可以在电流、温度、振动等监测参数之间建立优先级关系,明确和设计精准适当的故障推断逻辑算法树,支持对任一变压器实时运行故障的精准智能诊断。
主要故障因果链关系如下:
LogicRules1: 绝缘材料失效或短路—> 电流升高;
LogicRules2: 电流升高—> 温度升高;电流升高—> 磁力异常—> 振动异常;三相电流不平衡—> 磁力异常—> 振动异常;
LogicRules3: 冷却装置失效—> 温度升高;
主要故障诊断逻辑树规则如下:
DiagnosisLogicRules1: 电流数据特征>温度数据特征;
DiagnosisLogicRules2: 电流数据特征>振动数据特征;
DiagnosisLogicRules3: 温度数据特征>振动数据特征;振动频谱数据特征>振动幅值数据特征。
用户反馈诊断偏差清单-5。反馈诊断偏差清单(5)是故障诊断AI特征库(2)(3)优化的一项非常重要的源数据。反馈的诊断偏差信息包括:故障类型诊断错误、故障概率偏差、故障严重程度偏差等等。
定期自学习数据特征值-6。定期自学习数据特征值(6)包括一种数据特征泛在自学习算法。支持基于变压器故障诊断基础AI特征库(2),根据用户反馈诊断偏差情况(5)和数据特征自学习值(6)(7)对其定期持续优化,形成变压器故障诊断动态AI特征库(3)。自学习算法程序如下:
数据特征自学习算法程序:
Program1:持续采集设备振动、温度、电流特征数据(1),与初装的三个参数的故障特征基础AI库(2)比较,做出初步诊断。按变压器类型,积累一定时期的参数特征数据和诊断结果,按求取平均值(=∑[x(i)]/n,i=1,n)或峰值(=Maximum[x(i)],i=1,n),与初装故障特征基础AI库(2)阈值比较,列出特征偏差清单(=∑[x(i)]/n-x0或Maximum[x(i)]-x0);
Program2:定期收集用户反馈的诊断结果不一致信息,按故障和参数特征,列出特征偏差清单({参数特征[i],故障偏差[i]=<诊断故障类型[i] VS实际故障类型[i]>});
Program3:根据定期列出的《数据特征偏差清单》(Program1,Program2),在初装故障特征基础AI库(2)的基础上,对库特征数据定期进行深度学习,持续改进形成故障动态AI特征库(4),使得每次诊断时,采集特征与库对标特征的偏差平方和最小(=Minimum∑[x(i)-x0]*[x(i)]-x0],从而动态持续优化变压器故障智能诊断;
Program4:定期循环这一过程。
数据特征偏差清单-7。这是数据特征自学习后的一项成果,实时监测的变压器电流、温度、振动数据特征值范围与变压器故障诊断AI特征库(2)(3)中设置的值域范围之间存在偏差,说明变压器故障诊断AI特征库(2)(3)已不适用该设备和工况的个性情况,需要优化修正。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (4)
1.一种变压器故障智能诊断的模型方法,其特征在于,根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2);利用自学习算法动态优化三个参数的动态AI特征库(1)(2)(3)(4)(5)(6)(7),提高变压器故障诊断的准确性;再建立三个参数联合诊断变压器故障的逻辑算法树模型(4),从而支持实现对任一变压器实时运行故障的智能诊断能力(1)(3)(4)。
2.根据权利要求1所述的变压器故障智能诊断的模型方法,其特征在于:根据历史经验知识通过建立变压器发生故障时的振动、温度、电流等故障诊断基础AI参数特征库(2);三个参数的故障特征基础AI库如下;
变压器故障振动特征基础AI库:
变压器在正常工作时,因磁致伸缩引起的铁芯振动或绕组振动,会引起整个变压器的振动现象,一般振动频率为电源频率的高次谐波;
变压器发生故障时,铁芯、绕组、油箱或变压器箱体的振动特征(频谱、波形、振幅)会发生明显的变化,例如,【1】铁心振动信号主要集中在100Hz~400Hz,振动信号的大小与负载电压平方成正比,除了100Hz,200Hz、300Hz、400hz等高次谐波分量信号也很强,而1000Hz后基本衰减到零;【2】铁芯松动(铁芯松散状态)时,振动除了50Hz的偶数倍频,幅值增加了大量50Hz的奇数倍频信号;【3】绕组振动信号基本上集中在基频100Hz处,且振动信号的大小与负载电流平方成正比,200Hz、300Hz、400Hz也有但信号弱小;
1000hz以外基本为零;绕组非线性频率成分:4倍工频频率200Hz以及300Hz;【4】绕组松动时,振动集中在50hz偶数倍频,油箱顶部中心测点的加速度幅值与正常时相比有较大的增加;
通过建立变压器故障振动特征基础AI库和监测变压器振动信号,可以有效低识别部分变压器故障;
变压器故障温度特征基础AI库:
变压器在正常工作时,铁芯、绕组、油箱或箱体的工作温度一般会处在一个合理的正常区间;
变压器发生故障时,铁芯、绕组、油箱或变压器箱体的温度一般会明显上升,例如,【1】铁芯多点接地会产生电流回路,导致铁芯发热,温度异常升高;【2】绕组绝缘损坏引起过热,温度异常升高;【3】冷却装置故障失效会导致变压器箱体发热,温度异常升高;
通过建立变压器故障温度特征基础AI库和监测变压器温度信号,可以有效低识别部分变压器故障;
为此,我国制订了电力变压器运行温度标准(GB1094.2),对于A级绝缘的变压器:
1)安全环境温度[-30,40度];
2)油浸式变压器连续额定容量下顶层油温极限为60K(100度);
3)油与大气直接接触的变压器为55K;绕组的极限温度为65K(105度);
4)铁芯、绕组外部的电气连接线或油箱中的结构件,不规定温升极限,但仍要求温度通常不超过80K(120度);
5)由于绕组的平均温度比油温高10度左右,同时为了防止油质劣化,规定变压器上层温度最高不超过95度;
6)在正常情况下,为了绝缘油不致过速氧化,上层油温不应超过85度;
7)对于采用强迫油循环风冷和水冷的变压器,上层油温不宜超过75度;
变压器故障电流特征基础AI库:
变压器在正常工作时,其输入输出的工作电流以及其内部电控元件的工作电流一般会处在一个合理的正常区间;
变压器发生故障时,其工作电流特征(电流值、电压值、波形)会发生明显的变化,例如,【1】变压器发生励磁涌流时,有明显的间断角特征;
涌流畸变严重时,电流呈现出尖顶波的凹弧特征;尖顶波的激磁电流可分解为基波及3、5、7次等一系列的奇次谐波,除基波外,主要是3次谐波;【2】变压器发生穿越性故障电流时,电流值突然增大;【3】绝缘性能下降或劣化的故障;
根据放电的能量密度不同,电故障又分为局部放电、火花放电和高能电弧放电三种故障类型;【4】变压器的三相负荷不平衡度不应大于15%,只带少量单相负荷的三相变压器,零线电流不应超过额定电流的25%,否则会引起变压器异常事故;【5】变压器过负荷运行,电流表指示超过额定值,会产生变压器振动噪音,加速设备元器件损耗;
通过建立变压器故障电流特征基础AI库和监测变压器电流信号,可以有效低识别部分变压器故障。
3.根据权利要求1所述的变压器故障智能诊断的模型方法,其特征在于:利用自学习算法动态优化三个参数的动态AI特征库(1)(2)(3)(4)(5)(6)(7),提高变压器故障诊断的准确性;
自学习算法如下:
数据特征自学习算法程序:
Program1:持续采集设备振动、温度、电流特征数据(1),与初装的三个参数的故障特征基础AI库(2)比较,做出初步诊断;
按变压器类型,积累一定时期的参数特征数据和诊断结果,按求取平均值(=∑[x(i)]/n,i=1,n)或峰值(=Maximum[x(i)],i=1,n),与初装故障特征基础AI库(2)阈值比较,列出特征偏差清单(=∑[x(i)]/n-x0或Maximum[x(i)]-x0);
Program2:定期收集用户反馈的诊断结果不一致信息,按故障和参数特征,列出特征偏差清单({参数特征[i],故障偏差[i]=<诊断故障类型[i] VS实际故障类型[i]>});
Program3:根据定期列出的《数据特征偏差清单》(Program1,Program2),在初装故障特征基础AI库(2)的基础上,对库特征数据定期进行深度学习,持续改进形成故障动态AI特征库(4),使得每次诊断时,采集特征与库对标特征的偏差平方和最小(=Minimum∑[x(i)-x0]*[x(i)]-x0],从而动态持续优化变压器故障智能诊断;
Program4:定期循环这一过程。
4.根据权利要求1所述的变压器故障智能诊断的模型方法,其特征在于:建立三个参数联合诊断变压器故障的逻辑算法树模型(4),从而支持实现对任一变压器实时运行故障的智能诊断能力(1)(3)(4);
逻辑算法树模型图1所示:
该模型的特点在于电流参数比温度参数的优先级高,而温度参数的优先级比振动参数高,而各参数中的二级参数特征值又有优先级排序;
该算法模型没有采用无具体含义的神经网络模型,而采用具有内涵意义的逻辑算法树模型,是大量实践表明变压器各种故障类型之间存在因果链关系,有明确物理学机制,基于变压器的物理结构,电故障、机械故障、自动控制故障和材料故障等各类故障之间存在相互作用影响的故障传导关系,因此,在利用电流、温度、振动等参数特征反演故障类型时,需要遵从这种物理机制上的因果逻辑,这样诊断的结果才符合实际情况;
主要故障因果链关系如下:
LogicRules1: 绝缘材料失效或短路—> 电流升高;
LogicRules2: 电流升高—> 温度升高;电流升高—> 磁力异常—> 振动异常;三相电流不平衡—> 磁力异常—> 振动异常;
LogicRules3: 冷却装置失效—> 温度升高;
主要故障诊断逻辑树规则如下:
DiagnosisLogicRules1: 电流数据特征>温度数据特征;
DiagnosisLogicRules2: 电流数据特征>振动数据特征;
DiagnosisLogicRules3: 温度数据特征>振动数据特征;振动频谱数据特征>振动幅值数据特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302455.4A CN111398723A (zh) | 2020-04-17 | 2020-04-17 | 一种变压器故障智能诊断的模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010302455.4A CN111398723A (zh) | 2020-04-17 | 2020-04-17 | 一种变压器故障智能诊断的模型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111398723A true CN111398723A (zh) | 2020-07-10 |
Family
ID=71435199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010302455.4A Pending CN111398723A (zh) | 2020-04-17 | 2020-04-17 | 一种变压器故障智能诊断的模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398723A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176522A (zh) * | 2021-04-16 | 2021-07-27 | 国网江苏省电力有限公司南通供电分公司 | 一种变压器短路故障检测方法 |
CN113358155A (zh) * | 2021-06-08 | 2021-09-07 | 西安羲和永青医疗科技有限责任公司 | 一种x射线管工作状态监测方法 |
CN114279573A (zh) * | 2021-12-14 | 2022-04-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于避雷器表面温升的内部故障反演检测方法 |
CN117109730A (zh) * | 2023-10-23 | 2023-11-24 | 山东和兑智能科技有限公司 | 基于人工智能的变压器故障诊断系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW584732B (en) * | 2002-02-20 | 2004-04-21 | Mang-Hui Wang | CMAC_based fault diagnosis of power transformers |
CN101709995A (zh) * | 2009-12-24 | 2010-05-19 | 浙江大学 | 电力变压器振动在线监测及故障诊断方法 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN202230145U (zh) * | 2011-07-14 | 2012-05-23 | 山东恒威电力设备有限公司 | 配电变压器远程无线监控系统 |
CN102721465A (zh) * | 2012-06-13 | 2012-10-10 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位系统及方法 |
CN103149476A (zh) * | 2013-02-06 | 2013-06-12 | 浙江大学 | 一种基于电-振动模型的电力变压器故障诊断方法 |
US20130158897A1 (en) * | 2011-12-16 | 2013-06-20 | Virginia Transformer Corporation | System and method for monitoring and controlling a transformer |
CN103513138A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种基于振动特征的变压器绕组与铁芯故障诊断方法 |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
US20170011612A1 (en) * | 2011-12-16 | 2017-01-12 | Virginia Transformer Corporation | System and method for monitoring and controlling a transformer |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN209656793U (zh) * | 2018-11-07 | 2019-11-19 | 山东五岳电器有限公司 | 用于变压器的综合故障诊断装置 |
CN110749372A (zh) * | 2018-07-18 | 2020-02-04 | 上海数深智能科技有限公司 | 一种电机振动移动智能诊断系统及其使用方法 |
-
2020
- 2020-04-17 CN CN202010302455.4A patent/CN111398723A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW584732B (en) * | 2002-02-20 | 2004-04-21 | Mang-Hui Wang | CMAC_based fault diagnosis of power transformers |
CN101709995A (zh) * | 2009-12-24 | 2010-05-19 | 浙江大学 | 电力变压器振动在线监测及故障诊断方法 |
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN202230145U (zh) * | 2011-07-14 | 2012-05-23 | 山东恒威电力设备有限公司 | 配电变压器远程无线监控系统 |
US20130158897A1 (en) * | 2011-12-16 | 2013-06-20 | Virginia Transformer Corporation | System and method for monitoring and controlling a transformer |
US20170011612A1 (en) * | 2011-12-16 | 2017-01-12 | Virginia Transformer Corporation | System and method for monitoring and controlling a transformer |
CN102721465A (zh) * | 2012-06-13 | 2012-10-10 | 江苏省电力公司南京供电公司 | 电力变压器铁芯松动故障诊断与故障初步定位系统及方法 |
CN103149476A (zh) * | 2013-02-06 | 2013-06-12 | 浙江大学 | 一种基于电-振动模型的电力变压器故障诊断方法 |
CN103513138A (zh) * | 2013-10-15 | 2014-01-15 | 国家电网公司 | 一种基于振动特征的变压器绕组与铁芯故障诊断方法 |
CN103926490A (zh) * | 2014-04-21 | 2014-07-16 | 广东电网公司茂名供电局 | 一种具有自学习功能的电力变压器综合诊断方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN110749372A (zh) * | 2018-07-18 | 2020-02-04 | 上海数深智能科技有限公司 | 一种电机振动移动智能诊断系统及其使用方法 |
CN209656793U (zh) * | 2018-11-07 | 2019-11-19 | 山东五岳电器有限公司 | 用于变压器的综合故障诊断装置 |
CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
Non-Patent Citations (2)
Title |
---|
罗军 等: "变压器交接试验时绝缘电阻测试结果的分析", 《施工技术》 * |
邓宇: "变压器故障在线智能诊断系统", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176522A (zh) * | 2021-04-16 | 2021-07-27 | 国网江苏省电力有限公司南通供电分公司 | 一种变压器短路故障检测方法 |
CN113358155A (zh) * | 2021-06-08 | 2021-09-07 | 西安羲和永青医疗科技有限责任公司 | 一种x射线管工作状态监测方法 |
CN113358155B (zh) * | 2021-06-08 | 2022-10-11 | 西安羲和永青医疗科技有限责任公司 | 一种x射线管工作状态监测方法 |
CN114279573A (zh) * | 2021-12-14 | 2022-04-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于避雷器表面温升的内部故障反演检测方法 |
CN117109730A (zh) * | 2023-10-23 | 2023-11-24 | 山东和兑智能科技有限公司 | 基于人工智能的变压器故障诊断系统及方法 |
CN117109730B (zh) * | 2023-10-23 | 2024-01-12 | 山东和兑智能科技有限公司 | 基于人工智能的变压器故障诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398723A (zh) | 一种变压器故障智能诊断的模型方法 | |
Manohar et al. | Condition monitoring of power electronic converters in power plants—A review | |
CN115977855A (zh) | 一种基于人工智能的水电站故障诊断系统 | |
CN112731827A (zh) | 一种用于电力设备的智能传感器的监控系统 | |
Sharma et al. | A New Methodology for Risk Analysis for Excitation System of Alternator in SHP using FIS | |
CN112699104B (zh) | 一种电力设备的智能传感器的数据处理方法及智能传感器 | |
CN109829596B (zh) | 基于配电网历史故障数据的变压器故障率评估方法 | |
CN111882835A (zh) | 逆变器的故障预警方法、装置以及计算机可读存储介质 | |
CN116245279A (zh) | 变压器动态增容决策方法 | |
CN113418632B (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
Xiao et al. | Research on intelligent diagnosis method of oil temperature defect in distribution transformer based on machine learning | |
CN112630643B (zh) | 换流变有载调压开关顶盖状态监测装置及方法 | |
CN112865323A (zh) | 一种基于智能ct的谐波分析和三相不平衡监测方法 | |
CN110069741B (zh) | 高压断路器机械特性模糊综合评价的校正方法及系统 | |
CN109800522B (zh) | 一种评估空载合闸励磁涌流对变压器绕组受力影响的方法 | |
CN110609198A (zh) | 一种电缆线路的运维监测方法及相关设备 | |
WO2020128493A1 (en) | Method and apparatus for identifying a grid fault | |
CN115001137B (zh) | 一种全效电能优化装置集控检测管理系统 | |
CN113671335B (zh) | 一种Boost变换器功率开关管与二极管统一监测方法 | |
CN117096956B (zh) | 一种高压变频器的谐波控制方法及系统 | |
CN117767577B (zh) | 一种基于电流、电压测量的电力故障监控系统 | |
Liu et al. | Evaluation of transformer state based on the life cycle | |
Qian et al. | A New Method for Detecting Input Phase Lack of Power Unit in Cascade High Voltage Inverter | |
Perantonis et al. | Distributed bounded integral control for multimachine power systems | |
CN208432338U (zh) | 一种变压器运行故障检测装置 |
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 |