CN111442827A - 一种变压器绕组振动的光纤无源在线监测系统及方法 - Google Patents
一种变压器绕组振动的光纤无源在线监测系统及方法 Download PDFInfo
- Publication number
- CN111442827A CN111442827A CN202010267379.8A CN202010267379A CN111442827A CN 111442827 A CN111442827 A CN 111442827A CN 202010267379 A CN202010267379 A CN 202010267379A CN 111442827 A CN111442827 A CN 111442827A
- Authority
- CN
- China
- Prior art keywords
- winding
- optical fiber
- signal
- feature
- vibration
- 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.)
- Granted
Links
- 238000004804 winding Methods 0.000 title claims abstract description 126
- 239000013307 optical fiber Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 230000003287 optical effect Effects 0.000 claims description 70
- 239000013598 vector Substances 0.000 claims description 68
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000001427 coherent effect Effects 0.000 claims description 6
- 230000009022 nonlinear effect Effects 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 230000009975 flexible effect Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 12
- 238000011176 pooling Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000269627 Amphiuma means Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
本发明公开了一种变压器绕组振动的光纤无源在线监测系统及方法,涉及电力系统安全监测技术领域,本发明采用全分布式光纤振动传感技术对变压器油箱内部绕组和铁芯的振动状态进行动态直接测量和在线监测。利用光纤的无源及柔韧性,安装在变压器高温油箱内部,通过沿绕组缠绕方式进行敷设;此外通过深度学习特征与传统人工特征同步提取与融合方式,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,评估分类器性能,最终选择性能最优的分类器进行事件分类,实现绕组在线监测诊断,该发明方法可以实现高可靠、高稳定的故障类型识别,能有效避免其他在油箱外部进行间距测量的不准确性。
Description
技术领域
本发明涉及电力系统安全监测技术领域,更具体涉及一种变压器油箱内部绕组振动的光纤无源在线监测系统及方法。
背景技术
变压器是电网中重要的输变电设备,价格昂贵,其稳定运行状态对电网的安全可靠具有重要意义。但是由于变压器自身结构以及工作环境等因素影响,铁芯和绕组故障占据了事故的90%以上,这些故障对电网的安全运行造成严重威胁,并且造成巨大的经济损失。因此对变压器进行在线监测,在发生故障之前及早发现并排除其存在的故障隐患,成为保证供电可靠性的重要方法。
近年来,采用振动分析法进行变压器状态监测与故障诊断成为国内外研究的热点。因为在现有的各种监测方法中,基于振动分析法的变压器状态监测对变压器内部机械结构变化反应灵敏,且与电力系统无电气连接,是一种便捷有效的带电监测方法。但是目前的振动监测方法,无论采用有源和无源振动传感技术,均是将加速度传感器置于变压器箱体表面,无法直接测量箱体里面铁芯和绕组的振动;通过箱体上阵列信号分析与振动特征提取来间接分析铁芯和绕组的故障,对铁芯和绕组本身的故障分析不准确,且无法定位故障点具体位置。
光纤传感器基于其体积小、重量轻、易于安装在复杂机械结构内部等特点,并且光纤传感器自身无源,抗电磁干扰能力强,能够在复杂电磁干扰环境下实现在线监测,也不会对变压器工作产生影响,是一种理想的变压器在线监测传感器。目前已有基于光纤中布里渊散射(B-OTDR)和拉曼散射(R-OTDR)机理研究绕组形变和温度在线监测方法,但该类技术只侧重绕组形变及附近温度等准静态量的直接测量,目前在变压器振动在线监测方法中,尚未有使用全分布式光纤振动传感技术对绕组和铁芯的振动状态进行动态直接测量和在线监测的先例。
发明内容
本发明的目的在于:为了解决上述技术问题,提出一种对变压器箱体内部绕组振动的在线监测方法,利用光纤的无源及柔韧性,安装在变压器高温油箱内部,通过沿绕组缠绕方式进行敷设,实现对变压器箱体内绕组及铁芯振动的直接动态在线监测。此外通过深度学习特征与传统人工特征同步提取与融合方式,可以实现高可靠、高稳定的故障类型识别模型。
一种变压器绕组振动的光纤无源在线监测系统,其特征在于,包括绕组上敷设的分布式光纤、光纤传感信号解调仪、信号处理主机和显示终端,光纤传感信号解调仪包括激光器、声光调制器、掺铒光纤放大器、环形器、滤波器、干涉仪、光电探测器和模数转换器,激光器发射的激光脉冲经过声光调制器调制后得到高度窄相干的激光脉冲,在经过掺铒光纤放大器放大后通过环形器进入绕组上敷设的分布式光纤,从光纤中返回的瑞利背向散射光将受到变压器绕组振动的调制,携带振动信息,散射光经过滤波器后进入干涉仪进行相位解调,并通过光电探测器和模数转换器变成数字信号传入信号处理主机,进行后续的分析和数据处理得到检测结果,检测结果通过显示终端进行显示。
进一步地,绕组上分布式光纤的有效敷设方式,利用光纤的柔韧性和无源特点,在变压器通电前,沿绕组线圈的缠绕方式进行外部缠绕和安装,在变压器绕组表面采用光缆外敷螺旋形缠绕的铺设方式。光缆缠绕直径由绕组线圈直径确定;该系统光纤传感信号解调装置的光脉冲宽度与缠绕一圈的周长匹配,这样的脉冲宽度决定了其空间分辨率为缠绕变压器绕组的周长,确保实际故障点的定位精度由光缆线圈间的螺旋线的螺距确定;安装光纤时,用绝缘卡带间隔固定光纤,目的是使绕组的振动能够直接有效的传递至光纤。
进一步地,由超窄线宽激光器产生一路连续相干光信号,经声光或电光调制器调制成光脉冲信号,光脉冲信号由掺铒光纤放大器(EDFA)集中放大,放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆;光脉冲信号沿光缆传输过程产生瑞利散射,其后向瑞利散射光信号沿光缆返回,由环形器的2端口、3端口接收,经光学滤波器滤除噪声信号后经第一耦合器耦合后,再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪,经由3*3的第二耦合器输出三路相位差为120°的外界扰动引入的相位变化信息,即可获得振动在光纤上的作用信号,解调出的光信号由光电探测器转换成电信号,再由波形发生卡控制的同步触发模数转换器进行信号同步采集,最后数字电信号通过网络等接口实时传输给信号处理主机进行后续分析和处理,通过不断发出激光脉冲,接收瑞利散射信号,该系统能够持续测量出铺设在变压器绕组上的整个传感光纤上每个位置的振动情况。
变压器绕组空间范围小,故障定位精度要求比较高,因此本发明中采用的解调器是一种短距离、高空间分辨率的分布式光纤振动传感系统,其空间分辨率达到2m,有效监测长度为200m,采样频率为1kHz,为了实现该要求,解调器根据绕组特殊的机械结构特点进行了系统定制化研制和参数调整,包括:进一步压窄脉冲宽度,从200ns压窄为20ns,空间分辨率提高至2m,实现系统高空间分辨率监测;光脉冲压窄后,光纤内入射光功率比较低,一般低于-30dBm,所以需要特定的EDFA对该小信号进行放大,同时光的非线性效应明显增加,针对这种短距离的监测需求,需要合理调整光路结构,抑制脉冲光在光纤中传输时的非线性效应,提高系统的光学信噪比和光信号随光纤分布的均衡性。
一种变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,包括如下步骤:
步骤1、将采集的时空矩阵,根据时间段(比如1分钟)进行分帧操作,每一帧的时空矩阵代表了某一个时间段整个变压器绕组空间上的振动情况,作为一个信号样本;
步骤2、根据故障类型(绕组正常、绕组松动、绕组表面凹陷、绕组表面鼓包以及其他异常事件)对各个信号样本分别贴上相应的事件标签,累积足够数据量构建数据库,称为时空矩阵数据库;
步骤3、采用深度学习与传统多分析域特征提取相结合的方法,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,评估分类器性能,最终选择性能最优的分类器进行事件分类,实现绕组在线监测诊断。
步骤3中,所述的深度学习是一种一维卷积神经网络(1D-CNN)模型,获得的分帧后的时空矩阵中每一个空间点事件分割后的时间信号贴上事件类型标签,建立典型事件信号数据集;构建一维卷积神经网络(1D-CNN)模型,利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数,利用最优网络学习、提取不同类型事件的1D-CNN可分辨特征,得到深度学习特征矢量,具体步骤如下:
步骤a、对获得的分帧后的时空矩阵,将每个空间点的事件分割后的时间信号分别贴上振动事件标签,构建典型事件信号数据集raw_data;
步骤b、基于步骤a得到的典型事件信号数据集raw_data,通过设计1D-CNN深度学习网络结构,并设置网络结构参数、训练网络、网络调优和输出1D-CNN特征这四个环节完成原始数据到特征矢量的转换。
步骤3中,传统人工特征提取方法是另一种信号特征提取的方法,典型事件信号数据集通过利用专家的先验知识,从信号的时域、频域、倒频域等方面进行分析,提取相应特征,在进行分析之前,通常需要对数据进行加窗分帧,转化成短时信号,然后再进行特征提取,最终得到人工提取的特征矢量。
步骤3中,采用深度学习与传统多分析域特征提取相结合的方法,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,其具体步骤如下:其具体步骤如下:
步骤1)、首先将深度学习特征矢量和人工提取的特征矢量进行组合,得到组合后的特征矢量,这样组合后的特征矢量维数为两者维数之和;
步骤2)、分别采用F值特征选择(ANOVA)和最大信息系数(MIC)两种方法对组合后的特征矢量进行特征选择;
对于F值特征选择(ANOVA),首先计算组合后的特征矢量中每个特征的F值,F值越大,预测能力也就越强,相关性就越大,从而基于此可以进行特征选择。这里以二分类问题为例,考虑特征xi,其中F值计算公式如下:
对于最大信息系数,其计算公式如下:
其中
其中X和Y分别表示两种事件,在用于特征选择时,可以将X设为绕组振动监测结果,Y设为某一特征的取值结果,通过计算两者的最大信息系数,可以判断该特征对绕组故障识别的贡献程度,按照该方法计算出组合后的特征矢量中每个特征的最大信息系数,用于下一步的排序;
步骤3)、通过F值和最大信息系数对组合后的特征矢量中每个特征进行加权平均排序,得到特征的重要性排名,然后从中选取排名中前一部分的特征作为之后送入SVM分类器的特征,称为选择后的特征矢量,选择的特征的数量可根据识别精度和运算时间综合决定。
进一步地,选择后的特征矢量将用于训练支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)和XGB分类器,通过比较各分类器的分类性能,最终选择分类器作为变压器在线监测的识别分类器。
本发明的有益效果如下:
1、采用短距离、高空间分辨率的分布式光纤振动传感技术,能对变压器油箱内的绕组振动进行直接在线监测,避免其他在油箱外部进行间距测量的不准确性。
2、利用光纤柔韧性,采用沿绕组缠绕安装方式进行敷设,空间分辨率等于绕组铁圈间的螺距,这样有利于故障点的高精度定位。
3、通过深度学习特征与传统人工特征同步提取方式,避免单独使用深度学习算法,其学习能力强,但数据量不够充分时对数据敏感的弊端,同时也避免传统人工特征学习及适应能力不强的缺点,通过优势互补,实现高可靠、高稳定的故障类型识别模型。
4、对深度学习特征与传统人工特征组合的特征矢量,通过特征选择,使得提取的特征比较稳定、可靠。
5、故障类型识别阶段的分类器采用择优方式确定最优分类器,再进行识别分类,进一步提高分类性能。
附图说明
图1为本发明变压器绕组振动的光纤无源在线监测系统装置结构图;
图2为光纤传感信号解调仪的内部结构图;
图3为光纤传感信号解调仪采集的时空信号矩阵;
图4为本发明中绕组表面光缆外敷铺设方式与整个监测系统架构图;
图5为本发明信号处理方法流程图;
图6为一维卷积神经网络(1D-CNN)结构图;
图7为梅尔频率倒谱系数(MFCC)特征提取过程图;
图8为支持向量机(SVM)原理图。
图9为一维卷积神经网络(1D-CNN)网络结构参数表格图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1:
一种变压器绕组振动的光纤无源在线监测系统装置结构图如图1所示:
包括:绕组上敷设的分布式光纤、光纤传感信号解调仪、信号处理主机、显示终端。
整个系统的工作流程如下:经过声光调制器调制后的高度窄相干的激光脉冲经过掺铒光纤放大器放大后,通过环形器进入绕组上敷设的分布式光纤,从光纤中返回的瑞利背向散射光将受到变压器绕组振动的调制,携带振动信息,散射光经过滤波后进入干涉仪进行相位解调,并通过光电探测器和模数转换器变成数字信号传入信号处理主机,进行后续的分析和数据处理,就可以识别出变压器工作状态(正常、松动、凹陷、鼓包等)。显示终端则用于显示变压器监测过程的实时数据及故障诊断结果,以及提供人机交互界面。
实施例2:
实施例一中的光纤传感信号解调仪,是该系统的核心模块,其内部结构如图2所示,主要由窄线宽激光器、声光调制器、掺铒光纤放大器、隔离器、环形器、波形发生卡、干涉仪、耦合器、滤波器、光电探测器、模数转换器组成。其工作原理如下:系统采用基于相敏光时域反射技术结合非平衡Mach-Zehnder线性相位解调方法,对绕组振动引起的相位变化进行线性解调,其内部组成器件主要包括光学器件和电学器件两类。由超窄线宽激光器产生一路连续相干光信号,经声光或电光调制器调制成光脉冲信号,光脉冲信号由掺铒光纤放大器(EDFA)集中放大,放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆;光脉冲信号沿光缆传输过程产生瑞利散射,其后向瑞利散射光信号沿光缆返回,由环形器的2端口、3端口接收,经光学滤波器滤除噪声信号后经第一耦合器耦合后,再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪,经由3*3的第二耦合器输出三路相位差为120°的外界扰动引入的相位变化信息,即可获得振动在光纤上的作用信号,解调出的光信号由光电探测器转换成电信号,再由波形发生卡控制的同步触发模数转换器进行信号同步采集,最后数字电信号通过网络等接口实时传输给信号处理主机进行后续分析和处理。
通过不断发出激光脉冲,接收瑞利散射信号,该系统能够持续测量出铺设在变压器绕组上的整个传感光纤上每个位置的振动情况,即该系统每个时刻返回一条沿空间分布的原始信号轨迹,在时间轴上连续累积A条原始信号轨迹,构建得到一个时间A维,空间B维的时空矩阵:
{XX=xab(a=1,2,Λ,A;b=1,2,Λ,B)} (1)
式(1)中,A为矩阵所包含的时间采样点数;B为矩阵所包含的空间采样点数。该时空矩阵可用图3表示,横坐标为空间轴,表示光缆沿线的数据采集空间点,两空间点的距离为ΔS,即空间分辨率,由于ΔS远小于光纤总的监测长度,所以图中用实线来表示实际当中的离散点;纵坐标为时间轴,两采样点采样间隔ΔT=1/fs,fs为时间轴上脉冲触发频率,即时间采样频率。
目前基于相敏光时域反射机理实现的分布式光纤振动传感系统,典型监测距离为20-40km,空间分辨率最高能达到20m,是一类监测距离长、空间分辨率比较低的监测设备,无法直接应用于电力变压器绕组振动的在线监测,因为变压器绕组空间范围小,而且故障定位精度要求比较高。因此本系统中采用的解调器是一种短距离、高空间分辨率的分布式光纤振动传感系统,其空间分辨率达到2m,有效监测长度为200m,采样频率为1kHz,为了实现该要求,解调器根据绕组特殊的机械结构特点进行了系统定制化研制和参数调整,包括:进一步压窄脉冲宽度,从200ns压窄为20ns,空间分辨率提高至2m,实现系统高空间分辨率监测;光脉冲压窄后,光纤内入射光功率比较低,一般低于-30dBm,所以需要特定的EDFA对该小信号进行放大,同时光的非线性效应明显增加,针对这种短距离的监测需求,需要合理调整光路结构,抑制脉冲光在光纤中传输时的非线性效应,提高系统的光学信噪比和光信号随光纤分布的均衡性。
实施例3:
在实施例一和实施例二的基础上,本实施例给出了绕组上分布式光纤的有效敷设方式,该敷设方式结合了变压器油箱内部绕组和铁芯的机械结构特点,特别是油箱内部绕组表面的形状特点,利用光纤的柔韧性和无源特点,在变压器通电前,沿绕组线圈缠绕方式进行外部缠绕和安装。
典型的绕组表面光缆外敷铺设方式与整个监测系统架构如图4所述:
在变压器绕组表面采用光缆外敷螺旋形缠绕的铺设方式,光缆缠绕直径由绕组线圈直径确定,一般缠绕一圈光缆约长2-3m,因此该系统相位解调装置的光脉冲需要限制在20ns-30ns之间,这样的脉冲宽度决定了其空间分辨率为2-3米,每2-3米光缆刚好缠绕变压器绕组一周,那么实际的故障点定位精度是由光缆线圈间的螺旋线的螺距确定。安装光纤时,用绝缘卡带每隔一定距离(10-20cm)进行光纤固定,目的使绕组的振动能够直接有效的传递至光纤。
实施例4:
一种变压器绕组不同故障的诊断与分类识别方法。其总体思路为:基于实施例二得到的时空矩阵,它的横轴是空间轴,表示缠绕变压器绕组的整条光缆上空间采样点的分布长度,接收的是整条光缆在绕组上采集到的瑞利散射光相位变化信号;它的纵轴是时间轴,表示每个空间采样点振动信号的采集时间长度。那么某一行信号反映了某一个时刻接收的整条光缆的光时域反射信号;某一列信号反映了变压器绕组上某一个空间点随时间的振动信号情况。
将采集的时空矩阵,根据时间段(比如1分钟)进行分帧操作,每一帧的时空矩阵代表了某一个时间段整个变压器绕组空间上的振动情况,作为一个信号样本。根据实际发生的故障类型,主要包括绕组正常、绕组松动、绕组表面凹陷、绕组表面鼓包以及其他异常事件,对各个信号样本分别贴上相应的事件标签,累积足够数据量构建数据库,称为时空矩阵数据库。这个数据库为后面的分类识别算法作准备。
得到时空矩阵数据库后,采用深度学习与传统多分析域特征提取相结合的方法,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,评估分类器性能,最终选择性能最优的分类器进行事件分类,实现绕组在线监测诊断。其具体方法流程如图5所示,针对分帧后的时空矩阵,对每个空间点得到的时间信号进行事件信号分割,并建立典型事件信号数据集。将分割后的时间信号一方面通过卷积神经网络(CNN)自动学习其振动过程的时间结构特征,称为深度学习特征矢量,输入softmax层进行分类,利用足量的数据训练卷积神经网络(CNN)达到最优,得到的最优模型可用于在线的深度特征提取;另一方面,结合专家及人工观测经验,每个空间点的时间信号通过多域分析方法,分别提取时间域、频率域及倒频域等特征,称为人工提取的特征矢量。将深度学习特征矢量与人工提取的特征矢量进行特征工程处理,即特征选择和降维过程。最后得到选择后的特征矢量,输入到分类器中进行训练和测试,找出最优的分类器进行事件分类,最终实现对变压器绕组的故障类型的智能识别和诊断。
实施例5:
实施例四所描述的CNN深度学习方法,是一种一维卷积神经网络(1D-CNN)模型,其工作原理为:对实施例四中获得的分帧后的时空矩阵中每一个空间点事件分割后的时间信号贴上事件类型标签,建立典型事件信号数据集;构建一维卷积神经网络(1D-CNN)模型,利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数,利用最优网络学习、提取不同类型事件的1D-CNN可分辨特征,得到深度学习特征矢量。
具体实现步骤如下:
步骤一,对实施例四中获得的分帧后的时空矩阵,将每个空间点的事件分割后的时间信号分别贴上振动事件标签,构建典型事件信号数据集raw_data。具体操作过程如下:对每个空间点的信号时间序列,依次截取时间长度为L的事件信号,如图3中四边形框部分所示,作为事件信号样本,记为X1,X2....等,根据实际发生的事件类型分别贴上事件类型标签。其中绕组正常、绕组松动、绕组表面凹陷、绕组表面鼓包以及其他异常这5类事件标签分别设置为1、2、3、4、5。然后根据事件类型标签分别添加到数据库中,完成五类典型事件信号的数据集构建,并将整个数据集按照常规比例7:3划分为训练集raw_train与测试集raw_test。
步骤二,基于步骤一得到的典型事件信号数据集raw_data,通过设计1D-CNN深度学习网络结构,如图6所示,并设置网络结构参数、训练网络、网络调优和输出1D-CNN特征这四个环节完成原始数据到特征矢量的转换。具体方法如下:
(1)设计1D-CNN结构并设置网络结构参数
本发明采用的网络结构如
图6中虚线框所示,包括输入层-卷积层C1-池化层P1-卷积层C2-池化层P2-卷积层C3-池化层P3-全连接层FC1-全连接层FC2共9层的网络结构,表1为具体网络结构参数设置,包含卷积层和池化层的矩阵大小以及全连接层的神经元数量。
(2)训练网络
训练数据raw_train经过设置参数后的一维卷积神经网络(1D-CNN)得到预测类别标签,与样本真实类别标签比较得到损失值,以此计算梯度来更新网络参数θ。该网络参数θ包括权值矩阵W与偏置变量Bias。以第一次网络参数更新过程为例进行说明:
1)初始化网络参数θ。初始化状态决定网络训练的起点,为使网络易于收敛,本发明采用截断正态分布方法对网络参数进行初始化。具体方法为:假设网络参数θ服从正态分布,网络参数θ的取值限制在[a,b]范围内,被修正后的网络参数θ取值由概率密度函数计算得到:
其中表示标准正态分布函数,u、σ为标准正态分布的期望与方差,Φ(·)为标准正态分布的累积分布函数;利用概率密度函数f生成取值在已知限定范围内的θ,θ包含权值矩阵W与偏置变量Bias,作为初始化的网络参数值;
2)输入典型事件信号数据集完成前向传播过程
卷积层:以卷积层C1为例进行说明。C1的卷积核个数为M,大小设为m,每个卷积核需进行K次卷积。设输入的一条训练数据为Xi={x1,x2....xL},Xi属于raw_train,第j个卷积核初始化后的权值矩阵Wj=[Wj1,Wj2....Wjm],偏置矢量为Biasj,从第一个数据点开始,每次对Xi中n个数据进行卷积,再通过线性修正单元(ReLU),得到非线性激活后的结果:
Convjk=ReLU([xi,xi+1....xi+n]·[Wj1,Wj2....Wjm]+Biasj) (3)
其中i、j、k、L、M分别表示第i个数据点、第j个卷积核、第k次卷积、输入数据的大小、卷积核的大小。(3)式中采用的ReLU激活函数为:
依此类推,下一次卷积时起始点移动步长Sconv个数据点。每条数据Xi经过M个卷积核,每个核K次卷积后,得到卷积层C1的输出为Conv1=[Conv1,Conv2…Convj…ConvM],其中Convj=[Convj1,Convj2…Convjk…ConvjK]。
池化层:以池化层P1为例进行说明,选用最大池化方式,该池化层输入为Conv1,第j个核对Conv1中的第j个矢量Convj进行池化,从第一个数据点开始,设移动步长为Spool个数据点,过程如下:
依此类推,所有核池化完毕,最终池化层P1输出为Pool1=[Pool1,Pool2…Poolj…PoolM]。
类似再经过卷积层C2-池化层P2-卷积层C3-池化层P3后,得到一个二维数组,将其转换为一维数组,输入由全连接层FC1、全连接层FC2组成的全连接网络得到分类输出。全连接层FC1输出为一个矢量H=[h1,h2…hT],全连接层FC2输出矢量y=[y1,y2…yN],其中T、N分别表示FC1的神经元数目、事件类别数。注:本发明中全连接网络分类输出仅作为网络调优使用,为避免复杂的分类参数调整,提高算法效率,最终将FC1输出矢量H=[h1,h2…hT]作为提取出的深度学习特征矢量,使用其他分类器进行识别分类。
(3)网络调优
根据步骤(2)得到的分类输出计算损失函数,以此对构建的CNN网络继续更新和调优,具体步骤如下:
1)基于分类输出,计算交叉熵损失函数C,进而计算更新梯度,对训练得到的网络权值进行更新,采用Adam算法进行优化,步骤如下:
mt=μ*mt-1+(1-μ)*gt (7)
式(6)-(8)中,gt为计算的目标函数梯度,mt,nt分别是梯度的一阶、二阶矩估计,μ、v∈[0,1),分别为梯度一阶、二阶矩的指数衰减率。设第t次迭代时 则ID-CNN网络参数按式(9)进行更新:
式中α为学习率,ε为非常小的数,防止除以零。
用网络参数θ更新一维卷积神经网络后,使用测试集raw_test信号样本进行测试,若迭代未结束,返回步骤二(2)。
2)(数据集完成前向传播过程)继续迭代,直至达到设定的最大迭代次数。保存测试结果最好的模型作为最终的深度学习模型,记为CNN-Model。
(4)输出1D-CNN特征
基于最终的深度学习模型CNN-Model,将其全连接层FC1的输出H作为后面分类器的输入,记为深度学习特征矢量。
实施例6:
实施例四描述的传统人工特征提取方法是另一种信号特征提取的方法。对实施例五得到的典型事件信号数据集,通过利用专家的先验知识,从信号的时域、频域、倒频域等方面进行分析,提取相应特征,在进行分析之前,通常需要对数据进行加窗分帧,转化成短时信号wi,然后再进行特征提取,最终得到人工提取的特征矢量。该特征矢量包含以下几部分:
(1)时域特征
1)主冲击强度
主冲击强度反映信号幅度的冲击特征,其具体方法为:以短时信号wi作为处理对象,wi的幅值取值区间为:[min(wi),max(wi)],max(wi)表示wi的最大值,min(wi)表示wi的最小值,将wi的幅值区间平均分成连续的10个子区间,每一个子区间记为sl(l=1,2,…,10),即:
sl=[(l-1)*averlength+min(wi),l*averlength+min(wi)](1≤l≤10)
(10)
公式(10)中的averlength表示每一个子区间的宽度,即:
然后分别统计短时时间序列wi在各个子区间内的采样点个数,即得到相对应的直方图,将直方图归一化,记归一化的直方图为p,即p={pl(l=1,2,…,10)},pl为幅值在子区间sl范围内的采样点个数与总的采样点个数的比值。即:
公式(12)中,ml为幅值在子区间sl范围内的采样点个数,M为短时时间信号总的采样点个数。
2)短时平均幅度
反映信号幅度的平均水平,其公式为:
其中N表示短时序列wi的序列长度。
3)短时平均能量
反应信号的能量大小,其公式为:
同理N表示短时序列wi的序列长度。
(2)频域特征
先对短时信号做自相关,然后再做FFT变换,得到信号的功率谱,功率谱密度(Power Spectral Density,PSD)用来描述数据在频域的能量分布,随后再对功率谱进行加窗。
1)幅度统计特征
设C(i)是第i个窗口的频率幅度值,N表示窗口数,几个幅度统计特征量计算方式如下:
A.均值mean
B.标准差standard deviation
C.偏度skewness
D.峰度kurtosis
2)功率谱方差和信息熵
由于原始信号的功率谱通常集中在某一频段内,这里定义功率谱在该频段内的统计方差为Vp,具体计算方法为首先对该频段进行分帧,如将每一个短时信号的自功率谱连续划分为10帧,然后对每一帧内的数据点进行求和,得到Si,i=1,2,..,10,然后对Si进行归一化,最后求Si的方差作为自功率谱的方差Vp。
功率谱熵的计算过程为:得到功率谱的Si,i=1,2,…,10后,对Si求和值得到Sadd,然后统计每个Si在Sadd中所占的比重,得到qi,
这样,就可以得到功率谱的信息熵Sp,为
3)小波分析:
小波包能量谱:
E=[p1,p2,p3,p4,p5,p6,p7,p8] (21)
小波包信息熵:
这里以对短时信号wi进行三层小波包分解为例,其中pi为归一化的小波包能量。
(3)倒频域分析
倒频域分析即为计算梅尔频率倒谱系数MFCC(Mel-frequency cepstralcoefficients)。梅尔频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系。梅尔频率倒谱系数(MFCC)则是利用它们之间的这种关系,计算得到的Hz频谱特征。主要用于语音等1维振动信号的特征提取和降低运算维度。例如:对于一帧有512维(采样点)数据,经过MFCC后可以提取出最重要的40维(一般而言)数据同时也达到了降维的目的。
MFCC特征提取步骤:首先对典型事件信号数据集进行预加重、分帧等预处理,然后进行快速傅里叶变换(FFT),获得信号在频谱上的能量分布,再进行梅尔频域能量计算,获取梅尔频谱的对数能量,最后进行离散余弦变换(DCT),得到MFCC系数,即为MFCC参数矢量。
(4)线性预测系数(LPC)
线性预测(Linear Prediction Coefficient,LPC),其基本思想是:对语音等1维振动信号的各个取样值,可以用它过去的若干个取样值的线性组合来表示。预测误差定义为真实取样值与预测值之差。如果利用过去p个取样值来进行预测,称为p阶线性预测。
式中,a1,a2…,ap成为线性预测系数,预测器阶数为p阶,则线性预测系数即作为所需提取的特征矢量。
在典型事件信号数据集分别计算出上述所有特征,得到人工提取的特征矢量,然后采用特征工程的方法对人工提取的特征矢量以及实施例五中得到的深度学习特征矢量进行融合、降维等处理,最后送入分类器进行分类,最终得到识别结果。
实施例7:
在实施例四、实施例五、实施例六的基础上,典型事件信号数据集经过1D-CNN深度学习模型特征提取和人工特征提取,获得的深度学习特征矢量和人工提取的特征矢量维度较高,具有冗余性。因此需要采用特征工程的方法对这些特征进行处理,使其精简为SVM分类器能够利用的有效特征集。特征工程中,通过特征选择方法选择出重要的特征项,按照重要性对其进行排序,然后对特征进行降维,再进行识别分类。
其具体步骤如下:
步骤一,首先将深度学习特征矢量和人工提取的特征矢量进行组合,得到组合后的特征矢量,这样组合后的特征矢量维数为两者维数之和。
步骤二,分别采用F值特征选择(ANOVA)和最大信息系数(MIC)两种方法对组合后的特征矢量进行特征选择。
对于F值特征选择(ANOVA),首先计算组合后的特征矢量中每个特征的F值,F值越大,预测能力也就越强,相关性就越大,从而基于此可以进行特征选择。这里以二分类问题为例,考虑特征xi,其中F值计算公式如下:
对于最大信息系数,其计算公式如下:
其中
其中X和Y分别表示两种事件,在用于特征选择时,可以将X设为绕组振动监测结果,Y设为某一特征的取值结果,通过计算两者的最大信息系数,可以判断该特征对绕组故障识别的贡献程度。按照该方法计算出组合后的特征矢量中每个特征的最大信息系数,用于下一步的排序。
步骤三,通过F值和最大信息系数对组合后的特征矢量中每个特征进行加权平均排序,得到特征的重要性排名,然后从中选取排名中前一部分的特征作为之后送入SVM分类器的特征,称为选择后的特征矢量,选择的特征的数量可根据识别精度和运算时间综合决定。
实施例8:
经过实施例七中的特征工程处理后得到的选择后的特征矢量将用于训练支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)和XGB分类器,通过比较各分类器的分类性能,最终选择最优分类器作为变压器在线监测的识别分类器。
具体实施过程如下:基于实施列七得到的选择后的特征矢量,按照常规比例7:3划分为特征训练集feature_train与特征测试集feature_test,对支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)、XGB分类器进行训练。支持向量机(SVM)的原理如图8所示,分类器通过核函数将数据映射到高维空间,然后通过超平面进行区分;决策树(DT)分类器模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合,基于特征取值范围完成分类;随机森林分类器(RF)分类器通过构建多棵决策树,最后多数表决进行分类;XGB分类器以决策树为基础,采用提升方法,加权表决进行分类。
在训练完四种分类器后利用分类精度(precision)、召回率(recall)、(F-score)三种指标综合衡量不同分类器的性能,计算公式如式(27)-(29)所示:
其中,TP、FP、FN、TN分别表示某类事件(例如事件A)被正确判定的数量、A被错误判定为其他类的数量、其他类事件被判定为A的数量、其他类事件判定为除A外的数量。最终结果表明,支持向量机(SVM)的F-score综合性能最好,对于五类典型事件的分类结果均能达到95%以上。因此,综合所有分类结果的评估指标,本发明中选择SVM分类器作为变压器绕组振动的在线监测事件的分类器。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书的内容所作的等同变化,同理均应包含在本发明的保护范围内。
Claims (8)
1.一种变压器绕组振动的光纤无源在线监测系统,其特征在于,包括变压器油箱内部绕组上敷设的分布式光纤、光纤传感信号解调仪、信号处理主机和显示终端,光纤传感信号解调仪包括激光器、声光调制器、掺铒光纤放大器、环形器、滤波器、干涉仪、光电探测器和模数转换器,激光器发射的激光脉冲经过声光调制器调制后得到高度窄相干的激光脉冲,在经过掺铒光纤放大器放大后通过环形器进入绕组上敷设的分布式光纤,从光纤中返回的瑞利背向散射光将受到变压器绕组振动的调制,携带振动信息,散射光经过滤波器后进入干涉仪进行相位解调,并通过光电探测器和模数转换器变成数字信号传入信号处理主机,进行后续的分析和数据处理得到检测结果,检测结果通过显示终端进行显示。
2.根据权利要求1所述的变压器绕组振动的光纤无源在线监测系统,其特征在于,绕组上分布式光纤的有效敷设方式,利用光纤的柔韧性和无源特点,在变压器通电前,沿绕组线圈缠绕方式进行外部缠绕和安装,在变压器绕组表面采用光缆外敷螺旋形缠绕的铺设方式,光缆缠绕直径由绕组线圈直径确定;该系统光纤传感信号解调装置的光脉冲宽度与缠绕一圈的周长匹配,这样的脉冲宽度决定了其空间分辨率为缠绕变压器绕组的周长,确保实际故障点的定位精度由光缆线圈间的螺旋线的螺距确定;安装光纤时,用绝缘卡带间隔固定光纤,目的是使绕组的振动能够直接有效的传递至光纤。
3.根据权利要求1所述的变压器绕组振动的光纤无源在线监测系统,其特征在于,由超窄线宽激光器产生一路连续相干光信号,经声光或电光调制器调制成光脉冲信号,光脉冲信号由掺铒光纤放大器(EDFA)集中放大,放大后的光脉冲信号依次经隔离器、环形器的1端口、2端口注入探测光缆;光脉冲信号沿光缆传输过程产生瑞利散射,其后向瑞利散射光信号沿光缆返回,由环形器的2端口、3端口接收,经光学滤波器滤除噪声信号后经第一耦合器耦合后,再将其注入到一个非平衡马赫曾德尔或迈克尔逊干涉仪,经由3*3的第二耦合器输出三路相位差为120°的外界扰动引入的相位变化信息,即可获得振动在光纤上的作用信号,解调出的光信号由光电探测器转换成电信号,再由波形发生卡控制的同步触发模数转换器进行信号同步采集,最后数字电信号通过网络等接口实时传输给信号处理主机进行后续分析和处理,通过不断发出激光脉冲,接收瑞利散射信号,该系统能够持续测量出铺设在变压器绕组上的整个传感光纤上每个位置的振动情况;
变压器绕组空间范围小,故障定位精度要求比较高,因此本发明中采用的解调器是一种短距离、高空间分辨率的分布式光纤振动传感系统,其空间分辨率达到2m,有效监测长度为200m,采样频率为1kHz,为了实现该要求,解调器根据绕组特殊的机械结构特点进行了系统定制化研制和参数调整,包括:进一步压窄脉冲宽度,从常用的200ns压窄为20ns,空间分辨率提高至2m,实现系统高空间分辨率监测;光脉冲压窄后,光纤内入射光功率比较低,一般低于-30dBm,所以需要特定的EDFA对该小信号进行放大,同时光的非线性效应明显增加,针对这种短距离的监测需求,需要合理调整光路结构,抑制脉冲光在光纤中传输时的非线性效应,提高系统的光学信噪比和光信号随光纤分布的均衡性。
4.根据权利要求3所述的变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,包括如下步骤:
步骤1、将采集的时空矩阵,根据时间段(比如1分钟)进行分帧操作,每一帧的时空矩阵代表了某一个时间段整个变压器绕组空间上的振动情况,作为一个信号样本;
步骤2、根据故障类型(绕组正常、绕组松动、绕组表面凹陷、绕组表面鼓包以及其他异常事件)对各个信号样本分别贴上相应的事件标签,累积足够数据量构建数据库,称为时空矩阵数据库;
步骤3、采用深度学习与传统多分析域特征提取相结合的方法,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,评估分类器性能,最终选择性能最优的分类器进行事件分类,实现绕组在线监测诊断。
5.根据权利要求3所述的变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,步骤3中,所述的深度学习是一种一维卷积神经网络(1D-CNN)模型,获得的分帧后的时空矩阵中每一个空间点事件分割后的时间信号贴上事件类型标签,建立典型事件信号数据集;构建一维卷积神经网络(1D-CNN)模型,利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数,利用最优网络学习、提取不同类型事件的1D-CNN可分辨特征,得到深度学习特征矢量,具体步骤如下:
步骤a、对获得的分帧后的时空矩阵,将每个空间点的事件分割后的时间信号分别贴上振动事件标签,构建典型事件信号数据集raw_data;
步骤b、基于步骤a得到的典型事件信号数据集raw_data,通过设计1D-CNN深度学习网络结构,并设置网络结构参数、训练网络、网络调优和输出1D-CNN特征这四个环节完成原始数据到特征矢量的转换。
6.根据权利要求3所述的变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,步骤3中,传统人工特征提取方法是另一种信号特征提取的方法,典型事件信号数据集通过利用专家的先验知识,从信号的时域、频域、倒频域等方面进行分析,提取相应特征,在进行分析之前,通常需要对数据进行加窗分帧,转化成短时信号,然后再进行特征提取,最终得到人工提取的特征矢量。
7.根据权利要求5所述的变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,步骤3中,采用深度学习与传统多分析域特征提取相结合的方法,来挖掘变压器绕组不同故障模式下时空振动信号的可分辨特征,并采用多种分类器对其进行分类识别,其具体步骤如下:
步骤1)、首先将深度学习特征矢量和人工提取的特征矢量进行组合,得到组合后的特征矢量,这样组合后的特征矢量维数为两者维数之和;
步骤2)、分别采用F值特征选择(ANOVA)和最大信息系数(MIC)两种方法对组合后的特征矢量进行特征选择;
对于F值特征选择(ANOVA),首先计算组合后的特征矢量中每个特征的F值,F值越大,预测能力也就越强,相关性就越大,从而基于此可以进行特征选择。这里以二分类问题为例,考虑特征xi,其中F值计算公式如下:
对于最大信息系数,其计算公式如下:
其中
其中X和Y分别表示两种事件,在用于特征选择时,可以将X设为绕组振动监测结果,Y设为某一特征的取值结果,通过计算两者的最大信息系数,可以判断该特征对绕组故障识别的贡献程度,按照该方法计算出组合后的特征矢量中每个特征的最大信息系数,用于下一步的排序;
步骤3)、通过F值和最大信息系数对组合后的特征矢量中每个特征进行加权平均排序,得到特征的重要性排名,然后从中选取排名中前一部分的特征作为之后送入SVM分类器的特征,称为选择后的特征矢量,选择的特征的数量可根据识别精度和运算时间综合决定。
8.根据权利要求7所述的变压器绕组振动的光纤无源在线监测系统不同故障的诊断与分类识别方法,其特征在于,选择后的特征矢量将用于训练支持向量机(SVM)、决策树(DT)、随机森林分类器(RF)和XGB分类器,通过比较各分类器的分类性能,最终选择分类器作为变压器在线监测的识别分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267379.8A CN111442827B (zh) | 2020-04-08 | 2020-04-08 | 一种变压器绕组振动的光纤无源在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267379.8A CN111442827B (zh) | 2020-04-08 | 2020-04-08 | 一种变压器绕组振动的光纤无源在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111442827A true CN111442827A (zh) | 2020-07-24 |
CN111442827B CN111442827B (zh) | 2022-07-19 |
Family
ID=71650066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267379.8A Expired - Fee Related CN111442827B (zh) | 2020-04-08 | 2020-04-08 | 一种变压器绕组振动的光纤无源在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111442827B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766140A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于核函数极限学习机的变压器故障辨识方法 |
CN112883521A (zh) * | 2021-01-12 | 2021-06-01 | 中国科学院声学研究所南海研究站 | 应用于海底观测网的海底光电复合缆外力入侵监测系统 |
CN113341348A (zh) * | 2021-07-16 | 2021-09-03 | 河北地质大学 | 基于光纤传感的电网油浸式变压器振动监测装置 |
CN113627470A (zh) * | 2021-07-01 | 2021-11-09 | 汕头大学 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
CN113870354A (zh) * | 2021-08-19 | 2021-12-31 | 中国电力科学研究院有限公司 | 一种基于深度学习的变压器油箱的测量方法及系统 |
CN114152848A (zh) * | 2021-11-30 | 2022-03-08 | 南京中探海洋物联网有限公司 | 一种气体绝缘全封闭组合电器故障检测方法及设备 |
CN114186493A (zh) * | 2021-12-13 | 2022-03-15 | 天津理工大学 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
CN114337073A (zh) * | 2021-12-30 | 2022-04-12 | 江苏法尔胜光电科技有限公司 | 一种基于弱反射光纤光栅的电机异常振动监听装置 |
CN114942066A (zh) * | 2022-05-26 | 2022-08-26 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN115031172A (zh) * | 2022-08-11 | 2022-09-09 | 安徽至博光电科技股份有限公司 | 一种基于光纤传感的管道漏失监测仪及其监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080024756A1 (en) * | 2002-12-20 | 2008-01-31 | Rogers Philip L | Quadrature processed lidar system |
CN102261948A (zh) * | 2010-12-07 | 2011-11-30 | 鞍钢集团矿业公司 | 变压器运行状态声音在线监测和分析系统 |
US20140138012A1 (en) * | 2012-11-16 | 2014-05-22 | GM Global Technology Operations LLC | Automatic monitoring of vibration welding equipment |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
WO2015158926A1 (en) * | 2014-04-18 | 2015-10-22 | Mic Ag | Optical fibre sensor system |
WO2016168621A1 (en) * | 2015-04-17 | 2016-10-20 | Micatu Inc. | Enhanced optical condition monitoring system for power transformer and method for operating power transformer |
CN106932083A (zh) * | 2017-03-19 | 2017-07-07 | 国网福建省电力有限公司 | 一种基于强磁场背景的光纤无线振动传感器装置 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109815967A (zh) * | 2019-02-28 | 2019-05-28 | 北京环境特性研究所 | 基于特征融合的cnn舰船目标识别系统及方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 |
-
2020
- 2020-04-08 CN CN202010267379.8A patent/CN111442827B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080024756A1 (en) * | 2002-12-20 | 2008-01-31 | Rogers Philip L | Quadrature processed lidar system |
CN102261948A (zh) * | 2010-12-07 | 2011-11-30 | 鞍钢集团矿业公司 | 变压器运行状态声音在线监测和分析系统 |
US20140138012A1 (en) * | 2012-11-16 | 2014-05-22 | GM Global Technology Operations LLC | Automatic monitoring of vibration welding equipment |
WO2015158926A1 (en) * | 2014-04-18 | 2015-10-22 | Mic Ag | Optical fibre sensor system |
CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
WO2016168621A1 (en) * | 2015-04-17 | 2016-10-20 | Micatu Inc. | Enhanced optical condition monitoring system for power transformer and method for operating power transformer |
CN106932083A (zh) * | 2017-03-19 | 2017-07-07 | 国网福建省电力有限公司 | 一种基于强磁场背景的光纤无线振动传感器装置 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109815967A (zh) * | 2019-02-28 | 2019-05-28 | 北京环境特性研究所 | 基于特征融合的cnn舰船目标识别系统及方法 |
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883521A (zh) * | 2021-01-12 | 2021-06-01 | 中国科学院声学研究所南海研究站 | 应用于海底观测网的海底光电复合缆外力入侵监测系统 |
CN112766140A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于核函数极限学习机的变压器故障辨识方法 |
CN113627470B (zh) * | 2021-07-01 | 2023-09-05 | 汕头大学 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
CN113627470A (zh) * | 2021-07-01 | 2021-11-09 | 汕头大学 | 一种基于零次学习的光纤预警系统未知事件分类方法 |
CN113341348A (zh) * | 2021-07-16 | 2021-09-03 | 河北地质大学 | 基于光纤传感的电网油浸式变压器振动监测装置 |
CN113341348B (zh) * | 2021-07-16 | 2022-10-11 | 河北地质大学 | 基于光纤传感的电网油浸式变压器振动监测装置 |
CN113870354A (zh) * | 2021-08-19 | 2021-12-31 | 中国电力科学研究院有限公司 | 一种基于深度学习的变压器油箱的测量方法及系统 |
CN113870354B (zh) * | 2021-08-19 | 2024-03-08 | 中国电力科学研究院有限公司 | 一种基于深度学习的变压器油箱的测量方法及系统 |
CN114152848A (zh) * | 2021-11-30 | 2022-03-08 | 南京中探海洋物联网有限公司 | 一种气体绝缘全封闭组合电器故障检测方法及设备 |
CN114186493A (zh) * | 2021-12-13 | 2022-03-15 | 天津理工大学 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
CN114337073A (zh) * | 2021-12-30 | 2022-04-12 | 江苏法尔胜光电科技有限公司 | 一种基于弱反射光纤光栅的电机异常振动监听装置 |
CN114337073B (zh) * | 2021-12-30 | 2023-12-15 | 江苏法尔胜光电科技有限公司 | 一种基于弱反射光纤光栅的电机异常振动监听装置 |
CN114942066A (zh) * | 2022-05-26 | 2022-08-26 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN114942066B (zh) * | 2022-05-26 | 2023-08-04 | 清华大学 | 电主轴误差间接预测方法及装置 |
CN115031172B (zh) * | 2022-08-11 | 2023-03-03 | 安徽至博光电科技股份有限公司 | 一种基于光纤传感的管道漏失监测仪及其监测方法 |
CN115031172A (zh) * | 2022-08-11 | 2022-09-09 | 安徽至博光电科技股份有限公司 | 一种基于光纤传感的管道漏失监测仪及其监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111442827B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN111104891B (zh) | 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法 | |
US11875246B2 (en) | Intelligent FODAS system and method based on AI chip | |
CN112985574B (zh) | 基于模型融合的光纤分布式声波传感信号高精度分类识别方法 | |
CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
Wang et al. | Multi-branch long short-time memory convolution neural network for event identification in fiber-optic distributed disturbance sensor based on φ-OTDR | |
Sun et al. | Man-made threat event recognition based on distributed optical fiber vibration sensing and SE-WaveNet | |
CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
Tabi Fouda et al. | Research and software design of an Φ-OTDR-based optical fiber vibration recognition algorithm | |
CN111209853B (zh) | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 | |
CN114199362A (zh) | 一种分布式光纤振动传感器模式识别的方法 | |
Lu et al. | Signal identification based on modified filter bank feature and generalized regression neural network for optical fiber perimeter sensing | |
CN114510960A (zh) | 一种分布式光纤传感器系统模式识别的方法 | |
CN109523729A (zh) | 基于全建模的光纤周界安防入侵事件识别方法及识别器 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN114487952A (zh) | 一种利用声光纤的失超检测系统和方法 | |
CN101626270B (zh) | 光电复合缆外部安全预警定位系统进行事件预警与分类的方法 | |
Feng et al. | Research on Weak Vibration Characteristics Based on EMD and Design of MZI Classifier | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN112232329A (zh) | 入侵信号识别的多核svm训练、报警方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220719 |