CN111638028B - 一种基于振动特征的高压并联电抗器机械状态评估方法 - Google Patents
一种基于振动特征的高压并联电抗器机械状态评估方法 Download PDFInfo
- Publication number
- CN111638028B CN111638028B CN202010432433.XA CN202010432433A CN111638028B CN 111638028 B CN111638028 B CN 111638028B CN 202010432433 A CN202010432433 A CN 202010432433A CN 111638028 B CN111638028 B CN 111638028B
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- information
- vibration
- characteristic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于振动特征的高压并联电抗器机械状态评估方法,涉及电气设备故障诊断技术领域;其包括基于高压并联电抗器的历史状态数据和实时振动噪声信号数据,通过LSTM神经网络时间序列预测方法,对比预测特征值与实际特征值的偏差,衡量高压并联电抗器是或否出现机械缺陷或故障;其通过高压并联电抗器的历史状态数据和实时振动噪声信号数据、LSTM神经网络时间序列预测方法、对比预测特征值与实际特征值的偏差等,实现了高压并联电抗器机械状态评估。
Description
技术领域
本发明涉及电气设备故障诊断技术领域,尤其涉及一种基于振动特征的高压并联电抗器机械状态评估方法。
背景技术
高压并联电抗器是电力系统中重要的无功补偿设备,对电力系统的安全稳定运行起着重要的作用,其电压等级在500kV以上。近年来全国范围内有多台高压并联电抗器处于异常状态或发生故障,因此对高压并联电抗器开展故障诊断具有十分重要的意义。根据发生故障的高压并联电抗器解体报告,高压并联电抗器主要故障形式为内部紧固件松动,产生局部悬浮电位,进而产生异常的局部放电、乙炔增高,最终导致设备停运。
据相关资料显示,目前常见的高压并联电抗器状态评估方法有油色谱法、特高频法、超声法,这些方法在高压并联电抗器故障后期(出现绝缘缺陷)陷诊断方面表现出较高的准确性,但对于其早期机械故障难以及时诊断。振动法利用高压并联电抗器油箱表面的振动信号检测其机械状态,具有在线、非侵入和对早期机械故障反应灵敏的优点,相关科研机构和企业研制了种类繁多的基于振动声学信号的高压并联电抗器在线监测仪器,实现了高压并联电抗器油箱表面振动信号的实时观测和记录。但是不同电压等级、不同生产厂家的高压并联电抗器表面振动信号有所不同,即使是同一生产厂家生产的同一种类高压并联电抗器,由于生产工艺把控和高压并联电抗器本身机械系统的复杂性,其振动信号也会不同,并且对于某台特定的高压并联电抗器,在其运行的不同阶段,振动信号也会随运行年限增长和环境因素的波动而发生改变,目前的诊断评估方法未充分考虑被观测高压并联电抗器在不同时间维度下本身的运行特征,其典型健康振动信号集、典型故障振动信号集的选择和判据的确立往往基于自于一次实验室小模型实验的统计、经验结果或其它在运电抗器相关统计结果,给高压并联电抗器状态评估带来了一定困难。
因此针对基于振动信号的高压并联电抗器机械状态评估,发明一种综合利用设备本体获取随时间变化的特征数据,判据具有个性化和能自适应当前运行环境和运行年限的高压并联电抗器振动特征评估方法具有重要意义,该方法具有坚实的工程背景和广阔的应用前景。
现有技术问题及思考:
如何解决高压并联电抗器机械状态评估的技术问题。
发明内容
本发明所要解决的技术问题是提供一种基于振动特征的高压并联电抗器机械状态评估方法,其通过高压并联电抗器的历史状态数据和实时振动噪声信号数据、LSTM神经网络时间序列预测方法、对比预测特征值与实际特征值的偏差等,实现了高压并联电抗器机械状态评估。
为解决上述技术问题,本发明所采取的技术方案是:一种基于振动特征的高压并联电抗器机械状态评估方法,基于高压并联电抗器的历史状态数据和实时振动噪声信号数据,通过LSTM神经网络时间序列预测方法,对比预测特征值与实际特征值的偏差,衡量高压并联电抗器是或否出现机械缺陷或故障。
进一步的技术方案在于:采集高压并联电抗器油箱表面的振动信号和噪声信号,提取信号中的特征值并组成时间序列,结合时间序列预测模型,计算预测值与实际值的综合偏差衡量因子,通过该因子判断衡量高压并联电抗器的油箱内部是或否发生非自然趋势的机械缺陷或故障。
进一步的技术方案在于:将高压并联电抗器油箱表面的振动信号和噪声信号的基频幅值作为特征变量。
进一步的技术方案在于:将30分钟作为一个采样周期,采集高压并联电抗器油箱表面的振动信号和噪声信号。
进一步的技术方案在于:通过LSTM神经网络预测高压并联电抗器未来一段时间内的振动特征值。
进一步的技术方案在于:基于LSTM神经网络对振动特征的预测结果,计算预测特征值与实际特征值的综合偏差衡量因子,将综合偏差衡量因子作为状态评估指标。
进一步的技术方案在于:包括S1高压并联电抗器振动信号和噪声信号采集及数据预处理、S2建立LSTM神经网络模型并设置参数、S3利用LSTM神经网络预测信号基频幅值和S4利用综合偏差因子对高压并联电抗器运行状态进行评估的步骤,所述S2建立LSTM神经网络模型并设置参数的步骤包括S201确定输入层、隐层和输出层神经元个数和S202构建预测模型的步骤,
S2建立LSTM神经网络模型并设置参数
S201确定输入层、隐层和输出层神经元个数
确定神经网络的输入层神经元为480,输出层神经元为48,隐层神经元为24;
S202构建预测模型
根据隐层层数为1,构建神经网络模型,网络的隐层具有时序关系,显著的特征在于具有当前信息的隐藏层的输出作为输入被转移到下一时间步的隐藏层。
进一步的技术方案在于:所述S3利用LSTM神经网络预测信号基频幅值的步骤包括S301输入序列、S302确定学习率、迭代次数和误差标准、S303确定当前时刻遗忘门、S304确定当前时刻输入门、S305确定当前时刻候选信息、S306确定当前时刻候选信息中要保留下的信息、S307确定当前时刻单元状态、S308确定当前时刻输出门和S309预测特征序列的步骤,
S3利用LSTM神经网络预测信号基频幅值
S301输入序列
将S103步骤中过滤后的序列作为输入;
S302确定学习率、迭代次数和误差标准
确定神经网络学习率为0.001,迭代次数为5000,误差标准为0.00001;
S303确定当前时刻遗忘门
进行预测的过程中,时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息,其输出
ft=σ(Wf·xt+Ufht-1+bf) (2)
式2中,ft为遗忘门,用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息,数值;xt为特征序列中当前时刻的输入,数值;ht-1为上一时刻的输出结果,数值;Wf为当前时刻输入xt的权重值,数值;Uf为上时刻输出ht-1的权重值,数值;bf为计算遗忘门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,公式为:
式3中,j为sigmoid激活函数的自变量,数值;σ(j)为自变量j经过映射后的结果,其范围在0到1之间,数值;
S304确定当前时刻输入门
时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息,即
it=σ(Wixt+Uiht-1+bi) (4)
式4中,it为输入门,用来筛选当前时刻的信息中需要保留的信息和需要删除的信息,数值;Wi为当前时刻输入xt的权重值,数值,Ui为上时刻输出ht-1的权重值,数值;bi为计算输入门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间;
S305确定当前时刻候选信息
式5中,表示当前时刻的候选信息,数值;包含着当前时刻输入xt和上一时刻输出ht-1的信息;Wc为当前时刻输入xt的权重值,数值;Uc为上时刻输出ht-1的权重值,数值;bc为计算当前候选信息的偏置,数值;tanh为激活函数,计算结果介值于-1到1之间,公式为:
式6中,k为tanh激活函数的自变量,数值;tanh(k)为自变量k经过映射后的结果,其范围在-1到1之间,数值;
S306确定当前时刻候选信息中要保留下的信息
S307确定当前时刻单元状态
S308确定当前时刻输出门
时间序列预测模型中的输出门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输出的信息,即输出门
ot=σ(Woxt+Uoht-1+bo) (8)
式8中,ot为输出门,用来筛选当前时刻的信息中需要输出的信息,数值;Wo为当前时刻输入xt的权重值,数值;Uo为上时刻输出ht-1的权重值,数值;bo为计算输出门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间;
则当前时刻的输出为
ht=ot*tanh(Ct) (9)
式9中,ht为当前时刻的输出,数值;Ct为当前时刻的存储单元状态,数值;ot为输出门,数值;tanh为激活函数,用来将变量映射到在0到1之间;
S309预测特征序列
通过神经网络计算得到预测序列,
F={f1,f2,…fi} (10)
式10中,F为预测模型计算得到的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;fi为序列F中的第i个时刻的特征,数值。
进一步的技术方案在于:所述S4利用综合偏差因子对高压并联电抗器运行状态进行评估的步骤包括S401计算综合偏差因子预测特征序列、S402判断综合偏差因子预测特征序列是否大于阈值和S403告警或重复以上步骤的步骤,
S4利用综合偏差因子对高压并联电抗器运行状态进行评估
S401计算综合偏差因子预测特征序列
M={m1,m2,…mi} (11)
式11中,M为真实的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;mi为序列M中的第i个时刻的特征,数值;序列M中的每个值都由S105步骤过滤获得;
将预测序列Fi={f1,f2,…fi}与实际的待研究序列Mi={m1,m2,…mi}进行对比,并计算综合偏差因子h,综合偏差衡量因子定义如下:
式12中,h为预测序列{f1,f2,…fi}和真实序列{m1,m2,…mi}计算得到的综合偏差因子,数值;i为两序列下标,数值,与公式10和公式11中的一样;p为序列长度,数值;
S402判断综合偏差因子预测特征序列是否大于阈值
若h大于综合偏差衡量因子上限hmax,说明振动信号的特征与理想值偏差较大,高压并联电抗器内部紧固部件产生了一定的缺陷,发出报警,建议hmax取值范围为[0.05,0.15];
S403告警或重复以上步骤
若综合偏差衡量因子h小于误差因子上限hmax,继续采集数据,并基于当前数据执行S1的步骤。
进一步的技术方案在于:所述S1高压并联电抗器振动信号和噪声信号采集及数据预处理的步骤包括S101测点布置、S102采集设备、S103采集周期、S104从信号中提取特征和S105对特征序列滤波的步骤,
S1高压并联电抗器振动信号和噪声信号采集及数据预处理
S101测点布置
将第一通道的第一振动传感器固定在高压并联电抗器箱体的正面,第二通道的第二振动传感器固定在高压并联电抗器箱体的侧面,第三通道的第三振动传感器固定在高压并联电抗器箱体的背面,第四通道的传声器固定在高压并联电抗器箱体正面的前方,形成四个测点;
S102采集设备
将第一振动传感器通过线缆连接至采集卡的第一通道,将第二振动传感器通过线缆连接至采集卡的第二通道,将第三振动传感器通过线缆连接至采集卡的第三通道,将传声器通过线缆连接至采集卡的第四通道,将采集卡通过数据线连接至电脑;
S103采集周期
以30min为采集周期,对三个测点的振动信号和一个测点的噪声信号进行采集;
S104从信号中提取特征
对四通道采集到的信号进行快速傅里叶变换,提取基频幅值,每一组基频幅值形成一个特征序列,四组基频幅值共形成四个特征序列,其中每一通道的序列形式为f(s)={f1,f2,…fs};
S105对特征序列滤波
对四个通道的时间序列进行滤波处理,将滤波后的结果作为LSTM神经网络的输入,组合滤波器定义如下:
式1中,f(s)为每个通道过滤前的基频特征序列,向量,每个特征序列经过信号采集、快速傅里叶变换直接得到;y(s)为原始特征序列经过上式滤波后获得,向量;OC为开-闭形态学滤波方式,CO为闭-开形态学滤波方式。
采用上述技术方案所产生的有益效果在于:
一种基于振动特征的高压并联电抗器机械状态评估方法,基于高压并联电抗器的历史状态数据和实时振动噪声信号数据,通过LSTM神经网络时间序列预测方法,对比预测特征值与实际特征值的偏差,衡量高压并联电抗器是或否出现机械缺陷或故障。其通过高压并联电抗器的历史状态数据和实时振动噪声信号数据、LSTM神经网络时间序列预测方法、对比预测特征值与实际特征值的偏差等,实现了高压并联电抗器机械状态评估。
详见具体实施方式部分描述。
附图说明
图1是本发明的流程图;
图2是本发明使用的信号采集系统的构架图;
图3是本发明中LSTM神经网络的结构图;
图4是本发明中第一通道振动信号的屏幕截图;
图5是本发明中第二通道振动信号的屏幕截图;
图6是本发明中第三通道振动信号的屏幕截图;
图7是本发明中第四通道声学信号的屏幕截图;
图8是本发明中第一通道预测特征序列与真实特征序列对比的屏幕截图;
图9是本发明中第二通道预测特征序列与真实特征序列对比的屏幕截图;
图10是本发明中第三通道预测特征序列与真实特征序列对比的屏幕截图;
图11是本发明中第四通道预测特征序列与真实特征序列对比的屏幕截图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。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他实施例,都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
如图1~图3所示,本发明公开了一种基于振动特征的高压并联电抗器机械状态评估方法包括S1高压并联电抗器振动信号和噪声信号采集及数据预处理、S2建立LSTM神经网络模型并设置参数、S3利用LSTM神经网络预测信号基频幅值和S4利用综合偏差因子对高压并联电抗器运行状态进行评估的步骤,具体如下:
S1高压并联电抗器振动信号和噪声信号采集及数据预处理
S101测点布置
将第一通道的第一振动传感器固定在高压并联电抗器箱体的正面,第二通道的第二振动传感器固定在高压并联电抗器箱体的侧面,第三通道的第三振动传感器固定在高压并联电抗器箱体的背面,第四通道的传声器固定在高压并联电抗器箱体正面的前方,形成四个测点。
S102采集设备
将第一振动传感器通过线缆连接至采集卡的第一通道,将第二振动传感器通过线缆连接至采集卡的第二通道,将第三振动传感器通过线缆连接至采集卡的第三通道,将传声器通过线缆连接至采集卡的第四通道,将采集卡通过数据线连接至电脑。
S103采集周期
以30min为采集周期,对三个测点的振动信号和一个测点的噪声信号进行采集。
S104从信号中提取特征
对四通道采集到的信号进行快速傅里叶变换,提取基频幅值,每一组基频幅值形成一个特征序列,四组基频幅值共形成四个特征序列,其中每一通道的序列形式为f(s)={f1,f2,…fs}。
S105对特征序列滤波
对四个通道的时间序列进行滤波处理,将滤波后的结果作为LSTM神经网络的输入,组合滤波器定义如下:
式1中,f(s)为每个通道过滤前的基频特征序列,向量,每个特征序列经过信号采集、快速傅里叶变换直接得到;y(s)为原始特征序列经过上式滤波后获得,向量;OC为开-闭形态学滤波方式,CO为闭-开形态学滤波方式。
S2建立LSTM神经网络模型并设置参数
S201确定输入层、隐层和输出层神经元个数
确定神经网络的输入层神经元为480,输出层神经元为48,隐层神经元为24。
S202构建预测模型
根据隐层层数为1,构建神经网络模型,网络的隐层具有时序关系,显著的特征在于具有当前信息的隐藏层的输出作为输入被转移到下一时间步的隐藏层。
S3利用LSTM神经网络预测信号基频幅值
S301输入序列
将S103步骤中过滤后的序列作为输入。
S302确定学习率、迭代次数和误差标准
确定神经网络学习率为0.001,迭代次数为5000,误差标准为0.00001。
S303确定当前时刻遗忘门
进行预测的过程中,时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息,其输出
ft=σ(Wf·xt+Ufht-1+bf) (2)
式2中,ft为遗忘门,用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息,数值;xt为特征序列中当前时刻的输入,数值;ht-1为上一时刻的输出结果,数值;Wf为当前时刻输入xt的权重值,数值;Uf为上时刻输出ht-1的权重值,数值;bf为计算遗忘门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,公式为:
式3中,j为sigmoid激活函数的自变量,数值;σ(j)为自变量j经过映射后的结果,其范围在0到1之间,数值。
S304确定当前时刻输入门
时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息,即
it=σ(Wixt+Uiht-1+bi) (4)
式4中,it为输入门,用来筛选当前时刻的信息中需要保留的信息和需要删除的信息,数值;Wi为当前时刻输入xt的权重值,数值,Ui为上时刻输出ht-1的权重值,数值;bi为计算输入门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间。
S305确定当前时刻候选信息
式5中,表示当前时刻的候选信息,数值;包含着当前时刻输入xt和上一时刻输出ht-1的信息;Wc为当前时刻输入xt的权重值,数值;Uc为上时刻输出ht-1的权重值,数值;bc为计算当前候选信息的偏置,数值;tanh为激活函数,计算结果介值于-1到1之间,公式为:
式6中,k为tanh激活函数的自变量,数值;tanh(k)为自变量k经过映射后的结果,其范围在-1到1之间,数值。
S306确定当前时刻候选信息中要保留下的信息
S307确定当前时刻单元状态
S308确定当前时刻输出门
时间序列预测模型中的输出门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输出的信息,即输出门
ot=σ(Woxt+Uoht-1+bo) (8)
式8中,ot为输出门,用来筛选当前时刻的信息中需要输出的信息,数值;Wo为当前时刻输入xt的权重值,数值;Uo为上时刻输出ht-1的权重值,数值;bo为计算输出门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间。
则当前时刻的输出为
ht=ot*tanh(Ct) (9)
式9中,ht为当前时刻的输出,数值;Ct为当前时刻的存储单元状态,数值;ot为输出门,数值;tanh为激活函数,用来将变量映射到在0到1之间。
S309预测特征序列
通过神经网络计算得到预测序列,
F={f1,f2,…fi} (10)
式10中,F为预测模型计算得到的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;fi为序列F中的第i个时刻的特征,数值。
S4利用综合偏差因子对高压并联电抗器运行状态进行评估
S401计算综合偏差因子预测特征序列
M={m1,m2,…mi} (11)
式11中,M为待研究时间段内真实的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;mi为序列M中的第i个时刻的特征,数值。序列M中的每个值都由S105步骤过滤获得。
将预测序列Fi={f1,f2,…fi}与实际的待研究序列Mi={m1,m2,…mi}进行对比,并计算综合偏差因子h,综合偏差衡量因子定义如下:
式12中,h为预测序列{f1,f2,…fi}和真实序列{m1,m2,…mi}计算得到的综合偏差因子,数值;i为两序列下标,数值,与公式10和公式11中的一样;p为序列长度,数值。
S402判断综合偏差因子预测特征序列是否大于阈值
若h大于综合偏差衡量因子上限hmax,说明振动信号的特征与理想值偏差较大,高压并联电抗器内部紧固部件产生了一定的缺陷,发出报警,建议hmax取值范围为[0.05,0.15]。
S403告警或重复以上步骤
若综合偏差衡量因子h小于误差因子上限hmax,继续采集数据,并基于当前数据执行S1的步骤。
其中,第一至第三振动传感器均为压电式振动传感器,采集卡为四通道采集卡,压电式振动传感器、传声器、四通道采集卡和电脑本身以及相应的通信连接技术为现有技术在此不再赘述。
本申请的发明构思:
本方案提出的方法主要用于实现高压并联电抗器的运行状态评估。
1、目前常见的高压并联电抗器状态评估方法有油色谱法、特高频法、超声法,这些方法在高压并联电抗器故障后期(出现绝缘缺陷)陷诊断方面表现出较高的准确性,但对于其早期机械故障难以及时诊断。振动法利用高压并联电抗器油箱表面的振动信号检测其机械状态,具有在线、非侵入和对早期机械故障反应灵敏的优点,为了进行全面持续的故障监测,有必要采用在线监测系统对高压并联电抗器油箱表面进行持续的振动噪声采集。
2、振动法实现了高压并联电抗器油箱表面振动信号的实时观测和记录。但是不同电压等级、不同生产厂家的高压并联电抗器表面振动信号有所不同,即使是同一生产厂家生产的同一种类高压并联电抗器,由于生产工艺把控和高压并联电抗器本身机械系统的复杂性,其振动信号也会不同,并且对于某台特定的高压并联电抗器,在其运行的不同阶段,振动信号也会随运行年限增长和环境因素的波动而发生改变,目前的诊断评估方法未充分考虑被观测高压并联电抗器在不同时间维度下本身的运行特征,其典型健康振动信号集、典型故障振动信号集的选择和判据的确立往往基于自于一次实验室小模型实验的统计、经验结果或其它在运电抗器相关统计结果,给高压并联电抗器状态评估带来了一定困难。针对基于振动信号的高压并联电抗器机械状态评估,发明一种综合利用设备本体获取随时间变化的特征数据,判据具有个性化和能自适应当前运行环境和运行年限的高压并联电抗器振动特征评估方法具有重要意义。
因为本申请选用的在线监测系统可以全面地监测内部机械状态,并能将数据形成完整的时序序列,同时为了预测振动噪声信号特征值,提出基于LSTM神经网络的高压并联电抗器振动特征评估。目前未发现与本方案接近的技术方案。
本申请的目的:
本申请的技术方案适用于在具备完备高压并联电抗器时间序列数据集的前提下,对其进行特征值的序列预测故障诊断。
本申请的技术贡献:
高压并联电抗器在实际运行过程中,铁芯和绕组由于受到应力作用产生振动,电抗器内部机械状态与振动噪声信号特征联系紧密,因此,提前预测振动噪声信号的特征值可有效提前关注电抗器运行状态并及时采取措施。
为解决上述技术问题,本发明所采取的技术方案是:按照固定采集周期持续对高压并联电抗器油箱表面采集振动信号和噪声信号,提取信号中的特征值并组成时间序列,结合时间序列预测模型,计算预测值与实际值的综合偏差衡量因子,由该因子的大小判断电抗器油箱内部是否发生非自然趋势的机械缺陷或故障,从而形成高压并联电抗器运行状态的评估方法。
S1高压并联电抗器振动信号和噪声信号采集及数据预处理
S101测点布置
如图2所示,将第一通道的第一振动传感器固定在高压并联电抗器箱体的正面中心位置,高度为1.9m;第二通道的第二振动传感器固定在高压并联电抗器箱体的侧面中心位置,高度为1.9m;第三通道的第三振动传感器布置在高压并联电抗器箱体的背面中心位置,高度为1.9m;第四通道的传声器固定在高压并联电抗器箱体正面中心位置的前方,与高压并联电抗器箱体的正表面水平距离1m的位置,高度为1.6m。
S102采集设备
第一至第三振动传感器均为压电式振动传感器,采集卡为四通道采集卡,将第一振动传感器通过线缆连接至采集卡的第一通道,将第二振动传感器通过线缆连接至采集卡的第二通道,将第三振动传感器通过线缆连接至采集卡的第三通道,将传声器通过线缆连接至采集卡的第四通道,将采集卡通过数据线连接至电脑,采集卡采集到的数据通过电脑查看。电脑即PC段,为笔记本电脑或者台式电脑。
S103采集周期
以30min为采集周期,对四个测点的振动信号和噪声信号进行同步地全天候持续采集。
S104从信号中提取特征
分别对四通道采集到的信号进行快速傅里叶变换,提取基频幅值,并由四组基频幅值形成四个特征序列,其中各通道的序列形式为f(s)={f1,f2,…fs}。
S105对特征序列滤波
对四个通道的时间序列进行滤波处理,将滤波后的结果作为LSTM神经网络的输入,其中组合滤波器定义如下:
式1中,f(s)为每个通道过滤前的基频特征序列,无单位,仅表示向量,每个特征序列经过信号采集、快速傅里叶变换直接得到;y(s)为原始特征序列经过上式滤波后获得,无单位,仅表示向量;OC为开-闭形态学滤波方式,CO为闭-开形态学滤波方式。
S2建立LSTM神经网络模型并设置参数
S201确定输入层、隐层和输出层神经元个数
确定神经网络的输入层神经元为480,输出层神经元为48,隐层神经元为24。
S202构建预测模型
如图3所示,根据隐层层数为1,构建神经网络模型,网络的隐层从左到右具有时序关系,显著的特征在于具有当前信息的隐藏层的输出作为输入的一部分被转移到下一时间步的隐藏层。隐藏层中包含遗忘门、输入门和输出门,即对于上一时刻的信息,选择性地删除一部分;对当前时刻的输入,选择性地留下一部分;当前时刻的输出结果为上一时刻的输出和当前时刻的输入信息中被留下的部分。
S3利用LSTM神经网络预测信号基频幅值
S301输入序列
以其中一个通道为例,将S103步骤中过滤后的序列作为输入。
S302确定学习率、迭代次数和误差标准
确定神经网络学习率为0.001,迭代次数为5000,误差标准为0.00001。
S303确定当前时刻遗忘门
进行预测的过程中,时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息,其输出
ft=σ(Wf·xt+Ufht-1+bf) (2)
式2中,ft为遗忘门,用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息,无单位,形式为数值;xt为特征序列中当前时刻的输入,无单位,形式为数值;ht-1为上一时刻的输出结果,无单位,形式为数值;Wf为当前时刻输入xt的权重值,无单位,形式为数值;Uf为上时刻输出ht-1的权重值,无单位,形式为数值;bf为计算遗忘门的偏置,无单位,形式为数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,公式为:
式3中,j为sigmoid激活函数的自变量,无单位,形式为数值;σ(j)为自变量j经过映射后的结果,其范围在0到1之间,无单位,形式为数值。式3具体解释了式2中sigmoid函数的计算方式。
S304确定当前时刻输入门
时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息,即
it=σ(Wixt+Uiht-1+bi) (4)
式4中,it为输入门,用来筛选当前时刻的信息中需要保留的信息和需要删除的信息,无单位,形式为数值;Wi为当前时刻输入xt的权重值,无单位,形式为数值,Ui为上时刻输出ht-1的权重值,无单位,形式为数值;bi为计算输入门的偏置,无单位,形式为数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,解释同上。
S305确定当前时刻候选信息
式5中,表示当前时刻的候选信息,无单位,形式为数值;包含着当前时刻输入xt和上一时刻输出ht-1的信息;Wc为当前时刻输入xt的权重值,无单位,形式为数值;Uc为上时刻输出ht-1的权重值,无单位,形式为数值;bc为计算当前候选信息的偏置,无单位,形式为数值;tanh为激活函数,计算结果介值于-1到1之间,公式为:
式6中,k为tanh激活函数的自变量,无单位,形式为数值;tanh(k)为自变量k经过映射后的结果,其范围在-1到1之间,无单位,形式为数值。式6具体解释了式5中tanh函数的计算方式。sigmoid函数和tanh函数都可以做为激活函数,但两者形式不同,得到的结果范围不同。
S306确定当前时刻候选信息中要保留下的信息
S307确定当前时刻单元状态
式7中,Ct为当前时刻的存储单元状态,无单位,形式为数值;ft为遗忘门,无单位,形式为数值,即为式2中的计算结果;Ct-1为上一时刻的存储单元状态,无单位,形式为数值,最初时刻的存储单元状态只与最初时刻的输入x1有关,即C1=tanh(Wix1);it为输入门,无单位,形式为数值,即为式4中的计算结果;为当前时刻的候选状态,无单位,形式为数值。由式2计算得到的遗忘门ft决定了上一时刻状态Ct-1需要保留的信息,由式4计算得到的输入门it决定了当前时刻候选状态需要保留的信息。
S308确定当前时刻输出门
时间序列预测模型中的输出门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输出的信息,即输出门
ot=σ(Woxt+Uoht-1+bo) (8)
式8中,ot为输出门,用来筛选当前时刻的信息中需要输出的信息,无单位,形式为数值;Wo为当前时刻输入xt的权重值,无单位,形式为数值;Uo为上时刻输出ht-1的权重值,无单位,形式为数值;bo为计算输出门的偏置,无单位,形式为数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,解释同上。
则当前时刻的输出为
ht=ot*tanh(Ct) (9)
式9中,ht为当前时刻的输出,无单位,形式为数值;Ct为当前时刻的存储单元状态,无单位,形式为数值;ot为输出门,即为式8中的计算结果,无单位,形式为数值;tanh为激活函数,用来将变量映射到在0到1之间,解释同上;输出门ot决定了当前信息可以输出的部分。
针对上述过程的描述需解释的方面:预测模型的计算过程整体围绕上一时刻的信息来计算当前时刻的信息,再利用当前时刻信息,计算未来时刻的信息,从而实现特征序列预测。
S309预测特征序列
通过神经网络计算得到预测序列,
F={f1,f2,…fi} (10)
式10中,F为预测模型计算得到的特征序列,无单位,形式为一维序列;i为序列对应的时刻,无单位,形式为数值,根据采集信号的采集周期,时刻i每30min增加一次;fi为序列F中的第i个时刻的特征,无单位,形式为数值,特征序列中的每个值都由式9计算获得。
S4利用综合偏差因子对高压并联电抗器运行状态进行评估
S401计算综合偏差因子预测特征序列
M={m1,m2,…mi} (11)
式11中,M为待研究时间段内真实的特征序列,无单位,形式为一维序列;i为序列对应的时刻,无单位,形式为数值,根据采集信号的采集周期,时刻i每30min增加一次;mi为序列M中的第i个时刻的特征,无单位,形式为数值;式11中的i与式10中的i意义相同,代表时刻同步。序列M中的每个值都由S105过滤获得。
将预测序列Fi={f1,f2,…fi}与实际的待研究序列Mi={m1,m2,…mi}进行对比,并计算综合偏差因子h,综合偏差衡量因子定义如下:
式12中,h为预测序列{f1,f2,…fi}和真实序列{m1,m2,…mi}计算得到的综合偏差因子,无单位,形式为数值;i为两序列下标,无单位,形式为数值,与公式10和公式11中的一样;p为序列长度,无单位,形式为数值;fi为预测序列中某时刻的特征值,无单位,形式为数值,与公式10中fi相同;mi为实际序列中某时刻的特征值,无单位,形式为数值,与公式11中的mi相同。
S402判断综合偏差因子预测特征序列是否大于阈值
若h大于综合偏差衡量因子上限hmax,说明振动信号的特征与理想值偏差较大,高压并联电抗器内部紧固部件产生了一定的缺陷,发出报警,建议hmax取值范围为[0.05,0.15]。
S403告警或重复以上步骤
若综合偏差衡量因子h小于误差因子上限hmax,继续采集数据,并基于当前数据重复以上步骤。
采用上述技术方案所产生的有益效果在于:
利用振动法对高压并联电抗器油箱表面的振动信号进行采集,具有在线、非侵入和对早期机械故障反应灵敏的优点,基于高压并联电抗器正常状态下四个通道的历史数据以及实时测量数据,并通过提取振动信号基频幅值,能够灵敏地反应油箱内部机械状态。
结合LSTM神经网络时间序列预测模型,可以准确预测出电抗器未来一段时间的振动特征的自然变化趋势,通过对比预测结果与实际数据,发现预测结果预测精确度较高,能够表现出未来一段时间的内部机械状态,具有实际的参考意义。
通过对未来一段时间的预测结果与实际特征值比较,并计算综合偏差衡量因子,可以通过设定阈值来判断电抗器内部是否出现机械方面的缺陷,从而形成了高压并联电抗器运行状态的评估方法。
技术方案分项说明:
该方法将振动传感器与传声器集于同一采集系统上,同步采集振动信号和噪声信号。为了获取完备的数据,该系统每30分钟对油箱表面的振动和噪声进行一次采集。
为了准确评估电抗器的运行状态,对振动噪声信号进行快速傅里叶变换,由时域信号转化为频域信号,提取信号中能体现内部机械状态的基频特征并采用LSTM神经网络预测模型。
油箱表面的振动信号和噪声信号特征值的波动,与内部机械状态的变化有紧密的联系,该方法通过构建LSTM网络模型,从而预测未来一天内正常状态下的振动噪声特征值,如果油箱内部发生较大的机械缺陷,则油箱表面的实际振动特征必然会发生突变,与预测结果产生巨大偏差,通过计算出综合偏差衡量因子,由该衡量因子是否超过阈值来完成电抗器运行状态的评估。
本申请的优点:
采集到现场高压并联电抗器正常运行的振动噪声数据,分别有三个通道的振动信号和一个通道的声学信号,采集设备全天候运行,每30分钟采集一次数据,并存储在云端。对高压并联电抗器油箱表面进行振动监测,三个振动加速度测点分别位于靠近绕组的油箱正面中心和背面中心以及靠近旁轭的侧面中心,声学传感器位于油箱正面中心。利用振动噪声在线监测系统对某1000kV变电站电抗器振动信号和噪声信号进行实时监测。选取能够灵敏地反应高压并联电抗器内部机械状态的振动基频幅值作为特征量,将各通道的信号基频幅值形成完整的时序序列,对未来一段时间的基频幅值进行预测,提出基于LSTM神经网络预测模型的高压并联电抗器振动特征评估,通过对比实际趋势和预测出来的趋势,能够明显判断机械状态和特征走向。
本申请保密运行一段时间后,现场技术人员反馈的有益之处在于:
1、本申请通过在线监测系统对高压并联电抗器振动噪声信号进行采集,选取能够灵敏地反应高压并联电抗器内部机械状态的振动基频幅值作为特征量。
2、本申请将数据形成完整的时序序列,对振动基频幅值进行预测,提出基于LSTM神经网络预测模型的高压并联电抗器振动特征评估,通过对比实际趋势和预测出来的趋势,能够明显判断机械状态和特征走向。
Claims (8)
1.一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:基于高压并联电抗器的历史状态数据和实时振动噪声信号数据,通过LSTM神经网络时间序列预测方法,对比预测特征值与实际特征值的偏差,衡量高压并联电抗器是或否出现机械缺陷或故障;包括S1高压并联电抗器振动信号和噪声信号采集及数据预处理、S2建立LSTM神经网络模型并设置参数、S3利用LSTM神经网络模型预测振动信号和噪声信号基频幅值和S4利用综合偏差衡量因子对高压并联电抗器运行状态进行评估的步骤,
采集高压并联电抗器油箱表面的振动信号和噪声信号,提取振动信号和噪声信号中的特征值并组成特征序列,结合时间序列预测模型,计算预测特征值与实际特征值的综合偏差衡量因子,通过该综合偏差衡量因子判断衡量高压并联电抗器的油箱内部是或否发生非自然趋势的机械缺陷或故障;
所述S2建立LSTM神经网络模型并设置参数的步骤包括S201确定输入层、隐藏层和输出层神经元个数和S202构建时间序列预测模型的步骤,
S2建立LSTM神经网络模型并设置参数
S201确定输入层、隐藏层和输出层神经元个数
S202构建时间序列预测模型
根据隐藏层层数为1,构建LSTM神经网络模型,网络的隐藏层具有时序关系,具有当前信息的隐藏层的输出作为输入被转移到下一时间步的隐藏层;
所述S4利用综合偏差衡量因子对高压并联电抗器运行状态进行评估的步骤包括S401计算综合偏差衡量因子预测特征序列、S402判断综合偏差衡量因子预测特征序列是否大于阈值和S403告警或重复步骤S1至S4,
S4利用综合偏差衡量因子对高压并联电抗器运行状态进行评估
S401计算综合偏差衡量因子预测特征序列
Mi={m1,m2,…mi} (11)
式(11)中,Mi为真实的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;mi为序列Mi中的第i个时刻的特征,数值;
将预测序列Fi={f1,f2,…fi}与真实的特征序列Mi={m1,m2,…mi}进行对比,并计算综合偏差衡量因子h,综合偏差衡量因子定义如下:
式(12)中,h为综合偏差衡量因子,数值;i为预测序列和真实的特征序列两序列下标,数值;p为序列长度,数值;fi为预测序列中第i个时刻的预测特征值,数值;mi为真实的特征序列中第i个时刻的实际特征值,数值;
式(12)中,h为预测序列{f1,f2,…fi}和真实的特征序列{m1,m2,…mi}计算得到的综合偏差衡量因子,数值;
S402判断综合偏差衡量因子预测特征序列是否大于阈值
若h大于综合偏差衡量因子上限hmax,说明振动信号的特征与理想值偏差较大,高压并联电抗器内部紧固部件产生了一定的缺陷,发出报警,hmax取值范围为[0.05,0.15];
S403告警或重复步骤S1至S4
若综合偏差衡量因子h小于综合偏差衡量因子上限hmax,继续采集数据,并基于当前数据执行S1的步骤。
2.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:将高压并联电抗器油箱表面的振动信号和噪声信号的基频幅值作为特征值。
3.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:将30分钟作为一个采样周期,采集高压并联电抗器油箱表面的振动信号和噪声信号。
4.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:通过LSTM神经网络模型预测高压并联电抗器未来一段时间内的振动特征值。
5.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:基于LSTM神经网络模型对振动特征的预测结果,计算预测特征值与实际特征值的综合偏差衡量因子,将综合偏差衡量因子作为状态评估指标。
6.根据权利要求1所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:在步骤S201中,确定LSTM神经网络模型的输入层神经元为480,输出层神经元为48,隐藏层神经元为24。
7.根据权利要求6所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:所述S1高压并联电抗器振动信号和噪声信号采集及数据预处理的步骤包括S101测点布置、S102采集设备、S103采集周期、S104从信号中提取特征和S105对特征序列滤波的步骤,
S1高压并联电抗器振动信号和噪声信号采集及数据预处理
S101测点布置
将第一通道的第一振动传感器固定在高压并联电抗器箱体的正面,第二通道的第二振动传感器固定在高压并联电抗器箱体的侧面,第三通道的第三振动传感器固定在高压并联电抗器箱体的背面,第四通道的传声器固定在高压并联电抗器箱体正面的前方,形成四个测点;
S102采集设备
将第一振动传感器通过线缆连接至采集卡的第一通道,将第二振动传感器通过线缆连接至采集卡的第二通道,将第三振动传感器通过线缆连接至采集卡的第三通道,将传声器通过线缆连接至采集卡的第四通道,将采集卡通过数据线连接至电脑;
S103采集周期
以30min为采集周期,对三个测点的振动信号和一个测点的噪声信号进行采集;
S104从信号中提取特征
对四通道采集到的信号进行快速傅里叶变换,提取基频幅值,每一组基频幅值形成一个特征序列,四组基频幅值共形成四个特征序列,其中每一通道的特征序列形式为f(s)={f1,f2,…fs};
S105对特征序列滤波
对四个通道的特征序列进行滤波处理,将滤波后的结果作为LSTM神经网络模型的输入,组合滤波器定义如下:
式(1)中,f(s)为每个通道过滤前的基频幅值特征序列,向量,每个特征序列经过信号采集、快速傅里叶变换直接得到;y(s)为原始特征序列经过上式滤波后获得,向量;OC为开-闭形态学滤波方式,CO为闭-开形态学滤波方式。
8.根据权利要求7所述的一种基于振动特征的高压并联电抗器机械状态评估方法,其特征在于:所述S3利用LSTM神经网络模型预测振动信号和噪声信号基频幅值的步骤包括S301输入序列、S302确定学习率、迭代次数和误差标准、S303确定当前时刻遗忘门、S304确定当前时刻输入门、S305确定当前时刻候选信息、S306确定当前时刻候选信息中要保留下的信息、S307确定当前时刻单元状态、S308确定当前时刻输出门和S309预测特征序列的步骤,
S3利用LSTM神经网络模型预测振动信号和噪声信号基频幅值
S301输入序列
将S105步骤中过滤后的序列作为输入;
S302确定学习率、迭代次数和误差标准
确定LSTM神经网络模型学习率为0.001,迭代次数为5000,误差标准为0.00001;
S303确定当前时刻遗忘门
进行预测的过程中,时间序列预测模型中的遗忘门在接收到上一个单元状态Ct-1传送过来的信息后确定从中遗忘的信息和保留的信息,遗忘门输出
ft=σ(Wf·xt+Ufht-1+bf) (2)
式(2)中,ft为遗忘门,用来筛选上一时刻的信息中需要保留的信息和需要遗忘的信息,数值;xt为特征序列中当前时刻的输入,数值;ht-1为上一时刻的输出结果,数值;Wf为当前时刻输入xt的权重值,数值;Uf为上一时刻输出ht-1的权重值,数值;bf为计算遗忘门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间,公式为:
式(3)中,j为sigmoid激活函数的自变量,数值;σ(j)为自变量j经过映射后的结果,其范围在0到1之间,数值;e是指数函数;
S304确定当前时刻输入门
时间序列预测模型中的输入门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输入的信息,即
it=σ(Wixt+Uiht-1+bi) (4)
式(4)中,it为输入门,用来筛选当前时刻的信息中需要保留的信息和需要删除的信息,数值;Wi为当前时刻输入xt的权重值,数值,Ui为上一时刻输出ht-1的权重值,数值;bi为计算输入门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间;
S305确定当前时刻候选信息
式(5)中,表示当前时刻的候选信息,数值;包含着当前时刻输入xt和上一时刻输出ht-1的信息;Wc为当前时刻输入xt的权重值,数值;Uc为上一时刻输出ht-1的权重值,数值;bc为计算当前候选信息的偏置,数值;tanh为激活函数,计算结果值介于-1到1之间,公式为:
式(6)中,k为tanh激活函数的自变量,数值;tanh(k)为自变量k经过映射后的结果,tanh(k)取值范围在-1到1之间,数值;
S306确定当前时刻候选信息中要保留下的信息
S307确定当前时刻单元状态
S308确定当前时刻输出门
时间序列预测模型中的输出门在接收到当前时刻输入xt和上一时刻输出ht-1的信息后确定要输出的信息,即输出门
ot=σ(Woxt+Uoht-1+bo) (8)
式(8)中,ot为输出门,用来筛选当前时刻的信息中需要输出的信息,数值;Wo为当前时刻输入xt的权重值,数值;Uo为上一时刻输出ht-1的权重值,数值;bo为计算输出门的偏置,数值;σ为sigmoid激活函数,用来将变量映射到在0到1之间;
则当前时刻的输出为
ht=ot*tanh(Ct) (9)
式(9)中,ht为当前时刻的输出,数值;Ct为当前时刻单元状态,数值;ot为输出门,数值;tanh为激活函数,用来将变量映射到在0到1之间;
S309预测特征序列
通过LSTM神经网络模型计算得到预测序列,
Fi={f1,f2,…fi} (10)
式(10)中,预测序列Fi为时间序列预测模型计算得到的特征序列,形式为一维序列;i为序列对应的时刻,数值,根据采集信号的采集周期,时刻i每30min增加一次;fi为预测序列Fi中的第i个时刻的特征,数值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432433.XA CN111638028B (zh) | 2020-05-20 | 2020-05-20 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
PCT/CN2020/118210 WO2021232655A1 (zh) | 2020-05-20 | 2020-09-27 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
US17/244,947 US20210364481A1 (en) | 2020-05-20 | 2021-04-29 | Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432433.XA CN111638028B (zh) | 2020-05-20 | 2020-05-20 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111638028A CN111638028A (zh) | 2020-09-08 |
CN111638028B true CN111638028B (zh) | 2022-05-10 |
Family
ID=72328939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432433.XA Active CN111638028B (zh) | 2020-05-20 | 2020-05-20 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111638028B (zh) |
WO (1) | WO2021232655A1 (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及系统 |
CN112098066A (zh) * | 2020-09-21 | 2020-12-18 | 陕西师范大学 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
CN113033695B (zh) * | 2021-04-12 | 2023-07-25 | 北京信息科技大学 | 一种电子器件故障的预测方法 |
CN113111564B (zh) * | 2021-05-24 | 2023-05-23 | 扬州大学 | 基于自适应预测区间内置式芦苇收割机健康状态评估方法 |
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
CN114564877B (zh) * | 2021-12-29 | 2024-05-10 | 西安交通大学 | 一种滚动轴承寿命预测方法、系统、设备及可读存储介质 |
CN114091984B (zh) * | 2022-01-21 | 2022-04-22 | 北京智盟信通科技有限公司 | 一种电力变压器运行状态评估方法和设备 |
CN114819054B (zh) * | 2022-03-11 | 2024-02-27 | 西北工业大学 | 一种基于物理信息神经网络的电力电子系统状态监测方法 |
CN114924157B (zh) * | 2022-06-16 | 2022-12-20 | 中国矿业大学(北京) | 一种基于5g传输的并联电抗器状态监测方法及系统 |
CN114810513B (zh) * | 2022-06-24 | 2022-09-09 | 江苏奥派电气科技有限公司 | 基于5g通信的风力发电机轴承振动故障智能监测系统 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
CN115329639B (zh) * | 2022-08-26 | 2023-10-20 | 中国长江三峡集团有限公司 | 一种风电站维护方法、平台和电子设备 |
CN115563475A (zh) * | 2022-10-25 | 2023-01-03 | 南京工业大学 | 一种挖掘机液压系统的压力软传感器 |
CN116151169B (zh) * | 2022-11-30 | 2024-03-12 | 西安西电变压器有限责任公司 | 预测电抗器噪声强度的方法和装置 |
CN115859835B (zh) * | 2023-02-20 | 2023-06-20 | 西安华创马科智能控制系统有限公司 | 基于顶板振动波的来压预测方法及装置 |
CN116307190B (zh) * | 2023-03-21 | 2024-03-26 | 信通院(江西)科技创新研究院有限公司 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
CN116205375B (zh) * | 2023-04-18 | 2023-09-01 | 北京市南水北调团城湖管理处 | 一种泵站机组运行状态预测方法和系统 |
CN116256054B (zh) * | 2023-05-15 | 2023-08-04 | 广东电网有限责任公司阳江供电局 | 一种桥臂电抗器的故障监测方法、系统、设备和介质 |
CN117349797B (zh) * | 2023-12-04 | 2024-02-06 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及系统 |
CN117670260B (zh) * | 2024-01-31 | 2024-04-30 | 成都三一能源环保技术有限公司 | 一种基于数据分析的井下钻井仪器使用周期管理系统 |
CN117889943B (zh) * | 2024-03-13 | 2024-05-14 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5521840A (en) * | 1994-04-07 | 1996-05-28 | Westinghouse Electric Corporation | Diagnostic system responsive to learned audio signatures |
EP0787980A2 (en) * | 1996-01-30 | 1997-08-06 | THE BABCOCK & WILCOX COMPANY | Measuring a load on a part and monitoring the integrity of the part |
US6029157A (en) * | 1995-08-02 | 2000-02-22 | Siemens Aktiengesellschaft | Method for determining state parameters of a chemical reactor with artificial neural networks |
JP2002122571A (ja) * | 2000-10-12 | 2002-04-26 | Kenzo Miya | 欠陥検査方法と欠陥検査装置 |
CN108761228A (zh) * | 2018-03-30 | 2018-11-06 | 大连理工大学 | 量测大数据下的电力变压器运行状态评估方法 |
CN110178280A (zh) * | 2016-12-27 | 2019-08-27 | 威拓股份有限公司 | 用于电网中受屏蔽的系统的分层隐式控制器 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
CN111178612A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户基于大数据odps引擎的lstm负荷预测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101409986B1 (ko) * | 2013-07-15 | 2014-06-20 | 시그널링크 주식회사 | 진동모니터링 결함진단장치 |
US20160290892A1 (en) * | 2013-11-22 | 2016-10-06 | Sun Hwi LEE | Method for diagnosing fault of facilities using vibration characteristic |
CN108303253B (zh) * | 2017-12-06 | 2019-10-18 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108584592B (zh) * | 2018-05-11 | 2019-10-11 | 浙江工业大学 | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 |
CN109033612B (zh) * | 2018-07-20 | 2023-05-05 | 广西电网有限责任公司电力科学研究院 | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 |
CN109813420A (zh) * | 2019-01-18 | 2019-05-28 | 国网江苏省电力有限公司检修分公司 | 一种基于Fuzzy-ART的并联电抗器故障诊断方法 |
CN109932053B (zh) * | 2019-03-19 | 2021-10-08 | 国网江苏省电力有限公司检修分公司 | 一种用于高压并联电抗器的状态监测装置及方法 |
CN110210516A (zh) * | 2019-04-25 | 2019-09-06 | 合刃科技(武汉)有限公司 | 基于深度学习的机床异常识别方法、系统及终端设备 |
CN110175425B (zh) * | 2019-05-31 | 2023-02-21 | 重庆大学 | 一种基于mmalstm的齿轮剩余寿命的预测方法 |
CN110361207B (zh) * | 2019-07-25 | 2021-03-16 | 中南大学 | 一种智能列车走行部在线状态预测系统及其方法 |
CN110672323B (zh) * | 2019-09-02 | 2021-03-26 | 佛山科学技术学院 | 一种基于神经网络的轴承健康状态评估方法及装置 |
CN110619182A (zh) * | 2019-09-24 | 2019-12-27 | 长沙理工大学 | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 |
CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
CN110956154A (zh) * | 2019-12-11 | 2020-04-03 | 哈尔滨高斯触控科技有限公司 | 一种基于cnn-lstm的振动信息地形分类识别方法 |
CN111638028B (zh) * | 2020-05-20 | 2022-05-10 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2020
- 2020-05-20 CN CN202010432433.XA patent/CN111638028B/zh active Active
- 2020-09-27 WO PCT/CN2020/118210 patent/WO2021232655A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5521840A (en) * | 1994-04-07 | 1996-05-28 | Westinghouse Electric Corporation | Diagnostic system responsive to learned audio signatures |
US6029157A (en) * | 1995-08-02 | 2000-02-22 | Siemens Aktiengesellschaft | Method for determining state parameters of a chemical reactor with artificial neural networks |
EP0787980A2 (en) * | 1996-01-30 | 1997-08-06 | THE BABCOCK & WILCOX COMPANY | Measuring a load on a part and monitoring the integrity of the part |
JP2002122571A (ja) * | 2000-10-12 | 2002-04-26 | Kenzo Miya | 欠陥検査方法と欠陥検査装置 |
CN110178280A (zh) * | 2016-12-27 | 2019-08-27 | 威拓股份有限公司 | 用于电网中受屏蔽的系统的分层隐式控制器 |
CN108761228A (zh) * | 2018-03-30 | 2018-11-06 | 大连理工大学 | 量测大数据下的电力变压器运行状态评估方法 |
CN110534118A (zh) * | 2019-07-29 | 2019-12-03 | 安徽继远软件有限公司 | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 |
CN110929769A (zh) * | 2019-11-14 | 2020-03-27 | 保定赛瑞电力科技有限公司 | 一种基于振动和声音的电抗器机械类故障联合检测模型、方法及装置 |
CN111178612A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户基于大数据odps引擎的lstm负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
"基于深度学习的变压器状态评估技术研究";代杰杰;《中国博士学位论文全文数据库 工程科技II辑》;20200115(第01(2020)期);正文第57-67页 * |
"基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法";刘云鹏,许自强,董王英;《中国电机工程学报》;20190530;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111638028A (zh) | 2020-09-08 |
WO2021232655A1 (zh) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111638028B (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
US20210364481A1 (en) | Method for evaluating mechanical state of high-voltage shunt reactor based on vibration characteristics | |
Su et al. | Safety warning of lithium-ion battery energy storage station via venting acoustic signal detection for grid application | |
CN113609955B (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法 | |
CN108053110B (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
CN110702418A (zh) | 航空发动机故障预测方法 | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN111931849B (zh) | 一种水电机组运行数据趋势预警方法 | |
CN113470694A (zh) | 水轮机组遥听监测方法、装置和系统 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN114186379A (zh) | 基于回声网络和深度残差神经网络的变压器状态评估方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN111337244A (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
CN112329825B (zh) | 基于信息分维及提升决策树的变压器机械故障诊断方法 | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
CN115468751A (zh) | 一种变压器声音采集与缺陷识别的方法与装置 | |
CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |