CN111650451B - 一种换流变故障原因辨识方法及系统 - Google Patents

Abstract

本发明公开了一种换流变故障原因辨识方法及系统，该方法用于服务器中，所述服务器存储有换流变历史故障数据集和正常数据集，所述方法包括：S101、以所接收到的多维度换流变在线监测数据作为变压器故障诊断模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型；S102、将变压器故障诊断模型的输出结果作为贝叶斯推理模型的一项输入，得出换流变缺陷类型和缺陷原因；S103、根据所得出的换流变缺陷类型和缺陷原因来输出预警设备异常信息。通过将深度置信神经网络输出结果作为贝叶斯推理模型的一项输入，从而推断出换流变缺陷类型和缺陷原因，提前预警设备异常。提高了运维效率，降低了换流变运行风险。

Description

一种换流变故障原因辨识方法及系统

技术领域

本发明涉及直流输电技术领域，具体涉及一种换流变故障原因辨识方法及系统。

背景技术

直流输电技术近年来在我国得到了快速发展，其在长距离输电、跨区域联网及调度灵活等方面的优势日趋显现。电力设备在线监测技术已广泛应用于高压、超高压直流输电系统。换流站设备的在线检测手段逐步丰富和完善，通过在线监测技术的应用，可以对被监测设备的健康状态进行有效的监视和综合分析，进而对设备缺陷及故障进行预判，有计划的进行处理和预防，在线监测系统涵盖了换流站主要的电气设备。换流站的电气设备在线监测系统主要有：换流变/变压器油色谱在线监测、换流变/变压器局部放电在线监测、换流变/变压器智能冷却控制在线监测、断路器SF6在线监测、GIS局部放电在线监测、避雷器泄漏电流在线监测、套管介质损耗在线监测、直流接地极在线监测、绝缘子在线监测等。

目前，换流变的各个在线监测系统分散配置，在线监测信号没有统一存储和显示。现有在线监测设备所监测量均在不同终端显示，而且大多分布在各个服务器上，对运行人员的日常监视带来诸多不便。例如，换流变在线监测、汇控柜温湿度实时监测等，都需要运行维护人员到采集装置处获取相关的信号。随着实时汇集的监控信息量剧增，需要实时分析的告警信息业务激增，迫切需要降低传统监控业务对专责、监控员人工经验的过度依赖，提升监控业务智能分析水平，实际应用中缺少一套对换流变进行全方位监测的解决系统。

多种检测手段获取的设备状态数据更加多源。现有分析多通过油中溶解气体分析评估变压器状态，未充分利用电力变压器的检修历史、缺陷信息以及全面运行工况等状态信息，分析数据过于单一，且针对多种监测状态量出现缓慢增长未超阈值的渐变趋势以及在某时刻换流变监测量突然跃变的情况难以准确识别并告警，同时换流变过热或放电性故障发生时会伴随有铁芯接地电流变大、介质损耗因数异常等相应故障征兆的改变等，因此有必要结合多源信息开展换流变状态的评价。目前已有技术融合多源数据，比如专利文献CN 108196143 A采用BP神经网络和DS证据理论实现交流变压器故障的诊断，但由于换流变结构和特性区别于交流换流变，使得换流变的缺陷和交流变压器缺陷有所不同。依靠现有交流变诊断方法难以全面地识别、诊断换流变各类故障，且由于非正常状态设备样本匮乏，制约了基于神经网络的诊断模型训练效果。

发明内容

本发明目的在于克服上述现有技术的不足提供了一种换流变故障原因辨识方法及系统，以全面地分析推断出换流变缺陷类型和缺陷原因，能提前预警设备异常，提高运维效率，降低换流变运行风险。

为实现上述目的，本发明的技术方案是：

第一方面，本发明实施例提供了一种换流变故障原因辨识方法，用于服务器中，所述服务器存储有换流变历史故障数据集和正常数据集，所述方法包括：

S101、以所接收到的多维度换流变在线监测数据作为变压器故障诊断模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型；

S102、将变压器故障诊断模型的输出结果作为贝叶斯推理模型的一项输入，得出换流变缺陷类型和缺陷原因；

S103、根据所得出的换流变缺陷类型和缺陷原因来输出预警设备异常信息。

进一步地，所述服务器还存储有故障处理知识库，所述方法还包括：

S104、根据换流变的缺陷原因来生成换流变运维检修策略，并将该策略输出。

进一步地，所述构建基于深度置信网络和多维度信息融合的变压器故障诊断模型包括：

根据换流变历史故障数据，选取表征换流变运行状态的连续特征量X＝{a₁,a₂,...,a_m}，故障部位分类集合Y＝{y₁,y₂,...,y_n}，每个类别采用二值编码，最终构成带标签的故障部位样本集U＝{X₁,X₂,...,X_m,Y}；针对巡视、试验离散状态量，构造特征集Z＝{z₁,z₂,...,z_k}，故障原因分类集合C＝{c₁,c₂,...,c_g}，根据历史故障数据统计确定离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)；其中，a₁,a₂,...,a_m表示m个连续特征量，y₁,y₂,...,y_n表示n个故障部位分类，z₁,z₂,...,z_k表示k个离散状态量特征，c₁,c₂,...,c_g表示g个故障原因分类，c_i表示第i个故障原因分类；

建立DBN模型，根据输入的数据类型和输出的缺陷类别确定DBN模型的输入层神经元个数和输出层神经元个数，利用带有故障分类标签的训练集U＝{X₁,X₂,...,X_m,Y}对DBN模型进行无监督逐层训练，最终形成变压器故障诊断模型。

进一步地，所述步骤S102包括：

将待分类样本输入训练好的变压器故障诊断模型，输出得到具体分类以及不同分类n下的概率值；

将DBN模型输出的故障类型作为先验概率，结合检测证据，通过贝叶斯推理算法得到换流变具体原因分类。

进一步地，所述通过贝叶斯推理算法得到换流变具体原因分类包括：

在检测证据z₁,z₂,...,z_k输入下，计算方法为：

P(c_j|z₁,z₂,...,z_k)＝αP(h_j＝1|v,θ)P(z₁,z₂,...,z_k|c_j)

式中，α为正则化因子，P(h_j＝1|v,θ)为类c_j的先验概率，根据步骤102中得到的类c_j发生的概率；P(c_j|z₁,z₂,...,z_k)为类c_j的后验概率，即得到某些信息后重新修正的类c_j发生的概率；根据贝叶斯最大后验准则，贝叶斯网络分类器选择使后验概率P(c_j|z₁,z₂,...,z_k)最大的类c_j为类标签。

进一步地，所述不同分类n下的概率值为深度置信网络中最后一层RBM隐含层神经元的激活概率：

式中，σ(x)＝1/(1+e^-x)，h_j表示最后一层隐含层神经元j，θ＝{w_ij,b_i,d_j}，w_ij为连接可见层第i个神经元与隐含层第j个神经元之间的权重，b_i为可见层神经元的偏置，d_j为隐含层神经元的偏置，v_i为可见层第i个神经元的状态值。

进一步地，所述连续特征量X＝{SF6压力，氢气，乙烷气体含量，乙炔气体含量，微水含量，局放量，油位，油温，铁芯接地电流，夹件接地电流，振动信号，介质损耗因数}，故障部位分类Y＝{正常、绕组故障、铁芯故障、油故障、套管故障、分接开关故障、冷却系统故障}。

进一步地，所述离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)通过统计该特

征量在样本数据集中出现的频率来计算，即：

进一步地，所述多维度换流变在线监测数据包括换流变套管SF6压力，主变内部油色谱，套管、本体、油枕、散热器温度，换流变运行参数；所述换流变运行参数包括汇控柜内温度，汇控柜内湿度，铁芯接地泄漏电流、夹件接地泄漏电流，冷却风机振动，主变噪声。

第二方面，本发明实施例提供一种换流变故障原因辨识系统，包括现场采集装置、无线数据处理单元、无线通信基站以及服务器；

所述现场采集装置包括可见光摄像仪模块、油色谱气体采集模块、红外热像仪模块、温湿度采集装置、泄漏电流采集模块、振动采集模块、噪声采集模块；

所述可见光摄像仪模块，用于采集换流变穿墙套管SF6压力表计和油枕油位表计读数，通过图形识别算法识别表计读数；

所述油色谱参数采集模块，用于采集换流变油中气体和微水含量成份；

所述红外摄像头模块，用于采集换流变关键部位温度；

所述温湿度采集模块，用于采集换流变汇控柜内温湿度；

所述泄漏电流采集模块，用于采集换流变铁芯接地和夹件的泄漏电流；

所述振动采集模块，用于采集换流变表面振动数据，监测换流变内部铁芯及绕组的状态；

所述噪声采集模块，用于采集换流变噪声；

所述无线数据处理单元，用于与现场采集装置的各个模块进行数据处理，并将数据通过无线传输至无线通信基站；

所述无线通信基站，布置于换流站主控楼楼顶，可辐射整个换流变区域，用于汇总无线数据处理单元发送的数据，并将数据通过网口传输至数据换流变监控分析服务器；

所述服务器，将采集的换流变区域在线监测数据存储，并实上述的方法步骤。

本发明与现有技术相比，其有益效果在于：

本发明通过换流变各项监测数据汇集于同一监控服务器内，并通过建立多维度分析模型，基于采集的多源数据提出基于深度置信网络和贝叶斯推理的换流变状态综合诊断方法，选取变压器的多维度在线监测量作为模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型，将深度置信神经网络输出结果作为贝叶斯推理模型的一项输入，从而能够全面地推断出换流变缺陷类型和缺陷原因，提前预警设备异常，提高了运维效率，降低了换流变运行风险。

附图说明

图1为本发明实施例提供的换流变故障原因辨识系统的整体架构；

图2为本发明实施例提供的换流变故障原因辨识系统的硬件架构图；

图3为本发明实施例提供的换流变换流变故障原因辨识方法的流程图；

图4为本发明实施例提供的换流变换流变故障原因辨识方法的运算处理流程图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述。

实施例1：

参阅图1-2所示，本实施例提供的换流变故障原因辨识系统主要包括包括现场采集装置、无线数据处理单元、无线通信基站以及服务器。

其中，该现场采集装置包括可见光摄像仪模块、油色谱气体采集模块、红外热像仪模块、温湿度采集装置、泄漏电流采集模块、振动采集模块、噪声采集模块；该可见光摄像仪模块，用于采集换流变穿墙套管SF6压力表计和油枕油位表计读数，通过图形识别算法识别表计读数；该油色谱参数采集模块，用于采集换流变油中气体和微水含量成份；该红外摄像头模块，用于采集换流变关键部位温度；该温湿度采集模块，用于采集换流变汇控柜内温湿度；该泄漏电流采集模块，用于采集换流变铁芯接地和夹件的泄漏电流；该振动采集模块，用于采集换流变表面振动数据，监测换流变内部铁芯及绕组的状态；该噪声采集模块，用于采集换流变噪声；该无线数据处理单元，用于与现场采集装置的各个模块进行数据处理，并将数据通过无线传输至无线通信基站；该无线通信基站，布置于换流站主控楼楼顶，可辐射整个换流变区域，用于汇总无线数据处理单元发送的数据，并将数据通过网口传输至数据换流变监控分析服务器。也就是说，通过现场采集装能够监测得到换流变的多源数据，具备如表1所示：

表1换流变监测多源数据模型

如此，通过在线采集换流变套管SF6压力，主变内部油色谱，套管、本体、油枕、散热器温度，汇控柜内温度，汇控柜内湿度，铁芯接地泄漏电流、夹件接地泄漏电流，冷却风机振动，主变噪声等换流变运行参数，将不同传感器采集的各种数据通过无线转发装置上送到统一云服务器平台，并保存入数据库。而该服务器则建立有换流变历史故障数据集和正常数据集，数据包括设备台账、监测状态量、试验状态量、故障类型。结合故障设备部位、故障原因以及运维检修导则，汇总形成典型故障处理知识库。当服务器接收到在线监测的换流变运行参数时，如图3-4，其对所采集到的多维度数据进行如下的在线分析处理包括如下步骤：

S101、以所接收到的多维度换流变在线监测数据作为变压器故障诊断模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型；

S102、将变压器故障诊断模型的输出结果作为贝叶斯推理模型的一项输入，得出换流变缺陷类型和缺陷原因；

S103、根据所得出的换流变缺陷类型和缺陷原因来输出预警设备异常信息。

由此可见，通过将换流变各项监测数据汇集于同一监控服务器内，并通过建立多维度分析模型，基于采集的多源数据提出基于深度置信网络和贝叶斯推理的换流变状态综合诊断方法，选取变压器的多维度在线监测量作为模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型，将深度置信神经网络输出结果作为贝叶斯推理模型的一项输入，从而可以全面地推断出换流变缺陷类型和缺陷原因，提前预警设备异常，提高了运维效率，降低了换流变运行风险。

作为本实施例的一种优选，该服务器还可以进行如下的分析处理：

S104、基于换流变故障典型案例库，结合缺陷原因，生成换流变运维检修策略，并将该策略输出至客户端中，该客户端可以是手机、平板电脑、台式电脑等，如此，工作人员即可以及时地得知换流变故障的原因，并根据故障的原因及时地作出相应的检修。

具体地，上述构建基于深度置信网络和多维度信息融合的变压器故障诊断模型包括：

根据换流变历史故障数据，结合实际运维经验，选取表征换流变运行状态的连续特征量X＝{a₁,a₂,...,a_m}，故障部位分类集合Y＝{y₁,y₂,...,y_n}，每个类别采用二值编码，最终构成带标签的故障部位样本集U＝{X₁,X₂,...,X_m,Y}；针对巡视、试验等离散状态量，构造特征集Z＝{z₁,z₂,...,z_k}，故障原因分类集合C＝{c₁,c₂,...,c_g}，根据历史故障数据统计确定离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)；其中，a₁,a₂,...,a_m表示m个连续特征量，y₁,y₂,...,y_n表示n个故障部位分类，z₁,z₂,...,z_k表示k个离散状态量特征，c₁,c₂,...,c_g表示g个故障原因分类，c_i表示第i个故障原因分类；

建立DBN模型，根据输入的数据类型和输出的缺陷类别确定DBN模型的输入层神经元个数和输出层神经元个数，利用带有故障分类标签的训练集U＝{X₁,X₂,...,X_m,Y}对DBN模型进行无监督逐层训练，最终形成变压器故障诊断模型。

具体地，上述步骤S102包括：

将待分类样本输入训练好的变压器故障诊断模型，输出得到具体分类以及不同分类n下的概率值；

将DBN模型输出的故障类型作为先验概率，结合检测证据，通过贝叶斯推理算法得到换流变具体原因分类。

具体地，上述通过贝叶斯推理算法得到换流变具体原因分类包括：

在检测证据z₁,z₂,...,z_k输入下，计算方法为：

P(c_j|z₁,z₂,...,z_k)＝αP(h_j＝1|v,θ)P(z₁,z₂,...,z_k|c_j)

式中，α为正则化因子，P(h_j＝1|v,θ)为类c_j的先验概率，根据步骤102中得到的类c_j发生的概率；P(c_j|z₁,z₂,...,z_k)为类c_j的后验概率，即得到某些信息后重新修正的类c_j发生的概率；根据贝叶斯最大后验准则，贝叶斯网络分类器选择使后验概率P(c_j|z₁,z₂,...,z_k)最大的类c_j为类标签。

进一步地，上述不同分类n下的概率值为深度置信网络中最后一层RBM隐含层神经元的激活概率：

式中，σ(x)＝1/(1+e^-x)，h_j表示最后一层隐含层神经元j，θ＝{w_ij,b_i,d_j}，w_ij为连接可见层第i个神经元与隐含层第j个神经元之间的权重，b_i为可见层神经元的偏置，d_j为隐含层神经元的偏置，v_i为可见层第i个神经元的状态值。

而该巡视、试验等连续特征量X＝{SF6压力，氢气，乙烷气体含量，乙炔气体含量，微水含量，局放量，油位，油温，铁芯接地电流，夹件接地电流，振动信号，介质损耗因数}，故障部位分类Y＝{正常、绕组故障、铁芯故障、油故障、套管故障、分接开关故障、冷却系统故障}。故障部位编码分类如表2所示。

表2换流变典型故障二值编码

故障类型	对应编码
		正常	(1,0,0,0,0,0,0)
绕组故障	(0,1,0,0,0,0,0)
		铁芯故障	(0,0,1,0,0,0,0)
油故障	(0,0,0,1,0,0,0)
		套管故障	(0,0,0,0,1,0,0)
分接开关故障	(0,0,0,0,0,1,0)
		冷却系统故障	(0,0,0,0,0,0,1)

而该巡视、试验等离散状态量Z＝{是否存在发热，是否有局放，是否存在家族缺陷}，故障原因分类如表3所示。离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)，通过统计该特征量在样本数据集中出现的频率来计算，即：

表3换流变典型故障及原因

综上，本发明通过在线采集换流变套管SF6压力，主变内部油色谱，套管、本体、油枕、散热器温度，汇控柜内温度，汇控柜内湿度，铁芯接地泄漏电流、夹件接地泄漏电流，冷却风机振动，主变噪声等换流变运行参数，将不同传感器采集的各种数据通过无线转发装置上送到统一云平台，并保存入数据库。基于采集的多源数据提出基于深度置信网络和贝叶斯推理的换流变状态综合诊断方法，选取变压器的多维度在线监测量作为模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型，将深度置信神经网络输出结果作为贝叶斯推理模型的一项输入，从而推断出换流变缺陷类型和缺陷原因，提前预警设备异常。基于换流变故障典型案例库，结合缺陷原因，生成换流变运维检修策略。

通过后台服务器对采集的多维度数据进行在线分析处理。现有运行换流变压器已具备部分在线监测装置，通过加装通信转发装置和传感器，实现数据的统一接入。而针对换流变同一位置有多个监测量，对多种监测量不能单纯依靠阈值比较，而需要对多源变量进行关联分析，从而使得综合判断精准预测设备运行健康状态。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种换流变故障原因辨识方法，用于服务器中，所述服务器存储有换流变历史故障数据集和正常数据集，其特征在于，所述方法包括：

S101、以所接收到的多维度换流变在线监测数据作为变压器故障诊断模型的输入量，构建基于深度置信网络和多维度信息融合的变压器故障诊断模型；

S102、将变压器故障诊断模型的输出结果作为贝叶斯推理模型的一项输入，得出换流变缺陷类型和缺陷原因；

S103、根据所得出的换流变缺陷类型和缺陷原因来输出预警设备异常信息；

所述构建基于深度置信网络和多维度信息融合的变压器故障诊断模型包括：

根据换流变历史故障数据，选取表征换流变运行状态的连续特征量X＝{a₁,a₂,...,a_m}，故障部位分类集合Y＝{y₁,y₂,...,y_n}，每个类别采用二值编码，最终构成带标签的故障部位样本集U＝{X₁,X₂,...,X_m,Y}；针对巡视、试验离散状态量，构造特征集Z＝{z₁,z₂,...,z_k}，故障原因分类集合C＝{c₁,c₂,...,c_g}，根据历史故障数据统计确定离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)；其中，a₁,a₂,...,a_m表示m个连续特征量，y₁,y₂,...,y_n表示n个故障部位分类，z₁,z₂,...,z_k表示k个离散状态量特征，c₁,c₂,...,c_g表示g个故障原因分类，c_i表示第i个故障原因分类；

建立DBN模型，根据输入的数据类型和输出的缺陷类别确定DBN模型的输入层神经元个数和输出层神经元个数，利用带有故障分类标签的训练集U＝{X₁,X₂,...,X_m,Y}对DBN模型进行无监督逐层训练，最终形成变压器故障诊断模型。

2.如权利要求1所述的换流变故障原因辨识方法，其特征在于，所述服务器还存储有故障处理知识库，所述方法还包括：

S104、根据换流变的缺陷原因来生成换流变运维检修策略，并将该策略输出。

3.如权利要求1所述的换流变故障原因辨识方法，其特征在于，所述步骤S102包括：

将待分类样本输入训练好的变压器故障诊断模型，输出得到具体分类以及不同分类n下的概率值；

将DBN模型输出的故障类型作为先验概率，结合检测证据，通过贝叶斯推理算法得到换流变具体原因分类。

4.如权利要求3所述的换流变故障原因辨识方法，其特征在于，所述通过贝叶斯推理算法得到换流变具体原因分类包括：

在检测证据z₁,z₂,...,z_k输入下，计算方法为：

P(c_j|z₁,z₂,...,z_k)＝αP(h_j＝1|v,θ)P(z₁,z₂,...,z_k|c_j)

式中，α为正则化因子，P(h_j＝1|v,θ)为类c_j的先验概率，根据步骤102中得到的类c_j发生的概率；P(c_j|z₁,z₂,...,z_k)为类c_j的后验概率，即得到某些信息后重新修正的类c_j发生的概率；根据贝叶斯最大后验准则，贝叶斯网络分类器选择使后验概率P(c_j|z₁,z₂,...,z_k)最大的类c_j为类标签。

5.如权利要求3所述的换流变故障原因辨识方法，其特征在于，所述不同分类n下的概率值为深度置信网络中最后一层RBM隐含层神经元的激活概率：

式中，σ(x)＝1/(1+e^-x)，h_j表示最后一层隐含层神经元j，θ＝{w_ij,b_i,d_j}，w_ij为连接可见层第i个神经元与隐含层第j个神经元之间的权重，b_i为可见层神经元的偏置，d_j为隐含层神经元的偏置，v_i为可见层第i个神经元的状态值。

6.如权利要求1所述的换流变故障原因辨识方法，其特征在于，所述连续特征量X＝{SF6压力，氢气，乙烷气体含量，乙炔气体含量，微水含量，局放量，油位，油温，铁芯接地电流，夹件接地电流，振动信号，介质损耗因数}，故障部位分类Y＝{正常、绕组故障、铁芯故障、油故障、套管故障、分接开关故障、冷却系统故障}。

7.如权利要求1所述的换流变故障原因辨识方法，其特征在于，所述离散特征下对应故障原因分类的条件概率P(z₁,z₂,...,z_k|c_i)通过统计该特征量在样本数据集中出现的频率来计算，即：

8.如权利要求1所述的换流变故障原因辨识方法，其特征在于，所述多维度换流变在线监测数据包括换流变套管SF6压力，主变内部油色谱，套管、本体、油枕、散热器温度，换流变运行参数；所述换流变运行参数包括汇控柜内温度，汇控柜内湿度，铁芯接地泄漏电流、夹件接地泄漏电流，冷却风机振动，主变噪声。

9.一种换流变故障原因辨识系统，其特征在于，包括现场采集装置、无线数据处理单元、无线通信基站以及服务器；

所述现场采集装置包括可见光摄像仪模块、油色谱气体采集模块、红外热像仪模块、温湿度采集装置、泄漏电流采集模块、振动采集模块、噪声采集模块；

所述可见光摄像仪模块，用于采集换流变穿墙套管SF6压力表计和油枕油位表计读数，通过图形识别算法识别表计读数；

所述油色谱气体采集模块，用于采集换流变油中气体和微水含量成份；

所述红外热像仪模块，用于采集换流变关键部位温度；

所述温湿度采集装置，用于采集换流变汇控柜内温湿度；

所述泄漏电流采集模块，用于采集换流变铁芯接地和夹件的泄漏电流；

所述振动采集模块，用于采集换流变表面振动数据，监测换流变内部铁芯及绕组的状态；

所述噪声采集模块，用于采集换流变噪声；

所述无线数据处理单元，用于与现场采集装置的各个模块进行数据处理，并将数据通过无线传输至无线通信基站；

所述无线通信基站，布置于换流站主控楼楼顶，辐射整个换流变区域，用于汇总无线数据处理单元发送的数据，并将数据通过网口传输至数据换流变监控分析服务器；

所述服务器，将采集的换流变区域在线监测数据存储，并实现权利要求1-8任一所述的方法。

Images