CN112001417B - 一种变压器储油柜的监测方法、介质及系统 - Google Patents

Abstract

本发明公开一种变压器储油柜的监测方法、介质及系统。该方法包括：采用第一数据集训练卷积神经网络，得到训练好的卷积神经网络；将训练好的卷积神经网络迁移至多层感知机，形成多参融合网络；采用第二数据集训练多参融合网络，得到训练好的多参融合网络；从训练好的多参融合网络中分离出经第二数据集修正的卷积神经网络；实时采集变压器储油柜的参数；将实时采集的变压器储油柜内的红外图像输入到分离出的卷积神经网络后，再经分类函数输出故障类型判断；将实时采集的变压器储油柜内的湿度、温度、油位和压力输入到训练好的多参融合网络后，再经分类函数输出故障类型判断。本发明可及时发现潜在故障，实现风险预防。

Description

一种变压器储油柜的监测方法、介质及系统

技术领域

本发明涉及变压器储油柜技术领域，尤其涉及一种变压器储油柜的监测方法、介质及系统。

背景技术

目前实际应用的变压器储油柜均没有实现在线监测，因此，也无法及时发现变压器储油柜的潜在故障，导致不能有效预防潜在风险，产生安全隐患，并造成经济算损失。

发明内容

本发明实施例提供了一种变压器储油柜的监测方法、介质及系统，以解决现有技术不能及时发现变压器储油柜的潜在故障的问题。

第一方面，提供了一种变压器储油柜的监测方法，包括：采用第一数据集训练卷积神经网络，得到训练好的卷积神经网络，其中，所述第一数据集中的样本为变压器储油柜内的红外图像样本；将所述训练好的卷积神经网络迁移至多层感知机，形成多参融合网络；采用第二数据集训练所述多参融合网络，得到训练好的多参融合网络，其中，所述第二数据集中的样本包括所述变压器储油柜内的湿度、温度、油位和压力样本；从所述训练好的多参融合网络中分离出经所述第二数据集修正的卷积神经网络；实时采集所述变压器储油柜的参数，其中，所述参数包括：所述变压器储油柜内的红外图像、湿度、温度、油位和压力；将实时采集的所述变压器储油柜内的红外图像输入到所述分离出的卷积神经网络后，再经分类函数输出所述红外图像对应的所述变压器储油柜的故障类型；将实时采集的所述变压器储油柜内的湿度、温度、油位和压力输入到所述训练好的多参融合网络后，再经分类函数输出所述变压器储油柜内的湿度、温度、油位和压力对应的所述变压器储油柜的故障类型。

第二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如第一方面实施例所述的变压器储油柜的监测方法。

第三方面，提供了一种变压器储油柜的监测系统，包括：上位机、通讯组件和监测元件，所述上位机包括如第二方面实施例所述的计算机可读存储介质，所述上位机与所述监测元件通过所述通讯组件连接。

本发明实施例，可全天候监测实时红外图像、温度、湿度、压力、油位等参数，无需人工值守；通过引入神经网络对采集的数据进行自动分析判别，可确定潜在的故障类型，以便及时发现潜在故障，对故障进行定位、报警等，实现风险预防，方便运维人员远程实时监测储油柜乃至整个变压器的运行状况。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的变压器储油柜的监测方法的流程图；

图2是本发明实施例的变压器储油柜的监测系统的结构示意图；

图3是本发明实施例的监测元件的安装结构剖视图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种变压器储油柜的监测方法。如图1所示，该方法包括如下的步骤：

步骤S1：采用第一数据集训练卷积神经网络，得到训练好的卷积神经网络。

其中，第一数据集中的样本为变压器储油柜内的红外图像样本。卷积神经网络(Convolutional Neural Network，CNN)是一种深度前馈人工神经网络。

一般的，训练所需的第一数据集包括训练集、测试集和校验集，可从已有的变压器储油柜内的红外图像的数据库中提取。具体的，将第一数据集输入到卷积神经网络后，将卷积神经网络输出的结果输入到SoftMax函数进行故障分类，得到第一数据集对应的故障分类训练结果。

应当理解的是，无论是训练还是实际检测，卷积神经网络中依次进行多层卷积和池化操作，一阶张量展开操作，接入一层全连接层(fully connected layers，FC)操作，DropOut操作，以及，接入下一层全连接层操作。其中，基于实际工程经验，接入一层全连接层操作后，进行DropOut操作，再接入下一层全连接层操作的做法，可防止过拟合、提高训练效果。例如，本发明一具体实施例的卷积神经网络：卷积层C1→池化层P1→卷积层C2→池化层P2→卷积层C3→池化层P3→展开为一阶张量→全连接层FC1+DropOut操作→全连接层FC2。

本发明实施例的卷积神经网络的损失函数为交叉熵代价函数(Cross-entropycost function)，如下式所示：

其中，x表示样本，n表示样本数量，y表示期望输出，a表示神经元实际输出。

一般的，当损失函数最小，训练集结果接近或相交于校验集结果，则训练完成，此时，保存该卷积神经网络，得到训练好的卷积神经网络。

步骤S2：将训练好的卷积神经网络迁移至多层感知机，形成多参融合网络。

多层感知机(Multilayer Perceptron，MLP)也是一种神经网络，除了输入输出层，它中间可以有多个隐层。例如，多层感知机的结构为：全连接层FC1→全连接层FC2。迁移是神经网络领域的术语(迁移学习(Transfer Learning))。在本发明实施例中，基于变压器储油柜的检测数据，红外图像、湿度、温度、油位和压力的特征分布于不同特征空间、构成不同的域(Domain)，但都应用于储油柜状态监测这一共同的任务(Task)，因此，将应用于红外图像域的卷积神经网络的最后一层输出单元去掉后，添加上多层感知机，形成应用于湿度、温度、油位和压力的模拟量参量域的多参融合网络。

步骤S3：采用第二数据集训练多参融合网络，得到训练好的多参融合网络。

其中，第二数据集中的样本包括变压器储油柜内的湿度、温度、油位和压力样本。

同样的，训练所需的第二数据集包括训练集、测试集和校验集，可从已有的变压器储油柜内的湿度、温度、油位和压力的数据库中提取。具体的，将第二数据集输入到多参融合网络后，将多参融合网络输出的结果输入到SoftMax函数进行故障分类，得到第二数据集对应的故障分类训练结果。

应当理解的是，无论是训练还是实际检测，多参融合网络采用的梯度反向传播(Backpropagation)的方式为预训练(pretrained)方式，即反向传播的路径将同时经过MLP层和CNN网络层，从而使各参数数据对卷积神经网络实现一定程度的修正。

本发明实施例的多参融合网络的损失函数也为交叉熵代价函数，具体可参见前文，在此不再赘述。

一般的，当损失函数最小，训练集结果接近或相交于校验集结果，则训练完成，此时，保存该多参融合网络，得到训练好的多参融合网络。

步骤S4：从训练好的多参融合网络中分离出经第二数据集修正的卷积神经网络。

在本发明实施例中，分离指的是，将卷积神经网络对应的层从多参融合网络中提取出来后，接入最后一层输出单元，得到分离出的卷积神经网络。

步骤S5：实时采集变压器储油柜的参数。

其中，参数包括：变压器储油柜内的红外图像、湿度、温度、油位和压力。具体的，可通过相应的监测元件进行相应参数的采集。

步骤S6：将实时采集的变压器储油柜内的红外图像输入到分离出的卷积神经网络后，再经分类函数输出红外图像对应的变压器储油柜的故障类型。

步骤S7：将实时采集的变压器储油柜内的湿度、温度、油位和压力输入到训练好的多参融合网络后，再经分类函数输出变压器储油柜内的湿度、温度、油位和压力对应的变压器储油柜的故障类型。

应当理解的是，步骤S6和步骤S7没有顺序关系，根据采集的参数的类别分别采用步骤S6或步骤S7进行相应的检测，得到变压器储油柜潜在的故障类型。其中，分类函数为SoftMax函数。

本发明实施例的潜在的故障类型可以包括：油囊泄露、呼吸器堵塞等等故障类型。

本发明实施例还公开了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序指令。该计算机程序指令被处理器执行时实现如上述实施例所述的变压器储油柜的监测方法。

本发明实施例还公开了一种变压器储油柜的监测系统。如图2和3所示，该系统包括：上位机1、通讯组件2和监测元件3。上位机1包括如上述实施例所述的计算机可读存储介质。上位机1可具有基于PyTorch的神经网络训练模块，以实现上述方法实施例所述的训练过程。上位机1与监测元件3通过通讯组件2连接。通讯组件2可将监测元件3发送的模拟信号经过工程线性化处理并转化成数据值，发送给上位机1。通讯组件2的型号可以为RO4i。

变压器储油柜4的顶部开口处设置有密封顶部开口的法兰5。监测元件3安装在法兰5上，且监测元件3的探头均穿过法兰5伸入到变压器储油柜4中。

具体的，监测元件3包括：用于采集变压器储油柜4内的红外图像的视频监视器31、用于采集变压器储油柜4内的温度和湿度的温湿度变送器32、用于采集变压器储油柜4内的油位的雷达液位计33，以及，用于采集变压器储油柜4内的压力的压力变送器34。

视频监视器31具有红外功能，在变压器储油柜4内的漆黑的油囊内部能够清晰的查看内部囊壁状态。视频监视器31的型号可以为DS-2CD3356D。

温湿度变送器32可以检测变压器储油柜4的油囊气体温湿度，可以检查温湿度是否满足运行要求，也可以检查呼吸器是否失效，以便及时更换呼吸器。例如，实时获知变压器储油柜4的内部温升曲线，通过设置温升梯度和温度限值，达到预防目的；通过湿度监测可以实时获知变压器储油柜4的内部的湿度曲线，间接分析变压器储油柜4是否和室外空气非正常相通并发生泄漏。温湿度变送器32的型号可以为FTD06G。

雷达液位计33可以是一种超声波油位计，它可以测量变压器储油柜4的油囊底部距离超声波油位计安装位置的高度，这样就可以实时监测油囊的底部位置，间接获取油位，得到变压器油的容量。雷达液位计33的型号可以为UM18-218126111。

压力变送器34通过压力检测，能够判断变压器储油柜4的呼吸器是否发生堵塞，需要更换。压力变送器34的型号可以为AT-10。

应当理解的是，上述监测元件3采集上传的多参量数据可以形成前述方法实施例的数据库。该数据库主要包括两部分内容，由红外图像定时快照形成的“红外图像数据库”和其余监测元件3上传数据形成的“模拟量参量数据库”。数据库建立伊始，可通过搜集同类设备历史信息以及通过试验模拟油囊泄露、呼吸器堵塞等故障获得可靠的标注数据。这些数据库中的数据可作为训练上述方法实施例的相关神经网络的数据集。

具体的，每一监测元件3可通过锁紧组件安装在法兰5上。如图3所示，锁紧组件为螺母6。法兰5上具有安装每一监测元件3的安装孔。安装孔为变径安装孔。安装孔的下段的直径比安装孔的上段的直径大。每一安装孔的上段的直径与安装的监测元件3的探头的尺寸匹配。

每一螺母6的内径与对应的监测元件3的探头的尺寸匹配。螺母6的下段的外径比螺母6的上段的外径大。螺母6的下段的外径大于对应的安装孔的下段的直径。螺母6的上段的外径与对应的安装孔的下段的直径匹配，这样的结构设计，使得螺母6的上段可插入对应的安装孔的下段中。优选的，螺母6的上段的长度与安装孔的下段的长度匹配，拧紧螺母6的情况下，螺母6的下段的上端面刚好与法兰5的下表面抵接，更有利于稳固安装及安装孔的密封。螺母6的下段的内表面具有螺纹61，监测元件3的探头的表面也具有螺纹。螺母6的下段的内表面的螺纹61与监测元件3的探头的表面的螺纹啮合，从而可通过拧紧螺母6来锁定监测元件3。

优选的，螺母6的上端面和安装孔的下段的上端面之间设置有密封圈7，该密封圈7可以选择O形密封圈，有利于安装孔处的密封。螺母6的上段插入安装孔的下段后抵接密封圈7。

使用时，监测元件3的探头穿过对应的安装孔(应当理解的是，监测元件3的探头的上端组件的尺寸大于安装孔的尺寸)，螺母6从监测元件3的探头的下方套设在探头外，螺母6的上段插入安装孔的下段中，拧紧螺母6，实现监测元件3的稳固安装。

综上，本发明实施例，可全天候监测实时红外图像、温度、湿度、压力、油位等参数，无需人工值守；通过引入神经网络对采集的数据进行自动分析判别，可确定潜在的故障类型，以便及时发现潜在故障，对故障进行定位、报警等，实现风险预防，方便运维人员远程实时监测储油柜乃至整个变压器的运行状况。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种变压器储油柜的监测方法，其特征在于，包括：

采用第一数据集训练卷积神经网络，得到训练好的卷积神经网络，其中，所述第一数据集中的样本为变压器储油柜内的红外图像样本；

将所述训练好的卷积神经网络迁移至多层感知机，形成多参融合网络；

采用第二数据集训练所述多参融合网络，得到训练好的多参融合网络，其中，所述第二数据集中的样本包括所述变压器储油柜内的湿度、温度、油位和压力样本；

从所述训练好的多参融合网络中分离出经所述第二数据集修正的卷积神经网络；

实时采集所述变压器储油柜的参数，其中，所述参数包括：所述变压器储油柜内的红外图像、湿度、温度、油位和压力；

将实时采集的所述变压器储油柜内的红外图像输入到所述分离出的卷积神经网络后，再经分类函数输出所述红外图像对应的所述变压器储油柜的故障类型；

将实时采集的所述变压器储油柜内的湿度、温度、油位和压力输入到所述训练好的多参融合网络后，再经分类函数输出所述变压器储油柜内的湿度、温度、油位和压力对应的所述变压器储油柜的故障类型。

2.根据权利要求1所述的变压器储油柜的监测方法，其特征在于：所述卷积神经网络中依次进行多层卷积和池化操作，一阶张量展开操作，接入一层全连接层操作，DropOut操作，以及，接入下一层全连接层操作。

3.根据权利要求1所述的变压器储油柜的监测方法，其特征在于：所述卷积神经网络和所述多参融合网络的损失函数均为交叉熵代价函数。

4.根据权利要求1所述的变压器储油柜的监测 方法，其特征在于：所述卷积神经网络的输出和所述多参融合网络的输出均采用SoftMax函数进行故障分类。

5.根据权利要求1所述的变压器储油柜的监测方法，其特征在于：所述多参融合网络采用的梯度反向传播的方式为预训练方式。

6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～5中任一项所述的变压器储油柜的监测方法。

7.一种变压器储油柜的监测系统，其特征在于，包括：上位机、通讯组件和监测元件，所述上位机包括如权利要求6所述的计算机可读存储介质，所述上位机与所述监测元件通过所述通讯组件连接。

8.根据权利要求7所述的变压器储油柜的监测系统，其特征在于：所述变压器储油柜的顶部开口处设置有密封所述顶部开口的法兰，所述监测元件安装在所述法兰上，且所述监测元件的探头均穿过所述法兰伸入到所述变压器储油柜中；

其中，所述监测元件包括：用于采集所述变压器储油柜内的红外图像的视频监视器、用于采集所述变压器储油柜内的温度和湿度的温湿度变送器、用于采集所述变压器储油柜内的油位的雷达液位计，以及，用于采集所述变压器储油柜内的压力的压力变送器。

9.根据权利要求8所述的变压器储油柜的监测系统，其特征在于：所述法兰上具有安装每一所述监测元件的安装孔，所述安装孔的下段的直径比所述安装孔的上段的直径大，每一所述安装孔的上段的直径与安装的所述监测元件的探头的尺寸匹配；

每一螺母的内径与对应的所述监测元件的探头的尺寸匹配，所述螺母的下段的外径大于对应的所述安装孔的下段的直径，所述螺母的上段的外径与对应的所述安装孔的下段的直径匹配，所述螺母的上段插入对应的所述安装孔的下段中；

所述螺母的下段的内表面的螺纹与对应的所述监测元件的探头的表面的螺纹啮合。

10.根据权利要求9所述的所述变压器储油柜的监测系统，其特征在于：所述螺母的上端面和对应的所述安装孔的下段的上端面之间设置有密封圈。

Images