CN112611936A - 一种基于边缘计算的配网变压器故障动态检测与分类系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的配网变压器故障动态检测与分类系统。包括数据采集模块、通信模块、边缘计算模块及云服务平台；数据采集模块实时采集变压器运行状态数据并发送到边缘计算模块，边缘计算模块接收云服务平台的数据训练DKPCA模型，分析检测变压器是否发生故障，没有故障则使用近似线性依靠准则更新模型，检测到故障则通过PSO‑SVM判断故障类型。本发明的边缘计算模块采用基于A‑DKPCA模型，可以根据实时采集的数据修正更新监测模型，解决模型失配问题，提高了故障检测精度；本发明处理过程在本地边缘计算层完成，满足数据实时分析处理和低延时的业务需求，有效减轻云端负荷，提高检修工作效率。

Description

一种基于边缘计算的配网变压器故障动态检测与分类系统

技术领域

本发明涉及电力系统状态监控技术领域，涉及基于边缘计算的数据动态特性分析及模型自适应更新技术，具体涉及一种基于边缘计算的配网变压器故障动态检测与分类系统。

背景技术

配网变压器是电力系统中最重要的设备之一，是保证电力系统安全和可靠运行的关键设备，但是配网变压器所处气象环境复杂容易造成事故频发。因此，通过分析变压器运行状态数据，实现对配网变压器的故障检测和分类，有助于配电网的预防性检修工作。

随着泛在电力物联网的建设，电网智能化发展，现有的电网云计算平台将面临着分析大量冗余复杂数据的挑战，各种增长的电力终端设备和业务应用会产生海量的数据，大数据的传输和处理会给云服务平台造成巨大的压力，传输的高时延和安全性也无法满足新业务形态的要求。

目前，国内配网低压变压器分布广，基数大，故障发生时，与故障相关的站所终端将异常信息上报给云服务平台，主站分析计算后，给站所终端下达命令。

采用上述的方案，单一的故障往往会在相关的网络产生大量的告警信息，使得故障的分类和定位需要更多的时间，也容易产生误差；此外，在多个故障并发时，情况也会更加复杂，面对海量的告警信息，云服务平台和站所终端也面临着巨大的压力。

发明内容

为了克服上述现有技术的不足，发明人采用边缘计算技术，该技术通过网络边缘侧的智能处理，融合了网络、计算、存储及信息化技术，在网络边缘提供服务，适用于具有海量数据特征的业务处理、边缘化安全隐私防护、用户需求快速响应等技术需求。为了更好地实现对变压器故障进行精准检测，发明人采用A-DKPCA(自适应动态核主元模型)技术，通过实时采集的数据，利用近似线性依靠准则更新历史模型，获得更好的检测精度和适应度，这样可以解决长期监测模型失配的问题；此外，还通过构造动态时滞矩阵，提取数据随时间变化的相关特性，具备更精确的数据分析能力。

综上所述，本发明目的是提供一种基于边缘计算的配网变压器故障动态检测与分类系统，使用A-DKPCA分析变压器运行状态数据以检测故障，并使用PSO-SVM(粒子群优化支持向量机)判断故障类别，能够维护整个电力系统的安全性、稳定性，具有维护电力系统稳定运行的现实意义。

为实现上述目的，本发明提供如下的技术方案：

一种基于边缘计算的配网变压器故障动态检测与分类系统，由数据采集模块、通信模块、边缘计算模块及云服务平台组成。

所述数据采集模块、通信模块和边缘计算模块位于配网变压器的端子箱内；

所述数据采集模块采集配网变压器实时运行的状态数据，然后采用通信端口方式传输到边缘计算模块；

所述数据采集模块采集配网变压器实时运行的状态数据，然后从通信模块传输到边缘计算模块分析；边缘计算模块接收从来自云服务平台的配网变压器正常运行数据训练故障检测与分类模型，然后分析分析采集的配网变压器运行状态数据检测变压器是否存在故障，并判断故障类别。

进一步的，所述的数据采集模块用于采集配网变压器的实时运行数据，包括：用于采集变压器状态的智能传感器，用于发送接收信息并进行数字化处理的微处理器；同时与微处理器及现场数据信息链接的多串口采集卡，用于信息存储的数据储存器，用于同步授时的北斗时钟模块。

进一步的，所述的智能传感器主要包括配网变压器端子箱内提供状态量的电流传感器、电压传感器、温湿度传感器，气体类别传感器，气体浓度传感器，提供状态量的变压器上安装的温湿度传感器、瓦斯传感器、油位传感器和交流接触器。

进一步的，所述的数据采集模块采集的变压器温度、湿度、油色谱数据、电流数据和电流数据作为测试样本集y∈R^n×m，其中n是训练样本个数，m是训练样本的维度。

进一步的，所述的通信模块数据采集模块和边缘计算模块的通信中介，也用于云服务平台和边缘计算模块的通信中介。

进一步的，所述的边缘计算模块接收云服务平台的变压器历史数据训练故障检测与分类模型，并根据近似线性依靠准则使用实时采集的配网变压器运行数据修正模型，实现故障检测模型的自适应更新；基于边缘计算模块的故障检测与分类模型，采用Adaptive-DKPCA(自适应动态核主元分析)模型检测故障，再使用PSO-SVM(粒子群优化支持向量机)判断故障类别，包括以下步骤：

步骤1：离线训练

首选，边缘计算模块接收云服务平台存储的配网变压器正常运行的温度、湿度、油色谱数据、电流数据和电流数据作为DKPCA(动态核主元分析)模型的训练样本集x∈R^n×m，其中n是训练样本个数，m是训练样本的维度；然后训练样本集x∈R^n×m标准化处理后映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到预处理的训练样本集

最后使用预处理的训练样本集

训练DKPCA离线模型，计算配网变压器的故障控制限；

步骤2：在线监控

首先接收通信模块传输的配网变压器温湿度、油中溶解气体数据和电流电压数据作为测试样本集y∈R^n×m，其中n是训练样本个数，m是训练样本的维度；然后测试样本集y∈R^n×m标准化处理后映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到预处理的测试样本集

通过建立的DKPCA离线模型分别在主元空间和残差空间计算预处理的测试样本集

的配网变压器故障统计量；最后根据配网变压器故障统计量是否超过配网变压器故障控制限为标准判断测试样本集y∈R^n×m是不是故障数据，如果是故障数据则使用PSO-SVM判断故障类别，然后继续检测新测试样本集y_new∈R^n×m；

步骤3：模型更新

随着时间的推移，变压器运行环境发生微妙的变化，基于历史数据建立的监测模型不再匹配当前的变压器运行数据，此时需要基于新采集的变压器运行数据更新模型。用于更新变压器监测模型的数据必须是不包含故障样本且区别于训练数据集的数据，此时步骤2监控的配网变压器测试样本集y∈R^n×m不是故障，则设定正阈值Δ，计算预处理的测试样本集

的近似误差最优解

然后通过内积的特征向量表示预处理的测试样本集

近似误差值可以表示为

最后引入核函数

表示预处理的测试样本集

使用系数向量α对近似误差δ_k+1求导，化简后可得

如果δ_k+1≤Δ，说明配网变压器的新测试样本集y_new∈R^n×m与训练样本集x∈R^n×m是线性相关的，不需要更新当前模型；如果δ_k+1≥Δ，说明配网变压器的新测试样本集y_new∈R^{n ×m}与训练样本集x∈R^n×m是不是线性相关的，需要将新测试样本集y_new∈R^n×m添加到训练样本集以更新当前模型；

进一步的，所述的POS-SVM故障分类方法为：使用云服务平台配网变压器油中溶剂气体训练样本集Z训练支持向量机，使用粒子群算法优化支持向量机的参数，接收通信模块传输的配网变压器运行的油中溶解气体数据Z_new分析，判断故障类别。

与现有技术相比，本发明的有益效果是：

1.本发明通过多种智能传感器采集变压器运行数据，在边缘计算模块完成数据分析，满足数据实时分析处理和低延时的业务需求。

2.本发明的在边缘计算模块进行分析，变压器的运行状态分析无需交由云端，处理过程在本地边缘计算层完成，可以提升处理效率，减轻云端负荷。

3.本发明基于Adaptive-DKPCA模型监测故障，通过近似线性依靠准则使用采集的数据自适应的更新模型，获得更好的检测精度和泛化能力。

4.本发明采用模块化开发，有利于功能扩展，可以灵活安装在变压器监测模块上，移动终端上，边缘计算基站上。

附图说明

图1是本发明的基于边缘计算的配网变压器故障动态检测与分类系统框架结构图。

图2是本发明的数据采集模块原理图。

图3是本发明的边缘计算模块故障检测与分类流程图。

具体实施方式

下面将结合附图对本发明实施例进行详细描述。

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书分类所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明分类一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实分类施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神分类下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可分类以相互组合。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下分类所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于边缘计算的配网变压器故障动态检测与分类系统，首先通过数据采集模块采集配网变压器实时运行的状态数据，然后从通信模块传输到边缘计算模块分析；边缘计算模块接收从来自云服务平台的配网变压器正常运行数据训练故障检测与分类模型，然后分析分析采集的配网变压器运行状态数据检测变压器是否存在故障，并判断故障类别。

如图2所示的数据采集模块，包括用于采集变压器状态的智能传感器，用于发送接收信息并进行数字化处理的微处理器；同时与微处理器及现场数据信息链接的多串口采集卡，用于信息存储的数据储存器，用于同步授时的北斗时钟模块。数据采集模块通过智能传感器采集的变压器运行状态数据，通过如图1所示的通信模块传输到边缘计算模块进行分析。

如图1所示，边缘计算模块接收从来自云服务平台的配网变压器正常运行数据训练故障检测与分类模型，然后分析来自数据采集模块的配网变压器实时运行数据是否存在故障。

如图3所示的边缘计算模块采用基于A-DKPCA模型和PSO-SVM的故障检测和分类算法，具体步骤如下：

步骤1：离线训练；

1.1从通信模块接收云服务平台存储的配网变压器正常运行的温湿度、油中溶解气体数据和电流电压数据作为自适应动态核主元的训练样本集x∈R^n×m，其中n是测量样本数，每个样本包含m个观测值；

1.2训练样本集标准化处理，转换为无量纲数据并映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到新的训练样本集

1.3使用新的训练样本集

训练DKPCA离线模型，计算故障控制限；

步骤2：在线监控；

2.1接收通信模块传输的变压器温湿度、油中溶解气体数据和电流电压数据作为测试样本集y∈R^n×m；；

2.2测试样本集标准化处理，转换为无量纲数据并映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到标准化处理的测试样本集

其中n是测量样本数，每个样本包含m个观测值

2.3根据建立的DKPCA离线模型分别在主元空间和残差空间计算测试样本集

的统计量；

2.4根据在线监控结果判断测试样本集y∈R^n×m是不是故障数据，是故障数据则使用PSO-SVM判断故障类别，然后重复步骤2.1，继续检测新测试样本集y_new∈R^n×m；

步骤3：模型更新；

3.1变压器运行环境的改变，导致基于历史数据建立的监测模型不再匹配当前的变压器运行数据，此时应该基于新采集的变压器运行数据更新模型。用于更新变压器监测模型的数据必须是不包含故障样本且区别于训练数据集的数据，因此考虑步骤2监控的配网变压器测试样本集y∈R^n×m不是故障，则设定正阈值Δ，计算预处理的测试样本集

的近似误差最优解

3.2通过内积的特征向量表示新样本，近似误差值可以表示为

3.3引入核函数

使用系数向量α对近似误差δ_k+1求导，化简后可得

3.4如果δ_k+1≤Δ，说明新测试样本集y_new∈R^n×m与训练样本集x∈R^n×m是线性相关的，不需要更新当前模型；

3.5如果δ_k+1≥Δ，说明新测试样本集y_new∈R^n×m与训练样本集x∈R^n×m是不是线性相关的，需要将新测试样本集y_new∈R^n×m添加到训练样本集以更新当前模型；

其中，所述的PSO-SVM故障分类方法为：使用云服务平台配网变压器油中溶剂气体训练样本集Z训练支持向量机，使用粒子群算法优化支持向量机的参数，接收通信模块传输的配网变压器运行的油中溶解气体数据Z_new分析，判断故障类别。

Claims (6)

1.一种基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于：

所述系统由数据采集模块、通信模块、边缘计算模块及云服务平台组成；

所述数据采集模块、通信模块和边缘计算模块位于配网变压器的端子箱内；

所述数据采集模块采集配网变压器实时运行的状态数据，然后采用通信端口方式传输到边缘计算模块；

所述边缘计算模块通过网络通信模块接收来自云服务平台的配网变压器正常运行数据训练故障检测与分类模型，并根据近似线性依靠准则使用实时采集的配网变压器运行数据修正模型，实现故障检测模型的自适应更新；然后分析分析采集的配网变压器运行状态数据检测变压器是否存在故障，并判断故障类别，具体包括以下步骤：

步骤1：离线训练

边缘计算模块接收云服务平台存储的配网变压器正常运行的温度、湿度、油色谱数据、电流数据和电流数据作为DKPCA模型的训练样本集x∈R^n×m，其中n是训练样本个数，m是训练样本的维度；然后训练样本集x∈R^n×m标准化处理后映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到预处理的训练样本集

最后使用预处理的训练样本集

训练DKPCA离线模型，计算配网变压器的故障控制限；

步骤2：在线监控

首先接收通信模块传输的配网变压器温湿度、油中溶解气体数据和电流电压数据作为测试样本集y∈R^n×m，其中n是训练样本个数，m是训练样本的维度；然后测试样本集y∈R^n×m标准化处理后映射到[0,1]区间上，使用k-最近邻方法剔除数据异常值，得到预处理的测试样本集

通过建立的DKPCA离线模型分别在主元空间和残差空间计算预处理的测试样本集

的配网变压器故障统计量；最后根据配网变压器故障统计量是否超过配网变压器故障控制限为标准判断测试样本集y∈R^n×m是不是故障数据，如果是故障数据则使用PSO-SVM判断故障类别，然后继续检测新测试样本集y_new∈R^n×m；

步骤3：模型更新

随着时间的推移，变压器运行环境发生微妙的变化，基于历史数据建立的监测模型不再匹配当前的变压器运行数据，此时需要基于新采集的变压器运行数据更新模型；用于更新变压器监测模型的数据必须是不包含故障样本且区别于训练数据集的数据，此时步骤2监控的配网变压器测试样本集y∈R^n×m不是故障，则设定正阈值Δ，计算预处理的测试样本集

的近似误差最优解

然后通过内积的特征向量表示预处理的测试样本集

近似误差值表示为

最后引入核函数

表示预处理的测试样本集

使用系数向量α对近似误差δ_k+1求导，化简后得

如果δ_k+1≤Δ，说明配网变压器的新测试样本集y_new∈R^n×m与训练样本集x∈R^n×m是线性相关的，不需要更新当前模型；如果δ_k+1≥Δ，说明配网变压器的新测试样本集y_new∈R^n×m与训练样本集x∈R^n×m是不是线性相关的，需要将新测试样本集y_new∈R^n×m添加到训练样本集以更新当前模型。

2.根据权利要求1所述的基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于，所述的PSO-SVM判断故障类别包括：

使用云服务平台配网变压器油中溶解气体训练样本集Z训练支持向量机，使用粒子群算法优化支持向量机的参数，接收通信模块传输的配网变压器运行的油中溶解气体数据Z_new分析，判断故障类别。

3.根据权利要求1或2所述的基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于：

所述的数据采集模块用于采集配网变压器的实时运行数据，包括：用于采集变压器状态的智能传感器，用于发送接收信息并进行数字化处理的微处理器；同时与微处理器及现场数据信息链接的多串口采集卡，用于信息存储的数据储存器，用于同步授时的北斗时钟模块。

4.根据权利要求1或2所述的基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于：

所述的智能传感器主要包括配网变压器端子箱内提供状态量的电流传感器、电压传感器、温湿度传感器，气体类别传感器，气体浓度传感器，提供状态量的变压器上安装的温湿度传感器、瓦斯传感器、油位传感器和交流接触器。

5.根据权利要求1或2所述的基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于：

所述的数据采集模块采集的变压器温度、湿度、油色谱数据、电流数据和电流数据作为测试样本集y∈R^n×m，其中n是训练样本个数，m是训练样本的维度。

6.根据权利要求1或2所述的基于边缘计算的配网变压器故障动态检测与分类系统，其特征在于：

所述的通信模块、数据采集模块和边缘计算模块的通信中介，也用于云服务平台和边缘计算模块的通信中介。

Images