CN113313144A - 一种基于大数据的电力变压器故障诊断系统及方法 - Google Patents

一种基于大数据的电力变压器故障诊断系统及方法 Download PDF

Info

Publication number
CN113313144A
CN113313144A CN202110500224.9A CN202110500224A CN113313144A CN 113313144 A CN113313144 A CN 113313144A CN 202110500224 A CN202110500224 A CN 202110500224A CN 113313144 A CN113313144 A CN 113313144A
Authority
CN
China
Prior art keywords
data
fault diagnosis
transformer
transformer fault
model
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.)
Pending
Application number
CN202110500224.9A
Other languages
English (en)
Inventor
彭祥礼
徐焕
刘芬
查志勇
余铮
胡率
龙霏
王敬靖
冯浩
代荡荡
李晶
黄杰
钟童庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202110500224.9A priority Critical patent/CN113313144A/zh
Publication of CN113313144A publication Critical patent/CN113313144A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开的一种基于大数据的电力变压器故障诊断系统，包括：数据获取模块用于获取变压器运行状态的DGA监测数据；大数据清洗模块用于对DGA监测数据进行大数据清洗，得到清洗后的数据；特征量提取模块用于对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；故障诊断模块用于建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。通过对DGA监测数据进行数据清洗，将约简后的故障特征及样本集作为故障诊断模型的训练依据，降低了故障诊断模型的复杂度，提高了故障诊断结果的准确性。

Description

一种基于大数据的电力变压器故障诊断系统及方法
技术领域
本发明涉及电力变压器故障诊断技术领域，具体涉及一种基于大数据的电力变压器故障诊断系统及方法。
背景技术
变压器(Transformer)是利用电磁感应的原理来改变交流电压的装置，主要构件是初级线圈、次级线圈和铁芯(磁芯)。主要功能有：电压变换、电流变换、阻抗变换、隔离、稳压(磁饱和变压器)等。按用途可以分为：电力变压器和特殊变压器(电炉变、整流变、工频试验变压器、调压器、矿用变、音频变压器、中频变压器、高频变压器、冲击变压器、仪用变压器、电子变压器、电抗器、互感器等)。电路符号常用T当作编号的开头，例:T01,T201等。然而，现有电力变压器故障诊断方法与电力变压器故障诊断装置对故障辨识不准确，故障诊断模型不精确，各运行参数对变压器的故障出现的可能影响权重等也不明确；同时，对变压器数据分析不准确，针对性差。
综上所述，现有技术存在的问题是：现有电力变压器故障诊断方法与电力变压器故障诊断装置对故障辨识不准确，故障诊断模型不精确，各运行参数对变压器的故障出现的可能影响权重等也不明确；同时，对变压器数据分析不准确，针对性差。
解决以上问题及缺陷的意义为：电力变压器的故障发生时，轻则导致供电中断，影响电力用户的用电可靠性，如果工业用户，则影响生产的连续性；重则发性变压器起火及爆炸事故，产生较严重的设备损坏和人员伤亡。
发明内容
针对现有技术中的缺陷，本发明提供一种基于大数据的电力变压器故障诊断系统及方法，达到发现变压器内部潜在故障，提高变压器故障诊断结果的准确率。
第一方面，本发明实施例提供的一种基于大数据的电力变压器故障诊断系统，包括：数据获取模块、大数据清洗模块、特征量提取模块和故障诊断模块，
所述数据获取模块用于获取变压器运行状态的DGA监测数据；
所述大数据清洗模块用于对DGA监测数据进行大数据清洗，得到清洗后的数据；
所述特征量提取模块用于对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
所述故障诊断模块用于建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
可选地，所述大数据清洗模块包括数据预处理单元、重复数据删除单元、异常数据完善单元、无用数据删除单元、缺失数据填补单元和拟合曲线生成单元，
所述数据预处理单元用于对DGA监测数据进行模式的匹配与变换；
所述重复数据删除单元用于删除对应于同一现实实体的相似记录；
所述异常数据完善单元用于监测偏离所属样本的其余观测值的数据并对值进行修正；
所述无用数据删除单元用于对删除数值空缺或者相同记录或属性的数据；
所述缺失数据填补单元用于填补在采集、传输和存储过程中造成的值空缺的数据；
所述拟合曲线生成单元用于根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线。
可选地，所述特征提取模块选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
可选地，所述故障诊断模块包括模型建立单元，所述模型建立单元用于构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。
可选地，故障诊断模块包括模型训练单元，所述模型训练单元采用训练集训练概率神经网络，得到训练好的故障诊断模型。
第二方面，本发明实施例提供的一种基于大数据的电力变压器故障诊断方法，包括以下步骤：
获取变压器运行状态的DGA监测数据；
对所述DGA监测数据进行大数据清洗，得到清洗后的数据；
对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
可选地，对所述DGA监测数据进行大数据清洗具体包括：
对DGA监测数据进行模式的匹配与变换；
除对应于同一现实实体的相似记录；
监测偏离所属样本的其余观测值的数据并对值进行修正；对删除数值空缺或者相同记录或属性的数据；
填补在采集、传输和存储过程中造成的值空缺的数据；
根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线。
可选地，所述对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量具体包括：
选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
可选地，所述建立变压器故障诊断模型具体包括：
构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。
本发明的有益效果：
本发明实施例提供的一种基于大数据的电力变压器故障诊断系统及方法，通过对DGA监测数据进行数据清洗，可以减少数据噪声，采用粗糙集约简对故障特征进行约简，将约简后的故障特征及样本集作为变压器故障诊断模型的训练依据，避免了特征参量的冗余，又降低了变压器故障诊断模型的复杂度，达到发现变压器内部潜在故障，提高了故障诊断结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于大数据的电力变压器故障诊断系统的结构框图；
图2示出了本发明第二实施例所提供的一种基于大数据的电力变压器故障诊断方法的流程图。
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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，示出了本发明第一实施例所提供的一种基于大数据的电力变压器故障诊断系统的结构框图，系统包括：数据获取模块、大数据清洗模块、特征量提取模块和故障诊断模块，其中：
所述数据获取模块用于获取变压器运行状态的DGA(油色谱)监测数据；
所述大数据清洗模块用于对DGA监测数据进行大数据清洗，得到清洗后的数据；
所述特征量提取模块用于对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
所述故障诊断模块用于建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
由于在长久运行及故障的情况下油浸式变压器会分解产生多种特征气体，通过油色谱(DGA)分析技术可以对变压器绝缘老化及故障进行诊断，因此，在特征气体有大部分是矿物油分解出来的，同时变压器固体绝缘主要成分纤维素劣化产生的气体也将溶解于油中。因此，特征气体并不都能反映固体绝缘的老化程度和故障，要选取与固体绝缘相关程度较高的特征气体进行固体绝缘老化诊断和故障诊断。
数据获取模块获取电力变压器运行状态的DGA监测数据，DGA监测数据包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2等气体，DGA监测数据由相应的传感器采集得到，传感器将采集的数据通过监测设备或数字测量系统进行预处理，形成监测数据，传感器按照设定频率采集DGA数据，比如每天采集两次，采集的这些数据是呈时间序列，且按照统一格式排列，这些监测数据能体现变压器的变化过程。数据获取模块将获取的DGA监测数据传输给大数据清洗模块，大数据清洗模块对DGA监测数据进行大数据清洗，大数据清洗可以清洗异常数据(噪声点、丢失值)。特征量提取模块对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量。故障诊断模块用于建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。通过大数据清洗模块对数据进行清洗，清洗掉异常数据，可以减少数据噪声。特征量提取模块提取出变压器故障特征参量，故障诊断模块对变压器故障特征参量进行分析诊断，判断出变压器的故障类型。通过对DGA监测数据进行大数据清洗，对清洗后的数据采用粗糙集约简提取变压器故障特征参量，由变压器故障诊断模型对变压器故障特征参量进行预测诊断，得到变压器故障类型，通过对大数据进行分析，利用神经网络模型对故障类型进行预测，得到的诊断结果更加准确。
大数据清洗模块包括数据预处理单元、重复数据删除单元、异常数据完善单元、无用数据删除单元、缺失数据填补单元和拟合曲线生成单元，所述数据预处理单元用于对DGA监测数据进行模式的匹配与变换；所述重复数据删除单元用于删除对应于同一现实实体的相似记录；所述异常数据完善单元用于监测偏离所属样本的其余观测值的数据并对值进行修正，利用拟合曲线检测异常、利用聚类检测异常以及利用拟合曲线或聚类结果对异常进行处理；所述无用数据删除单元用于对删除数值空缺或者相同记录或属性的数据；所述缺失数据填补单元用于填补在采集、传输和存储过程中造成的值空缺的数据，对指定参数填补缺失、利用拟合曲线填补记录中的缺失值、均值填补缺失以及利用线性回归算法计算记录中的缺失值；所述拟合曲线生成单元用于根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线，包括负荷曲线符号化、相似性度量以找出最相似的N条负荷曲线、以及相似曲线加权处理。通过大数据清洗模块对DGA监测数据进行清洗和修正，发现隐藏的噪声数据，准确发现数据质量问题，并完成数据的清洗，数据清洗效果好，能准确清洗异常数据，从数据源处减少噪声数据。
特征提取模块选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。在粗糙集理论中，知识可以通过引入信息系统来表示，并且能通过信息系统的概念建立起知识空间和数据表之间的联系。
在变压器故障诊断中，四元组中属性一般由故障特征集组成条件属性集合，故障类型组成决策属性集合，两者之间的联系为信息函数，这些元素共同组成决策表。决策表是信息系统的一个特例：A＝C∪D，在本文涉及的变压器故障诊断系统中，|D|＝1，即故障类型为一元的。决策表，一个决策表也可以用四元组D＝(U,C∪D,V,f)来表示，其中C：表示条件属性的非空有限集合；D：表示决策属性的非空有限集合；
Figure BDA0003056221610000081
即一个属性不能同时作为条件属性和决策属性。在本实施例中，选择，CO/CO2、CH4/H2、CH4/C2H4、C2H2/C2H4、C2H2/H2、C2H2/CH4、C2H2/C2H6、C2H42/H2、C2H4/C2H6、C2H6/CH4、C2H6/H2这11个故障特征相关的气体特征参量作为变压器故障诊断特征参量，在决策表中作为条件属性。采用11种气体特征参量作为故障诊断特征参量，可以简化粗糙集属性约简算法。将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
故障诊断模块包括模型建立单元，所述模型建立单元用于构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。故障诊断模块包括模型训练单元，所述模型训练单元采用训练集训练概率神经网络，得到训练好的故障诊断模型。
首先假设有c种已知的故障分类：ω1，ω2，…ωq…ωk…ωc,则对于要进行故障诊断的特征样本X＝(x1,x2,…,xd)，基于Bayes准则来进行故障诊断ω∈ωk的状态，则：
若hqlqfq(X)＞hklkfk(X)，则ω∈ωq，
式中：
h——故障类型的先验概率；
d——训练样本个数；
l——错误划分代价因子；
f——故障类型概率密度函数。
输入层的神经元的数目等于样本矢量的维度数，起作用是接受训练样本数据，并把接收到的样本数据传递给模式层，模式层的神经元数目等于各个故障类型的训练样本数目的和，采用高斯核函数作为激活函数，其在接收到来自输入层的数据后每个神经元的输出为：
Figure BDA0003056221610000091
其中，Wi——输入层到模式层的权值；δ——平滑因子；D——输入特征向量的维度。
在求和层，神经元与故障类型的数目相等并一一对应，每一神经元仅和与自己类的模式层神经元相连接，求和层神经元将对应故障类型的模式层的一组神经元输出按照如下公式：
Figure BDA0003056221610000092
获得对应故障类型的概率密度函数估计。输出层只有一个由阈值辨别器组成的竞争神经元，可用如下公式：C(X)＝argmaxf(X)，其作用是判别求和层输出的各个故障类型的最大后验概率，并输出相应故障类型，进而判断特征向量X的故障类别。
本发明第一实施例提供的基于大数据的电力变压器故障诊断系统，通过对DGA监测数据进行数据清洗，可以减少数据噪声，采用粗糙集约简对故障特征进行约简，将约简后的故障特征及样本集作为变压器故障诊断模型的训练依据，避免了特征参量的冗余，又降低了变压器故障诊断模型的复杂度，提高了故障诊断结果的准确性。
在上述的第一实施例中，提供了一种基于大数据的电力变压器故障诊断系统，与之相对应的，本申请还提供一种基于大数据的电力变压器故障诊断方法。请参考图2，其为本发明第二实施例提供的一种基于大数据的电力变压器故障诊断方法的流程图。由于方法实施例基本相似于装置实施例，所以描述得比较简单，相关之处参见装置实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
如图2所示，示出了本发明第二实施例提供的一种基于大数据的电力变压器故障诊断方法的流程图，该方法包括以下步骤：
获取变压器运行状态的DGA监测数据；
对所述DGA监测数据进行大数据清洗，得到清洗后的数据；
对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
具体地，对所述DGA监测数据进行大数据清洗具体包括：
对DGA监测数据进行模式的匹配与变换；
除对应于同一现实实体的相似记录；
监测偏离所属样本的其余观测值的数据并对值进行修正；对删除数值空缺或者相同记录或属性的数据；
填补在采集、传输和存储过程中造成的值空缺的数据；
根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线。
具体地，所述对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量具体包括：
选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
具体地，所述建立变压器故障诊断模型具体包括：
构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。
本发明第一实施例提供的基于大数据的电力变压器故障诊断方法，通过对DGA监测数据进行数据清洗，可以减少数据噪声，采用粗糙集约简对故障特征进行约简，将约简后的故障特征及样本集作为变压器故障诊断模型的训练依据，避免了特征参量的冗余，又降低了变压器故障诊断模型的复杂度，提高了故障诊断结果的准确性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于大数据的电力变压器故障诊断系统，其特征在于，包括：数据获取模块、大数据清洗模块、特征量提取模块和故障诊断模块，
所述数据获取模块用于获取变压器运行状态的DGA监测数据；
所述大数据清洗模块用于对DGA监测数据进行大数据清洗，得到清洗后的数据；
所述特征量提取模块用于对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
所述故障诊断模块用于建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
2.根据权利要求1所述的基于大数据的电力变压器故障诊断系统，其特征在于，所述大数据清洗模块包括数据预处理单元、重复数据删除单元、异常数据完善单元、无用数据删除单元、缺失数据填补单元和拟合曲线生成单元，
所述数据预处理单元用于对DGA监测数据进行模式的匹配与变换；
所述重复数据删除单元用于删除对应于同一现实实体的相似记录；
所述异常数据完善单元用于监测偏离所属样本的其余观测值的数据并对值进行修正；
所述无用数据删除单元用于对删除数值空缺或者相同记录或属性的数据；
所述缺失数据填补单元用于填补在采集、传输和存储过程中造成的值空缺的数据；
所述拟合曲线生成单元用于根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线。
3.根据权利要求1所述的基于大数据的电力变压器故障诊断系统，其特征在于，所述特征提取模块选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
4.根据权利要求1所述的基于大数据的电力变压器故障诊断系统，其特征在于，所述故障诊断模块包括模型建立单元，所述模型建立单元用于构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。
5.根据权利要求4所述的基于大数据的电力变压器故障诊断系统，其特征在于，所述故障诊断模块包括模型训练单元，所述模型训练单元采用训练集训练概率神经网络，得到训练好的故障诊断模型。
6.一种基于大数据的电力变压器故障诊断方法，其特征在于，包括以下步骤：
获取变压器运行状态的DGA监测数据；
对所述DGA监测数据进行大数据清洗，得到清洗后的数据；
对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量；
建立变压器故障诊断模型，用训练集训练变压器故障诊断模型，用测试集测试训练好的变压器故障诊断模型，将变压器故障特征参量输入测试好的变压器故障诊断模型中进行故障诊断，输出变压器的故障诊断结果。
7.根据权利要求6所述的基于大数据的电力变压器故障诊断方法，其特征在于，对所述DGA监测数据进行大数据清洗具体包括：
对DGA监测数据进行模式的匹配与变换；
除对应于同一现实实体的相似记录；
监测偏离所属样本的其余观测值的数据并对值进行修正；对删除数值空缺或者相同记录或属性的数据；
填补在采集、传输和存储过程中造成的值空缺的数据；
根据电力负荷数据的相似曲线加权生成进行空缺填补和异常完善的拟合曲线。
8.根据权利要求6所述的基于大数据的电力变压器故障诊断方法，其特征在于，所述对清洗后的数据采用粗糙集约简分析提取变压器故障特征参量具体包括：
选择多种故障特征相关的气体特征参量作为变压器故障诊断特征参量，特征参量在决策表中作为条件属性，将故障类型划分为中低温过热、高温过热、低能放电、高能放电和放电兼过热，故障类型在决策表中作为决策属性。
9.根据权利要求6所述的基于大数据的电力变压器故障诊断方法，其特征在于，所述建立变压器故障诊断模型具体包括：
构建概率神经网络模型作为故障诊断模型，所述概率神经网络模型包括输入层、模式层、求和层和输出层。
CN202110500224.9A 2021-05-08 2021-05-08 一种基于大数据的电力变压器故障诊断系统及方法 Pending CN113313144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110500224.9A CN113313144A (zh) 2021-05-08 2021-05-08 一种基于大数据的电力变压器故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110500224.9A CN113313144A (zh) 2021-05-08 2021-05-08 一种基于大数据的电力变压器故障诊断系统及方法

Publications (1)

Publication Number Publication Date
CN113313144A true CN113313144A (zh) 2021-08-27

Family

ID=77371657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110500224.9A Pending CN113313144A (zh) 2021-05-08 2021-05-08 一种基于大数据的电力变压器故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN113313144A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240066A (zh) * 2021-11-23 2022-03-25 国网山东省电力公司日照供电公司 一种基于电网大数据分析的智能诊断决策方法和系统
CN115032323A (zh) * 2022-06-06 2022-09-09 云南电网有限责任公司电力科学研究院 确定油色谱数据异常的方法、电子设备及存储介质
CN115329908A (zh) * 2022-10-14 2022-11-11 西安热工研究院有限公司 一种基于深度学习的电力变压器故障诊断方法
CN117872032A (zh) * 2023-12-12 2024-04-12 北京京能清洁能源电力股份有限公司北京分公司 一种用于电力信息系统的故障诊断系统及方法
CN118585012A (zh) * 2024-08-01 2024-09-03 浪潮智慧供应链科技(山东)有限公司 一种冷链仓储温度监控方法及系统
CN118585012B (zh) * 2024-08-01 2024-10-22 浪潮智慧供应链科技(山东)有限公司 一种冷链仓储温度监控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675802A (zh) * 2014-11-19 2016-06-15 国网河南省电力公司南阳供电公司 一种变压器故障的诊断方法
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
CN110866604A (zh) * 2019-10-28 2020-03-06 国网河北省电力有限公司电力科学研究院 一种电力变压器状态监测数据的清洗方法
CN112070128A (zh) * 2020-08-24 2020-12-11 大连理工大学 一种基于深度学习的变压器故障诊断方法
CN112527788A (zh) * 2020-12-17 2021-03-19 北京中恒博瑞数字电力科技有限公司 变压器监测数据异常值检测与清洗的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105675802A (zh) * 2014-11-19 2016-06-15 国网河南省电力公司南阳供电公司 一种变压器故障的诊断方法
CN107103361A (zh) * 2017-04-13 2017-08-29 桂林电子科技大学 基于粗糙集与回答集的变压器故障诊断方法和系统
CN110866604A (zh) * 2019-10-28 2020-03-06 国网河北省电力有限公司电力科学研究院 一种电力变压器状态监测数据的清洗方法
CN112070128A (zh) * 2020-08-24 2020-12-11 大连理工大学 一种基于深度学习的变压器故障诊断方法
CN112527788A (zh) * 2020-12-17 2021-03-19 北京中恒博瑞数字电力科技有限公司 变压器监测数据异常值检测与清洗的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王明东: "《基于DGA的电力变压器智能故障诊断研究》", 《万方学位论文》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240066A (zh) * 2021-11-23 2022-03-25 国网山东省电力公司日照供电公司 一种基于电网大数据分析的智能诊断决策方法和系统
CN115032323A (zh) * 2022-06-06 2022-09-09 云南电网有限责任公司电力科学研究院 确定油色谱数据异常的方法、电子设备及存储介质
CN115329908A (zh) * 2022-10-14 2022-11-11 西安热工研究院有限公司 一种基于深度学习的电力变压器故障诊断方法
CN117872032A (zh) * 2023-12-12 2024-04-12 北京京能清洁能源电力股份有限公司北京分公司 一种用于电力信息系统的故障诊断系统及方法
CN118585012A (zh) * 2024-08-01 2024-09-03 浪潮智慧供应链科技(山东)有限公司 一种冷链仓储温度监控方法及系统
CN118585012B (zh) * 2024-08-01 2024-10-22 浪潮智慧供应链科技(山东)有限公司 一种冷链仓储温度监控方法及系统

Similar Documents

Publication Publication Date Title
CN113313144A (zh) 一种基于大数据的电力变压器故障诊断系统及方法
Wang et al. ArcNet: Series AC arc fault detection based on raw current and convolutional neural network
Zhao et al. Detection of power transformer winding deformation using improved FRA based on binary morphology and extreme point variation
Shintemirov et al. Transformer winding condition assessment using frequency response analysis and evidential reasoning
Abbasi et al. Transformer winding faults detection based on time series analysis
Kim et al. Induction motor fault diagnosis based on neuropredictors and wavelet signal processing
CN107907778B (zh) 一种基于多特征参量的变压器综合故障诊断方法
CN109359271B (zh) 一种基于逻辑回归的变压器绕组变形程度在线检测方法
US20120330871A1 (en) Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
CN110610226A (zh) 一种发电机故障预测方法及装置
Shamlou et al. Interpretation of frequency response analysis of power transformer based on evidence theory
Behkam et al. Condition monitoring of distribution transformers using frequency response traces and artificial neural network to detect the extent of windings axial displacements
CN107122590B (zh) 一种油浸式变压器故障相关指标筛选方法
Nagpal et al. Neural network based transformer incipient fault detection
Li et al. Classification and location of transformer winding deformations using genetic algorithm and support vector machine
Wilson et al. Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning
Xie et al. Transformer fault diagnosis based on bayesian network and rough set reduction theory
Jahan et al. Detecting the location and severity of transformer winding deformation by a novel adaptive particle swarm optimization algorithm
Anguswamy et al. Distribution Network Power Quality Insights With Optimally Placed Micro-PMUs Incorporating Synthetic and Real Field Data
Liu et al. Accurate Identification of Partial Discharge Signals in Cable Terminations of High-Speed Electric Multiple Unit Using Wavelet Transform and Deep Belief Network
CN114118208A (zh) 基于多元信息的变压器故障判断方法、装置及电子设备
Chen et al. Diagnosis method of transformer winding mechanical deformation fault based on sliding correlation of FRA and series transfer learning
Carrijo et al. Bushing anomaly detection: an initial assessment
Ortego et al. Deep Learning Tools Analysis for Automatic Partial Discharge Detection Based on PRPD Patterns

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