CN114358193A - 基于油色谱的变压器状态诊断方法、终端及存储介质 - Google Patents
基于油色谱的变压器状态诊断方法、终端及存储介质 Download PDFInfo
- Publication number
- CN114358193A CN114358193A CN202210014090.4A CN202210014090A CN114358193A CN 114358193 A CN114358193 A CN 114358193A CN 202210014090 A CN202210014090 A CN 202210014090A CN 114358193 A CN114358193 A CN 114358193A
- Authority
- CN
- China
- Prior art keywords
- state
- transformer
- sample
- oil
- samples
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004587 chromatography analysis Methods 0.000 title claims description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 41
- 238000011208 chromatographic data Methods 0.000 claims description 34
- 239000007789 gas Substances 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 11
- 229910052739 hydrogen Inorganic materials 0.000 description 11
- 239000001257 hydrogen Substances 0.000 description 11
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 238000009413 insulation Methods 0.000 description 8
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 7
- 239000005977 Ethylene Substances 0.000 description 7
- 229910002091 carbon monoxide Inorganic materials 0.000 description 6
- 238000013145 classification model Methods 0.000 description 6
- 238000013021 overheating Methods 0.000 description 6
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010891 electric arc Methods 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及变压器故障诊断技术领域,尤其涉及一种基于油色谱的变压器状态诊断方法、终端及存储介质,本发明方法其通过获取多个历史油色谱样本,将油色谱样本按照同期变压器的状态,对油色谱样本进行分类,形成多个样本集。由于异常状态的各个样本集的样本数较少,因此,本发明实施方式对样本集进行扩容,增大样本的数量。基于扩容后的样本集,确定当前变压器的状态。因此,解决了现有技术中,油色谱诊断变压器状态时,异常数据量少、有效信息量小的问题,提高了变压器诊断的准确性。
Description
技术领域
本发明涉及变压器故障诊断技术领域,尤其涉及一种基于油色谱的变压器状态诊断方法、终端及存储介质。
背景技术
变压器油内含有一些有机绝缘材料和矿物绝缘油,在变压器的运行中起着重要作用。经过精炼的绝缘油中,不含有低分子烃类气体。在变压器运行过程中,绝缘油和有机绝缘材料在热和电的作用下会缓慢产生少量的低分子烃类气体,包括H2(氢气)、CO(一氧化碳)、CO2(二氧化碳)、CH4(甲烷)、C2H6(乙烷)、C2H4(乙烯)、C2H2(乙炔)这七种。
当变压器内部出现故障时,这些烃类气体就会增多,且产生的气体大部分能够溶于油中。油中气体的组成和含量与变压器故障的类型及严重程度有密切的关系。对应变压器不同的故障原因,就会产生不同气体。因此,我们就可以对变压器油进行色谱分析,准确掌握各种溶解气体的来源和分析方法,根据气体的组成和成分比例就能够判断变压器的故障原因和故障程度。对于大型变压器来说,油色谱分析对于发现变压器内部的故障及其发展程度是很有效的。
油中溶解气体分析除了在变压器出现故障后,能够对变压器进行故障判断,还可以尽早发现变压器内部存在的潜伏性故障,及时采取处理措施,做到早发现、早解决,防患于未然。同时,这类诊断技术的最大优点是可以在不停电时运行,是判断变压器内部潜伏性故障最有效、最灵敏的方法,在电力安全生产中发挥了重要作用。
然而,目前工程中收集到的变压器状态监测数据大部分属于正常状态下的数据,异常状态的数据少,有效信息量小。给基于数据进行变压器诊断带来了一定的困难。变压器的有效状态监测信息少以及诊断方法准确的问题阻碍了该领域的技术进步。
发明内容
本发明实施方式提供了一种基于油色谱的变压器状态诊断方法、终端及存储介质,用于解决现有技术中采用油色谱诊断变压器状态时,异常状态数据量少给变压器诊断带来困难的问题。
第一方面,本发明实施方式提供了一种基于油色谱的变压器状态诊断方法,包括:
获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态;
根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集;
对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同;
获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
在一种可能实现的方式中,所述油色谱数据包括多种溶解气体的变化量,所述溶解气体的变化量为目标时期溶解气体的含量与目标时期的前一时期溶解气体含量的差值;
所述变压器状态包括无故障状态、过热状态、放电状态和绝缘潮湿状态中的至少一种。
在一种可能实现的方式中,对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,包括:
针对每个变压器状态为异常状态的样本集,执行如下步骤:
获取GAN网络模型,其中,所述GAN网络模型包括:生成器以及判别器;
获取随机噪声,将所述随机噪声输入至所述生成器,生成伪样本;
判别器训练步骤:将所述伪样本与当前样本集中的样本输入至所述判别器,对所述判别器进行训练,直至所述判别器的判断准确率高于第一阈值,固定所述判别器的参数,作为经过训练的判别器;
生成器训练步骤:将所述随机噪声输入至所述生成器,直至所述经过训练的判别器的判断准确率小于或等于第二阈值,固定所述生成器的参数,作为经过训练的生成器;
将所述随机噪声输入至所述经过训练的生成器,对所述当前样本集进行扩容。
在一种可能实现的方式中,所述根据所述当前油色谱样本、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态,包括:
从各个已知状态油色谱数据中,选取预定数量的与当前油色谱数据距离最近的样本,作为最接近样本,其中,已知状态油色谱数据包括:各个扩容样本集的样本以及所述变压器状态为正常状态的样本集的样本;
获取多个所述最接近样本的中多数样本对应的变压器状态,作为所述当前变压器的状态。
在一种可能实现的方式中,所述根据所述当前油色谱样本、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态,包括:
获取神经网络模型;
根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络;
将所述当前油色谱数据输入至所述状态判断神经网络,获得当前变压器的状态。
在一种可能实现的方式中,所述根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络,包括:
将每个样本集拆分为一个训练集以及一个验证集;
模型训练步骤:将所述训练集中的每个样本输入至所述神经网络模型,对模型进行训练,直至损失值低于第三阈值;
模型验证步骤:将所述验证集中的每个样本输入至所述神经网络模型,验证所述神经网络模型的准确率;
若所述神经网络模型的准确率低于第四阈值,则修改所述神经网络模型后返回至所述模型训练步骤;
固定所述神经网络模型的参数,作为状态判断神经网络。
在一种可能实现的方式中,所述修改所述神经网络模型,包括:删除所述神经网络模型的一部分隐含层。
第二方面,本发明实施方式提供了一种基于油色谱的变压器状态诊断装置,包括:
样本获取模块,用于获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态;
样本分类模块,用于根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集;
样本扩容模块,用于对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同;以及,
状态确定模块,用于获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
第三方面,本发明实施方式提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施方式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存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是:
本发明实施方式公开了的一种基于油色谱的变压器状态诊断方法,其通过获取多个历史油色谱样本,将油色谱样本按照同期变压器的状态,对油色谱样本进行分类,形成多个样本集。由于异常状态的各个样本集的样本数较少,因此,本发明实施方式对样本集进行扩容,增大样本的数量。基于扩容后的样本集,确定当前变压器的状态。因此,解决了现有技术中,油色谱诊断变压器状态时,异常数据量少、有效信息量小的问题,提高了变压器诊断的准确性。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对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,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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是本发明实施方式提供的基于油色谱的变压器状态诊断方法的流程图;
图2是本发明实施方式提供的分类模型欠拟合原理演示图;
图3是本发明实施方式提供的分类模型正确拟合原理演示图;
图4是本发明实施方式提供的分类模型过拟合原理演示图;
图5是本发明实施方式提供的基于油色谱的变压器状态诊断装置功能框图;
图6是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明,本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
变压器内部故障的主要类型包括变压器过热性故障、变压器放电性故障以及变压器绝缘受潮故障。
发生变压器过热性故障的根本原因是由于设备的绝缘性能变坏,此时变压器油或者其他的绝缘性材料会因设备过热而裂变分解。当绝缘油过热时,一般会产生大量的甲烷和乙稀。并且随着变压器内部温度的升高,乙烯的占比将会增加。当绝缘油和绝缘纸严重过热时,产生的特征气体主要有甲烷、乙烯、一氧化碳和二氧化碳,还有氢气和乙烷这两种次要气体。
变压器放电性故障是由于设备内部放电,如电弧放电、火花放电、局部放电等,而导致的设备绝缘性能恶化。由于不同的放电原因,会产生不同的气体成分和含量。
当绝缘油中有电弧放电时,主要会产生氢气、乙炔和甲烷,还有少量的乙烯和乙烷;当绝缘油和绝缘纸中都有电弧放电时,主要会产生氢气、乙炔、一氧化碳和二氧化碳,还有少量的甲烷、乙烷和乙烯。当变压器油中出现火花放电时,主要产生有氢气、甲烷和乙炔。当油纸绝缘局部放电时,会产生大量的氢气和甲烷,还有少量的乙炔、一氧化碳和乙烯。
变压器绝缘受潮是因为环境潮湿或者变压器内部进水导致设备绝缘受潮或者油里有气泡,此时主要产生氢气,其他气体则都没有明显变化。一方面绝缘油中的水分和固体绝缘中的气隙因局部放电产生氢气,另一方面水分子在电场作用下发生电解反应还会生成氢气,水分与铁发生化学反应,也会产生大量的氢气。因此,变压器绝缘受潮时,氢气的含量会非常高。
在正常情况下,变压器油中溶解气体的含量最大约为CO100μL/L,CO235μL/L,H2 15μL/L,CH4 2.5μL/L。但是,当变压器有内部故障时油中溶解气体的含量就大不相同了。这些特征气体变化与变压器内部故障有很大的关系,总结来看,特征气体的含量与故障原因有以下几点对应关系。
1)CH4和C2H4:在过热性故障中,CH4和C2H4两者之和一般可占总烃的80%以上,且随着故障点温度的升高,C2H4所占比例也会增加。
2)C2H2:其产生与放电性故障有关,如果C2H2明显超标且增长速率较快,则可能是设备内部存在放电性故障。
3)CO和CO2:无论是过热性故障还是放电性故障,只要有固体绝缘介入,都会产生CO和CO2。
4)H2:一般电故障和绝缘受潮故障,在分解过程中总是会生成H2,因此H2是各种故障下特征气体的主要组成成分之一。
另外,值得注意的是,在实际情况下,变压器内往往是多种故障类型并存,因此会造成多种气体成分及比例同时变化,给故障判断带来极大的困难和挑战。
图1为本发明实施方式提供的基于油色谱的变压器状态诊断方法的流程图。
如图1所示,其示出了本发明实施方式提供的基于油色谱的变压器状态诊断方法的实现流程图,详述如下:
在步骤101中,获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态。
在一些实施方式中,所述油色谱数据包括多种溶解气体的变化量,所述溶解气体的变化量为目标时期溶解气体的含量与目标时期的前一时期溶解气体含量的差值;所述变压器状态包括无故障状态、过热状态、放电状态和绝缘潮湿状态中的至少一种。
示例性地,对于油色谱数据,根据同时期变压器的状态,可分为两大类,故障状态油色谱数据和无故障状态油色谱数据,而故障状态油色谱数据又可以细分为对应不同种类故障的油色谱数据,如过热油色谱数据、放电油色谱数据以及绝缘潮湿油色谱数据。如我们所知,故障油色谱数据的数量远比无故障油色谱数据的数量少,如果在故障油色谱数据的基础上再做故障油色谱数据样本的细分,则使得每种故障对应的油色谱数据数量变得更少。
现有技术中对于变压器状态的诊断,多数是基于历史经验数据进行的,且历史经验数据越多,诊断准确率越高,效果越好。
也因此,如果对于故障种类进行细分的话,油色谱数据数量过少,是带给状态诊断准确性的最大的难题。因此,我们总是期望,多采集一些故障同期的油色谱数据。
此外,对于油色谱数据的处理上,为尽可能的避免前述中提极地,多种故障并存,导致数据混乱的问题,本发明实施方式提出了一种解决方案,即通过获取一定时期的油色谱的变化量,确定该时期发生的故障。
具体到实施上,如获取tm时期的油色谱变化量,则将tm与tm-1油色谱采样数据作差,作为该时期的变化量。
在步骤102中,根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集。
示例性地,对于油色谱数据,包括H2、CO、CO2、CH4、C2H6、C2H4以及C2H2。
在获得大量油色谱数据及其同时期的变压器状态后,我们可以制定一个决策表。如一种实施方式中,决策表的每一行代表一个训练样本,每一列代表一个属性,一共有8列。前7列为条件属性,包括变压器油中H2、CO、CO2、CH4、C2H6、C2H4以及C2H2气体的含量占比,第8列为决策属性,包括油温过高、局部放电、油中进水等多种故障原因代码。每一行的样本可以理解为,在某种油中溶解气体变化量的情况下,就会对应出变压器内存在着某种故障。依靠大量的运行实验,我们可以得到大量的各种油色谱样本,根据决策属性的不同代码,也就是不同的故障原因可以得到多种变压器故障原因分类。
表1示出了一种基于油色谱的变压器状态诊断决策表,表中一共包含5个油色谱样本E1-E5,每个油色谱样本由7个坐标构成,为(H2、CO、CO2、CH4、C2H6、C2H4、C2H2),在这样的特征含量下对应了每个油色谱样本所属的类别,也就是变压器故障的类型,包括W1(无故障)、W2(过热性故障)、W3(放电性故障)、W4(绝缘潮湿)四种。
表1基于油色谱的变压器状态诊断决策表
在步骤103中,对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同。
在一些实施方式中,步骤103包括:
针对每个变压器状态为异常状态的样本集,执行如下步骤:
获取GAN网络模型,其中,所述GAN网络模型包括:生成器以及判别器;获取随机噪声,将所述随机噪声输入至所述生成器,生成伪样本;判别器训练步骤:将所述伪样本与当前样本集中的样本输入至所述判别器,对所述判别器进行训练,直至所述判别器的判断准确率高于第一阈值,固定所述判别器的参数,作为经过训练的判别器;生成器训练步骤:将所述随机噪声输入至所述生成器,直至所述经过训练的判别器的判断准确率小于或等于第二阈值,固定所述生成器的参数,作为经过训练的生成器;将所述随机噪声输入至所述经过训练的生成器,对所述当前样本集进行扩容。
示例性地,生成式对抗网络(GAN,GenerativeAdversarialNetworks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块:生成模型(GenerativeModel)和判别模型(DiscriminativeModel)的互相博弈学习产生相当好的输出。原始GAN理论中,并不要求G和D都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为G和D。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
生成模型与判别模型之间的关系,犹如两个对抗的组,一个组不断的产生伪数据,另一个组则通过伪数据与真实数据进行训练,提升分辨伪数据的能力,用于辨别真伪数据的组,输出真伪的偏差返回至产生伪数据的组,这个组经过偏差校正,生成更为接近真实数据的伪数据,如此反复,两个组的制假能力与辨别能力均得以提升,然而,两个对抗组对抗的结果是,产生伪数据的组,产生的数据使得辨别数据的组,无法辨别出真假,也就是分辨能力随机,准确率接近0.5,此时的伪数据与真实数据几乎无二。
具体到本发明实施方式中,步骤如下:
首先获取一个GAN网络模型,并初始化模型中的生成器。然后,将随机噪声输入到生成器中,输出伪样本,本实施方式中伪样本为伪装样本的数据,然而,该伪数据与真实数据差异较大,容易被判别器所分辨。
接着,进行判别器训练步骤,伪样本与真实样本分别送入到判别器中,训练判别器辨别样本真伪的能力,从而使得判别器具备判别数据真伪的能力。
在接着,进行生成器训练步骤,在生成器输入端继续输入随机噪声,训练生成器,使得生成器继续生成伪样本逐步接近真实样本。
有必要时,重复进行判别器训练步骤以及生成器训练步骤,最终使得判别器不能分辨真伪样本,也即第二阈值,通常为略大于0.5准确率的数值,如0.55。
此时,生成器完全得以训练,采用此时的生成器根据随机噪声生成伪样本,伪样本与真实样本共同构成新的、扩容的样本,原样本得以扩容。
在步骤104中,获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
在一些实施方式中,步骤104包括:
从各个已知状态油色谱数据中,选取预定数量的与当前油色谱数据距离最近的样本,作为最接近样本,其中,已知状态油色谱数据包括:各个扩容样本集的样本以及所述变压器状态为正常状态的样本集的样本;
获取多个所述最接近样本的中多数样本对应的变压器状态,作为所述当前变压器的状态;
在一些实施方式中,步骤104包括:
获取神经网络模型;根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络;将所述当前油色谱数据输入至所述状态判断神经网络,获得当前变压器的状态。
在一些实施方式中,所述根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络,包括:
将每个样本集拆分为一个训练集以及一个验证集;模型训练步骤:将所述训练集中的每个样本输入至所述神经网络模型,对模型进行训练,直至损失值低于第三阈值;模型验证步骤:将所述验证集中的每个样本输入至所述神经网络模型,验证所述神经网络模型的准确率;若所述神经网络模型的准确率低于第四阈值,则修改所述神经网络模型后返回至所述模型训练步骤;固定所述神经网络模型的参数,作为状态判断神经网络。
在一些实施方式中,所述修改所述神经网络模型,包括:删除所述神经网络模型的一部分隐含层。
示例性地,基于扩容后的样本,对于状态的判断,有多种方式,一种方式为采用K最邻近(KNN,K-NearestNeighbor)分类算法。所谓K最近邻,就是K个最近的邻居的意思,说的是每个样本都可以用它最接近的K个邻近值来代表。近邻算法就是将数据集合中每一个记录进行分类的方法。
具体到本发明实施方式而言,就是根据计算出当前油色谱数据与各个样本(包括正常状态样本、异常状态样本以及扩容的伪样本)之间的距离,根据距离的大小进行排序,取K个距离最小的样本。以K个距离最小的样本中多数样本对应的变压器状态,作为当前变压器的状态。
我们可以看出上述K最临近分类算法,思路、步骤较为清晰,但存在一定的缺点就是当样本数量较大时,计算量偏大,也因此,在样本数量较大时,可以采用神经网络分类的技术方案。
神经网络可以用于对多个数据进行分类,在进行分类之前,通常对神经网络模型进行训练,以获得建立数据与类别关系的关系式。
就本发明实施方式中,为将各个样本输入至神经网络模型,对神经网络模型进行训练,直至损失函数的值低于预定值,则该神经网络模型得到训练。
将当前油色谱数据输入至训练后的神经网络模型后,可以判断出当前变压器的状态。
然而,在使用网络模型时,应当注意过拟合现象,尤其对于本发明实施方式中采用扩容样本的情况,这是因为,样本中存在一些噪声。
图2、图3以及图4分别给出了分类模型欠拟合原理演示图、分类模型正确拟合原理演示图以及分类模型过拟合原理演示图。
图中,在圆圈区域的内部,包括一些X,这些数据是基于采集、传递或者扩容,或者其它原因产生的错误的数据,如果简单拟合,我们可以看出,有一部分X被分类至O中,我们称之为欠拟合,意思是拟合不足。
相反的,如果完全按照样本进行分类,则这个分类曲线将变得异常复杂,其结果是,虽然对于当前训练的样本能够做到较高的分类准确率,但是,应用于其它的样本进行分类时,准确率就会大打折扣。这种情形叫做过拟合。
只有保证分类曲线不过分复杂,减少噪声的干扰的方式,也即对于当前训练样本以及后续的其它样本分类时,都能够保持较高的准确率,才是一种正确的拟合方式,也就是图3中所示的演示图。
就本发明实施方式而言,其将样本期分为一个训练集以及一个验证集,通过训练集训练神经网络模型,当神经网络模型对于训练集的准确率达到预定值时,再通过验证集进行验证,如果验证集验证准确率达到预定值,则说明做到了正确拟合。
相反的,如果通过验证集验证,准确率低于预定值,则说明产生了如图3所示的过拟合现象,应当予以校正。
校正方式有多种,通常的方式为通过正则化处理,本发明实施方式中,采用的是简化网络神经模型,在训练过程中,删除一部分隐含层,使得输入与输出之间的关系变得简单化。
本发明基于油色谱的变压器状态诊断方法实施方式,其获取多个历史油色谱样本,将油色谱样本按照同期变压器的状态,对油色谱样本进行分类,形成多个样本集。由于异常状态的各个样本集的样本数较少,因此,本发明实施方式对样本集进行扩容,增大样本的数量。基于扩容后的样本集,确定当前变压器的状态。因此,解决了现有技术中,油色谱诊断变压器状态时,异常数据量少、有效信息量小的问题,提高了变压器诊断的准确性。
应理解,上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式,对于其中未详尽描述的细节,可以参考上述对应的方法实施方式。
图5是本发明实施方式提供的基于油色谱的变压器状态诊断装置功能框图,参照图5,基于油色谱的变压器状态诊断装置包括:样本获取模块501、样本分类模块502、样本扩容模块503以及状态确定模块504。
样本获取模块501,用于获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态。
样本分类模块502,用于根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集。
样本扩容模块503,用于对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同。
状态确定模块504,用于获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
图6是本发明实施方式提供的终端的功能框图。如图6所示,该实施方式的终端6包括:处理器600、存储器601以及存储在所述存储器601中并可在所述处理器600上运行的计算机程序602。所述处理器600执行所述计算机程序602时实现上述各个基于油色谱的变压器状态诊断方法及实施方式中的步骤,例如图1所示的步骤101至步骤104。
示例性的,所述计算机程序602可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器601中,并由所述处理器600执行,以完成本发明。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括,但不仅限于,处理器600、存储器601。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器600可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器601可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器601也可以是所述终端6的外部存储设备,例如所述终端6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器601还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器601用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在上述实施方式中,对各个实施方式的描述都各有侧重,某个实施方式中没有详述或记载的部分,可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于油色谱的变压器状态诊断方法及基于油色谱的变压器状态诊断装置实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式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方式所记载的技术方案进行修改,或者对其中部分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方式技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于油色谱的变压器状态诊断方法,其特征在于,包括:
获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态;
根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集;
对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同;
获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
2.根据权利要求1所述的基于油色谱的变压器状态诊断方法,其特征在于,所述油色谱数据包括多种溶解气体的变化量,所述溶解气体的变化量为目标时期溶解气体的含量与目标时期的前一时期溶解气体含量的差值;
所述变压器状态包括无故障状态、过热状态、放电状态和绝缘潮湿状态中的至少一种。
3.根据权利要求1所述的基于油色谱的变压器状态诊断方法,其特征在于,对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,包括:
针对每个变压器状态为异常状态的样本集,执行如下步骤:
获取GAN网络模型,其中,所述GAN网络模型包括:生成器以及判别器;
获取随机噪声,将所述随机噪声输入至所述生成器,生成伪样本;
判别器训练步骤:将所述伪样本与当前样本集中的样本输入至所述判别器,对所述判别器进行训练,直至所述判别器的判断准确率高于第一阈值,固定所述判别器的参数,作为经过训练的判别器;
生成器训练步骤:将所述随机噪声输入至所述生成器,直至所述经过训练的判别器的判断准确率小于或等于第二阈值,固定所述生成器的参数,作为经过训练的生成器;
将所述随机噪声输入至所述经过训练的生成器,对所述当前样本集进行扩容。
4.根据权利要求1所述的基于油色谱的变压器状态诊断方法,其特征在于,所述根据所述当前油色谱样本、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态,包括:
从各个已知状态油色谱数据中,选取预定数量的与当前油色谱数据距离最近的样本,作为最接近样本,其中,已知状态油色谱数据包括:各个扩容样本集的样本以及所述变压器状态为正常状态的样本集的样本;
获取多个所述最接近样本的中多数样本对应的变压器状态,作为所述当前变压器的状态。
5.根据权利要求1所述的基于油色谱的变压器状态诊断方法,其特征在于,所述根据所述当前油色谱样本、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态,包括:
获取神经网络模型;
根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络;
将所述当前油色谱数据输入至所述状态判断神经网络,获得当前变压器的状态。
6.根据权利要求5所述的基于油色谱的变压器状态诊断方法,其特征在于,所述根据所述多个扩容样本集以及变压器状态为正常状态的样本集,训练所述神经网络模型,获得状态判断神经网络,包括:
将每个样本集拆分为一个训练集以及一个验证集;
模型训练步骤:将所述训练集中的每个样本输入至所述神经网络模型,对模型进行训练,直至损失值低于第三阈值;
模型验证步骤:将所述验证集中的每个样本输入至所述神经网络模型,验证所述神经网络模型的准确率;
若所述神经网络模型的准确率低于第四阈值,则修改所述神经网络模型后返回至所述模型训练步骤;
固定所述神经网络模型的参数,作为状态判断神经网络。
7.根据权利要求6所述的基于油色谱的变压器状态诊断方法,其特征在于,所述修改所述神经网络模型,包括:删除所述神经网络模型的一部分隐含层。
8.一种基于油色谱的变压器状态诊断装置,其特征在于,包括:
样本获取模块,用于获取多个历史油色谱样本,其中,所述历史油色谱样本包括:历史油色谱数据以及与所述历史油色谱数据同期的变压器状态;
样本分类模块,用于根据所述变压器状态,对所述历史油色谱样本进行分类,获得多个样本集;
样本扩容模块,用于对每个变压器状态为异常状态的样本集扩容,获得多个扩容样本集,其中,所述扩容样本集的样本数量与变压器状态为正常状态的样本集的样本数量相同;以及,
状态确定模块,用于获取当前油色谱数据,根据所述当前油色谱数据、所述多个扩容样本集以及所述变压器状态为正常状态的样本集,确定当前变压器的状态。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014090.4A CN114358193A (zh) | 2022-01-06 | 2022-01-06 | 基于油色谱的变压器状态诊断方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014090.4A CN114358193A (zh) | 2022-01-06 | 2022-01-06 | 基于油色谱的变压器状态诊断方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358193A true CN114358193A (zh) | 2022-04-15 |
Family
ID=81107699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210014090.4A Pending CN114358193A (zh) | 2022-01-06 | 2022-01-06 | 基于油色谱的变压器状态诊断方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358193A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201380A (zh) * | 2022-08-03 | 2022-10-18 | 国网河北省电力有限公司超高压分公司 | 色谱预警系统及油气预警方法、装置、控制器及存储介质 |
CN116310566A (zh) * | 2023-03-23 | 2023-06-23 | 华谱科仪(北京)科技有限公司 | 色谱数据图处理方法、计算机设备和计算机可读存储介质 |
-
2022
- 2022-01-06 CN CN202210014090.4A patent/CN114358193A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201380A (zh) * | 2022-08-03 | 2022-10-18 | 国网河北省电力有限公司超高压分公司 | 色谱预警系统及油气预警方法、装置、控制器及存储介质 |
CN116310566A (zh) * | 2023-03-23 | 2023-06-23 | 华谱科仪(北京)科技有限公司 | 色谱数据图处理方法、计算机设备和计算机可读存储介质 |
CN116310566B (zh) * | 2023-03-23 | 2023-09-15 | 华谱科仪(北京)科技有限公司 | 色谱数据图处理方法、计算机设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Random forest based optimal feature selection for partial discharge pattern recognition in HV cables | |
CN110213222B (zh) | 基于机器学习的网络入侵检测方法 | |
Taha et al. | Conditional probability‐based interpretation of dissolved gas analysis for transformer incipient faults | |
CN114358193A (zh) | 基于油色谱的变压器状态诊断方法、终端及存储介质 | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN111241673A (zh) | 用于噪声环境工业设备的健康状态预测方法 | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
Koochi et al. | A synchrophasor-based decision tree approach for identification of most coherent generating units | |
Zhang et al. | A fault diagnosis method of power transformer based on cost sensitive one-dimensional convolution neural network | |
CN115881238A (zh) | 模型训练方法、变压器故障诊断方法及相关装置 | |
CN117748507A (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN110022313B (zh) | 基于机器学习的多态蠕虫特征提取及多态蠕虫辨识方法 | |
CN103856365B (zh) | 客户终端接入设备自动测试方法和系统 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN112085064B (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
Wang et al. | Hybrid AI model for power transformer assessment using imbalanced DGA datasets | |
Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
Fahim et al. | Uncertainty awareness in transmission line fault analysis: A deep learning based approach | |
CN114324712A (zh) | 变压器油色谱故障判断方法、装置、终端及存储介质 | |
Nanfak et al. | Hybrid Method for Power Transformers Faults Diagnosis Based on Ensemble Bagged Tree Classification and Training Subsets Using Rogers and Gouda Ratios. | |
Wang et al. | UFKLDA: An unsupervised feature extraction algorithm for anomaly detection under cloud environment | |
CN114417977A (zh) | 一种基于变压器数据样本扩充的故障诊断方法及系统 | |
Ratnakar et al. | Detection of Arc Fault by using ML Algorithm | |
Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection |
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 |