CN114444734A - 一种基于边缘计算的变压器多模态故障诊断方法 - Google Patents
一种基于边缘计算的变压器多模态故障诊断方法 Download PDFInfo
- Publication number
- CN114444734A CN114444734A CN202210098982.7A CN202210098982A CN114444734A CN 114444734 A CN114444734 A CN 114444734A CN 202210098982 A CN202210098982 A CN 202210098982A CN 114444734 A CN114444734 A CN 114444734A
- Authority
- CN
- China
- Prior art keywords
- transformer
- modal
- data
- collecting unit
- fault diagnosis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开一种基于边缘计算的变压器多模态故障诊断方法,利用多种类型的感知终端采集变压器多模态参量,实现变压器状态的全面感知。同时,利用边缘计算接近数据输入侧的优势,可以在本地分别对变压器多模态数据进行处理分析,既减少了综合评估系统的输入数据量,又增加了变压器多模态数据融合度。此外,采用容器化技术可以一键部署数据分析和特征提取应用,操作方便快捷。本地轻量级数据库的使用避免了数据丢失的问题。本发明能够准确评估变压器运行状态,实现变压器故障的准确诊断与科学决策,减少检修现场大量人力、物力的投入,提高电力设备运维水平,确保电网安全稳定运行具有重要意义。
Description
技术领域
本发明属于变压器故障诊断技术领域,尤其涉及一种基于边缘计算的变压器多模态故障诊断方法。
背景技术
电力变压器作为变电站的核心设备之一,具有联络电网、调节无功潮流和稳定负荷中心电压的重要作用,其安全可靠性直接关系到电网的安全稳定运行。然而,在长期运行的过程中,电力变压器会受到电应力、热应力、机械应力以及运行工况、气象环境等多种因素的综合作用与影响。其内、外部会发生各种不同的物理和化学反应,各项参数指标逐步劣化,形成变压器内部局部放电、局部过热和绝缘老化等多种类型的潜伏性故障,涉及绕组、铁芯、主绝缘、分接开关、套管等多方面。
变压器内部绕组变形、紧固部件松动等机械缺陷往往为潜伏性隐患,难以通过常用的局部放电量、铁芯接地电流等电气特征参量准确地诊断出来,而常规油色谱在线监测和离线检修仅能对其内部放电等故障进行检测,且都是在内部机械缺陷故障发展到一定程度后,引起电气绝缘故障时才有一定的反应,无法在机械缺陷发生初期进行有效监测。因此,在变压器真正出现各类故障前,有必要寻求一种变压器多模态故障诊断技术手段,掌握变压器的振动、声纹、光、温度、电磁等多模态信号的变化趋势,对变压器故障隐患及时预警,以及时采取相应处理措施,避免故障进一步扩大,降低事故发生几率。
发明内容
本发明要解决的技术问题是提供一种基于边缘计算的变压器多模态故障诊断方法,能够解决常规诊断方法未能充分利用声、振、光等多模态变压器监测信息,检测模型的精度与泛化能力不足的问题,实现对现有故障诊断技术的有益补充。
为了解决所述技术问题,本发明采用的技术方案是:一种基于边缘计算的变压器多模态故障诊断方法,包括以下步骤:
S01)、确定所需采集的变压器多模态数据参量,包括变压器的振动、声音、温度、特高频局部放电、铁芯或夹件接地电流、油中溶解气体信号;
S02)、通过多模态感知终端分别采集多模态参量数据,并分别对采集的各模态参量分别进行数据检验、阈值判断;
S03)、对于超出阈值的模态参量数据,通过边缘处理装置进行数据处理、特征提取和初步诊断分析,分别建立变压器铁芯和绕组的振动场、声场、温度场、电场、磁场、气体组分及含量的多模态计算模型;
S04)、在综合评估系统中构建设备信息、设备缺陷类型、故障案例样本数据库,采用卷积神经网络算法对变压器状态进行故障综合判断,根据构建好的数据库对卷积神经网络进行训练,得到训练好的卷积神经网络多模态诊断模型;
S05)、将设备信息、多模态参量特征值及各模态诊断结果为输入参量,与已训练好的多模态诊断模型进行比较、分析,实现电力变压器的多参量融合状态评价及缺陷告警。
进一步的,多模态感知终端包括传感单元和采集单元,传感单元包括振动加速度传感器、麦克风阵列、光纤温度传感器、特高频局放传感器、铁芯或夹件接地电流传感器、油气分离及色谱分离模块,采集单元包括本体振动采集单元、本体噪声采集单元、绕组温度采集单元、特高频局部放电采集单元、铁芯或夹件接地电流采集单元、油中溶解气体采集单元,各采集单元分别通过与设定的阈值进行比较,判断采集的各模态参量正常与否。
进一步的,边缘处理装置包括Mapper协议映射模块、时间订阅模块、本地数据库、容器和数据管理模块,对于超出阈值的模态参量数据,通过Mapper协议映射模块将各参量感知终端的协议转换为通用MQTT协议,当事件订阅模块收到模态参量数据的订阅消息,首先将数据更新到本地数据库,当接受到数据已经被保存至本地数据库的确认消息后,将模态参量数据进行数据处理、特征信息提取和初步故障诊断分析,边缘设备采用容器化技术,所有的数据处理和特征信息提取应用都以容器的形式运行在边缘设备中;数据管理模块将多模态计算模型的特征值、初步诊断结果信息封装,并通过WebSocket发送至接收数据上位机。
进一步的,采用相空间重构进行本体振动信号特征值提取,采用Mel频率倒谱系数进行噪声信号特征值提取,得到变压器在正常运行和典型机械故障下的振动和声纹的特征信息以及其在本体和空间的传播特性及分布规律;采用PRPD进行特高频局部放电信号特征值提取,采用改良三比值法进行油中溶解气体组分判断;
进一步的,对卷积神经网络进行训练时,分别建立变压器机械状态与振动、声音特征信息的对应关系,建立变压器电气状态与特高频局部放电、油中溶解气体特征信息的对应关系,建立变压器温度状态与温度、铁芯/夹件接地电流、油中溶解气体特征信息的对应关系。
进一步的,训练好的卷积神经网络多模态故障诊断模型中一级标签信息为:机械故障、放电故障、过热故障;二级标签信息为:铁芯松动、绕组变形、垫块脱落;局部放电、电弧放电、悬浮放电、绝缘老化、绝缘油劣化;铁芯过热、夹件过热、导电回路接触不良造成过热。
本发明的有益效果:本发明所提出的一种基于边缘计算的变压器多模态故障诊断方法,利用多种类型的感知终端采集变压器多模态参量,实现变压器状态的全面感知。同时,利用边缘计算接近数据输入侧的优势,可以在本地分别对变压器多模态数据进行处理分析,既减少了综合评估系统的输入数据量,又增加了变压器多模态数据融合度。此外,采用容器化技术可以一键部署数据分析和特征提取应用,操作方便快捷。本地轻量级数据库的使用避免了数据丢失的问题。本发明能够准确评估变压器运行状态,实现变压器故障的准确诊断与科学决策,减少检修现场大量人力、物力的投入,提高电力设备运维水平,确保电网安全稳定运行具有重要意义。
附图说明
图1 是本发明所述的变压器多模态故障诊断系统架构图;
图2 是本发明所述的边缘处理操作流程图;
图3 是本发明所述的变压器故障标签分类;
图4 是本发明所述的变压器多模态综合评估流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种基于边缘计算的变压器多模态故障诊断方法,包括以下步骤:
步骤1,确定所需采集的变压器多模态数据参量。所述的变压器多模态数据参量包括变压器的振动、声音、温度、特高频局部放电、铁芯/夹件接地电流、油中溶解气体信号。
步骤2,如图1所示,变压器多模态故障诊断系统由多模态感知终端、边缘处理装置和综合评估系统组成。多模态感知终端,包括传感单元和采集单元两部分。其中,传感单元包括振动加速度传感器、麦克风阵列、光纤温度传感器、特高频局放传感器、铁芯/夹件接地电流传感器和油气分离及色谱分离模块。采集单元包括本体振动采集单元、本体噪声采集单元、绕组温度采集单元、特高频局部放电采集单元、铁芯/夹件接地电流采集单元、油中溶解气体采集单元。各采集单元分别通过与设定的阈值进行比较,判断采集的各模态参量正常与否。其中,铁芯/夹件接地电流和温度信号根据《油浸式变压器状态评价导则》进行判定。
步骤3,如图2所示,边缘处理装置对于超出阈值的模态参量数据,通过协议映射模块将各参量感知终端的协议转换为通用MQTT协议。当边缘处理装置的事件订阅模块收到模态参量数据的订阅消息,首先将数据更新到本地轻量级的数据库,当接受到数据已经被保存至本地数据库的确认消息后,将模态参量数据进行数据处理、特征信息提取和初步故障诊断分析。其中,初步诊断结果即为一级标签信息,包括机械故障、放电故障和过热故障三种类型。边缘设备采用容器化技术,所有的数据处理和特征信息提取应用都以Docker的形式运行在边缘设备中。根据需求分别建立变压器铁芯和绕组的振动场、声场、温度场、电场、磁场、气体组分及含量的多模态计算模型。其中,采用相空间重构进行本体振动信号特征值提取,采用Mel频率倒谱系数进行噪声信号特征值提取,得到变压器在正常运行和典型机械故障下的振动和声纹的特征信息以及其在本体和空间的传播特性及分布规律。采用PRPD进行特高频局部放电信号特征值提取,采用改良三比值法进行油中溶解气体组分判断。所述的改良三比值法,是在五种特征气体中选取两种溶解度和扩散系数相近的气体组成三对比值。数据管理模块将多模态计算模型的特征值、初步诊断结果信息封装,并通过WebSocket发送至接收数据上位机。
步骤4,在综合评估系统中构建设备状态信息、设备缺陷类型、故障案例样本数据库,采用卷积神经网络对变压器运行状态进行故障综合判断。根据构建好的数据库对卷积神经网络进行训练,得到训练好的卷积神经网络多模态诊断模型。其中,设备信息包括电力变压器的电压等级、容量、联结组别、冷却方式等信息。分别建立变压器机械状态与振动、声音特征信息的对应关系,建立变压器电气状态与特高频局部放电、油中溶解气体特征信息的对应关系,建立变压器温度状态与温度、铁芯/夹件接地电流、油中溶解气体特征信息的对应关系。如图3所示,训练好的卷积神经网络多模态故障诊断模型中一级标签信息为:机械故障、放电故障、过热故障;二级标签信息为:铁芯松动、绕组变形、垫块脱落;局部放电、电弧放电、悬浮放电、绝缘老化、绝缘油劣化;铁芯过热、夹件过热、导电回路接触不良造成过热。
步骤5,图4所示为变压器多模态综合评估流程,将设备状态信息、多模态参量特征值、初步诊断结果信息作为已训练好的卷积神经网络的输入参量,对输入参量进行预处理,采取反向传播算法将误差逐层反向传递,使用梯度下降法调整各层之间的权值参数,不断优化提高识别效果。通过利用训练好的神经网络中一级标签和二级标签进行综合判定,以得到更精确、更可靠的故障识别结果,最终实现电力变压器的多参量状态评估及缺陷预警。
以上所示,只为本发明之较佳实施例,并非以此限制本发明的实施范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本专利技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本专利的保护范围。
Claims (6)
1.一种基于边缘计算的变压器多模态故障诊断方法,其特征在于:包括以下步骤:
S01)、确定所需采集的变压器多模态数据参量,包括变压器的振动、声音、温度、特高频局部放电、铁芯或夹件接地电流、油中溶解气体信号;
S02)、通过多模态感知终端分别采集多模态数据参量,并分别对采集的各模态参量分别进行数据检验、阈值判断;
S03)、对于超出阈值的模态数据参量,通过边缘处理装置进行数据处理、特征提取和初步诊断分析,分别建立变压器铁芯和绕组的振动场、声场、温度场、电场、磁场、气体组分及含量的多模态计算模型;
S04)、在综合评估系统中构建设备信息、设备缺陷类型、故障案例样本数据库,采用卷积神经网络对变压器状态进行故障综合判断,根据构建好的数据库对卷积神经网络进行训练,得到训练好的卷积神经网络多模态诊断模型;
S05)、将设备信息、多模态参量特征值及各模态诊断结果为输入参量,输入已训练好的多模态诊断模型进行比较、分析,实现电力变压器的多参量融合状态评价及缺陷告警。
2.根据权利要求1所述的基于边缘计算的变压器多模态故障诊断方法,其特征在于:多模态感知终端包括传感单元和采集单元,传感单元包括振动加速度传感器、麦克风阵列、光纤温度传感器、特高频局放传感器、铁芯或夹件接地电流传感器、油气分离及色谱分离模块,采集单元包括本体振动采集单元、本体噪声采集单元、绕组温度采集单元、特高频局部放电采集单元、铁芯或夹件接地电流采集单元、油中溶解气体采集单元,各采集单元分别通过与设定的阈值进行比较,判断采集的各模态参量正常与否。
3.根据权利要求1所述的基于边缘计算的变压器多模态故障诊断方法,其特征在于:边缘处理装置包括Mapper协议映射模块、事件订阅模块、本地数据库、容器和数据管理模块,对于超出阈值的模态参量数据,通过Mapper协议映射模块将各参量感知终端的协议转换为通用MQTT协议,当事件订阅模块收到模态参量数据的订阅消息,首先将数据更新到本地数据库,当接受到数据已经被保存至本地数据库的确认消息后,将模态参量数据进行数据处理、特征信息提取和初步故障诊断分析,边缘设备采用容器化技术,所有的数据处理和特征信息提取应用都以容器的形式运行在边缘设备中;数据管理模块将多模态计算模型的特征值、初步诊断结果信息封装,并通过WebSocket发送至接收数据上位机。
4.根据权利要求3所述的基于边缘计算的变压器多模态故障诊断方法,其特征在于:采用相空间重构进行本体振动信号特征值提取,采用Mel频率倒谱系数进行噪声信号特征值提取,得到变压器在正常运行和典型机械故障下的振动和声纹的特征信息以及其在本体和空间的传播特性及分布规律;采用PRPD进行特高频局部放电信号特征值提取,采用改良三比值法进行油中溶解气体组分判断。
5.根据权利要求1所述的基于边缘计算的变压器多模态故障诊断方法,其特征在于:对卷积神经网络进行训练时,分别建立变压器机械状态与振动、声音特征信息的对应关系,建立变压器电气状态与特高频局部放电、油中溶解气体特征信息的对应关系,建立变压器温度状态与温度、铁芯/夹件接地电流、油中溶解气体特征信息的对应关系。
6.根据权利要求5所述的基于边缘计算的变压器多模态故障诊断方法,其特征在于:训练好的卷积神经网络多模态故障诊断模型中一级标签信息为:机械故障、放电故障、过热故障;二级标签信息为:铁芯松动、绕组变形、垫块脱落;局部放电、电弧放电、悬浮放电、绝缘老化、绝缘油劣化;铁芯过热、夹件过热、导电回路接触不良造成过热。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098982.7A CN114444734A (zh) | 2022-01-27 | 2022-01-27 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098982.7A CN114444734A (zh) | 2022-01-27 | 2022-01-27 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444734A true CN114444734A (zh) | 2022-05-06 |
Family
ID=81369063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210098982.7A Pending CN114444734A (zh) | 2022-01-27 | 2022-01-27 | 一种基于边缘计算的变压器多模态故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444734A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662617A (zh) * | 2022-05-18 | 2022-06-24 | 国网浙江省电力有限公司杭州供电公司 | 基于多模态学习策略的多源数据编织系统处理方法及装置 |
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
CN117740082A (zh) * | 2024-02-19 | 2024-03-22 | 江苏奥派电气科技有限公司 | 一种电力设备故障风险预警方法及系统 |
CN117830309A (zh) * | 2024-03-05 | 2024-04-05 | 深圳华强电子网集团股份有限公司 | 一种基于人工智能的电子元器件故障诊断系统 |
CN117740082B (zh) * | 2024-02-19 | 2024-05-14 | 江苏奥派电气科技有限公司 | 一种电力设备故障风险预警方法及系统 |
-
2022
- 2022-01-27 CN CN202210098982.7A patent/CN114444734A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662617A (zh) * | 2022-05-18 | 2022-06-24 | 国网浙江省电力有限公司杭州供电公司 | 基于多模态学习策略的多源数据编织系统处理方法及装置 |
CN115683230A (zh) * | 2022-11-17 | 2023-02-03 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
CN115683230B (zh) * | 2022-11-17 | 2024-03-29 | 广东电网有限责任公司 | 油浸式变压器故障检测方法、装置、设备、介质及系统 |
CN117740082A (zh) * | 2024-02-19 | 2024-03-22 | 江苏奥派电气科技有限公司 | 一种电力设备故障风险预警方法及系统 |
CN117740082B (zh) * | 2024-02-19 | 2024-05-14 | 江苏奥派电气科技有限公司 | 一种电力设备故障风险预警方法及系统 |
CN117830309A (zh) * | 2024-03-05 | 2024-04-05 | 深圳华强电子网集团股份有限公司 | 一种基于人工智能的电子元器件故障诊断系统 |
CN117830309B (zh) * | 2024-03-05 | 2024-05-07 | 深圳华强电子网集团股份有限公司 | 一种基于人工智能的电子元器件故障诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444734A (zh) | 一种基于边缘计算的变压器多模态故障诊断方法 | |
CN112327100B (zh) | 基于物联网的电力故障检测方法及其系统 | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
Yang et al. | Fault identification for circuit breakers based on vibration measurements | |
CN112116243A (zh) | 基于ahp和远程支持的电力设备缺陷管理系统 | |
CN109974986A (zh) | 一种基于振动检测的gis设备机械缺陷诊断系统及方法 | |
CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN112986870A (zh) | 基于振动法的分布式电力变压器绕组状态监测方法及系统 | |
CN111579939A (zh) | 基于深度学习进行高压电力电缆局部放电现象检测方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN117218495A (zh) | 一种电表箱的风险检测方法及系统 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN117239942B (zh) | 一种具有监控功能的电表 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111860241A (zh) | 一种基于小波包分析的电力设备放电故障识别方法 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN114781165A (zh) | 多特征信息融合的电力变压器绕组健康诊断方法 | |
CN113721116A (zh) | 基于局部放电、油压检测的故障识别方法、系统 | |
CN113654646A (zh) | 一种gil内部机械缺陷的定位与诊断方法、装置及系统 | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
KR20190043792A (ko) | 수력발전용 어플 기반 고장복구 시스템 | |
CN113722659B (zh) | 一种基于缺陷模式的变电主设备诊断方法和系统 | |
CN112578230B (zh) | 一种气体绝缘金属封闭输电线路的故障定位方法及装置 |
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 |