CN114492636B - 一种变压器绕组状态信号的采集系统 - Google Patents
一种变压器绕组状态信号的采集系统 Download PDFInfo
- Publication number
- CN114492636B CN114492636B CN202210091193.0A CN202210091193A CN114492636B CN 114492636 B CN114492636 B CN 114492636B CN 202210091193 A CN202210091193 A CN 202210091193A CN 114492636 B CN114492636 B CN 114492636B
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- parameter
- feature
- module
- 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.)
- Active
Links
- 238000004804 winding Methods 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000006185 dispersion Substances 0.000 claims description 17
- 239000013307 optical fiber Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Abstract
本发明涉及变压器的参数检测领域,公开了一种变压器绕组状态信号的采集系统,通过对于多种数据参数的检测,通过分析诊断装置与参数检测装置相交互,接收数据采样模块采集到的信息并处理,得到各参数实时数据;结合变压器运行历史状态信息,所述分析诊断装置通过构建神经网络依据识别结果调整训练特征向量,建立特征向量数据库,通过特征比对拟合评估变压器的工作状态,判断变压器的故障类型,输出结果。
Description
技术领域
本发明涉及电力系统中参数监测处理,特别涉及基于光纤传感技术的变压器绕组状态的监测、采集系统。
背景技术
变压器是电力系统中最重要和昂贵的电气设备之一,它的良好运行对电网安全具有重要的意义;但是,变压器在运行中,由于不可避免的受到电、热、振动、环境、绝缘老化等各种因素的影响,其技术性能不断劣化,使运行状态不佳。定期检修和安全试验是保证变压器安全运行的主要手段,但由于检修周期长,现行的预防性试验项目对变压器的发展性故障反映不灵敏、不及时,发展速度在几天至几周的局部缺陷往往不能及时被发现,甚至导致发生各种故障(如过热性故障、放电性故障、过热兼放电故障、机械故障等)及重大事故,引起局部乃至大面积停电,造成巨大的直接和间接经济损失和社会影响。
随着智能电网的快速发展和数据处理能力的提升,长期积累的变压器组运行的历史数据和计算机性能的提升,使得对于大数据的处理和拟合成为了可能。因此,如何在对配电变压器开展运行状态监测工作的同时,较好地全面地了解配电变压器的绕组状态(变形情况),对于制定配电变压器检修策略和保障供电可靠性显得十分必要。
同时,现有技术中存在对分布广泛且数量众多的小容量配电变压器进行监测的数据,因此,如何借助于目前的配电变压器参数监测装置存有的参数监测及数据记录功能数据,实现对其绕组状态进行评估,从而提升保障电力网的无人值守和自动报警成为需要解决的问题。
发明内容
为此本申请提出一种变压器绕组状态信号的采集系统,所述系统包括:多个参数检测装置和分析诊断装置。
所述参数检测装置包括:多个光纤传感器模块、信号调制模块、数据采样模块、通信中继模块和电源管理模块;所述多个光纤传感器模块用于检测变压绕组状态的表征参数信号;所述信号调制模块用于对所述多组光纤传感器模块的输出信号进行信号滤波、放大以及模数转换;所述数据采样模块对所述信号调制模块的输出数据进行逐个循环采集,数据打包和预处理;
所述通信中继模块用于对所述数据采集模块的输出数据进行上传和接收,并对数据进行频谱变换、峰值检测预处理并存储;所述光纤传感器模块、信号调制模块、数据采样模块以及通信中继模块,与电源管理模块相连接;
数据采样模块包括:电压电流采集单元,用于采集变电站的电压、电流信息;温湿度采集单元,用于采集变电站周围的温度和湿度信息;音频采集单元,用于采集变电站的音频信息;振动采集单元,用于采集变压器的振动信息;溶解气体采集单元,用于采集变压器油中的溶解气体浓度信息;
分析诊断装置与参数检测装置相交互,用于接收数据采样模块采集到的信息并进行处理,得到各参数实时数据;结合变压器运行历史状态信息,所述分析诊断装置用于通过构建神经网络依据识别结果调整训练特征向量,建立特征向量数据库,通过特征比对拟合评估变压器的工作状态,判断变压器的故障类型,输出结果。
优选的,所述数据采样模块采集的数据,进一步包括,所述数据采样模块的采集的数据执行区分,区分出是性能数据或所在区域的环境数据。
进一步,所述通过特征比对评估变压器的工作状态,判断变压器的故障类型和是否故障,具体包括:确定拟合的特征图,获取典型的参数特征图,根据拟合出的特征图与典型图进行拟合比对,确定所述变压器是否存在故障。
进一步,特征图与典型图的拟合是采用AR自回归模型。
进一步,所述神经网络包括检测神经网络层和池化层,神经网络采用前两个卷积加一个池化层,之后两个卷积层,卷积层之后是两个全连接层;全连接层用于将输入的二维特征矩阵降维到一维特征向量,便于输出层进行分类处理;输出层用于根据上面全连接层的输出的一维向量进行分类。
进一步,所述数据采样模块,对于数据采集包括,两个独立的第一计量单元和第二计量单元分别采集电压电流、音频、振动、溶解气体等表征参数信号的数据;对上述数据做数据预处理:对采集的数据进行规范化处理得到规范化的参数数据,以去除噪音。
进一步,所述分析诊断装置在特征图与典型图拟合之前,采用离散度值与设定的历史对应类型参数的离散度值做预判,当大于阈值时执行拟合比对。
进一步,所述变压器的运行历史状态信息包括历史关键性能数据、历史关键环境数据和历史故障信息。
进一步,所述离散度值的获取是获取从缓冲区读取一段长度L的参数波形数据data1,通过对参数波形数据做平均差(Mean Deviation)处理获得标准差和均值,通过标准差和均值的相比获得离散度值。
进一步,所述参数检测装置采用主从结构方式执行与分析诊断装置通信。
本发明通过对于多种数据参数的检测,通过分析诊断装置与参数检测装置相交互,用于接收数据采样模块采集到的信息并进行处理,得到各参数实时数据;结合变压器运行历史状态信息,所述分析诊断装置用于通过构建神经网络依据识别结果调整训练特征向量,建立特征向量数据库,通过特征比对拟合评估变压器的工作状态,判断变压器的故障类型,输出结果。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中
图1是本发明系统示意图;
图2是参数检测装置示意图。
具体实施方式
参看下面的说明以及附图,本发明的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本发明的保护范围。可以理解的是,附图并非按比例绘制。本发明中使用了多种结构图用来说明根据本发明的实施例的各种变形。
实施例1
一种变压器绕组状态信号的采集系统,所述系统包括:多个参数检测装置和主控服务器;
所述参数检测装置包括:多个光纤传感器模块、信号调制模块、数据采样模块、通信中继模块和电源管理模块;所述多个光纤传感器模块用于检测变压绕组状态的表征参数信号;所述信号调制模块用于对所述多组光纤传感器的输出信号进行信号滤波、放大以及模数转换;
所述数据采样模块对所述信号调制模块的输出数据进行逐个循环采集,数据打包和预处理;
所述通信中继模块用于对所述数据采集模块的输出数据进行上传和接收,并对数据进行频谱变换、峰值检测预处理并存储;
所述光纤传感器模块、信号调制模块、数据采样模块以及通信中继模块,与电源管理模块相连接;
数据采样模块包括:电压电流采集单元,用于采集变电站的电压、电流信息;温湿度采集单元,用于采集变电站周围的温度和湿度信息;音频采集单元,用于采集变电站的音频信息;振动采集模块,用于采集变压器的振动信息;溶解气体采集模块,用于采集变压器油中的溶解气体浓度信息;
分析诊断装置与参数检测装置相交互,接收数据采样单元采集到的信息并进行处理,得到各参数实时数据和变压器运行状态信息;得到的各参数实时数据和变压器运行状态信息进行综合关联性分析。
可选的,所述数据采样模块采集的数据,进一步包括,对数据采样模块的采集的数据执行区分,区分出是性能数据或在区域的环境数据,获取待监控设备的性能数据和所在区域的环境数据;所述性能数据对应的时间戳和所述环境数据对应的时间戳一致;对所述性能数据和所述环境数据进行预处理,得到关键性能数据和关键环境数据;
可选的,分析诊断装置提取各参数的特征向量,建立特征向量数据库,通过特征比对评估变压器的工作状态,判断变压器的故障类型,输出结果。
可选的,所述提取特征向量可以是:构建神经网络层:构建一个具有自适应识别分类功能的包括加入BN算法的改进神经网络,改进神经网络为一个多层的神经网络,通过可训练的卷积核作为滤波器,对多类型的参数进行逐层滤波,并将每一层滤波结果进行自动组合,最终自动提取出对分类最有利的特征,提取完特征之后,从所有特征参数中根据分类类别不同,进行参数分类,之后对不同类别之间的特征参数进行组合训练和识别,并根据识别结果的不同,调整训练特征向量,当根据本次特征参数组合获得的识别结果小于之前的识别结果时,则根据现有的特征向量,添加或删除相应的特征参数,以期再次识别时获得更高的识别率;
构建二分类器:将得到的正常文本数据训练样本和非正常参数数据训练样本输入改进神经网络,改进神经网络被训练为能够识别正常参数和非正常参数的二分类器;
所述构建二分器包括:获取历史时间段内的样本数据集,所述样本数据集表征所述历史时间段内每个历史时间戳对应的样本数据,所述样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;为所述样本数据集中每个样本数据设置初始权重;使用带有所述初始权重的样本数据集训练得到第一分类器;确定所述第一分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;
使用更新权重后的所述样本数据集经过训练得到第二分类器;重复步骤:确定所述第二分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;
当基于所述样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合。
神经网络可包括检测神经网络层和池化层,可选的神经网络采用前两个卷积加一个池化层,之后两个卷积层,卷积层之后是两个全连接层。全连接层的作用是将输入的二维特征矩阵降维到一维特征向量,便于输出层进行分类处理;输出层的作用是根据上面全连接层的输出的一维向量进行分类。
可选的,所述数据采样模块,对于数据采集包括,两个独立的第一计量单元和第二计量单元分别采集电压电流、音频、振动、溶解气体等表征参数的数据;对上述数据做数据预处理:对采集的数据进行规范化处理得到规范化的参数数据,以去除噪音。
所述规范处理具体为:步骤一:以每一个数据点xi为圆心,根据半径设置一个圆圈,这个圆圈被称为数据点的邻域;
步骤二:对这个圆圈内包含的点计数。如果一个圆圈里面的数据点的数目超过了密度阈值,那么将该圆圈的圆心记为核心点,又称核心对象。如果某个数据点的邻域内点的个数小于密度阈值但是落在核心点的邻域内,则称该点为边界点。将既不是核心点也不是边界点的点,认定为噪声点。
步骤三:核心点的邻域内的所有的数据点,都是数据点xi的直接密度直达。如果数据点xj由数据点xi密度直达,数据点xk由数据点xj密度直达……数据点xn由数据点xk密度直达,那么,数据点xn由数据点xi密度可达。这个性质说明了由密度直达的传递性,可以推导出密度可达。
步骤四:如果对于数据点xk,使数据点xi和数据点xj都可以由数据点xk密度可达,那么,就称数据点xi和数据点xj密度相连。将密度相连的点连接在一起,就形成了聚类簇。
通过特征比对评估变压器的工作状态,判断变压器的故障类型和是否故障,具体包括:确定拟合的特征图,获取典型的参数特征图,根据拟合出的特征图与典型图进行拟合比对,确定所述变压器是否存在故障或存在预警的可能。
可选的,所述拟合比对具体是使用AR自回归模型执行拟合。
可选的,变压器中的性能数据都属于平稳序列,采用AR自回归模型(auto-regressive,AR)拟合;另一部分环境数据呈日周期性变化,但变化幅值不大,如湿度、温度等,去除其日周期性后也可通过AR拟合。基于时间序列的自回归模型(auto-regressive,AR),当前时间戳的待监控设备的状态依赖于从前时间戳的待监控设备的状态,因此,当前时间戳的样本数据依赖于从前时间戳的样本数据,这与包括待监控设备在内的所有变压器的运行过程中的低动态性相符。
优选的,基于典型模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障发生概率。
所述拟合比对采用AR自回归模型,自回归模型利用观测点前若干时刻的变量的线性组合来描述观测点后若干时刻变量的值,属于线性回归模型。AR模型中,任意时刻的观测值取决于前面p个时刻的观测值加上一个误差函数,AR模型的公式如下:
Xt=φ0+φ1Xt-1+φ2Xt-2+...+φpXt-p+εt
εt为均值为0,方差为σ2的白噪声序列,φp为加权系数,Xt-2为参数值。
可选的,对于单一参数的数据参数故障,所述通过特征比对评估变压器的工作状态,判断变压器的故障类型输出结果可以是:通过斜率值与阈值比较计数的方式来判断,输出结果,以电压电流为例,记计量单元的采样率为fs,每个周期采样0.03fs个电流数据,在0.03fs个电流数据中求得电流最大值Imax,以此电流最大值为基准点,取前0.007fs个采样数据点,对此0.007fs个数据依次做差,并求其相邻两点的斜率值,在0.007fs-1次判定过程中,当斜率值R大于设定阈值时,电压报警寄存器数值加1,当寄存器的数值等于设定值,则判定为电流采样参数判断存在发生故障。
可选的,对于测量的参数值之间的特征比对,可以采用离散度值作为辅助判断,当数据采集处理模块也可以通过计算参数波形数据的离散度;获取从缓冲区读取一段合理长度L的参数波形数据data1,通过对参数波形数据做平均差(Mean Deviation)处理,计算出参数波形数据的离散度B,离散度是标准差和均值的比值;并通过历史特征测算出故障停止状态下的最大对应参数的离散度值MaxV。当离散度大于最大离散度值时,进一步采用AR模型执行拟合比对。
可选的,所述不同的分类器具有不同的参数判别权重和概率值,依据不同的参数的权重值,综合获得故障的判断故障信息。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
如在本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种变压器绕组状态信号的采集系统,其特征在于,所述系统包括多个参数检测装置和分析诊断装置;
所述参数检测装置包括:多个光纤传感器模块、信号调制模块、数据采样模块、通信中继模块和电源管理模块;所述多个光纤传感器模块用于检测变压绕组状态的表征参数信号;所述信号调制模块用于对所述多个光纤传感器模块的输出信号进行信号滤波、放大以及模数转换;所述数据采样模块对所述信号调制模块的输出数据进行逐个循环采集,数据打包和预处理;
所述通信中继模块用于对所述数据采样模块的输出数据进行上传和接收,并对数据进行频谱变换、峰值检测预处理并存储;所述光纤传感器模块、信号调制模块、数据采样模块以及通信中继模块,与电源管理模块相连接;
数据采样模块包括:电压电流采集单元,用于采集变电站的电压、电流信息;温湿度采集单元,用于采集变电站周围的温度和湿度信息;音频采集单元,用于采集变电站的音频信息;振动采集单元,用于采集变压器的振动信息;溶解气体采集单元,用于采集变压器油中的溶解气体浓度信息;
分析诊断装置与参数检测装置相交互,用于接收数据采样模块采集到的信息并进行处理,得到各参数实时数据;结合变压器运行历史状态信息,所述分析诊断装置通过构建神经网络依据识别结果调整训练特征向量,建立特征向量数据库,通过特征比对拟合评估变压器的工作状态,判断变压器的故障类型,输出结果;
其中,分析诊断装置提取各参数的特征向量,建立特征向量数据库,其中提取特征向量通过以下过程实现:构建一个具有自适应识别分类功能的加入BN算法的神经网络,所述神经网络为一个多层的神经网络,通过可训练的卷积核作为滤波器,对多类型的参数进行逐层滤波,并将每一层滤波结果进行自动组合,最终自动提取出对分类最有利的特征参数;提取完特征参数之后,从所有特征参数中根据分类类别不同,进行参数分类,之后对不同类别之间的特征参数进行组合训练和识别,并根据识别结果的不同,调整训练特征向量,当根据本次特征参数组合获得的识别结果小于之前的识别结果时,则根据现有的特征向量,添加或删除相应的特征参数;将得到的正常参数数据训练样本和非正常参数数据训练样本输入所述神经网络,所述神经网络被训练为能够识别正常参数和非正常参数的二分类器;
所述二分类器的构建过程包括:获取历史时间段内的样本数据集,所述样本数据集表征所述历史时间段内每个历史时间戳对应的样本数据,所述样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;为所述样本数据集中每个样本数据设置初始权重;使用带有所述初始权重的样本数据集训练得到第一分类器;确定所述第一分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;使用更新权重后的所述样本数据集经过训练得到第二分类器;重复步骤:确定所述第二分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;当基于所述样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合;
其中,通过特征比对拟合评估变压器的工作状态,判断变压器的故障类型,具体包括:确定拟合的特征图,获取典型的参数特征图,根据拟合出的特征图与典型图进行拟合比对,确定所述变压器是否存在故障;所述分析诊断装置在特征图与典型图拟合之前,采用离散度值与设定的历史对应类型参数的离散度值做预判,当大于阈值时执行拟合比对;所述离散度值的获取是:获取从缓冲区读取的一段长度为L的参数波形数据data1,通过对参数波形数据data1做平均差处理获得标准差和均值,计算标准差和均值的比值获得离散度值。
2.如权利要求1所述的系统,其特征在于:所述数据采样模块采集的数据,进一步包括,对所述数据采样模块采集的数据执行区分,区分出是性能数据或所在区域的环境数据。
3.如权利要求2所述的系统,其特征在于:特征图与典型图的拟合是采用AR自回归模型。
4.如权利要求3所述的系统,其特征在于:所述数据采样模块,对于数据采集包括,两个独立的第一计量单元和第二计量单元分别采集电压电流、音频、振动、溶解气体表征参数信号的数据;对上述数据做数据预处理:对采集的数据进行规范化处理得到规范化的参数数据,以去除噪音。
5.如权利要求4所述的系统,其特征在于:所述变压器的运行历史状态信息包括历史关键性能数据、历史关键环境数据和历史故障信息。
6.如权利要求5所述的系统,其特征在于:所述参数检测装置采用主从结构方式执行与分析诊断装置通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091193.0A CN114492636B (zh) | 2022-01-26 | 2022-01-26 | 一种变压器绕组状态信号的采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091193.0A CN114492636B (zh) | 2022-01-26 | 2022-01-26 | 一种变压器绕组状态信号的采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492636A CN114492636A (zh) | 2022-05-13 |
CN114492636B true CN114492636B (zh) | 2023-11-24 |
Family
ID=81474561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210091193.0A Active CN114492636B (zh) | 2022-01-26 | 2022-01-26 | 一种变压器绕组状态信号的采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492636B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738567A (zh) * | 2008-11-25 | 2010-06-16 | 上海市电力公司 | 利用恒流扫频电源激振检测变压器绕组状态的系统和方法 |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN103234450A (zh) * | 2013-04-11 | 2013-08-07 | 上海交通大学 | 变压器绕组变形在线监测方法及装置 |
CN105157589A (zh) * | 2014-06-10 | 2015-12-16 | 国网山西省电力公司电力科学研究院 | 变压器绕组变形在线监测系统 |
CN105223453A (zh) * | 2015-11-03 | 2016-01-06 | 广东电网有限责任公司佛山供电局 | 基于多指标综合评价的配电变压器故障诊断装置及方法 |
CN205209533U (zh) * | 2015-11-12 | 2016-05-04 | 国网辽宁省电力有限公司朝阳供电公司 | 分布式智能变电站网络监控系统 |
CN106199359A (zh) * | 2016-08-23 | 2016-12-07 | 凯源新创(天津)科技有限公司 | 一种检测干式变压器绝缘老化的装置 |
CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
CN111289829A (zh) * | 2020-03-18 | 2020-06-16 | 西南石油大学 | 一种基于多源信息融合的配电变压器在线监测方法及系统 |
CN211855272U (zh) * | 2020-02-07 | 2020-11-03 | 陈萍萍 | 一种变压器绕组变形测试设备 |
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 |
CN212646846U (zh) * | 2020-06-28 | 2021-03-02 | 南京东创信通物联网研究院有限公司 | 一种变压器监测报警系统 |
CN112946533A (zh) * | 2021-04-12 | 2021-06-11 | 国网上海市电力公司 | 一种配电变压器状态监测与故障诊断装置 |
CN113203471A (zh) * | 2021-05-07 | 2021-08-03 | 国网山西省电力公司电力科学研究院 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI391685B (zh) * | 2009-10-16 | 2013-04-01 | Ind Tech Res Inst | 繞線製品檢測機台及其層間短路之檢測方法 |
CN103077402B (zh) * | 2012-12-28 | 2016-05-11 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
US11070138B2 (en) * | 2019-10-31 | 2021-07-20 | Deere & Company | System for controlling a direct-current-to-direct-current converter to provide electrical energy to a vehicle implement |
CN111751763B (zh) * | 2020-06-08 | 2021-08-10 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
-
2022
- 2022-01-26 CN CN202210091193.0A patent/CN114492636B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738567A (zh) * | 2008-11-25 | 2010-06-16 | 上海市电力公司 | 利用恒流扫频电源激振检测变压器绕组状态的系统和方法 |
CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
CN103234450A (zh) * | 2013-04-11 | 2013-08-07 | 上海交通大学 | 变压器绕组变形在线监测方法及装置 |
CN105157589A (zh) * | 2014-06-10 | 2015-12-16 | 国网山西省电力公司电力科学研究院 | 变压器绕组变形在线监测系统 |
CN105223453A (zh) * | 2015-11-03 | 2016-01-06 | 广东电网有限责任公司佛山供电局 | 基于多指标综合评价的配电变压器故障诊断装置及方法 |
CN205209533U (zh) * | 2015-11-12 | 2016-05-04 | 国网辽宁省电力有限公司朝阳供电公司 | 分布式智能变电站网络监控系统 |
CN106199359A (zh) * | 2016-08-23 | 2016-12-07 | 凯源新创(天津)科技有限公司 | 一种检测干式变压器绝缘老化的装置 |
CN110221139A (zh) * | 2019-05-05 | 2019-09-10 | 新奥数能科技有限公司 | 一种干式变压器的故障预测方法、装置及系统 |
CN211855272U (zh) * | 2020-02-07 | 2020-11-03 | 陈萍萍 | 一种变压器绕组变形测试设备 |
CN111289829A (zh) * | 2020-03-18 | 2020-06-16 | 西南石油大学 | 一种基于多源信息融合的配电变压器在线监测方法及系统 |
CN212646846U (zh) * | 2020-06-28 | 2021-03-02 | 南京东创信通物联网研究院有限公司 | 一种变压器监测报警系统 |
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 |
CN112946533A (zh) * | 2021-04-12 | 2021-06-11 | 国网上海市电力公司 | 一种配电变压器状态监测与故障诊断装置 |
CN113203471A (zh) * | 2021-05-07 | 2021-08-03 | 国网山西省电力公司电力科学研究院 | 一种基于小波神经网络预测的变压器机械故障检测方法 |
Non-Patent Citations (2)
Title |
---|
Research on mechanical fault diagnosis method of power transformer winding;Zhang Bin 等;《The Journal of Engineering》;第2019卷(第16期);第2096页-第2101页 * |
变压器绕组振动监测技术研究综述;王丰华 等;《广东电力》;第31卷(第8期);第52页-第61页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492636A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN112990656B (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN112668870B (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN111538311A (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
Li et al. | A novel method for lithium-ion battery fault diagnosis of electric vehicle based on real-time voltage | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
CN115271408A (zh) | 船舶设备的管理方法、系统、可读存储介质及计算机设备 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Jia Yajun Inventor after: Jiang Junjie Inventor after: Jin Zhijian Inventor before: Jia Yajun Inventor before: Jiang Junjie Inventor before: Jin Zhijian |