CN114780308A - 一种基于5g和卫星通信技术的变压器故障远程智能诊断系统 - Google Patents

Abstract

本发明属于变压器故障诊断领域，是一种基于5G和卫星通信技术的变压器故障远程智能诊断系统。系统工作主要包括以下步骤：现场巡检人员借助运行于手持终端的人机交互系统对变压器各项数据进行录入；数据通过融合了5G、卫星、WIFI通信的终端设备无线传输至远程服务器；运行于服务器端的变压器故障智能诊断模型对数据进行融合、挖掘，并给出对变压器故障类型及故障等级的预测；预测结果下发至应用软件显示，帮助巡检人员进行决策和判断。本发明集人机交互、变压器数据无线传输、远程故障智能诊断于一体，可帮助巡检人员降低工作量，提升故障诊断准确度。

Description

一种基于5G和卫星通信技术的变压器故障远程智能诊断系统

技术领域

本发明属于变压器故障诊断技术领域，特别涉及一种基于5G和卫星通信技术的变压器故障远程智能诊断系统。

背景技术

电网设备具有分布广、部署分散和安全性要求高的特点，随着电网设备规模的不断扩大以及结构的日益复杂，变电站的核心设备变压器一旦发生故障可能会导致重大电力事故。当前对变压器设备的故障诊断和运行维护的主要手段为定期现场巡视和人工检修。但由于故障的多样性、不确定性和各种故障之间相互关联的复杂性，现场巡检人员主要依赖经验和某一方面的故障特征量来进行诊断难以快速给出准确可靠的诊断结果，甚至出现误诊断现象，且巡检人员工作量大、工作效率低下。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于5G和卫星通信技术的变压器故障远程智能诊断系统，集人机交互系统、变压器数据无线传输、故障智能诊断于一体，实现变压器检修的数字化、远程化、智能化，从而解决目前人工巡检存在的工作量大、工作效率低、易出现错检漏检的问题。

为了实现上述目的，本发明采用的技术方案是：

一种基于5G和卫星通信技术的变压器故障远程智能诊断系统，包括手持终端和远程服务器，所述手持终端为融合5G、卫星通信和WIFI通信的多网融合数字化通信终端设备，用于实现检修现场的网络转换、融合、接入和转出，并与远程服务器进行无线数据传输；所述手持终端运行有人机交互系统，所述人机交互系统用于实现现场人员的变压器数据录入、上传、台账管理、卫星会商功能；所述远程服务器运行有变压器故障智能诊断模型，利用变压器故障数据样本对诊断模型进行训练，使诊断模型能够对变压器故障类型和故障等级做出精确预测；所述远程服务器将诊断结果下发至手持终端，由人机交互系统对诊断结果进行显示，帮助现场人员做出判断和决策。

所述多网融合数字化通信终端设备包括数据层、通信层和融合层，所述数据层负责原始数据的采集和编辑，所述通信层由网络通信部分和协议转换部分组成，所述网络通信部分主要由5G移动互联网通信、无线WIFI热点以及天通卫星数据通信三部分组成，以保障电力检修业务中数字化远程通信的高速率、实时性和可靠性；考虑到5G、卫星和WIFI热点通信的网络架构的差异性，设计所述协议转换部分，利用装换协议实现5G、卫星和WIFI热点通信协议制式的兼容；所述融合层采用多网通信均衡实现异构数据的融合，多网通信均衡使用时域均衡技术使数据流适应当前信道特性，抵消信道的时变多径传播特性引起的码间干扰，优化异构网络通信的质量。

所述手持终端采用一时一密加密方式进行数据加密，每个手持终端没有固定密钥，远程服务器也不保存密钥，远程服务器根据终端设备的安全情况，设置时间参数，定时或不定时地自动向密钥分配中心请求密钥，由密钥分配中心临时生成一个随机密钥，通过安全信道送到手持终端，双方通过产生的随机密钥进行加密通信。

所述变压器故障智能诊断模型的训练包括如下步骤：

步骤3.1：对原始的变压器数据进行预处理，并提取特征；

步骤3.2：特征级融合

由变压器状态特征参数和故障类型分别构成特征参数空间和故障空间，将整个特征参数空间和故障空间分别分解为若干个子空间，为每一对特征参数子空间和故障子空间设计深层神经网络，各深层神经网络实现变压器状态特征参数的特征级融合并映射到故障子空间，利用变压器故障样本数据对网络进行训练，采用反向传播算法进行参数更新，得到相应的初级诊断网络；

步骤3.3：决策级融合

由变压器的故障类型构成识别框架，将每一个初级诊断网络输出看作一个证据体，根据各证据体与识别框架中各命题的对应关系，计算出各证据体对识别框架中各命题的支持程度；分别计算各证据体的信度函数和似真度函数，利用D-S合成法则，计算所有证据体联合作用下的识别框架中各命题的信度空间；根据特定故障诊断问题的特点制订诊断决策规则，最终利用诊断决策规则对各命题的融合信度空间进行决策分析，得出最终诊断结论。

与现有技术相比，本发明的优点在于：

(1)本发明集人机交互、变压器数据无线传输、变压器故障智能诊断于一体，形成一套完整的变压器故障远程诊断服务系统。现场巡检人员可以通过人机交互系统现场录入变压器数据，数据由通信终端无线传输至远程服务器，运行于远程服务器的变压器故障智能诊断模型对数据进行预处理、融合，预测得到变压器故障诊断结果，并将诊断结果发送至现场终端，由人机交互系统进行显示，实现对现场人员的辅助判断和决策，有利于现场人员迅速抓住故障重点，降低工作量，提高工作效率。

(2)本发明采用5G、卫星和WIFI相融合的数字化通信。采用异构网络整合复用技术实现5G、卫星通信、WIFI热点等不同通信网络的融合。通信终端设备采用一时一密加密方式进行数据加密，每个手持终端没有固定密钥，远程服务器也不保存密钥，远程服务器根据终端设备的安全情况，设置时间参数，定时或不定时地自动向密钥分配中心请求密钥，由密钥分配中心临时生成一个随机密钥，通过安全信道送到手持终端，双方通过产生的随机密钥进行加密通信。

(3)本发明提出基于多源数据融合的变压器故障智能诊断模型。当前，许多变压器单项监测技术已经相对成熟，但变压器结构复杂，不同故障表现出来的状态特征多有不同，且部分故障存在相互关联性，依靠单一的数据来源难以对变压器故障状态做出精准判断。变压器状态信息存在来源多、数量庞大，属性繁多以及信息异构等特点，采用多源数据融合技术能够将不同类型的数据进行综合，吸取不同数据源的特点，然后从中提取出统一的、比单一数据更好、更丰富的信息，进而对这些数据进行深度挖掘，能够得到置信度更高的诊断结果。

附图说明

图1是本发明系统结构图。

图2是多网融合通信接入设备的开发实现示意图。

图3是故障智能诊断模型结构图。

图4是数据预处理过程示意图。

图5是系统工作流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

5G无线通信技术具有传输速率高、传输延迟低、节点容量大等特点，可满足变压器数据远程传输的传输效率和实时性要求；而天通卫星通信技术覆盖范围广，可靠性高，不易受陆地灾害影响，可用于地面网络缺失情况下的数据传输。因此，基于5G和卫星通信技术，对变压器数据进行传输，并借助当前先进的人工智能理论方法，对变压器各项数据进行融合和深度挖掘，远程预测得到其故障类型和故障等级，以指导现场人员决策，有望实现变电站设备数字化管理和检修。

基于此，如图1所示，本发明所提出的一种基于5G和卫星通信技术的变压器故障远程智能诊断系统，在硬件上，主要包括手持终端和远程服务器。本发明的工作包括：使得手持终端为一种多网融合数字化通信终端设备，在手持终端运行人机交互系统以及在远程服务器搭建变压器故障智能诊断模型。

本发明通过人机交互系统将现场人员与故障诊断系统有机结合，极大降低了现场人员的工作量；同时，变压器故障智能诊断模型基于多源数据融合技术，可对不同类型数据进行融合，相比单一数据源，可以获得更加丰富的特征信息，能够做出更加客观的综合判断，增加了诊断结果的置信度；最后，融合多种网络的通信设备保证了数据通信的可靠性、安全性和实时性，具有广泛的推广价值。

具体地：

1、手持终端。

如图2所示，本发明手持终端为融合5G、卫星通信和WIFI通信的多网融合数字化通信终端设备，以发挥不同网络的特点和优势，可实现检修现场的网络转换、融合、接入和转出，并与远程服务器进行无线数据传输。其可利用5G无线通信高速率、低延迟、大节点容量的优势保证系统数据传输的实时性；利用卫星通信覆盖范围广、不易受自然灾害影响的特性保证数据传输的可靠性；利用WIFI网络实现末端网络延伸，保证数据通信的可达性。

在硬件上，该多网融合数字化通信终端设备采用了高清液晶触摸屏，具备4K显示及处理转发能力，具有良好的人机交互体验。设备提供USB扩展口、音频、视频处理、拍照功能、TF存储扩展卡槽、4G/5G无线网络卡槽，满足变压器数据录入、图片采集、数据存储、数据上传功能，设备内置锂电池，可保证整机正常使用5小时以上。

在软件上，该多网融合数字化通信终端设备主要包括数据层、通信层和融合层。数据层负责原始数据的采集和编辑。通信层由网络通信部分和协议转换部分组成，网络通信部分主要由5G移动互联网通信、无线WIFI热点以及天通卫星数据通信三部分组成，可保障电力检修业务中数字化远程通信的高速率、实时性和可靠性。考虑到5G、卫星和WIFI热点通信的网络架构的差异性，设计了一种转换协议实现不同通信协议制式的兼容。融合层采用多网通信均衡实现异构数据的融合，多网通信均衡使用时域均衡技术使数据流适应当前信道特性，抵消信道的时变多径传播特性引起的码间干扰，优化异构网络通信的质量。

多网融合数字化通信终端设备接口采用通用的IEEE802.3网口标准，遵循国内市场的主流规约，兼容多种国际标准接口。设备采用异构网络整合复用技术，能够根据当前网络状况、多条通信链实时带宽、以及数据量大小选择最优网络通道，并实现空口能力扩展、多网多模自适应配置、组网安全、绿色通道、无缝平滑切换、数据流动态均衡等传输机制，保证上下行数字通信信号的互联互通和有效传递。保证任意环境下的通信畅通，提升数据传输的实时性、稳定性和可靠性。同时采用数据加密技术，保证了数据传输的安全性

在数据加密方面，对数据统一进行加解密处理。在电力系统数据加密通信中，通常有两种方式：固定密钥方式和一时一密方式。考虑到采用固定密钥方式，增加手持终端或网络结构改变时密钥更新维护不方便，且每个手持终端分配一个密钥永久保存，远程服务器用于与其他手持终端通信的所有密钥列表必须进行存储管理，泄漏的密钥将难以销毁，因此该通信终端设备采用一时一密加密方式，每个手持终端没有固定密钥，远程服务器也不保存密钥，远程服务器根据通信终端设备安全情况，设置时间参数，定时或不定时地自动向密钥分配中心请求密钥，由密钥分配中心临时生成一个随机密钥，通过安全信道送到多网融合数字化通信终端设备，双方通过产生的随机密钥进行加密通信。

加密算法采用DES对称加密算法，只有1个密钥来加密和解密信息，有效密钥长度为56bit，对称算法应用于大量数据加密，速度比相同密钥长度非对称算法快一个数量级左右，保证了数据传输的实时性。通信双方在完成身份认证后，由远程服务器请求密钥分配中心生成一个随机密钥用于加密通信。为了减少密钥生成的等待时间，由密钥管理程序预先生成一个随机密钥队列，接到申请后将队列的第一个随机密钥发到远程服务器，然后生成一个随机密钥加到队尾，密钥生成采用线性同余算法来生成无偏的随机数列。多网融合数字化通信终端设备正常运行时，采用定时密钥请求。实时数据传输采用UDP通信，加密解密模块位于远程服务器和手持终端的通信控制程序中，一时一密的加密方案在双方源程序中实现。

2、人机交互系统。

人机交互系统运行于手持终端，用于实现现场人员的变压器数据录入、上传、台账管理、卫星会商功能、诊断结果显示等功能，可以实现变压器数据的采集记录、数据管理、异常提示以及紧急情况下现场人员与上级专家的快速通话。

数据录入部分，终端使用者可以在手持终端录入变压器的各项数据，如油色谱数据、超声波数据、红外图谱、高频电流数据、拍摄的照片数据等，并将数据保存于终端，以备上传。台账管理部分对各变压器设备进行建账管理，保存变压器的设备位置、设备名称、设备型号、出厂日期等，同时提供增删编辑功能，方便工作人员管理查看，并将台账数据保存于手持终端。系统设置包括网络设置、相机设置、服务器端口设置以及设备自身亮度、音量等设置。卫星会商部分可以在应急情况下的多方视频会商，集成音视频编解码技术，通过卫星、5G等通信信道实现多方视频会议，便于上级专家进行指挥调度。

3、变压器故障智能诊断模型。

变压器故障智能诊断模型搭建运行于远程服务器，利用变压器故障数据样本对诊断模型进行训练，使诊断模型能够对变压器故障类型和故障等级做出精确预测，同时，远程服务器将诊断结果下发至手持终端，由人机交互系统对诊断结果进行显示，以帮助现场人员做出判断和决策，指导现场人员迅速定位故障，采取对应措施检修和维护。

本发明所使用变压器数据包括油色谱数据、红外图谱、超声波数据、高频电流数据等，数据状态特征信息来源多、数量庞大、种类繁多以及信息异构，原始状态特征信息的简单合并不能满足故障类型和等级判定的需要，因此采用多源异构数据融合技术。如图3所示，模型的搭建主要包含三个步骤：

步骤1：数据预处理。

如图4所示，采用傅里叶变换、小波变换、剪切波变换对油色谱数据、超声波数据、红外图谱、高频电流数据等数据进行数据清洗、特征分析、特征提取和数据标准化。

步骤2：特征级融合。

建立深度神经网络模型，对变压器数据进行特征级融合和初步挖掘，得到初级诊断结果。由变压器状态特征参数构成特征参数空间，故障类型构成故障空间。变电站中的变压器结构复杂，潜在故障类型多样，需要融合不同类型数据，如油色谱分析数据、超声波数据、红外图像、高频电流数据等，对应不同类型的变压器特征参数和故障类型采用不同的网络进行训练，可以提高效率，保证网络识别的准确率。将预处理之后的数据集样本进行分配，不同的特征参数空间对应不同的故障空间，采用不同的网络模型进行训练，得到不同空间下的网络训练模型。

根据不同类型的变压器特征参数，油色谱分析数据、超声波数据、电流数据部分采用DNN网络模型进行训练，红外图像数据部分则采用CNN网络模型进行训练。将变压器的特征参数作为神经网络模型的输入，变压器故障类型作为神经网络的输出，对深层神经网络进行训练。

初始化各深层神经网络的网络结构和参数，然后依据采集到的变压器故障样本数据集对网络进行训练，使用反向传播算法来更新网络参数。训练完成的深层神经网络实现了各自变压器特征参数空间到故障空间的映射，通过不同深层神经网络的训练结果，提取出不同类型的变压器参数的特征及其与变压器故障类型的对应关系，得到相应的初级诊断网络模型，这些初级诊断网络模型的预测输出构成初级诊断结果。

步骤3.3：运用D-S证据理论进行决策级融合。

将每一个初级诊断网络的输出看作一个证据体，将这些初级诊断结果作为决策融合的输入，利用D-S证据理论进行决策级融合。由变压器的故障类型构成识别框架，根据各证据体与识别框架模型的对应关系，计算出各证据体对识别框架模型的支持程度。

定义差异度为D，指对变压器故障类别分类时，分类结果的不完全程度。如果2个初级诊断模型在变压器故障样本集上的诊断结果完全相同，则差异性为0。只有当2个诊断模型的诊断结果存在差异性时，对其诊断结果进行融合才有可能提高诊断准确率，一种差异性计算方法如式所示：

式中，S_diff为变压器诊断模型诊断结果中任取2组进行对比，所有组合的不同结果位数之和；p为所有分类结果正确率的平均值；L为诊断模型的个数；N为样本集包含样本个数；s为所有诊断模型正判样本个数之和。

分析变压器故障诊断模型间的差异性及D-S证据理论融合诊断的准确率逐步获得融合模型。在识别框架中，使用基本概率分配函数来计算空间中每个元素的概率，即对于各个初级诊断网络信任程度的初始分配。对于同一个基本概率分配函数而言，识别框架中所有元素的概率之和为1，满足：

M(Φ)＝0

∑M(A)＝1

用信任函数来表征对每个故障诊断模型的信任程度。D-S证据理论的融合结论将对某一假设的支持度以区间的形式表现出来，将区间下限定义为信任函数，不同故障诊断模型的信任函数可表示为假设条件下所有的子集基本概率之和：

信任函数只能描述对故障诊断模型的信任程度，不能反映出对模型的怀疑程度，在D-S证据理论中用似然函数来表示对于模型的怀疑程度。似然函数表示假设条件下与该假设交集不为空的概率之和：

分别计算各证据体的信任函数和似然函数，由信任函数和似然函数组成的闭区间可以表示对不同模型的信度空间。利用D-S合成法则，计算所有证据体联合作用下的识别框架中各命题的信度空间；根据特定故障诊断问题的特点制订诊断决策规则，最终利用诊断决策规则对各命题的融合信度空间进行决策分析，得出最终诊断结论，实现变压器故障类型和等级的预测。

图5展示了系统整体工作流程，现场巡检人员借助运行于手持终端的人机交互系统对变压器各项数据进行录入，为每台变压器设备建立台账，进行数据录入保存，并选择上传至远程服务器，远程服务器对数据进行融合、挖掘等解析处理，输出故障预测结果(故障类型及故障等级)返回至手持终端进行显示，若变压器运行正常，则工作流程结束，若变压器运行异常，则终端提醒现场人员故障类型和等级，由现场人员对变压器进行维修。本发明集人机交互、变压器数据无线传输、远程故障智能诊断于一体，可帮助巡检人员降低工作量，提升故障诊断准确度。

以上展示和描述了本发明的基本原理、主要特征和优点。本发明不受上述实施例的限制，上述实施例和说明书中的描述仅为说明本发明的实现原理，任何对本发明的改进和对部分技术特征的替换均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于5G和卫星通信技术的变压器故障远程智能诊断系统，包括手持终端和远程服务器，其特征在于，所述手持终端为融合5G、卫星通信和WIFI通信的多网融合数字化通信终端设备，用于实现检修现场的网络转换、融合、接入和转出，并与远程服务器进行无线数据传输；所述手持终端运行有人机交互系统，所述人机交互系统用于实现现场人员的变压器数据录入、上传、台账管理、卫星会商功能；所述远程服务器运行有变压器故障智能诊断模型，利用变压器故障数据样本对诊断模型进行训练，使诊断模型能够对变压器故障类型和故障等级做出精确预测；所述远程服务器将诊断结果下发至手持终端，由人机交互系统对诊断结果进行显示，帮助现场人员做出判断和决策。

2.根据权利要求1所述基于5G和卫星通信技术的变压器故障远程智能诊断系统，其特征在于，所述多网融合数字化通信终端设备包括数据层、通信层和融合层，所述数据层负责原始数据的采集和编辑，所述通信层由网络通信部分和协议转换部分组成，所述网络通信部分主要由5G移动互联网通信、无线WIFI热点以及天通卫星数据通信三部分组成，以保障电力检修业务中数字化远程通信的高速率、实时性和可靠性；所述协议转换部分用于实现5G、卫星和WIFI热点通信协议制式的兼容；所述融合层采用多网通信均衡实现异构数据的融合。

3.根据权利要求1所述基于5G和卫星通信技术的变压器故障远程智能诊断系统，其特征在于，所述手持终端采用一时一密加密方式进行数据加密，每个手持终端没有固定密钥，远程服务器也不保存密钥，远程服务器根据终端设备的安全情况，设置时间参数，定时或不定时地自动向密钥分配中心请求密钥，由密钥分配中心临时生成一个随机密钥，通过安全信道送到手持终端，双方通过产生的随机密钥进行加密通信。

4.根据权利要求1所述基于5G和卫星通信技术的变压器故障远程智能诊断系统，其特征在于，所述变压器故障智能诊断模型的训练包括如下步骤：

步骤3.1：对原始的变压器数据进行预处理，并提取特征；

步骤3.2：特征级融合

由变压器状态特征参数和故障类型分别构成特征参数空间和故障空间，将整个特征参数空间和故障空间分别分解为若干个子空间，为每一对特征参数子空间和故障子空间设计深层神经网络，各深层神经网络实现变压器状态特征参数的特征级融合并映射到故障子空间，利用变压器故障样本数据对网络进行训练，采用反向传播算法进行参数更新，得到相应的初级诊断网络；

步骤3.3：决策级融合

由变压器的故障类型构成识别框架，将每一个初级诊断网络输出看作一个证据体，根据各证据体与识别框架中各命题的对应关系，计算出各证据体对识别框架中各命题的支持程度；分别计算各证据体的信度函数和似真度函数，利用D-S合成法则，计算所有证据体联合作用下的识别框架中各命题的信度空间；根据特定故障诊断问题的特点制订诊断决策规则，最终利用诊断决策规则对各命题的融合信度空间进行决策分析，得出最终诊断结论。

Images