CN114839495B - 基于人工智能的变压器局部放电异常检测方法 - Google Patents

基于人工智能的变压器局部放电异常检测方法 Download PDF

Info

Publication number
CN114839495B
CN114839495B CN202210754596.9A CN202210754596A CN114839495B CN 114839495 B CN114839495 B CN 114839495B CN 202210754596 A CN202210754596 A CN 202210754596A CN 114839495 B CN114839495 B CN 114839495B
Authority
CN
China
Prior art keywords
current
abnormal
temperature
transformer
sample
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
Application number
CN202210754596.9A
Other languages
English (en)
Other versions
CN114839495A (zh
Inventor
楚振五
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.)
Jiangsu Suneng Senyuan Electric Co ltd
Original Assignee
Jiangsu Suneng Senyuan Electric Co ltd
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 Jiangsu Suneng Senyuan Electric Co ltd filed Critical Jiangsu Suneng Senyuan Electric Co ltd
Priority to CN202210754596.9A priority Critical patent/CN114839495B/zh
Publication of CN114839495A publication Critical patent/CN114839495A/zh
Application granted granted Critical
Publication of CN114839495B publication Critical patent/CN114839495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Abstract

本发明涉及基于人工智能的变压器局部放电异常检测方法，获取不同产热工况下的变压器绕组不同位置的温度序列、温度极差序列以及最大温度序列；获取辐射功率波形，并计算辐射功率的极差；根据温度极差序列的最大值、最大温度序列的均值以及所述极差，得到各不同产热工况下的当前异常系数，进而计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；比较各当前样本距离与预设参数的大小，当当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。即本发明能够根据采集的数据的分析，进行变压器局部方向异常的检测。

Description

基于人工智能的变压器局部放电异常检测方法
技术领域
本发明涉及人工智能领域，具体涉及基于人工智能的变压器局部放电异常检测方法。
背景技术
变压器内部放电后存在大量的热能，目前的技术对热能分析没有直接利用，而从放电造成的H2、C2H2 等特征故障气体、UHF放电传感器进行分析，缺乏针对性的定量分析技术。而直接利用UHF放电传感器进行检测，检测的数据受电网环境影响，因此存在一定误报可能。
目前，内部绝缘失效前的评估预警手段不足，已有的故障案例表明，由于内部绝缘放电故障的观测方法和趋势变化规律不明确，导致无法做出绝缘击穿前的及时预警，因此只能针对异常数据进行预警，目前的数据精度、信息量、预警准确度存在较大问题。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于人工智能的变压器局部放电异常检测方法，所采用的技术方案具体如下：
基于人工智能的变压器局部放电异常检测方法，包括：
采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列；
获取当前周期内的绕组感应波形，所述感应波形为辐射功率波形，并计算辐射功率的极差；
根据所述温度极差序列中的最大值、所述最大温度序列的均值以及所述辐射功率的极差，得到各负载下对应的当前异常系数；根据所述最大温度序列的最大值、温度极差序列以及当前异常系数，计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；
比较各当前样本距离与预设参数的大小，当所述当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。
进一步地，所述预设补偿系数的获取方法为：
1）按照所述当前异常系数以及当前样本距离的计算方法，计算上一周期的各产热工况下的样本异常系数以及样本距离；
2）根据各样本距离对不同产热工况进行分组，得到N0个记录簇，并过滤掉N0个记录簇中的离散样本，得到N个正常簇；
3）获取各正常簇中的平均样本异常系数，并从大小进行排序，得到每个正常簇对应的索引号，并根据当前样本距离，确定与当前样本距离最相似的正常簇的索引号，得到工况恶劣程度
Figure 192745DEST_PATH_IMAGE001
，其中k为正常簇排序的索引号，N为正常簇的个数；
4）根据所述工况恶劣程度以及对应正常簇的平均样本异常系数，得到预设补偿系数；
所述预设补偿系数为：
Figure 207756DEST_PATH_IMAGE002
其中，
Figure 784231DEST_PATH_IMAGE003
为各样本异常系数的平均样本异常系数。
进一步地，所述当前异常放电位置为：
Figure 772915DEST_PATH_IMAGE004
其中，
Figure 947807DEST_PATH_IMAGE005
为第j个位置所对应的温度序列，
Figure 363745DEST_PATH_IMAGE006
为第i个位置所对应的温度序列，e为自然常数，
Figure 427516DEST_PATH_IMAGE007
为预设补偿系数。
进一步地，所述当前异常系数为：
Figure 718426DEST_PATH_IMAGE008
其中，
Figure 246360DEST_PATH_IMAGE009
为变压器当前周期内最大温度序列的均值，
Figure 833199DEST_PATH_IMAGE010
为辐射功率的极差，
Figure 885731DEST_PATH_IMAGE011
为该变压器绕组温度极差序列中的最大值。
进一步地，所述相似度为：
Figure 216218DEST_PATH_IMAGE012
其中，
Figure 333078DEST_PATH_IMAGE013
为负载A的最大温度序列和负载B最大温度序列的皮尔逊相关系数，
Figure 849074DEST_PATH_IMAGE014
为负载A的所有位置的温度序列的平均值，
Figure 684175DEST_PATH_IMAGE015
为负载B的所有位置的温度序列的平均值，
Figure 54238DEST_PATH_IMAGE016
为负载A的当前异常系数，
Figure 291185DEST_PATH_IMAGE017
为负载B的当前异常系数，
Figure 485406DEST_PATH_IMAGE018
为绝对值函数。
所述当前样本距离为：
Figure 306338DEST_PATH_IMAGE019
其中，
Figure 978627DEST_PATH_IMAGE020
为负载A与负载B的相似度。
进一步地，所述辐射功率的极差为：
Figure 70080DEST_PATH_IMAGE021
其中，
Figure 936667DEST_PATH_IMAGE022
为辐射功率波形中的最大值，
Figure 480781DEST_PATH_IMAGE023
为辐射功率波形中的中位数。
进一步地，所述预设参数为基于DBSCAN算法的聚类半径。
本发明具有如下有益效果：
本发明基于绕组内部的分布式温度传感器、基于UHF感应波形，获取对应的数据，通过对数据进行分析研究，确定当前周期的变压器的工况变化与温度、辐射功率的关系，并根据确定的当前样本距离与当前异常系数，确定当前周期的变压器的异常情况，进而在发生异常时，根据上一周期确定的补偿系数，对当前温度变化进行调整，确定局部放电位置；即本发明能够针对变压器的每一相变压器进行运行趋势的分析和预警，提高预警准确度、报告信息量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的基于人工智能的变压器局部放电异常检测方法。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面以圆筒式的变压器绕组为例，对本发明的基于人工智能的变压器局部放电检测方法进行介绍，具体地，如图1所示，该检测方法包括以下步骤：
步骤1，采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列。
本实施例中，由于每一相的变压线圈都有可能在不同位置发生放电问题，需要基于分布式温度传感器感知线圈温度，从而便于判断异常情况和疑似放电的故障点位置。因此对分布式的温度信息进行采集，获取不同位置的温度序列，
Figure 195577DEST_PATH_IMAGE024
其中i为位置编号，t为周期内的时刻。
其中，本实施例中的温度传感器分布于柱面附近，共5个温度传感器，自上而下竖直分布，本发明中所属的温度传感器可以实时读取各区域冷却油的温度。本实施例中的周期为10s，温度传感器的数据为0.5s一次更新，那么采集的各位置的温度序列有20个时刻对应温度数据，也即20个温度数据，即共有5个独立的温度波动序列。
上述中的温度传感器的位置设置，需要实施者根据变压器的具体内部结构优化、均衡设计传感器位置。
上述步骤中的各位置的温度极差为：
Figure 141536DEST_PATH_IMAGE025
其中，其中
Figure 677560DEST_PATH_IMAGE026
是第i个位置的温度传感器在10s内所得到的温度的最大值与最小值的极差。
Figure 210435DEST_PATH_IMAGE027
其中，
Figure 21265DEST_PATH_IMAGE011
代表了该绕组的每个位置对应的分布式温度传感器的温度极差的最大值。
需要说明的是，若发生异常放电现象，则变压器绕组会在某个故障点迅速升温，因此对每次记录的数据计算分布式温度的温度极差。
本实施例中的最大温度值为某一时刻对应的不同位置下温度最大值，则最大温度序列为各时刻对应的温度值
Figure 290572DEST_PATH_IMAGE028
。
需要说明的是，最大温度序列为比较各位置对应时刻
Figure 496032DEST_PATH_IMAGE029
的温度大小，选取该时刻下对应的最大温度值，进而组成最大温度序列，其可以代表整个变压器绕组的最差温度变化，能够较明显地体现异常放电带来的瞬时温升、异常放电后温降的特征。
上述中的不同产热工况是随着时间的变化，变压器的负载发生变化对应的工况，其可以是负载引起的变化。
步骤2，获取当前周期内的绕组感应波形，所述感应波形为辐射功率波形，并计算辐射功率的极差。
本实施例中，以10s为时间周期长度，其中的UHF强度与温度传感器相同，记录得到200个辐射功率P，是一种波形。
由于变压器是一种交流变电设备，一般情况下，当出现异常的放电现象时，除了产生大量的热能，还会穿过油液释放一定量的电磁辐射，且频率较高。因此本实施例采用UHF传感器对UHF感应波形进行记录，并计算绕组内的感应波形。具体地，本发明对每个线圈附近放置一个UHF天线及其采集模块，UHF的电磁波采集是公知技术手段。
对于UHF的辐射功率P，其记录方式类似于录音中采集的声压强度，最终得到序列。本实施例中，采样频率较高，但读出速率为20Hz，每个样本数值为读出间隔中最大的功率样本。其中实施者需要在实际生产过程中标定UHF的频段，从而在一定程度上避免外部噪声的干扰，具体如何确定频段和滤波是实现UHF监测方法的具体手段，本发明不再赘述。
本实施例的辐射功率的极差为：
Figure 14738DEST_PATH_IMAGE021
其中，
Figure 599566DEST_PATH_IMAGE022
为辐射功率波形中的最大值，
Figure 254538DEST_PATH_IMAGE023
为辐射功率波形中的中位数。
若发生异常放电现象，则变压器绕组内部会出现剧烈波动的UHF功率波形，波形的功率量级越大，意味着放电现象越严重，因此在10s的序列中，若发生了放电现象则在UHF波形中会出现脉冲；一段时间内的UHF功率中，最大值与中值的差异越大意味着放电特征越明显。
步骤3，根据所述温度极差序列中的最大值、所述最大温度序列的均值以及所述极差，得到各负载下对应的当前异常系数；根据所述最大温度序列的最大值、温度极差序列以及当前异常系数，计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离。
其中，当前异常系数为：
Figure 335626DEST_PATH_IMAGE008
其中，
Figure 857742DEST_PATH_IMAGE009
为变压器当前周期内最大温度的均值，
Figure 275954DEST_PATH_IMAGE010
为辐射功率的极差，
Figure 83635DEST_PATH_IMAGE011
为该变压器绕组的温度极差序列中的最大值。
上述公式中的Z越大，发生异常放电现象的几率就越高，其中Z的值域为（0，1）。上述中的
Figure 991417DEST_PATH_IMAGE009
较高，则意味着前期可能发生了大量放热的放电现象。
Figure 779988DEST_PATH_IMAGE030
代表了一种提高灵敏度的系数，其是由于温度惯性的原因，发生放电情况下，由于分布式传感器的部署，
Figure 972197DEST_PATH_IMAGE011
会因一个局部位置以极快速度升温的现象导致该数值较大，从而放大UHF辐射功率的影响，放大异常系数的灵敏度，避免误报。
本实施例的相似度为：
Figure 195237DEST_PATH_IMAGE031
其中，
Figure 653681DEST_PATH_IMAGE013
为负载A的最大温度序列和负载B最大温度序列的皮尔逊相关系数，
Figure 837538DEST_PATH_IMAGE014
为负载A的所有位置的温度序列的平均值，
Figure 800814DEST_PATH_IMAGE015
为负载B的所有位置的温度序列的平均值，
Figure 786350DEST_PATH_IMAGE016
为负载A的当前异常系数，
Figure 176880DEST_PATH_IMAGE017
为负载B的当前异常系数，
Figure 644771DEST_PATH_IMAGE018
为绝对值函数。
上述中的相似度中的
Figure 910274DEST_PATH_IMAGE032
为两个不同产热工况对应的皮尔逊相关系数归一化至[0,2]的值，当两个样本的温度变化趋势皆为上升时，皮尔逊相关系数趋于1，即该项趋于2。当样本温度一个为上升、一个为下降时，该项趋于0。
其中
Figure 248851DEST_PATH_IMAGE033
为两个产热工况下的平均温度的差异大小的绝对值，当变压器处于一种散热较差的工况或负载较大的工况，
Figure 108485DEST_PATH_IMAGE034
较高；反之较低；因此当两个样本的散热情况、负载情况较为相似时，该项较小，反之较大。
其中
Figure 798092DEST_PATH_IMAGE035
是两个样本所记录变压器异常系数差值的绝对值，Z较大时，发生异常放电现象的几率较高，当一个样本Z较低，而另一个样本因异常工况而导致Z较高时，该项可以衰减两个样本对应工况之间的相似性。
本实施例中的当前样本距离为：
Figure 103172DEST_PATH_IMAGE019
其中，
Figure 257773DEST_PATH_IMAGE020
为负载A与负载B的相似度。
上述根据变压器的工况、负载和发热的相似性，进行样本间异常程度的分组，从而得到不同散热情况、负载、UHF信号功率相似的样本，从而代表不同变压器的负载模式和散热情况。
步骤4，比较各当前样本距离与预设参数的大小，当所述当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置。
本实施例中的预设参数为使用DBSCAN算法的样本半径r，其取值为0.08，实施者应根据UHF量纲（分贝或功率）等因素自行确定r。
需要说明的是，本实施例的当前样本距离与预设参数的比较，是基于预先获取的上一周期的数据确定的正常组工况，从而判定变压器是否异常。其中具体的正常组工况在下述内容进行了介绍。
本实施例中的预设补偿系数的获取方法为：
1）按照上述获取当前异常系数以及当前样本距离的方法，得到上一周期的各产热工况下的样本异常系数以及样本距离。
需要说明的是，上述步骤中的样本异常系数以及样本距离的获取同步骤1至步骤3中获取的当前样本距离以及当前异常系数的方法相同。
2）根据各样本距离对不同产热工况进行分组，得到N0个记录簇，并过滤掉N0个记录簇中的离散样本，得到N个正常簇。
本步骤中，根据各样本距离，使用DBSCAN算法进行不同产热工况的分组，从而得到同散热情况、负载、UHF信号功率相似的样本，从而代表不同变压器的负载模式和散热情况。
本实施例中的DBSCAN算法对Z较大的异常样本进行过滤，并得到N0个记录簇，其中，对每个簇进行异常系数的排序，其中的记录簇为正常组。
其中，每一簇代表了相似的温度波动特性和异常情况，基于DBSCAN对离散样本忽略的特性，Z差异较大的样本会作为噪声样本被忽略，因此聚类结果中不再含有异常值较大的样本。
3）获取各正常簇中的平均样本异常系数，并从大小进行排序，得到每个正常簇对应的索引号，并根据当前样本距离，确定与当前样本距离最相似的正常簇的索引号，得到工况恶劣程度
Figure 990106DEST_PATH_IMAGE001
，其中k为排序的索引号，N正常簇的个数。
本实施例中，当一簇平均样本异常系数较高时，意味着当前簇的温度变化导致平均样本异常系数较高，因此该簇可能是受到异常放电影响后的样本，或产热工况（散热条件、负载）较恶劣的一簇样本。Z越高，越有可能是异常放电后的工况；因此，分布式温度传感器所对应的读数较大的位置可以越代表异常发热位置。
上述中的与当前样本距离最相似的正常簇，是根据当前样本距离与正常簇的样本距离进行比较，即两者距离最接近时，即可确定当前样本距离的最匹配的正常簇。
4）根据所述工况恶劣程度以及平均样本异常系数，得到补偿系数。
所述补偿系数为：
Figure 167009DEST_PATH_IMAGE036
其中，
Figure 511665DEST_PATH_IMAGE003
为各样本异常系数的平均样本异常系数。
上述公式中，由于E只是一个排名，因此只能体现工况恶劣程度，而Z0作为调整项，可以对α的取值进行修正：
当与当前样本距离最相似的簇的排名较低时，意味着散热油液温度较低，即前期并未发生异常放电情况或者散热情况较佳那么，此时应充分考虑上一周期的最高温度传感器的热量与其余传感器所代表的热量分布情况，确定补偿系数，为后续确定索引位置提供依据。
也即上述补偿系数中，当α因
Figure 355993DEST_PATH_IMAGE037
靠近2，不会因Z0而造成α过小，因此α呈明显增长，从而保证补偿系数足够大，在当前确定放电位置的情况下充分考虑过热位置的读数。
当与当前样本距离最相似的簇的排名较高时，意味着当前样本可能因异常放电导致后期绕组中分布式传感器温度读数因为散热油液的热传导导致读数较高，此时应充分考虑各温度传感器的热量分布情况，从而确定索引位置。
也即上述补偿系数中，α因
Figure 259227DEST_PATH_IMAGE037
靠近1，不会因Z而造成α过大，因此α相对于排名较低的情况值较低，在当前确定放电位置的情况下充分考虑上一周期所有位置的读数分布。
当Z较小时，意味着工况较为正常，α接近于1，起到的修正作用较小。
其中，本实施例中采用softargMax计算当前异常放电位置，即当前异常放电位置为：
Figure 421962DEST_PATH_IMAGE004
其中，
Figure 272106DEST_PATH_IMAGE005
为第j个位置所对应的温度，
Figure 970941DEST_PATH_IMAGE006
为第i个位置所对应的温度，e为自然常数，
Figure 546541DEST_PATH_IMAGE007
为补偿系数。
其中
Figure 635719DEST_PATH_IMAGE038
为基于所有温度读数计算得到的归一化项，其中
Figure 86292DEST_PATH_IMAGE039
为第i个位置所对应的温度读数该位置所做出的响应。
最终I为归一化的绕组柱面索引位置，是一个小数，若温度传感器的排列索引是自上而下的，则I所对应的位置即自上而下的位置：以I为0.91为例，则意味着柱面向下数91%的位置为异常放电位置。
至此，能够实时确定异常放电现象并确定放电区域的细分位置。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在一些情况下，在说明书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于人工智能的变压器局部放电异常检测方法，其特征在于，包括：
采集不同产热工况下的变压器绕组不同位置的当前周期内的温度，得到对应位置的温度序列；根据所述温度序列得到温度极差，进而得到所有位置的温度极差序列；比较各位置对应时刻的温度大小，选取各时刻对应的最大温度值，组成最大温度序列；
获取当前周期内的绕组感应波形，所述感应波形为辐射功率波形，并计算辐射功率的极差；
根据所述温度极差序列中的最大值、所述最大温度序列的均值以及所述辐射功率的极差，得到各负载下对应的当前异常系数；根据所述最大温度序列的最大值、温度极差序列以及当前异常系数，计算任意两产热工况下的相似度，进而得到任意两产热工况的当前样本距离；
比较各当前样本距离与预设参数的大小，当所述当前样本距离大于预设参数，则认为两产热工况下的变压器异常，并根据异常变压器对应的当前异常系数以及预设补偿系数，确定当前异常放电位置；
所述当前异常系数为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为变压器当前周期内最大温度序列的均值，
Figure DEST_PATH_IMAGE003
为辐射功率的极差，
Figure DEST_PATH_IMAGE004
为该变压器绕组温度极差序列中的最大值。
2.根据权利要求1所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述预设补偿系数的获取方法为：
1）根据所述当前异常系数以及当前样本距离的计算方法，计算上一周期的各产热工况下的样本异常系数以及样本距离；
2）根据各样本距离对不同产热工况进行分组，得到N0个记录簇，并过滤掉N0个记录簇中的离散样本，得到N个正常簇；
3）获取各正常簇中的平均样本异常系数，并从大小进行排序，得到每个正常簇对应的索引号，并根据当前样本距离，确定与当前样本距离最相似的正常簇的索引号，得到工况恶劣程度
Figure DEST_PATH_IMAGE005
，其中k为正常簇排序的索引号，N为正常簇的个数；
4）根据所述工况恶劣程度以及对应正常簇的平均样本异常系数，得到预设补偿系数；
所述预设补偿系数为：
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为各样本异常系数的平均样本异常系数。
3.根据权利要求2所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述当前异常放电位置为：
Figure DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第j个位置所对应的温度序列，
Figure DEST_PATH_IMAGE010
为第i个位置所对应的温度序列，e为自然常数，
Figure DEST_PATH_IMAGE011
为预设补偿系数。
4.根据权利要求1所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述相似度为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为负载A的最大温度序列和负载B最大温度序列的皮尔逊相关系数，
Figure DEST_PATH_IMAGE014
为负载A的所有位置的温度序列的平均值，
Figure DEST_PATH_IMAGE015
为负载B的所有位置的温度序列的平均值，
Figure DEST_PATH_IMAGE016
为负载A的当前异常系数，
Figure DEST_PATH_IMAGE017
为负载B的当前异常系数，
Figure DEST_PATH_IMAGE018
为绝对值函数；
所述当前样本距离为：
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE020
为负载A与负载B的相似度。
5.根据权利要求1所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述辐射功率的极差为：
Figure DEST_PATH_IMAGE021
其中，
Figure DEST_PATH_IMAGE022
为辐射功率波形中的最大值，
Figure DEST_PATH_IMAGE023
为辐射功率波形中的中位数。
6.根据权利要求1所述的基于人工智能的变压器局部放电异常检测方法，其特征在于，所述预设参数为基于DBSCAN算法的聚类半径。
CN202210754596.9A 2022-06-30 2022-06-30 基于人工智能的变压器局部放电异常检测方法 Active CN114839495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210754596.9A CN114839495B (zh) 2022-06-30 2022-06-30 基于人工智能的变压器局部放电异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754596.9A CN114839495B (zh) 2022-06-30 2022-06-30 基于人工智能的变压器局部放电异常检测方法

Publications (2)

Publication Number Publication Date
CN114839495A CN114839495A (zh) 2022-08-02
CN114839495B true CN114839495B (zh) 2022-09-20

Family

ID=82574898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754596.9A Active CN114839495B (zh) 2022-06-30 2022-06-30 基于人工智能的变压器局部放电异常检测方法

Country Status (1)

Country Link
CN (1) CN114839495B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN105301460A (zh) * 2015-11-27 2016-02-03 广东电网有限责任公司电力科学研究院 一种研究变压器局部放电超高频信号传播特性的试验方法
CN106199263A (zh) * 2016-06-28 2016-12-07 浙江群力电气有限公司 一种变压器的在线监测方法及系统
CN112304446A (zh) * 2020-09-29 2021-02-02 北京微芯区块链与边缘计算研究院 电力设备报警处理方法和装置
CN112345261A (zh) * 2020-10-29 2021-02-09 南京航空航天大学 基于改进dbscan算法的航空发动机泵调系统异常检测方法
CN214310334U (zh) * 2021-02-04 2021-09-28 西安热工研究院有限公司 一种变压器油多维度数据采集在线监测诊断系统
EP3921659A1 (en) * 2019-02-05 2021-12-15 Aurtra Pty Ltd A sensor for transformer condition assessment
CN114252749A (zh) * 2022-02-28 2022-03-29 国网湖北省电力有限公司检修公司 基于多传感器的变压器局部放电检测方法及装置
CN114418037A (zh) * 2022-03-29 2022-04-29 启东市海信机械有限公司 一种基于人工智能的推杆故障分析方法
CN114441996A (zh) * 2022-01-27 2022-05-06 黄淮学院 一种基于人工智能的物联网设备故障诊断方法
CN114487742A (zh) * 2022-04-14 2022-05-13 湖北工业大学 基于多模态纹理分析的高压壳体放电绝缘性能检测系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN105301460A (zh) * 2015-11-27 2016-02-03 广东电网有限责任公司电力科学研究院 一种研究变压器局部放电超高频信号传播特性的试验方法
CN106199263A (zh) * 2016-06-28 2016-12-07 浙江群力电气有限公司 一种变压器的在线监测方法及系统
EP3921659A1 (en) * 2019-02-05 2021-12-15 Aurtra Pty Ltd A sensor for transformer condition assessment
CN112304446A (zh) * 2020-09-29 2021-02-02 北京微芯区块链与边缘计算研究院 电力设备报警处理方法和装置
CN112345261A (zh) * 2020-10-29 2021-02-09 南京航空航天大学 基于改进dbscan算法的航空发动机泵调系统异常检测方法
CN214310334U (zh) * 2021-02-04 2021-09-28 西安热工研究院有限公司 一种变压器油多维度数据采集在线监测诊断系统
CN114441996A (zh) * 2022-01-27 2022-05-06 黄淮学院 一种基于人工智能的物联网设备故障诊断方法
CN114252749A (zh) * 2022-02-28 2022-03-29 国网湖北省电力有限公司检修公司 基于多传感器的变压器局部放电检测方法及装置
CN114418037A (zh) * 2022-03-29 2022-04-29 启东市海信机械有限公司 一种基于人工智能的推杆故障分析方法
CN114487742A (zh) * 2022-04-14 2022-05-13 湖北工业大学 基于多模态纹理分析的高压壳体放电绝缘性能检测系统

Also Published As

Publication number Publication date
CN114839495A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN105651325B (zh) 在变送器中实现的劣化传感器检测
CN103592545B (zh) 一种基于概率统计的变压器温升异常监测诊断方法
AU2020244485B2 (en) Methods and apparatus to analyze recordings in leak detection
US20150322924A1 (en) Method of monitoring the condition of a wind turbine
CN114912852B (zh) 一种用于冷藏仓储箱的异常监测预警系统
CN112147444B (zh) 一种电力变压器工作状态监测方法及系统
TW201729565A (zh) 調整資料收集頻率的系統及方法
CN114004306A (zh) 一种基于物联网多维度数据的设备故障评估系统及其方法
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
CN114839495B (zh) 基于人工智能的变压器局部放电异常检测方法
CN106353370A (zh) 一种配电变压器绕组材质无损检测装置及方法
TW201411144A (zh) 電器設備識別系統及方法
CN111830438B (zh) 一种变压器故障检测方法及变压器
CN116804412B (zh) 一种液压系统的监测数据处理方法
CN108375426A (zh) 一种温度检测方法及系统
CN117349711B (zh) 一种铁路机车零部件电子标签数据处理方法及系统
CN114019422A (zh) 基于ATT-BiLSTM的变压器故障监测系统
US11248981B2 (en) Methods and apparatus to detect leaks based on temperature data
CN117236352B (zh) 一种用于震动监测的rfid传感器
CN102692448A (zh) 一种多方位高灵敏度的电磁探伤传感装置
CN107543483B (zh) 一种全金属电涡流位置传感器及温漂解决方法
CN114136613B (zh) 一种用于发动机轴承工作状态的监测系统及在线监测方法
CN109163894A (zh) 一种基于摩擦温度信号的磨合状态识别方法
CN110146267B (zh) 一种全封闭制冷压缩机阀片颤振的检测方法
CN202614724U (zh) 一种多方位高灵敏度的电磁探伤传感装置

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Detection Method of Transformer Partial Discharge Anomaly Based on Artificial Intelligence

Effective date of registration: 20221126

Granted publication date: 20220920

Pledgee: Jiangsu Haimen Rural Commercial Bank Co.,Ltd.

Pledgor: Jiangsu suneng Senyuan Electric Co.,Ltd.

Registration number: Y2022320010738