CN114925943B - 一种基于电力物联网的变压器异常状态预测方法 - Google Patents

一种基于电力物联网的变压器异常状态预测方法 Download PDF

Info

Publication number
CN114925943B
CN114925943B CN202210865314.2A CN202210865314A CN114925943B CN 114925943 B CN114925943 B CN 114925943B CN 202210865314 A CN202210865314 A CN 202210865314A CN 114925943 B CN114925943 B CN 114925943B
Authority
CN
China
Prior art keywords
transformer
sequence
sound signal
elements
acquiring
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
CN202210865314.2A
Other languages
English (en)
Other versions
CN114925943A (zh
Inventor
刘宾
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.)
Zhaohu (Jiangsu) Smart Technology Co.,Ltd.
Original Assignee
Jiangsu Bro Information Technology 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 Bro Information Technology Co ltd filed Critical Jiangsu Bro Information Technology Co ltd
Priority to CN202210865314.2A priority Critical patent/CN114925943B/zh
Publication of CN114925943A publication Critical patent/CN114925943A/zh
Application granted granted Critical
Publication of CN114925943B publication Critical patent/CN114925943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Protection Of Transformers (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于电力物联网的变压器异常状态预测方法，该方法包括：获取变压器的磁场强度序列和声音信号序列；获取变压器内部原边绕组所在位置处的温度和副边绕组所在位置处的温度的差值，得到设定时间段内不同时刻变压器的环境温度差异，得到环境温度差异序列；基于环境温度差异序列和磁场强度序列得到变压器的结构性指标；基于结构性指标和声音信号序列计算设定时间段内变压器的危险指数评价；获取危险指数评价序列，并利用神经网络得到预测危险指数评价序列，根据预测危险指数评价序列中元素对变压器的异常状况进行预测。本发明结合多个因素进行综合考虑，保证了准确性，且能够根据计算结果进行预测。

Description

一种基于电力物联网的变压器异常状态预测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于电力物联网的变压器异常状态预测方法。
背景技术
变压器是输配电的基础设备，广泛应用于工业、农业、交通、城市社区等领域。我国在网运行的变压器约1700万台，总容量约110亿千伏安。变压器损耗约占输配电电力损耗的40%，具有较大节能潜力。变压器的使用具有非常复杂的要求，由于变压器是电力输送中的关键设备，通常情况下，需要保证变压器能够一年四季无间断地进行工作，但长期工作的变压器不可避免的会因为各种损耗或者外部环境变化而发生损坏。若是需要对变压器进行检修，则需要停止电力供应，那将造成巨大的经济损失和生活不便，并且传统的检修方法，需要按时间检修，若检修间隔周期不合理，容易造成过度检修。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于电力物联网的变压器异常状态预测方法，所采用的技术方案具体如下：
获取变压器内部励磁线圈的匝数，并获取设定时间段内不同时刻变压器内部流经励磁线圈的励磁电流，根据所述励磁线圈的匝数和励磁电流得到变压器的磁场强度，进而得到磁场强度序列；获取变压器内部原边绕组所在位置处的温度和副边绕组所在位置处的温度的差值，得到设定时间段内不同时刻变压器的环境温度差异，构成环境温度差异序列；获取变压器运行时的声音信号序列；
计算环境温度差异序列中元素的极差与环境温度差异序列中元素均值的比值，并计算磁场强度序列中元素的最大值与磁场强度序列中元素的均值的差值，根据所述比值和所述差值的乘积，得到变压器的结构性指标；基于变压器的结构性指标和声音信号序列中元素的变化趋势，计算设定时间段内变压器的危险指数评价；
获取连续的多个设定时间段内变压器的危险指数评价，构成危险指数评价序列；将危险指数评价序列输入神经网络得到预测危险指数评价序列，根据预测危险指数评价序列中元素对变压器的异常状况进行预测。
优选地，所述变压器的结构性指标的获取方法具体为：
Figure 542124DEST_PATH_IMAGE002
其中，U表示变压器的结构性指标，W表示变压器的环境温度差异序列，Max(W)、Min(W)以及mean(W)分别表示环境温度差异序列中元素的最大值、最小值以及均值，H表示变压器的磁场强度序列，Max(H)、mean(H)分别表示变压器的磁场强度序列中元素的最大值和均值。
优选地，所述变压器的危险指数评价的获取方法具体为：
Figure 304806DEST_PATH_IMAGE004
其中，J表示设定时间段内变压器的危险指数评价，U表示变压器的结构性指标，T表示声音信号序列中元素的数量；
Figure DEST_PATH_IMAGE005
表示声音信号序列中第t个时刻对应的声音信号；
Figure 629477DEST_PATH_IMAGE006
表示声音信号序列中第t－1个时刻对应的声音信号；
Figure DEST_PATH_IMAGE007
表示声音信号序列中第1个时刻对应的声音信号和第t个时刻对应的声音信号之间的第g个声音信号；
Figure 45677DEST_PATH_IMAGE008
表示声音信号序列中第1个时刻对应的声音信号和第t－1个时刻对应的声音信号之间的第h个声音信号。
优选地，所述变压器运行时的声音信号序列具体为：设定时间段内不同时刻变压器运行时的声音信号。
优选地，所述磁场强度序列、环境温度差异序列、声音信号序列、危险指数序列、预测危险指数序列中的元素以时间顺序进行排列。
优选地，所述神经网络为粒子群算法优化LSTM神经网络。
优选地，所述预测危险指数评价序列中元素为未来连续的多个设定时间段内的预测危险指数评价，若预测危险指数评价大于评价阈值，需对变压器进行提前检修。
本发明实施例至少具有如下有益效果：
本发明通过获取变压器内部的原边绕组和副边绕组所在位置处的温度，并计算两处位置的温度差异，用来表示变压器内部环境的温度差异，同时结合了变压器内部的磁场强度获取变压器的结构性指标，进而结合变压器的声音信息获取变压器的危险指数评价，并根据危险指数评价获取预测的评价。本发明结合了多个因素，通过综合考虑，保证故障判断的准确性；并且根据对变压器的相关数据进行预测，根据预测结果做出相应的调整，能够防止变压器出现安全问题。
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是本发明的一种基于电力物联网的变压器异常状态预测方法的方法流程图。
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，对依据本发明提出的一种基于电力物联网的变压器异常状态预测方法，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。
下面结合附图具体的说明本发明所提供的一种基于电力物联网的变压器异常状态预测方法的具体方案。
实施例：
请参阅图1，其示出了本发明一个实施例提供的一种基于电力物联网的变压器异常状态预测方法的方法流程图，该方法包括以下步骤：
步骤一，获取变压器内部励磁线圈的匝数，并获取设定时间段内不同时刻变压器内部流经励磁线圈的励磁电流，根据所述励磁线圈的匝数和励磁电流得到变压器的磁场强度，进而得到磁场强度序列；获取变压器内部原边绕组所在位置处的温度和副边绕组所在位置处的温度的差值，得到设定时间段内不同时刻变压器的环境温度差异，构成环境温度差异序列；获取变压器运行时的声音信号序列。
首先，获取变压器的磁场强度，由于磁场强度是描述磁场性质的物理量，磁场强度能够体现变压器内部环境的变化情况，即可能出现故障或者其他原因从而导致变压器磁场强度发生改变。在本实施例中，通过获取变压器内部励磁线圈的匝数，同时实时获取励磁电流，进而可以计算得到磁场强度。
具体地，计算磁场强度，用公式表示为：
Figure 691685DEST_PATH_IMAGE010
其中，H为磁场强度，单位为A/m，N为励磁线圈的匝数，I为励磁电流，单位为A，Le为测试样本的有效磁路长度，单位为m。其中，励磁线圈的匝数与有效磁路长度数据均可由变压器出厂型号得到。并且通过获取设定时间段内不同时刻的励磁电流，按照上述公式进行计算，得到设定时间段内不同时刻变压器的磁场强度，构成磁场强度序列。
然后，由于变压器内部环境温度是分析变压器是否故障的重要数据之一，变压器内部环境温度的变化情况能够在一定程度上体现变压器内部元件是否损坏，外部散热是否出现问题，故可以利用温度传感器对变压器进行内部环境温度采集。
需要说明的是，根据热传递的物理现象，在变压器内部可能各个不同位置处的温度会存在一定程度的差异，但是热能必然会以热传导、热辐射和热对流三种方式中的一种或者多种方式进行温度的传递，在经过一定时间后，在变压器内部的温度趋近于较为相近或者相等的程度，则此时认为变压器内部环境温度统一。
具体地，将温度传感器放置在变压器内原边绕组所在位置处和副边绕组所在位置处，利用温度传感器直接获取设定时间段内不同时刻变压器内原边绕组所在位置处的温度和副边绕组所在位置处的温度，并计算所述原边绕组所在位置处的温度和副边绕组所在位置处的温度的差值，得到设定时间段内不同时刻变压器内部环境温度差异，构成环境温度差异序列。
其中，通过采集原边绕组和副边绕组所在位置处的温度，则可根据热传导等屋里现象使得变压器内部的环境温度趋于一致，进而获取变压器内部的温度变化情况，用来表示变压器内部环境温度的差异。
需要说明的是，在本实施例中，还可以在相邻两时刻之间的中间时刻，对变压器内部原边绕组和副边绕组所在位置处的温度进行采集，并计算原边绕组和副边绕组所在位置处的温度的差值，将所述差值作为标记，作为设定时间段内各时刻的环境温度差异的参考数据，但是并不进行后续的相关计算，实施者也可根据实际情况进行选择合适的时刻，或者选择不获取该参考数据。
最后，对变压器正在运行时产生的振动等声音信息进行采集。变压器在正常运行时，一般会存在连续且均匀的嗡嗡声，这是由于磁通引起铁芯振动而发出的声音。若变压器正在运行时产生的声音不均匀或者有其他特殊的声音，则可认为变压器出现异常现象。
具体地，将MEMS麦克风放置在距离变压器一定距离处，采集设定时间段内不同时刻变压器在运行时的声音信号，构成声音信号序列。其中，MEMS麦克风为常见的声学仪器，其相关信息及使用方法在此不再过多赘述，且所述一定距离需实施者按照实际情况进行设定。
需要说明的是，在本实施例中，将设定时间段的取值设定为1天，设定时间段对应的时刻设定为1小时，实施者可根据实际情况调整设定时间段和对应时刻的取值。
步骤二，计算环境温度差异序列中元素的极差与环境温度差异序列中元素均值的比值，并计算磁场强度序列中元素的最大值与磁场强度序列中元素的均值的差值，根据所述比值和所述差值的乘积，得到变压器的结构性指标；基于变压器的结构性指标和声音信号序列中元素的变化趋势，计算设定时间段内变压器的危险指数评价。
具体地，变压器的结构性指标用公式表示为：
Figure DEST_PATH_IMAGE011
其中，U表示变压器的结构性指标，W表示变压器的环境温度差异序列，Max(W)、Min(W)以及mean(W)分别表示环境温度差异序列中元素的最大值、最小值以及均值，H表示变压器的磁场强度序列，Max(H)、mean(H)分别表示变压器的磁场强度序列中元素的最大值和均值。
Figure 38483DEST_PATH_IMAGE012
能够表示变压器内部环境温度差异的相对变化情况，若变压器内部环境温度差异的取值都较大，但是其相对变化情况的取值较小，此时变压器内部环境温度差异大，可能会存在温度异常的情况，但是此时变压器的结构性指标的取值较高，却无法显示变压器的异常情况，故利用环境温度差异序列中元素的最大值对相对变化情况进行限制。
则
Figure DEST_PATH_IMAGE013
可以表示变压器在设定时间段内温度对变压器内部结构的影响，即变压器内部环境温度差异的相对变化情况较小，且最大环境温度差异也较小时，表示变压器在当前设定时间段内环境温度较为稳定，此时温度对内部元件影响很小，变压器内部的热传递等现象较为优秀，并没有出现局部过量放热的情况，结构性指标的取值较大。反之，则说明变压器内部环境温度差异较大，可能会存在局部放热的情况，进而导致热传递等现象不能稳定的进行，可能会达到影响变压器正常运行的临界值，结构性指标的取值较小。
Figure 843759DEST_PATH_IMAGE014
用声音信号序列中元素的最大值与均值的差值表示变压器在当前设定时间段内磁场强度的变化情况，其差值越大，说明变压器内部的磁场强度出现不正常的增大现象，由此可能会引发一系列的电磁效应，也可能会发生直流偏磁现象，结构性指标的取值较低。其差值越小，说明变压器内部磁场强度较为稳定，结构性指标的取值较大。
需要说明的是，基于变压器的磁场强度与变压器内部环境温度差异得到的结构性指标，能够体现变压器内部结构在设定时间段内的情况，能够说明变压器是否受到环境温度或者磁场强度的影响，从而影响变压器正常工作状态。
计算设定时间段内变压器的危险指数评价，用公式表示为：
Figure DEST_PATH_IMAGE015
其中，J表示设定时间段内变压器的危险指数评价，U表示变压器的结构性指标，T表示声音信号序列中元素的数量，即设定时间段内时刻的总数量；
Figure 927733DEST_PATH_IMAGE005
表示声音信号序列中第t个时刻对应的声音信号；
Figure 310304DEST_PATH_IMAGE006
表示声音信号序列中第t－1个时刻对应的声音信号；
Figure 211526DEST_PATH_IMAGE007
表示声音信号序列中第1个时刻对应的声音信号和第t个时刻对应的声音信号之间的第g个声音信号；
Figure 651735DEST_PATH_IMAGE008
表示声音信号序列中第1个时刻对应的声音信号和第t－1个时刻对应的声音信号之间的第h个声音信号。
变压器的结构性指标是能够反应变压器工作状态是否危险的重要因素之一，结构性指标的取值越大，危险指数评价越小，说明变压器内部没有出现环境温度异常或者磁场强度异常等问题，变压器内部元件工作状态较为优秀，并未受到影响。结构性指标的取值越小，危险指数评价越大，说明变压器内部由于环境温度过高或者磁场强度超过标准值，导致变压器内部元件损坏或者产生损耗，从而使变压器在正常工作中出现异常问题。
式子的后半部分通过声音信号序列中元素的变化情况计算获取变压器在运行时由于振动产生的声音信息的均一情况。即式子后半部分的分子中的
Figure 783639DEST_PATH_IMAGE016
表示当前时刻和上一时刻声音信号的差值，若变压器在设定时间段内的工作状态良好，则采集到的声音信号几乎保持不变，所述差值的取值大小基本上趋近于0，且所有相邻两个时刻的声音信号差值的均值也相对较小，甚至基本上趋近于0，进而危险指数评价较小。若变压器在设定时间段内的工作状态出现异常，则采集到的声音信号会发生变化，所述差值的较大，声音信号的变化程度大，危险指数评价较大。
式子后半部分的分母中表示设定时间段内第t时刻与之前所有声音信号的均值，和前一时刻与之前所有时刻声音信号的差值。所述差值越小，说明在设定时间段内声音信号较为稳定，变压器工作状态较为良好，危险指数评价较低。所述差值越大，说明声音信号出现波动，或者出现其他异常的声音，变压器可能出现异常现象，危险指数评价较高。
需要说明的是，变压器工作状态危险指数评价能够体现变压器在设定时间段内的工作危险情况，若是变压器一天工作状态都很好，危险指数一直偏低，证明变压器的工作环境良好。根据所计算的变压器工作状态危险指数后续可以预测变压器未来的工作状态。
步骤三，获取连续的多个设定时间段内变压器的危险指数评价，构成危险指数评价序列；将危险指数评价序列输入神经网络得到预测危险指数评价序列，根据预测危险指数评价序列中元素对变压器的异常状况进行预测。
其中，将获取的危险指数评价指标按比例划分为训练集和测试集，所述神经网络为粒子群算法优化LSTM神经网络，与网络相关的内容如下：
采用粒子群算法优化LSTM神经网络预测模型的各个参数，所需优化参数包括LSTM神经网络隐藏层数、时间窗步长、训练次数和学习率。输入粒子群算法优化好的参数、训练集，进行LSTM神经网络预测模型的迭代优化。利用已训练好的LSTM神经网络模型对测试集进行预测，并评估模型误差。其中，所述粒子算法优化LSTM神经网络的模型是在参数搜索空间里，以预测误差最小为目标函数，对参数组合进行优化。
具体地，初始搜索点的位置及其危险指数评价通常是在允许的范围内随机产生的，每个粒子的
Figure DEST_PATH_IMAGE017
坐标设置为其当前位置，且计算出其相应的个体极值，即个体极值点的适应度值。而全局极值，即全局极值点的适应度值，就是个体极值中最好的值，记录该最好值的粒子序号，并将
Figure 92654DEST_PATH_IMAGE018
设置为该最好粒子的当前位置。
评价每一个粒子，计算粒子的适应度值，若好于该粒子当前的个体极值，则将
Figure 345037DEST_PATH_IMAGE017
设置为该粒子的位置，且更新个体极值；若所有粒子的个体极值中最好的好于当前的全局极值，则将
Figure 457394DEST_PATH_IMAGE018
设置为该粒子的位置，记录该粒子的序号，且更新全局极值。
用迭代公式对每一个粒子的速度和位置进行更新，检验是否符合结束条件，若当前的迭代次数达到了预先设定的最大次数，则停止迭代，输出最优解，否则重新进行评价。输入粒子群算法优化好的参数组合、训练集，进行LSTM神经网络预测模型的迭代优化。
输入粒子群算法优化好的参数组合，采用时间窗步长参数对输入数据进行处理，通过隐藏层数、训练次数、学习率对LSTM神经网络进行设置。将预测均方误差作为LSTM神经网络的优化目标，采用Adam优化算法进行梯度计算，采用Adam优化算法对网络迭代更新不断调整模型权重、降低预测误差。
采用训练好的LSTM神经网络模型对预测集进行变压器作状态危险指数评价预测。将预测数据与实际数据进行误差计算，误差计算采用均方误差和均方根误差两项指标，还原预测数据进行输出，具体为：
Figure 448615DEST_PATH_IMAGE020
Figure 618827DEST_PATH_IMAGE022
其中，MSE表示均方误差，RMSE表示均方根误差，N表示数据集个数，
Figure DEST_PATH_IMAGE023
表示真实数据集，
Figure 986486DEST_PATH_IMAGE024
表示预测数据集。
根据预测危险指数评价序列中元素对变压器的异常状况进行预测，所述预测危险指数评价序列中元素为未来连续的多个设定时间段内的预测危险指数评价，若预测危险指数评价大于评价阈值，需对变压器进行提前检修。
同时，需要说明的是，由于变压器的使用周期过长，可能会由于持续工作而出现磨损，这是正常现象，但是还需对变压器进行相关的维护，以防止其出现更多的问题。故利用预测危险指数评价对变压器的异常情况进行分析时，可以结合变压器当前已经连续运行的天数，使得分析结果更加准确。
具体地，分别设定第一评价阈值和第二评价阈值，若预测危险指数评价大于第一评价阈值且小于第二评价阈值，获取当前变压器已经连续运行的天数，若所述天数大于90天，则表示变压器由于持续工作而出现磨损，需要及时对变压器进行维护；若所述天数小于90天，说明变压器自身可能会存在异常问题，需要对其提前进行检修，以防止出现安全等问题。若预测危险指数评价大于第二阈值，说明变压器未来可能存在较大的安全隐患，需要对其立即停机检修。
其中，在本实施例中，第一评价阈值和第二评价阈值的取值分别为0.6和0.8，实施者可根据实际情况进行设定。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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例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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于电力物联网的变压器异常状态预测方法，其特征在于，该方法包括以下步骤：
获取变压器内部励磁线圈的匝数，并获取设定时间段内不同时刻变压器内部流经励磁线圈的励磁电流，根据所述励磁线圈的匝数和励磁电流得到变压器的磁场强度，进而得到磁场强度序列；获取变压器内部原边绕组所在位置处的温度和副边绕组所在位置处的温度的差值，得到设定时间段内不同时刻变压器的环境温度差异，构成环境温度差异序列；获取变压器运行时的声音信号序列；
计算环境温度差异序列中元素的极差与环境温度差异序列中元素均值的比值，并计算磁场强度序列中元素的最大值与磁场强度序列中元素的均值的差值，根据所述比值和所述差值的乘积，得到变压器的结构性指标；所述变压器的结构性指标的获取方法具体为：
Figure 719372DEST_PATH_IMAGE002
其中，U表示变压器的结构性指标，W表示变压器的环境温度差异序列，Max(W)、Min(W)以及mean(W)分别表示环境温度差异序列中元素的最大值、最小值以及均值，H表示变压器的磁场强度序列，Max(H)、mean(H)分别表示变压器的磁场强度序列中元素的最大值和均值；
基于变压器的结构性指标和声音信号序列中元素的变化趋势，计算设定时间段内变压器的危险指数评价；
获取连续的多个设定时间段内变压器的危险指数评价，构成危险指数评价序列；将危险指数评价序列输入神经网络得到预测危险指数评价序列，根据预测危险指数评价序列中元素对变压器的异常状况进行预测。
2.根据权利要求1所述的一种基于电力物联网的变压器异常状态预测方法，其特征在于，所述变压器的危险指数评价的获取方法具体为：
Figure 557884DEST_PATH_IMAGE004
其中，J表示设定时间段内变压器的危险指数评价，U表示变压器的结构性指标，T表示声音信号序列中元素的数量；
Figure 275304DEST_PATH_IMAGE005
表示声音信号序列中第t个时刻对应的声音信号；
Figure 860394DEST_PATH_IMAGE006
表示声音信号序列中第t－1个时刻对应的声音信号；
Figure 612449DEST_PATH_IMAGE007
表示声音信号序列中第1个时刻对应的声音信号和第t个时刻对应的声音信号之间的第g个声音信号；
Figure 621862DEST_PATH_IMAGE008
表示声音信号序列中第1个时刻对应的声音信号和第t－1个时刻对应的声音信号之间的第h个声音信号。
3.根据权利要求1所述的一种基于电力物联网的变压器异常状态预测方法，其特征在于，所述变压器运行时的声音信号序列具体为：设定时间段内不同时刻变压器运行时的声音信号。
4.根据权利要求1所述的一种基于电力物联网的变压器异常状态预测方法，其特征在于，所述磁场强度序列、环境温度差异序列、声音信号序列、危险指数序列、预测危险指数序列中的元素以时间顺序进行排列。
5.根据权利要求1所述的一种基于电力物联网的变压器异常状态预测方法，其特征在于，所述神经网络为粒子群算法优化LSTM神经网络。
6.根据权利要求1所述的一种基于电力物联网的变压器异常状态预测方法，其特征在于，所述预测危险指数评价序列中元素为未来连续的多个设定时间段内的预测危险指数评价，若预测危险指数评价大于评价阈值，需对变压器进行提前检修。
CN202210865314.2A 2022-07-22 2022-07-22 一种基于电力物联网的变压器异常状态预测方法 Active CN114925943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210865314.2A CN114925943B (zh) 2022-07-22 2022-07-22 一种基于电力物联网的变压器异常状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210865314.2A CN114925943B (zh) 2022-07-22 2022-07-22 一种基于电力物联网的变压器异常状态预测方法

Publications (2)

Publication Number Publication Date
CN114925943A CN114925943A (zh) 2022-08-19
CN114925943B true CN114925943B (zh) 2022-09-30

Family

ID=82815978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210865314.2A Active CN114925943B (zh) 2022-07-22 2022-07-22 一种基于电力物联网的变压器异常状态预测方法

Country Status (1)

Country Link
CN (1) CN114925943B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237180B (zh) * 2022-09-23 2022-12-06 济南明鑫制药股份有限公司 一种用于甲酯生产中粗品制备的智能控制方法
CN115293294A (zh) * 2022-09-26 2022-11-04 南通佳晟宏机械配件有限公司 一种用于热轧机轧辊轴承损耗的识别与预测方法
CN116226766B (zh) * 2023-05-08 2023-08-18 南洋电气集团有限公司 一种高压电器运行状态监测系统
CN116304778B (zh) * 2023-05-17 2023-08-01 温州华嘉电器有限公司 一种用于小型断路器维护数据处理方法
CN116579663B (zh) * 2023-07-05 2023-10-20 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法
CN117371339B (zh) * 2023-12-08 2024-03-26 西电济南变压器股份有限公司 基于物联网的变压器运行监测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110531212A (zh) * 2019-10-14 2019-12-03 江苏优维安信息科技有限公司 一种变电站安全监测管理平台
CN114111892B (zh) * 2021-11-10 2024-02-09 国网甘肃省电力公司经济技术研究院 不确定性信息融合的配电变压器监测预警装置及方法
CN114678962B (zh) * 2022-05-24 2023-01-13 山东科华电力技术有限公司 基于电力物联网的分布式阵列测温异常数据传输监控系统

Also Published As

Publication number Publication date
CN114925943A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN114925943B (zh) 一种基于电力物联网的变压器异常状态预测方法
CN110766212B (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
KR101683256B1 (ko) 전력 설비 자산 관리 시스템 및 방법
Yang et al. State evaluation of power transformer based on digital twin
Fu et al. Models for long-term energy forecasting
CN113887846B (zh) 一种电容式电压互感器的超差风险预警方法
US20160282400A1 (en) Equipment failure prediction system, equipment failure prediction device and equipment failure prediction method
CN114169631B (zh) 一种基于数据分析的油田电力负荷管控系统
CN110688809B (zh) 一种基于vprs-rbf神经网络的箱变故障诊断方法
CN110969306A (zh) 基于深度学习的配电低压台区负荷预测方法及装置
CN115689114A (zh) 一种基于组合神经网络的海底电缆运行状态预测方法
Kuo Artificial recognition system for defective types of transformers by acoustic emission
CN108847679A (zh) 风力发电机组及用于其的次同步振荡识别方法、装置及系统
CN114626769A (zh) 一种电容式电压互感器运维方法及系统
CN113536662B (zh) 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法
Siddikov et al. Modeling and research multiphases signal transducers of power control systems
CN117371608A (zh) 基于深度学习的猪舍多点位温湿度预测方法及系统
CN116957534A (zh) 一种预测智能电表更换数量的方法
CN115906639A (zh) 基于线路运行工况的线路运行故障率预测方法、装置
CN114722721A (zh) 基于深度编解码卷积网络的电力变压器健康状态评估方法
Zhao et al. Theory and numerical analysis of extreme learning machine and its application for different degrees of defect recognition of hoisting wire rope
Mohanty et al. Prediction of residual fatigue life under interspersed mixed‐mode (I and II) overloads by Artificial Neural Network
CN116840764A (zh) 一种电容式电压互感器综合误差状态评估方法及系统
Doulamis et al. Optimal distribution transformers assembly using an adaptable neural network-genetic algorithm scheme
CN117540283B (zh) 一种智能化电磁电器性能评估方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230328

Address after: 226000 No. 500, Linyang Road, Qidong Economic Development Zone, Nantong City, Jiangsu Province

Patentee after: Zhaohu (Jiangsu) Smart Technology Co.,Ltd.

Address before: 226000 No.1, Xinglong Road, science and technology entrepreneurship Park, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Patentee before: Jiangsu bro Information Technology Co.,Ltd.