CN115267614B - 一种用于智能变压器的检测方法及系统 - Google Patents
一种用于智能变压器的检测方法及系统 Download PDFInfo
- Publication number
- CN115267614B CN115267614B CN202210626244.5A CN202210626244A CN115267614B CN 115267614 B CN115267614 B CN 115267614B CN 202210626244 A CN202210626244 A CN 202210626244A CN 115267614 B CN115267614 B CN 115267614B
- Authority
- CN
- China
- Prior art keywords
- gas
- transformer
- characteristic
- information
- gases
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 239000007789 gas Substances 0.000 claims abstract description 316
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000003745 diagnosis Methods 0.000 claims abstract description 35
- 239000003921 oil Substances 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/005—H2
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Power Engineering (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提出了一种用于智能变压器的检测方法及系统，涉及电工检测技术领域。通过获取当前变压器油中溶解气体含量信息；然后将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比；根据多个气体含量对比结果确定特征气体；获取n组新的变压器油中特征气体的含量信息；将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；最后将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。
Description
技术领域
本发明涉及电工检测技术领域，具体而言，涉及一种用于智能变压器的检测方法及系统。
背景技术
智能变压器作为高压变电设备，随着运行时间的增长，其电气性能通常会有不同程度的降低，确保其正常运行是保证供电可靠性的基础，也是电力安全生产的基本保障。
现有的智能变压器检测是通过采集变压器油中溶解气体含量，判断溶解气体是否超标来判断变压器是否出现故障。这种检测方法检测到的变压器故障不够准确。
发明内容
本发明的目的在于提供一种用于智能变压器的检测方法及系统，用以改善现有技术中变压器故障检测不够准确的问题。
第一方面，本申请实施例提供一种用于智能变压器的检测方法，包括以下步骤：
获取当前变压器油中溶解气体含量信息；
将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；
根据多个气体含量对比结果确定特征气体；
获取n组新的变压器油中特征气体的含量信息；
将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；
根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；
将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。
上述实现过程中，通过获取当前变压器油中溶解气体含量信息；然后将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；根据多个气体含量对比结果确定特征气体，从而得到与故障相关的气体；然后获取n组新的变压器油中特征气体的含量信息；将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值，从而得到不同特征气体之间的关联性；再根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值，通过求取均值，使得数据更加准确；最后将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。利用最大信息系数方法定量表征出现故障时特征气体间的关联程度，挖掘出特征气体之间的关联性，进一步揭示了变压器故障的反应机理，并采用故障诊断模型根据不同特征气体间的MIC值进行变压器故障诊断，使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。
基于第一方面，在本发明的一些实施例中，根据多个气体含量对比结果确定特征气体的步骤包括以下步骤：
分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
获取多个历史故障信息，历史故障信息包括变压器故障信息和对应的变压器油中溶解气体含量信息；
分别根据变压器故障信息对应的变压器油中溶解气体含量信息计算不同气体之间的MIC值；
将多个变压器故障信息和对应的不同气体之间的MIC值作为训练样本；
将训练样本采用深度学习算法进行训练，得到故障诊断模型。
基于第一方面，在本发明的一些实施例中，还包括以下步骤：
获取当前变压器铁芯接地电流及变压器铁芯接地电流传感器位置信息；
将当前变压器铁芯接地电流与预置的变压器铁芯接地电流阈值进行比较，得到接地电流结果；
根据接地电流结果和变压器铁芯接地电流传感器位置信息确定变压器铁芯接地电流故障位置。
第二方面，本申请实施例提供一种用于智能变压器的检测系统，包括：
第一信息获取模块，用于获取当前变压器油中溶解气体含量信息；
气体含量对比模块，用于将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；
特征气体确定模块，用于根据多个气体含量对比结果确定特征气体；
第二信息获取模块，获取n组新的变压器油中特征气体的含量信息；
MIC值计算模块，用于将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；
均值计算模块，用于根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；
故障检测模块，用于将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。
上述实现过程中，通过第一信息获取模块获取当前变压器油中溶解气体含量信息；气体含量对比模块将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；特征气体确定模块根据多个气体含量对比结果确定特征气体，从而得到与故障相关的气体；第二信息获取模块获取n组新的变压器油中特征气体的含量信息；MIC值计算模块将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值，从而得到不同特征气体之间的关联性；均值计算模块根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值，通过求取均值，使得数据更加准确；故障检测模块将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。利用最大信息系数方法定量表征出现故障时特征气体间的关联程度，挖掘出特征气体之间的关联性，进一步揭示了变压器故障的反应机理，并采用故障诊断模型根据不同特征气体间的MIC值进行变压器故障诊断，使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。
基于第二方面，在本发明的一些实施例中，特征气体确定模块包括：
气体判断单元，用于分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。
基于第二方面，在本发明的一些实施例中，还包括：
数据扩展模块，用于采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种用于智能变压器的检测方法及系统，通过获取当前变压器油中溶解气体含量信息；然后将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；根据多个气体含量对比结果确定特征气体，从而得到与故障相关的气体；然后获取n组新的变压器油中特征气体的含量信息；将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值，从而得到不同特征气体之间的关联性；再根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值，通过求取均值，使得数据更加准确；最后将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。利用最大信息系数方法定量表征出现故障时特征气体间的关联程度，挖掘出特征气体之间的关联性，进一步揭示了变压器故障的反应机理，并采用故障诊断模型根据不同特征气体间的MIC值进行变压器故障诊断，使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。通过采用插值法对数据进行扩展，增强了故障检测的时效性，进而提高故障检测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例提供的一种用于智能变压器的检测方法流程图；
图2为本发明实施例提供的步骤S130的详细流程图；
图3为本发明实施例提供的故障诊断模型训练过程图；
图4为本发明实施例提供的一种用于智能变压器的检测系统结构框图；
图5为本发明实施例提供的一种电子设备的结构框图。
图标：110-第一信息获取模块；120-气体含量对比模块；130-特征气体确定模块；140-第二信息获取模块；150-MIC值计算模块；160-均值计算模块；170-故障检测模块；180-数据扩展模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1，图1为本发明实施例提供的一种用于智能变压器的检测方法流程图。该用于智能变压器的检测方法，包括以下步骤：
步骤S110：获取当前变压器油中溶解气体含量信息；变压器发生不同的故障会产生不同的特征气体量，为检测出故障可以通过检测气体来进行分析。上述变压器油中溶解气体含量信息可以是通过变压器油中溶解气体在线监测系统实时监控得到，变压器油中溶解气体在线监测系统一般由油样采集单元、油气分离单元、气体检测单元、数据采集单元、辅助单元、现场控制与处理单元、通讯单元、监控单元组成，通过采用油中溶解气体分析技术分析溶解气体含量。上述变压器油中溶解气体在线监测系统属于现有技术，在此就不再赘述。上述溶解气体含量信息包括溶解气体名称以及对应的体积分数数据。比如：氢气的体积分数为2％、甲烷的体积分数为0.01％、乙烷的体积分数为0.01％。
步骤S120：将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；上述对比是将溶解气体含量信息中的各种气体分别进行对比，上述预置的溶解气体含量阈值可以是根据经验对不同的气体设置不同的值，得到的气体含量对比结果包括超过和未超过。
步骤S130：根据多个气体含量对比结果确定特征气体；上述确定特征气体主要是找到出现异常的气体。请参看图2，图2为本发明实施例提供的步骤S130的详细流程图。上述确定的过程包括：
分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。例如：氢气的体积分数为2％，预置的溶解气体含量阈值为氢气1％，则得到氢气的对比结果为超过，将氢气作为特征气体。变压器发生故障时生成的特征气体主要有H2、CO2、CH4、C2H2、C2H4和C2H6等，变压器发生不同的故障会产生不同的特征气体量。
步骤S140：获取n组新的变压器油中特征气体的含量信息；当前时刻为T时刻，可以在T时刻以后的n个时刻分别获取变压器油中特征气体的含量信息，以得到n组新的变压器油中特征气体的含量信息；还可以是在T时刻前后确定n个时刻点，并分别获取n个时刻点的变压器油中特征气体的含量信息。上述n的取值为正整数，为提高数据的准确性，n的取值可以大于2。例如，获取15组新的变压器油中特征气体的含量信息。
步骤S150：将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；最大信息系数(maximal information coefficient，MIC)，又称最大互信息系数，是一种定量表征两个变量关联程度的方法，被用来发掘潜在的相关关系。利用MIC方法定量表征两两气体间的关联程度，同时衡量每种特征气体与其他特征气体体积分数之和的关联程度。上述最大信息系数方法属于现有技术，在此就不再赘述。通过计算不同特征气体间的MIC值可以挖掘特征气体数据之间的关联特征，进一步揭示变压器的故障反应机理，便于后期对故障进行诊断。
步骤S160：根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；由于之前n组新的变压器油中特征气体的含量信息是在不同的时刻进行获取的，为提高特征气体关联度的准确性，通过求取各个MIC值的均值得到不同特征气体间的平均关联度。
步骤S170：将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。上述预置的故障诊断模型是根据历史故障数据，采用机器学习算法训练得到的故障诊断模型。故障诊断模型根据输入的不同特征气体间的MIC平均值可以预测出变压器故障信息，变压器故障信息可以是过热性故障、放电性故障、受潮故障等。请参看图3，图3为本发明实施例提供的故障诊断模型训练过程图。上述故障诊断模型的训练过程包括以下步骤：
首先，获取多个历史故障信息，历史故障信息包括变压器故障信息和对应的变压器油中溶解气体含量信息；上述变压器故障信息可以是过热性故障、放电性故障、受潮故障等，对于出现不同的变压器故障信息时，对应的变压器油中溶解气体含量信息不同。为使故障诊断模型更加准确，上述多个历史故障信息可以是分别针对不同的故障获取足够多的历史数据，最后将所有故障类型的数据合并在一起得到多个历史故障信息。
然后，分别根据变压器故障信息对应的变压器油中溶解气体含量信息计算不同气体之间的MIC值；上述计算不同气体之间的MIC值也是采用上述步骤S150中的采用最大信息系数方法进行计算，在此就不再赘述其计算过程。
然后，将多个变压器故障信息和对应的不同气体之间的MIC值作为训练样本；训练样本中的数据越多越好，以便于训练出更好的故障诊断模型。
最后，将训练样本采用深度学习算法进行训练，得到故障诊断模型。上述进行训练是将训练样本中的变压器故障信息作为因变量，对应的不同气体之间的MIC值作为自变量进行训练。上述深度学习算法包括人工神经网络算法、贝叶斯网络算法等。上述深度学习算法采用现有的技术就能够实现，在此就不再赘述。通过采用深度学习算法，可以使故障诊断模型更加准确，以便于提高故障检测的正确率。
上述实现过程中，通过获取当前变压器油中溶解气体含量信息；然后将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；根据多个气体含量对比结果确定特征气体，从而得到与故障相关的气体；然后获取n组新的变压器油中特征气体的含量信息；将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值，从而得到不同特征气体之间的关联性；再根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值，通过求取均值，使得数据更加准确；最后将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。利用最大信息系数方法定量表征出现故障时特征气体间的关联程度，挖掘出特征气体之间的关联性，进一步揭示了变压器故障的反应机理，并采用故障诊断模型根据不同特征气体间的MIC值进行变压器故障诊断，使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。
其中，为避免数据采集周期过长，还可以对数据进行扩展，具体包括以下步骤：
采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。由于n组新的变压器油中特征气体的含量信息是在n个不同的时刻获取的，为避免数据采集周期过长，采用插值法进行扩充，上述插值法可以是牛顿插值法、球面线性插值法等，其中，牛顿插值法的适应性更好、正确率更高。上述插值法属于现有技术，在此就不再赘述。通过采用插值法对数据进行扩展，增强了故障检测的时效性，进而提高故障检测的准确性。
其中，还可以检测是否出现变压器铁芯接地电流故障，具体包括以下步骤：
首先，获取当前变压器铁芯接地电流及变压器铁芯接地电流传感器位置信息；
然后，将当前变压器铁芯接地电流与预置的变压器铁芯接地电流阈值进行比较，得到接地电流结果；如果当前变压器铁芯接地电流大于变压器铁芯接地电流阈值，则得到接地电流结果为超过阀值。
最后，根据接地电流结果和变压器铁芯接地电流传感器位置信息确定变压器铁芯接地电流故障位置。若接地电流结果为超过阀值，则说明出现变压器铁芯接地电流故障，并根据变压器铁芯接地电流传感器位置信息可以确定得到故障位置，从而实现变压器铁芯接地电流故障的检测和定位。
基于同样的发明构思，本发明还提出一种用于智能变压器的检测系统，请参看图4，图4为本发明实施例提供的一种用于智能变压器的检测系统结构框图。该用于智能变压器的检测系统包括：
第一信息获取模块110，用于获取当前变压器油中溶解气体含量信息；
气体含量对比模块120，用于将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；
特征气体确定模块130，用于根据多个气体含量对比结果确定特征气体；
第二信息获取模块140，获取n组新的变压器油中特征气体的含量信息；
MIC值计算模块150，用于将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；
均值计算模块160，用于根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；
故障检测模块170，用于将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。
上述实现过程中，通过第一信息获取模块110获取当前变压器油中溶解气体含量信息；气体含量对比模块120将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；特征气体确定模块130根据多个气体含量对比结果确定特征气体，从而得到与故障相关的气体；第二信息获取模块140获取n组新的变压器油中特征气体的含量信息；MIC值计算模块150将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值，从而得到不同特征气体之间的关联性；均值计算模块160根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值，通过求取均值，使得数据更加准确；故障检测模块170将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息。利用最大信息系数方法定量表征出现故障时特征气体间的关联程度，挖掘出特征气体之间的关联性，进一步揭示了变压器故障的反应机理，并采用故障诊断模型根据不同特征气体间的MIC值进行变压器故障诊断，使得到的变压器故障信息更加准确，提高了变压器故障检测的有效性。
其中，特征气体确定模块130包括：
气体判断单元，用于分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。
其中，还包括：
数据扩展模块180，用于采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。
请参阅图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的一种用于智能变压器的检测系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种用于智能变压器的检测方法，其特征在于，包括以下步骤：
获取当前变压器油中溶解气体含量信息；
将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；
根据多个气体含量对比结果确定特征气体；
获取n组新的变压器油中特征气体的含量信息；
将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；
根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；
将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息；
还包括以下步骤：获取多个历史故障信息，所述历史故障信息包括变压器故障信息和对应的变压器油中溶解气体含量信息；分别根据变压器故障信息对应的变压器油中溶解气体含量信息计算不同气体之间的MIC值；将多个变压器故障信息和对应的不同气体之间的MIC值作为训练样本；将训练样本采用深度学习算法进行训练，得到故障诊断模型；
还包括以下步骤：获取当前变压器铁芯接地电流及变压器铁芯接地电流传感器位置信息；将当前变压器铁芯接地电流与预置的变压器铁芯接地电流阈值进行比较，得到接地电流结果；根据接地电流结果和变压器铁芯接地电流传感器位置信息确定变压器铁芯接地电流故障位置。
2.根据权利要求1所述的用于智能变压器的检测方法，其特征在于，所述根据多个气体含量对比结果确定特征气体的步骤包括以下步骤：
分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。
3.根据权利要求1所述的用于智能变压器的检测方法，其特征在于，还包括以下步骤：
采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到m组新的变压器油中特征气体的含量信息，并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。
4.一种用于智能变压器的检测系统，其特征在于，包括：
第一信息获取模块，用于获取当前变压器油中溶解气体含量信息；
气体含量对比模块，用于将当前变压器油中溶解气体含量信息与预置的溶解气体含量阈值对比，得到多个气体含量对比结果；
特征气体确定模块，用于根据多个气体含量对比结果确定特征气体；
第二信息获取模块，获取n组新的变压器油中特征气体的含量信息；
MIC值计算模块，用于将n组新的变压器油中特征气体的含量信息作为特征气体数据，并根据特征气体数据采用最大信息系数方法计算n组不同特征气体间的MIC值；
均值计算模块，用于根据n组不同特征气体间的MIC值计算得到不同特征气体间的MIC平均值；
故障检测模块，用于将不同特征气体间的MIC平均值输入至预置的故障诊断模型中，生成变压器故障信息；还用于获取多个历史故障信息，所述历史故障信息包括变压器故障信息和对应的变压器油中溶解气体含量信息；分别根据变压器故障信息对应的变压器油中溶解气体含量信息计算不同气体之间的MIC值；将多个变压器故障信息和对应的不同气体之间的MIC值作为训练样本；将训练样本采用深度学习算法进行训练，得到故障诊断模型；还用于获取当前变压器铁芯接地电流及变压器铁芯接地电流传感器位置信息；将当前变压器铁芯接地电流与预置的变压器铁芯接地电流阈值进行比较，得到接地电流结果；根据接地电流结果和变压器铁芯接地电流传感器位置信息确定变压器铁芯接地电流故障位置。
5.根据权利要求4所述的用于智能变压器的检测系统，其特征在于，所述特征气体确定模块包括：
气体判断单元，用于分别判断各个气体含量对比结果是否为超过，若是，将该气体含量对应的气体作为特征气体；若否，则结束。
6.根据权利要求4所述的用于智能变压器的检测系统，其特征在于，还包括：
数据扩展模块，用于采用插值法对n组新的变压器油中特征气体的含量信息进行扩展，得到m组新的变压器油中特征气体的含量信息，并将m组新的变压器油中特征气体的含量信息作为特征气体数据，m大于n。
7.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-3中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210626244.5A CN115267614B (zh) | 2022-06-02 | 2022-06-02 | 一种用于智能变压器的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210626244.5A CN115267614B (zh) | 2022-06-02 | 2022-06-02 | 一种用于智能变压器的检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115267614A CN115267614A (zh) | 2022-11-01 |
| CN115267614B true CN115267614B (zh) | 2023-07-21 |
Family
ID=83759254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210626244.5A Active CN115267614B (zh) | 2022-06-02 | 2022-06-02 | 一种用于智能变压器的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115267614B (zh) |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103698627B (zh) * | 2013-12-04 | 2016-08-17 | 西安工程大学 | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 |
| CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
| CN108152612A (zh) * | 2017-11-23 | 2018-06-12 | 全球能源互联网研究院有限公司 | 一种变压器故障预测方法、装置、终端及可读存储介质 |
| CN108508319B (zh) * | 2018-03-26 | 2020-07-28 | 山东大学 | 基于故障特征气体间关联特征的变压器故障类型识别方法 |
| CN112858806A (zh) * | 2020-12-30 | 2021-05-28 | 北京杜克泰克科技有限公司 | 一种变压器油中气在线把脉诊断系统及方法 |
| CN114152685A (zh) * | 2021-10-27 | 2022-03-08 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 |
| CN114358116A (zh) * | 2021-11-25 | 2022-04-15 | 华北电力大学 | 油浸式变压器故障诊断方法、系统及可读存储介质 |
| CN114298237A (zh) * | 2021-12-30 | 2022-04-08 | 兰州陇能电力科技有限公司 | 一种基于cnn的变压器故障诊断方法、装置、设备及存储介质 |
| CN114397526A (zh) * | 2022-01-14 | 2022-04-26 | 国网辽宁省电力有限公司电力科学研究院 | 状态全息感知数据驱动的电力变压器故障预测方法及系统 |
-
2022
- 2022-06-02 CN CN202210626244.5A patent/CN115267614B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115267614A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Generalized composite multiscale permutation entropy and Laplacian score based rolling bearing fault diagnosis | |
| Yang et al. | A control chart pattern recognition system using a statistical correlation coefficient method | |
| US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
| Li et al. | Particle filtering based likelihood ratio approach to fault diagnosis in nonlinear stochastic systems | |
| US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
| CN105071381B (zh) | 一种基于影响增量的状态枚举可靠性评估方法及其装置 | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| JP2003526859A5 (zh) | ||
| JP2020008997A (ja) | 異常検知システム | |
| CN109145256A (zh) | 基于规范变量非线性主成分分析的非线性动态过程监测方法 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN107103361B (zh) | 基于粗糙集与回答集的变压器故障诊断方法和系统 | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| CN114358193A (zh) | 基于油色谱的变压器状态诊断方法、终端及存储介质 | |
| CN114509620A (zh) | 一种基于监测数据的变压器故障诊断方法 | |
| CN115267614B (zh) | 一种用于智能变压器的检测方法及系统 | |
| Khedmati et al. | Phase-I monitoring of general linear profiles in multistage processes | |
| Yu et al. | MAG: A novel approach for effective anomaly detection in spacecraft telemetry data | |
| CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
| CN116975728A (zh) | 用于煤层气钻井工程的安全管理方法及其系统 | |
| Wang et al. | Mechanistic block‐based attention mechanism stacked autoencoder for describing typical unit connection industrial processes and their monitoring | |
| CN116049157A (zh) | 一种质量数据分析方法及系统 | |
| US20170303014A1 (en) | System for providing functionality based on sensor data | |
| CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
| CN115599077B (zh) | 车辆故障定界方法、装置、电子设备及存储介质 |
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 |
Effective date of registration: 20240426 Address after: 528000, No. 6-2, Huijin Industrial City, Baini Town, Sanshui District, Foshan City, Guangdong Province Patentee after: Guangdong Huiwang Technology Group Co.,Ltd. Country or region after: China Patentee after: HUIWANG ELECTRIC Co.,Ltd. Address before: 528131 No.5 Huijin industrial city, Baini Town, Sanshui District, Foshan City, Guangdong Province Patentee before: HUIWANG ELECTRIC Co.,Ltd. Country or region before: China |