CN115392293A - 变压器故障的监测方法、装置、计算机设备和存储介质 - Google Patents

变压器故障的监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115392293A
CN115392293A CN202210918094.5A CN202210918094A CN115392293A CN 115392293 A CN115392293 A CN 115392293A CN 202210918094 A CN202210918094 A CN 202210918094A CN 115392293 A CN115392293 A CN 115392293A
Authority
CN
China
Prior art keywords
fault
audio data
transformer
identified
data
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.)
Pending
Application number
CN202210918094.5A
Other languages
English (en)
Inventor
禹晋云
王玉俊
乔柱桥
张任驰
李少森
杨启宾
任君
陈图腾
王超
柳坤
吴斌
吕俊瑶
阮峻
蒋新华
谭佳
孙豪
黄大彬
杨锐雄
毛仕涛
毛文俊
李祥斌
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.)
Kunming Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Kunming Bureau of Extra High Voltage Power Transmission Co
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 Kunming Bureau of Extra High Voltage Power Transmission Co filed Critical Kunming Bureau of Extra High Voltage Power Transmission Co
Priority to CN202210918094.5A priority Critical patent/CN115392293A/zh
Publication of CN115392293A publication Critical patent/CN115392293A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

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

Abstract

本公开涉及一种变压器故障的监测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取变压器运行时的音频数据；将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。采用本方法能够实现方便准确地对变压器故障的实时监测，提高了变压器和电力系统的安全性和可靠性。

Description

变压器故障的监测方法、装置、计算机设备和存储介质
技术领域
本公开涉及电力系统技术领域，特别是涉及一种变压器故障的监测方法、装置、计算机设备和存储介质。
背景技术
在电力系统的运行过程中，当变压器发生故障时，运维人员需要及时获知故障信息进行处理。
现有技术中，运维人员可以直接现场进行诊断或通过摄像头回传的声音进行诊断，但是很难进行持续地实时分析；还可以通过聚类方法进行诊断，聚类方法只能对特征明显的故障进行诊断，方法的鲁棒性低，准确率很难达到运维要求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时准确对变压器故障进行监测判断的变压器故障的监测方法、装置、计算机设备和存储介质。
第一方面，本公开实施例提供了一种变压器故障的监测方法。所述方法包括：
获取变压器运行时的音频数据；
将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
在其中一个实施例中，所述音频数据包括多个子音频信号的数据，所述获取变压器运行时的音频数据，包括：
按照预设的采样频率获取变压器运行时的音频信号的数据；
根据预设的时间间隔对所述音频信号的数据进行采样得到多个子音频信号的数据。
在其中一个实施例中，所述预设的时间间隔被设置为根据电网周期和所述故障识别模型中特征通道的个数确定。
在其中一个实施例中，所述将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，包括：
将待识别时段的音频数据和所述待识别时段前预设时长的音频数据输入至所述故障识别模型；
经所述故障识别模型输出所述待识别时段对应的故障识别结果。
在其中一个实施例中，所述所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得，包括：
获取样本音频数据的集合，所述集合中包括多个标注有故障类型标签的样本音频数据；
构建初始故障识别模型，所述初始故障识别模型中设置有训练参数；
将所述样本音频数据输入至所述初始故障识别模型，得到输出结果；
基于所述输出结果与标注的故障类型标签的差异，对所述初始故障识别模型进行迭代调整，直至所述差异满足预设要求，得到故障识别模型。
在其中一个实施例中，所述样本音频数据由待识别时段音频数据和所述待识别时段前预设时长的音频数据组成，所述样本音频数据标注有所述待识别时段的故障类型标签，所述将所述样本音频数据输入至所述初始故障识别模型，得到输出结果，包括：
将所述样本音频数据输入至所述初始故障识别模型，得到所述待识别时段对应的输出结果。
在其中一个实施例中，所述训练参数包括卷积核的深度，所述卷积核的深度被设置为根据所述待识别时段前预设时长确定。
第二方面，本公开实施例还提供了一种变压器故障的监测装置。所述装置包括：
获取模块，用于获取变压器运行时的音频数据；
输出模块，用于将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
在其中一个实施例中，所述音频数据包括多个子音频信号的数据，所述获取模块，包括：
获取子模块，用于按照预设的采样频率获取变压器运行时的音频信号的数据；
采样模块，用于根据预设的时间间隔对所述音频信号的数据进行采样得到多个子音频信号的数据。
在其中一个实施例中，所述预设的时间间隔被设置为根据电网周期和所述故障识别模型中特征通道的个数确定。
在其中一个实施例中，所述输出模块，包括：
输入模块，用于将待识别时段的音频数据和所述待识别时段前预设时长的音频数据输入至所述故障识别模型；
输出子模块，用于经所述故障识别模型输出所述待识别时段对应的故障识别结果。
在其中一个实施例中，所述输出模块，包括：
获取模块，用于获取样本音频数据的集合，所述集合中包括多个标注有故障类型标签的样本音频数据；
构建模块，用于构建初始故障识别模型，所述初始故障识别模型中设置有训练参数；
输入模块，用于将所述样本音频数据输入至所述初始故障识别模型，得到输出结果；
迭代模块，用于基于所述输出结果与标注的故障类型标签的差异，对所述初始故障识别模型进行迭代调整，直至所述差异满足预设要求，得到故障识别模型。
在其中一个实施例中，所述样本音频数据由待识别时段音频数据和所述待识别时段前预设时长的音频数据组成，所述样本音频数据标注有所述待识别时段的故障类型标签，所述输入模块，包括：
输入子模块，用于将所述样本音频数据输入至所述初始故障识别模型，得到所述待识别时段对应的输出结果。
在其中一个实施例中，所述训练参数包括卷积核的深度，所述卷积核的深度被设置为根据所述待识别时段前预设时长确定。
第三方面，本公开实施例还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本公开实施例中任一项所述的方法的步骤。
第四方面，本公开实施例还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。
第五方面，本公开实施例还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开实施例中任一项所述的方法的步骤。
本公开实施例，首先获取电力系统中变压器运行时的音频数据，将音频数据输入至故障识别模型中，故障识别模型根据接收到的音频数据进行识别，得到识别结果输出，其中，故障识别模型为基于EEGNet网络训练得到，实现了根据音频信号对变压器进行监测，实时获取变压器故障信息，识别结果较为准确，降低了因变压器故障信息无法被及时获取造成风险的概率，提高了故障识别的效率，降低了模型构建和训练的成本。
附图说明
图1为一个实施例中变压器故障的监测方法的流程示意图；
图2为一个实施例中故障识别模型的训练方法的流程示意图；
图3为一个实施例中变压器故障的监测方法的流程示意图；
图4为一个实施例中故障识别模型的示意图；
图5为一个实施例中变压器故障的监测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
在一个实施例中，如图1所示，提供了一种变压器故障的监测方法，所述方法包括：
步骤S110，获取变压器运行时的音频数据；
其中，在电力系统中，变压器运行的过程中会发出声音，变压器运行状态的不同发出的声音也会有所不同，在变压器发生短路、接地等故障时，会发出对应的声音。
本公开实施例中，通过对变压器运行过程中的声音进行变压器故障的识别和监测，因此，可以通过音频获采集装置获取变压器运行时的音频数据。在一个示例中，音频数据可以为实时获取到的，也可以为周期性获取到的，还可以为历史音频数据。在一个示例中，可以通过ITU-T G.711标准对获取到的音频数据进行编码得到编码后的音频数据，通过编码后的音频数据进行故障的识别。
步骤S120，将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
本公开实施例中，变压器的音频数据和故障信息之间存在对应关系，因此通过音频数据和故障类型之间的对应关系训练模型，训练得到故障识别模型，其中，故障识别模型为基于EEGNet网络训练得到。故障识别模型可以根据音频数据识别输出对应的故障类型。将获取到的音频数据输入至故障识别模型中，故障识别模型输出音频数据对应的故障识别结果。在一个示例中，故障识别模型可以将识别的结果上传至中央控制系统，并发送预警。在一个示例中，当变压器运行正常，并未产生故障时，故障识别模型可以输出无故障信息或不输出；当变压器产生故障时，故障识别模型根据音频数据识别输出对应的故障类型。在一个示例中，故障类型可以包括但不限于短路、接地、漏油等。
本公开实施例，首先获取电力系统中变压器运行时的音频数据，将音频数据输入至故障识别模型中，故障识别模型根据接收到的音频数据进行识别，得到识别结果输出，其中，故障识别模型包括EEGNet模型，实现了根据音频信号对变压器进行监测，实时获取变压器故障信息，识别结果较为准确，降低了因变压器故障信息无法被及时获取造成风险的概率，提高了故障识别的效率，降低了模型构建和训练的成本。
在一个实施例中，所述音频数据包括多个子音频信号的数据，所述获取变压器运行时的音频数据，包括：
按照预设的采样频率获取变压器运行时的音频信号的数据；
根据预设的时间间隔对所述音频信号的数据进行采样得到多个子音频信号的数据。
本公开实施例中，在采集变压器的音频数据时，按照预设的采样频率获取变压器运行时的音频信号的数据，获取到音频信号的数据之后，按照预设的时间间隔对音频信号的数据进行采样得到多个子音频信号的数据，可以将多个子音频信号的数据输入至故障识别模型中进行识别。其中，采样频率和时间间隔可以为根据实际场景进行选择，以使得最终的音频数据得到的识别结果较为准确。在一个示例中，采样频率可以设置为48000Hz，时间间隔可以设置为0.06s，即将音频信号数据每隔2880个采样在时间维度进行切片，形成固定时间间隔的多个子音频信号数据。
本公开实施例，按照预设的采样频率获取音频信号数据，并对获取到的音频信号数据进行采样切片得到多个子音频信号数据，将多个子音频信号数据输入至故障识别模型进行故障识别，从而能够实现音频信号的转换，使其适应于故障识别模型的输入，进而得到故障识别结果。
在一个实施例中，所述预设的时间间隔被设置为根据电网周期和所述故障识别模型中特征通道的个数确定。
本公开实施例中，故障识别模型中包括特征通道，特征通道的个数可以为一个或多个。其中，每个特征通道包括有对应的数据。为适应电力系统，每个通道对应的音频数据的时长可以对应为电网周期，此时故障识别模型的一个输入的音频数据的时长对应为电网周期和特征通道个数之积。在一个示例中，电网频率为50Hz，对应电网周期为0.02s，所以故障识别模型的一个输入的音频数据的时长对应为0.02s的倍数。在另一个示例中，特征通道个数可以设置为3个，一个输入的音频数据的时长对应为0.06s。对应于故障识别模型的输入，在对音频信号数据进行采样切片时，将时间间隔对应设置为电网周期和特征通道个数之积。
本公开实施例中，适应于电力系统，故障识别模型中特征通道的音频数据的时长对应于电网周期；在对音频信号数据进行采样划分时，根据电网周期和特征通道数量设置时间间隔，从而适应于故障识别模型的输入，进而得到故障识别结果；同时，使得故障识别模型适应于电力系统，提高了识别的准确性和效率。
在一个实施例中，所述将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，包括：
将待识别时段的音频数据和所述待识别时段前预设时长的音频数据输入至所述故障识别模型；
经所述故障识别模型输出所述待识别时段对应的故障识别结果。
本公开实施例中，将音频数据输入至故障识别模型中时，音频数据中包括待识别时段的音频数据和待识别时段前预设时长的音频数据，其中，预设时长为根据实际场景和故障识别模型选择得到。故障识别模型根据接收到的待识别时段的音频数据和待识别时段前预设时长的音频数据，输出待识别时段对应的故障识别结果。在一个示例中，故障识别模型中每个通道对应的数据时长为电网周期，即0.02s，当需要对待识别的0.02s的数据进行故障识别时，还需要输入待识别时段-0.02ks的数据，其中，k为正数，和故障识别模型中特征通道的数量之间存在对应关系，如故障识别模型中存在3个特征通道，则输入待识别的0.02s数据以及之前的0.04s数据，共计0.06s数据，故障识别模型根据输入的数据输出待识别的0.02s数据对应的故障识别结果。在一个示例中，故障识别模型还可以根据待识别时段的音频数据、待识别时段前一段预设时长的音频数据和待识别时段后一段预设时长的音频数据输出待识别时段对应的故障识别结果。
本公开实施例，在对待识别时段的音频数据进行故障识别时，还会同时将待识别时段前一段时长的音频数据输入至故障识别模型中，故障识别模型根据待识别时段的音频数据以及待识别时段前一段预设时长的音频数据输出对应的故障识别结果，从而能够考虑到音频的连续时段的相关性，相比于传统的依靠阈值的故障识别方法，提高了识别的准确性，提高了故障识别模型的可靠性。
在一个实施例中，如图2所示，所述所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得，包括：
步骤S210，获取样本音频数据的集合，所述集合中包括多个标注有故障类型标签的样本音频数据；
步骤S220，构建初始故障识别模型，所述初始故障识别模型中设置有训练参数；
步骤S230，将所述样本音频数据输入至所述初始故障识别模型，得到输出结果；
步骤S240，基于所述输出结果与标注的故障类型标签的差异，对所述初始故障识别模型进行迭代调整，直至所述差异满足预设要求，得到故障识别模型。
本公开实施例中，首先获取样本音频数据的集合，其中，样本音频数据的集合中的样本音频数据标注有对应的故障类型标签，样本音频数据可以为事先采集的变压器发生不同故障时的音频数据，故障类型可以包括但不限于短路、接地、漏油等。构建初始故障识别模型，其中，初始故障识别模型被设置为基于EEGNet网络构建得到，初始模型中设置有对应的训练参数，初始训练参数可以为根据实际应用场景选择确定得到。将样本音频数据输入至初始故障识别模型中，得到故障类型输出结果，根据输出结果和标注的故障类型的标签的差异对初始故障识别模型进行迭代调整，直至输出结果和标注标签之间的差异满足预设要求，得到故障识别模型。在一个示例中，针对变压器不同故障类型采集对应的音频数据得到音频数据集合，将音频数据集合划分为训练集和测试集，通过训练集对模型进行训练，通过测试集对模型的识别准确率进行测试验证。在一个示例中，故障识别模型的识别的准确率不低于90％，故障预警延时不超过0.1s。
本公开实施例，通过采集到的不同故障类型对应的音频数据训练模型得到故障识别模型，从而能够实现后续的对变压器故障的识别和监测，提高了电力系统的可靠性和稳定性。
在一个实施例中，所述样本音频数据由待识别时段音频数据和所述待识别时段前预设时长的音频数据组成，所述样本音频数据标注有所述待识别时段的故障类型标签，所述将所述样本音频数据输入至所述初始故障识别模型，得到输出结果，包括：
将所述样本音频数据输入至所述初始故障识别模型，得到所述待识别时段对应的输出结果。
本公开实施例中，样本音频数据包括待识别时段的音频数据和待识别时段前预设时长的音频数据。其中，所述预设时长为根据实际场景和故障识别模型的参数确定得到。在一个示例中，待识别时段的0.02s的样本音频数据对应有待识别的0.02s的音频数据以及之前一段预设时长的音频数据。样本音频数据上标注有待识别时段的音频数据对应的故障类型。在对故障识别模型进行训练时，将样本音频数据输入至初始故障识别模型初始故障识别模型根据待识别时段的音频数据和待识别时段前预设时长的音频数据输出结果。在一个示例中，可以将样本音频数据设置为包括待识别时段的音频数据、待识别时段前预设时长的音频数据以及待识别时段后预设时长的音频数据，在训练故障识别模型时，通过该样本音频数据的集合进行训练，得到的故障识别模型就能够根据待识别时段前后音频数据以及待识别时段的音频数据输出故障识别结果。
本公开实施例，在对故障识别模型进行训练时，通过设置样本音频数据为待识别时段的音频数据和待识别时段前一段预设时长的音频数据，能够实现根据待识别时段和之前一段预设时长的音频数据输出故障识别结果，考虑到了连续时刻的相关性，使得故障识别模型的识别结果更为准确，从而提高变压器和电力系统的可靠性和稳定性。
在一个实施例中，所述训练参数包括卷积核的深度，所述卷积核的深度被设置为根据所述待识别时段前预设时长确定。
本公开实施例中，故障识别模型中的参数包括卷积核的深度，其中，卷积核的深度为根据待识别时段前预设时长确定的。在一个示例中，待识别时段的时长为第一时长，待识别时段前预设时长为第一时长的倍数，若所述预设时长为第一时长的k倍，则所述故障识别模型中包括k+1个特征通道，此时，则设置卷积核的深度为k+1，即卷积核的深度对应于特征通道的个数。在一个示例中，卷积核的尺寸可以设置为4×4×3，卷积步长可以设置为1。
本公开实施例，根据待识别时段前预设时长确定卷积核的深度，实现了根据实际场景和需求构建故障识别模型，使得故障识别模型的识别结果更加准确。
图3是根据一示例性实施例示出的一种变压器故障的监测方法的流程示意图，参考图3所示，首先获取变压器的实时音频数据或历史音频数据，进行交流变压器工作时音频信号的录入，DATA＝{Audio1，Audio2，Audio3，……，AudioN}；将输入的某一段音频信号序列AudioM在时间维度进行切片，形成固定时间间隔的序列INPUT＝{AudioM1，AudioM2，AudioM3，……，AudioMk}，其中，AudioM既可以是实时的数据，也可以是历史数据。在一个示例中，编码方式采用ITU-T G.711标准，采样频率48000Hz，切片时可以每隔2880个采样点在时间维度进行切片。将得到的序列数据输入至EEGNet故障识别模型中，经所述故障识别模型输出故障诊断结果并发出预警，所述故障诊断结果包括故障类型。其中，EEGNet故障识别模型如图4所示，针对电力系统的频率特性(国内电网频率为50Hz)，将变压器声音信号的实时数据按照每隔0.02s进行切片，每一份切片数据作为一个“通道”，每一个“通道”与过去相邻时刻的两个通道结合作为数据，输入模型中，切片的组合方式见图4。为了考虑单个采样点与相邻采样点以及前后一个周期的采样点之间的关系，卷积核的大小需要进行相应的修改。模型单个切片数据中，采样点的个数为2880个，单个“通道”的大小为72×40，总共有3个通道的数据一次性导入模型中，卷积核的大小相应的调整为4×4×3，卷积核的移动步长为1，在所有的采样点中，与t时刻单个采样点相关性最大的采样点主要是t时刻相邻几个时刻的采样点以及t±0.02k(k为整数)时刻的采样点及其相邻时刻的采样点，因此对数据做了实时的变换，映射到卷积模型中的输入中，其中，实时变换指的是采样点的排列方式，即将2880个采样点排列成72×40的长方形输入数据中，排列方式按照每一行从左到右，每一行排完从下一列从左到右排列的顺序。输入至模型中后，经过二维卷积、逐通道卷积和逐点卷积输出最终的模型识别结果。
在模型的训练过程中，针对变压器不同故障类型：短路、接地、漏油等，收集对应的音频信号构建数据集，其中，所述数据集的规模可以为2000+。将数据集按照8：2的比例随机分为训练集与测试集进行模型训练，验证模型的准确性。在一个示例中，最终获取到的模型的故障识别的准确率不低于90％，故障预警延时不超过0.1s。在一个示例中，模型开发与运行的计算机可以采用内存为16G，处理器个数为8，CPU型号为Intel(R)Core(TM)i5-10200H，CPU@2.40G的计算机，训练采用的显卡为两个RTX2060，操作系统为Ubuntu21.04(64位)，程序可以通过Python3.8语言编写。
本公开实施例，通过实时监测变压器的声音信号，以信号采集和故障识别两阶段的方式实现简单高速、高鲁棒性和泛化性的变压器故障预警和诊断，不需要人工的实时监测，不需要很高的成本和计算规模，具有模型紧凑、性能优越、支持多范式等特点，通过本实施例可以实现复杂音频场景的变压器故障识别，同时满足换流站故障实时响应的要求。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的变压器故障的监测方法的变压器故障的监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个变压器故障的监测装置实施例中的具体限定可以参见上文中对于变压器故障的监测方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种变压器故障的监测装置500，包括：
获取模块510，用于获取变压器运行时的音频数据；
输出模块520，用于将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
在一个实施例中，所述音频数据包括多个子音频信号的数据，所述获取模块，包括：
获取子模块，用于按照预设的采样频率获取变压器运行时的音频信号的数据；
采样模块，用于根据预设的时间间隔对所述音频信号的数据进行采样得到多个子音频信号的数据。
在一个实施例中，所述预设的时间间隔被设置为根据电网周期和所述故障识别模型中特征通道的个数确定。
在一个实施例中，所述输出模块，包括：
输入模块，用于将待识别时段的音频数据和所述待识别时段前预设时长的音频数据输入至所述故障识别模型；
输出子模块，用于经所述故障识别模型输出所述待识别时段对应的故障识别结果。
在一个实施例中，所述输出模块，包括：
获取模块，用于获取样本音频数据的集合，所述集合中包括多个标注有故障类型标签的样本音频数据；
构建模块，用于构建初始故障识别模型，所述初始故障识别模型中设置有训练参数；
输入模块，用于将所述样本音频数据输入至所述初始故障识别模型，得到输出结果；
迭代模块，用于基于所述输出结果与标注的故障类型标签的差异，对所述初始故障识别模型进行迭代调整，直至所述差异满足预设要求，得到故障识别模型。
在一个实施例中，所述样本音频数据由待识别时段音频数据和所述待识别时段前预设时长的音频数据组成，所述样本音频数据标注有所述待识别时段的故障类型标签，所述输入模块，包括：
输入子模块，用于将所述样本音频数据输入至所述初始故障识别模型，得到所述待识别时段对应的输出结果。
在一个实施例中，所述训练参数包括卷积核的深度，所述卷积核的深度被设置为根据所述待识别时段前预设时长确定。
上述变压器故障的监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储变压器的音频数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种变压器故障的监测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本公开实施例方案相关的部分结构的框图，并不构成对本公开实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本公开实施例所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开实施例所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开实施例所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例的保护范围应以所附权利要求为准。

Claims (11)

1.一种变压器故障的监测方法，其特征在于，所述方法包括：
获取变压器运行时的音频数据；
将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
2.根据权利要求1所述的方法，其特征在于，所述音频数据包括多个子音频信号的数据，所述获取变压器运行时的音频数据，包括：
按照预设的采样频率获取变压器运行时的音频信号的数据；
根据预设的时间间隔对所述音频信号的数据进行采样得到多个子音频信号的数据。
3.根据权利要求2所述的方法，其特征在于，所述预设的时间间隔被设置为根据电网周期和所述故障识别模型中特征通道的个数确定。
4.根据权利要求1所述的方法，其特征在于，所述将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，包括：
将待识别时段的音频数据和所述待识别时段前预设时长的音频数据输入至所述故障识别模型；
经所述故障识别模型输出所述待识别时段对应的故障识别结果。
5.根据权利要求1所述的方法，其特征在于，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得，包括：
获取样本音频数据的集合，所述集合中包括多个标注有故障类型标签的样本音频数据；
构建初始故障识别模型，所述初始故障识别模型中设置有训练参数；
将所述样本音频数据输入至所述初始故障识别模型，得到输出结果；
基于所述输出结果与标注的故障类型标签的差异，对所述初始故障识别模型进行迭代调整，直至所述差异满足预设要求，得到故障识别模型。
6.根据权利要求5所述的方法，其特征在于，所述样本音频数据由待识别时段音频数据和所述待识别时段前预设时长的音频数据组成，所述样本音频数据标注有所述待识别时段的故障类型标签，所述将所述样本音频数据输入至所述初始故障识别模型，得到输出结果，包括：
将所述样本音频数据输入至所述初始故障识别模型，得到所述待识别时段对应的输出结果。
7.根据权利要求6所述的方法，其特征在于，所述训练参数包括卷积核的深度，所述卷积核的深度被设置为根据所述待识别时段前预设时长确定。
8.一种变压器故障的监测装置，其特征在于，所述装置包括：
获取模块，用于获取变压器运行时的音频数据；
输出模块，用于将所述音频数据输入至故障识别模型，经所述故障识别模型输出故障识别结果，其中，所述故障识别模型为基于EEGNet网络，并根据音频数据与故障类型的对应关系训练获得。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的变压器故障的监测方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的变压器故障的监测方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的变压器故障的监测方法的步骤。
CN202210918094.5A 2022-08-01 2022-08-01 变压器故障的监测方法、装置、计算机设备和存储介质 Pending CN115392293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210918094.5A CN115392293A (zh) 2022-08-01 2022-08-01 变压器故障的监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210918094.5A CN115392293A (zh) 2022-08-01 2022-08-01 变压器故障的监测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115392293A true CN115392293A (zh) 2022-11-25

Family

ID=84118557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210918094.5A Pending CN115392293A (zh) 2022-08-01 2022-08-01 变压器故障的监测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115392293A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126277A (zh) * 2019-12-24 2020-05-08 广东电科院能源技术有限责任公司 一种电力故障告警信号识别方法、装置、终端及存储介质
CN112508058A (zh) * 2020-11-17 2021-03-16 安徽继远软件有限公司 基于音频特征分析的变压器故障诊断方法及装置
CN112885372A (zh) * 2021-01-15 2021-06-01 国网山东省电力公司威海供电公司 电力设备故障声音智能诊断方法、系统、终端及介质
CN113314144A (zh) * 2021-05-19 2021-08-27 中国南方电网有限责任公司超高压输电公司广州局 声音识别及电力设备故障预警方法、系统、终端及介质
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126277A (zh) * 2019-12-24 2020-05-08 广东电科院能源技术有限责任公司 一种电力故障告警信号识别方法、装置、终端及存储介质
CN112508058A (zh) * 2020-11-17 2021-03-16 安徽继远软件有限公司 基于音频特征分析的变压器故障诊断方法及装置
CN112885372A (zh) * 2021-01-15 2021-06-01 国网山东省电力公司威海供电公司 电力设备故障声音智能诊断方法、系统、终端及介质
CN113314144A (zh) * 2021-05-19 2021-08-27 中国南方电网有限责任公司超高压输电公司广州局 声音识别及电力设备故障预警方法、系统、终端及介质
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法

Similar Documents

Publication Publication Date Title
CN113098723B (zh) 一种故障根因定位方法、装置、存储介质及设备
JP2022105263A (ja) グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体
CN112257263B (zh) 基于自注意力机制的设备剩余寿命预测系统
CN113037595B (zh) 异常设备检测方法、装置、电子设备及存储介质
CN117349102B (zh) 数字孪生运维数据质量检验方法、系统和介质
CN116148656B (zh) 一种便携式模拟断路器故障检测方法
CN111898644A (zh) 一种无故障样本下航天液体发动机健康状态智能识别方法
CN113048043A (zh) 柱塞泵参数阈值设置方法、装置、电子设备和存储介质
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN117590172A (zh) 应用于变压器的局部放电声电联合定位方法、装置和设备
CN108613820A (zh) 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法
CN115392293A (zh) 变压器故障的监测方法、装置、计算机设备和存储介质
CN117170915A (zh) 数据中心设备故障预测方法、装置和计算机设备
CN116723157A (zh) 终端行为检测模型构建方法、装置、设备和存储介质
CN115296933B (zh) 一种工业生产数据风险等级评估方法及系统
CN116108376A (zh) 一种反窃电的监测系统、方法、电子设备及介质
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN116955059A (zh) 根因定位方法、装置、计算设备及计算机存储介质
CN112860527A (zh) 应用服务器的故障监测方法及装置
CN114662977A (zh) 海上钻井平台运动状态的异常检测方法、系统和电子设备
CN113886475A (zh) 一种基于区块链的窃电预警系统及方法
CN118155633A (zh) 故障检测方法、装置、计算机设备和存储介质
CN116028777A (zh) 换流站运行状态监测方法、装置、计算机设备和存储介质
CN117827594A (zh) 日志异常检测方法、装置、电子设备及存储介质
CN117807544A (zh) 一种基于深度学习的电网异常数据智能检测方法

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