CN115494431A - 一种变压器故障告警方法、终端设备和计算机可读存储介质 - Google Patents

一种变压器故障告警方法、终端设备和计算机可读存储介质 Download PDF

Info

Publication number
CN115494431A
CN115494431A CN202211159367.9A CN202211159367A CN115494431A CN 115494431 A CN115494431 A CN 115494431A CN 202211159367 A CN202211159367 A CN 202211159367A CN 115494431 A CN115494431 A CN 115494431A
Authority
CN
China
Prior art keywords
fault
transformer
chromatographic data
alarm
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
CN202211159367.9A
Other languages
English (en)
Inventor
石荣雪
刘克成
曾四鸣
郁金星
王颖楠
赵雨辰
韩鹤松
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211159367.9A priority Critical patent/CN115494431A/zh
Publication of CN115494431A publication Critical patent/CN115494431A/zh
Pending legal-status Critical Current

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
    • G01R31/50—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
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明适用于变压器故障监测技术领域，公开了一种变压器故障告警方法、终端设备和计算机可读存储介质。上述变压器故障告警方法包括：获取变压器油中溶解气体在线监测装置上传的在线色谱数据；判断在线色谱数据是否为有效色谱数据，若是，则将在线色谱数据输入经过训练的变压器故障告警模型中，其中，经过训练的变压器故障告警模型包括告警模块和故障识别模块；通过告警模块判断输入的有效色谱数据是否为故障色谱数据，若是，则将在线色谱数据输入到故障识别模块，通过故障识别模块识别变压器的故障类型，输出变压器的故障类型并告警。有效提升了变压器故障告警的效率和准确性。

Description

一种变压器故障告警方法、终端设备和计算机可读存储介质
技术领域
本发明属于变压器故障监测技术领域，尤其涉及一种变压器故障告警方法、终端设备和计算机可读存储介质。
背景技术
变压器作为电力系统的核心枢纽设备，其运行状态直接关系整个电力系统的安全稳定水平。油中溶解气体组分含量分析作为感知变压器潜伏性故障最有效的方法之一而应用广泛。随着传感器技术的发展，变压器油中溶解气体在线监测技术成为实时监测变压器运行状态的主要方式之一。
然而，由于受周围环境影响及现有技术限制，在线色谱数据的准确度和稳定性较实验室离线色谱还有一定距离，难以对其确定一个普适性强的告警值。此外，一些实际应用发现，国标中部分变压器油中溶解气体组分含量阈值裕度偏高、组分略显单一、分类不细，应用于在线监测时存在不够灵活、偶有漏报等问题。再者，色谱数据超出告警值后，采用传统三比值法分析故障时，存在编码不全等问题。因此，现有技术存在变压器油中溶解气体组分含量阈值设定单一、裕度偏高及故障判断时三比值编码不全等问题。
发明内容
为克服相关技术中存在的问题，本发明实施例提供了一种变压器故障告警方法，实现了变压器故障类型的快速准确识别。
本发明是通过如下技术方案实现的：
第一方面，本发明实施例提供了一种变压器故障告警方法，包括：获取变压器油中溶解气体在线监测装置上传的在线色谱数据；判断所述在线色谱数据是否为有效色谱数据，若是，则将所述在线色谱数据输入经过训练的变压器故障告警模型中，其中，所述经过训练的变压器故障告警模型包括告警模块和故障识别模块；通过所述告警模块判断所述输入的有效色谱数据是否为故障色谱数据，若是，则将所述在线色谱数据输入到所述故障识别模块，通过所述故障识别模块识别所述变压器的故障类型，输出所述变压器的故障类型并告警。
基于第一方面，在一些实施例中，判断在线色谱数据是否为有效色谱数据，包括：判断在线色谱数据中的气体组分值和总烃值是否满足异常数据判定条件，若不满足异常数据判定条件，则判定在线色谱数据为有效色谱数据。
基于第一方面，在一些实施例中，在判断所述在线色谱数据是否为有效色谱数据，若是，则将所述在线色谱数据输入经过训练的变压器故障告警模型中，其中，所述经过训练的变压器故障告警模型包括告警模块和故障识别模块；通过所述告警模块判断所述输入的有效色谱数据是否为故障色谱数据，若是，则将所述在线色谱数据输入到所述故障识别模块，通过所述故障识别模块识别所述变压器的故障类型，输出所述变压器的故障类型并告警之前，所述变压器故障告警方法还包括：获取历史在线色谱数据与离线色谱数据，建立告警阈值数据库；基于所述告警阈值数据库，对所述告警模块进行训练，得到训练好的告警模块；所述训练好的告警模块中包含所述故障告警阈值；获取变压器故障类型已确定的故障色谱数据，建立故障案例库，其中，所述故障色谱数据包括变压器油中溶解气体组分含量、电压等级及故障类型特征参量；基于所述故障案例库确定多个目标算法模型，构建所述故障识别模块，其中，所述故障识别模块的最终识别结果由所述多个目标算法模型的初步识别结果确定。
本发明实施例中，通过告警阈值数据库的设置实现了对变压器油中溶解气体在线监测装置获取的在线色谱数据的大数据利用，获得了实用性和适用性更强的色谱数据故障告警阈值，提升了变压器故障告警判断的准确性。
基于第一方面，在一些实施例中，故障案例库包括训练集和测试集，基于故障案例库确定多个目标算法模型，包括：基于训练集训练多个候选算法模型，通过测试集验证各个候选算法模型的故障分类误差率，按照故障分类误差率由低到高的顺序确定预设数量的目标算法模型及每个目标算法模型的优先级。
基于第一方面，在一些实施例中，故障识别模块包括多个目标算法模型；故障识别模块的最终识别结果为所有目标算法模型的初步识别结果中占比最高的识别结果；当同时存在多个占比相同的初步识别结果时，则根据得到多个占比相同的初步识别结果的目标算法模型的优先级确定最终识别结果。
基于第一方面，在一些实施例中，告警模块包括四分位算法模型和分位点算法模型；基于告警阈值数据库，对告警模块进行训练，得到训练好的告警模块，包括：将告警阈值数据库中的数据输入四分位算法模型，得到第一故障告警阈值；将告警阈值数据库中的数据输入分位点算法模型，得到第二故障告警阈值；取第一故障告警阈值和第二故障告警阈值的平均值作为故障告警阈值，得到训练好的告警模块。
基于第一方面，在一些实施例中，变压器故障告警方法还包括：定期增加历史在线色谱数据与离线色谱数据，更新告警阈值数据库；基于更新后的告警阈值数据库，对变压器故障告警模型的告警模块重新进行训练。
基于第一方面，在一些实施例中，变压器故障告警方法还包括：输出变压器的故障类型并告警后，对故障色谱数据对应的故障变压器进行检修，获取故障变压器的实际故障类型，将实际故障类型和变压器的故障色谱数据关联后加入故障案例库；基于更新后的故障案例库，对变压器故障识别模块重新进行训练。
本发明实施例中，利用告警阈值数据库和故障案例库训练包括告警模块和故障识别模块的变压器故障告警模型，通过算法的筛选和结合确定出更精准的告警阈值和故障识别结果。仅需获取变压器油中溶解气体在线监测装置上传的在线色谱数据，即可实现变压器故障快速告警，有效提升了变压器故障告警的效率和准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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他的附图。
图1是本发明一实施例提供的变压器故障告警方法的流程示意图；
图2是本发明一实施例提供的变压器故障告警方法全过程图；
图3是本发明一实施例提供的变压器故障告警模型的训练流程示意图；
图4是本发明一实施例提供的四分位算法流程图；
图5是本发明一实施例提供的分位点算法流程图；
图6是本发明一实施例提供的告警模块计算告警阈值流程图；
图7是本发明一实施例提供的故障识别模块输出故障识别结果流程图；
图8是本发明一实施例提供的终端设备示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地，短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对上述问题，本发明实施例提供了一种变压器故障告警方法，如图1所示，上述方法包括步骤101至103。
步骤101：获取变压器油中溶解气体在线监测装置上传的在线色谱数据。
变压器是电力系统的重要枢纽设备，其运行可靠性直接影响整个电力系统的安全稳定运行水平，一旦发生故障，损失巨大。变压器油中溶解气体在线监测装置以其可以实时感知变压器运行状态、发现和监测潜伏性故障而应用广泛。变压器在线色谱装置上传的在线色谱数据包括各气体组分含量和总烃值。
步骤102：判断在线色谱数据是否为有效色谱数据。
判断在线色谱数据中的气体组分值和总烃值是否满足异常数据判定条件，若不满足异常数据判定条件，则判定在线色谱数据为有效色谱数据。
在一些实施例中，异常数据判定条件包括各气体组分数据值全为0、总烃值数据为0、各组分数据和总烃值数据全为99999或全为-99999、与上一条数据完全重复等明显异常的数据，明显异常的数据通常是因油中溶解气体在线监测装置故障而产生。
步骤103：若在线色谱数据为有效色谱数据，则将在线色谱数据输入经过训练的变压器故障告警模型中，判断变压器是否发生故障，如果发生故障，则继续判断故障类型，输出变压器的故障类型并告警。
将在线色谱数据输入经过训练的变压器故障告警模型中，判断该在线色谱数据是否为故障色谱数据，若为故障色谱数据，说明变压器发生了故障，则根据故障色谱数据判断该故障色谱数据对应的变压器的故障类型。告警模块用于根据训练得到的故障告警阈值判断有效色谱数据是否为故障色谱数据，故障色谱数据为变压器故障时产生的数据，若在线色谱数据为故障色谱数据，则将在线色谱数据输入到故障识别模块；故障识别模块用于基于在线色谱数据识别变压器的故障类型并告警。
具体的，对有效色谱数据按照电压等级分类，每类电压等级对应一组故障告警阈值，若某一气体组分数据值高于该电压等级下该气体对应的故障告警阈值，则判断有效色谱数据为故障色谱数据。将故障色谱数据输入故障识别模块，通过变压器故障告警模型识别出变压器的故障类型并告警，维修人员接收到告警信息后根据故障类型进行变压器维修。
如图2所示，获取在线色谱数据后，判断该在线色谱数据是否为有效色谱数据，若为有效色谱数据，则将该有效色谱数据输入变压器故障告警模型，若非有效色谱数据，说明该变压器油中溶解气体在线监测装置出现了故障，其数据不予采信。对输入变压器故障告警模型的在线色谱数据，通过告警模块判断该在线色谱数据是否为故障色谱数据，若确定其为故障色谱数据，则将故障色谱数据输入故障识别模块进行故障类别判断，若非故障色谱数据，则说明变压器正常运行。
在将在线色谱数据输入经过训练的变压器故障告警模型中，输出变压器的故障类型并告警之前，上述变压器故障告警方法还包括如图3所示的步骤201至步骤203。
步骤201：获取历史在线色谱数据与离线色谱数据，建立告警阈值数据库。
历史在线色谱数据为变压器油中溶解气体在线监测装置上传的历史数据，离线色谱数据为实验人员现场采样后在实验室测试的色谱数据。对历史在线色谱数据进行分析，剔除其中因装置故障等原因造成的异常数据，仅保留有效色谱数据。将剔除异常数据后的历史在线色谱数据与离线色谱数据合并，按照变压器电压等级分类，建立告警阈值数据库。告警阈值数据库中的一组色谱数据包括气体组分数据、总烃值和该组数据对应的变压器的电压等级，其中气体组分包括H2、CO、CO2、CH4、C2H4、C2H6、C2H2等。
步骤202：基于告警阈值数据库，对告警模块进行训练，得到训练好的告警模块；训练好的告警模块中包含故障告警阈值。
在变压器发生故障时，变压器的绝缘油会因此发生成分改变，例如，在发生过热故障时，绝缘油分解，温度的不同也会导致油中H2、CO、CO2、CH4、C2H4、C2H6、C2H2等成分溶解量的不同，可以通过对此时的色谱数据进行分析，对变压器故障进行告警。
然而，由于受周围环境影响及现有技术限制，在线色谱数据的准确度和稳定性较实验室离线色谱还有一定距离，难以对其确定一个普适性强的告警值。此外，一些实际应用发现，国标中部分变压器油中溶解气体组分含量阈值裕度偏高、组分略显单一、分类不细，应用于在线监测时存在不够灵活、偶有漏报等问题。
对此，本发明基于在线色谱数据和离线色谱数据建立了告警阈值数据库来确定合适的告警阈值，如图4所示，在一些实施例中，将告警阈值数据库数据输入四分位算法模型，计算得到第一故障告警阈值。具体的，将告警阈值数据库中的数据按电压等级分类，对同一电压等级的数据，再按气体组分类别分为H2、CO、CO2、CH4、C2H4、C2H6、C2H2和总烃值8个参量数据表。采用Z-score方法进行变换标准化处理，将标准化后大于3和小于-3的数据作为无效数据删除，对删除无效数据后的数据集进行还原，得到Z-score标准化之前的数据作为待分析数据。通过四分位法求出各气体组分的第一故障告警阈值。依次对每个参量数据表中数据按从小到大排列，设某参量数据表中数据总数为n，用i表示第1个分位点0.25(n+1)的整数部分，用j表示其小数部分，x[i]为数组，i＝1,2,3,...，n，则第一个四分位数Q1＝(1-j)x[i]+jx[i+1]，求得第三个分位点0.75(n+1)对应的第三个四分位数Q3，计算四分位距IQR＝Q3-Q1，通过四分位距和第三个四分位点计算第一故障告警阈值a＝Q3+mIQR，0.3＜m＜0.5，m值的取值根据具体数据库确定，使得故障告警阈值不会超过数据表中的最高值。
在一些实施例中，将告警阈值数据库数据输入分位点算法模型，计算得到第二故障告警阈值。如图5所示，同样将告警阈值数据库中的数据按电压等级分类，对同一电压等级的数据，再按气体组分类别分为H2、CO、CO2、CH4、C2H4、C2H6、C2H2和总烃值8个参量数据表，依次判断参量数据表中的每个数据是否为0，若为0，将其存入数据库，记录所有数据值为0的数据的数量。若不为0，采用Z-score方法进行变换标准化处理，将标准化后大于3和小于-3的数据作为无效数据删除，对删除无效数据后的数据集进行还原，得到Z-score标准化之前的数据作为待分析数据，采用非参数检验对各气体参量分布形式拟合，获得分位点，根据之前0值数据的所占比例得到包括0值与非0值在内所有数据的分位点，该分位点的值即为第二告警阈值b。
如图6所示，通过四分位算法和分位点算法计算出第一故障告警阈值和第二故障告警阈值后，取第一故障告警阈值和第二故障告警阈值的平均值为故障告警阈值，故障告警阈值
Figure BDA0003858884260000081
步骤203：基于故障案例库确定多个目标算法模型，构建故障识别模块，其中，故障识别模块的最终识别结果由多个目标算法模型的初步识别结果确定。
在一些实施例中，获取变压器故障类型已确定的故障色谱数据，建立故障案例库，其中，所述故障色谱数据包括变压器油中溶解气体组分含量、电压等级及故障类型特征参量，故障案例库中的故障色谱数据可以通过文献调研或现场运行数据积累等方式获取，将故障案例库分为训练集和测试集，基于训练集训练多个候选算法模型。如图7所示，候选算法模型包括Fisher判别法、K邻近算法、逻辑回归算法、决策树、支持向量机、朴素贝叶斯分类、随机森林、三比值法等，对训练好的候选算法模型，通过测试集验证其故障分类误差率，按照故障分类误差率由低到高的顺序确定预设数量的多个目标算法模型，预设数量可以是1、2、3等小于等于上述算法总数的任意整数。同时，根据故障分类误差率的高低确定各目标算法模型的优先级，故障分类误差率越低的目标算法模型，其优先级越高。例如，取故障分类误差率最低的前5个候选算法模型为目标算法模型，则故障分类误差率最低的目标算法模型优先级1，其余目标算法模型按故障分类误差率由高到底排序，优先级依次为2、3、4和5。
计算多个目标算法模型的初步识别结果，将全部初步识别结果中占比量最高的识别结果确定为变压器故障告警模型训练方法的最终识别结果。当同时存在多个占比相同的初步识别结果时，则根据得到多个占比相同的初步识别结果的目标算法模型的优先级确定最终识别结果。
具体的，计算占比相同的识别结果所对应的目标识别算法的优先级数值之和，优先级数值之和最低的识别结果即为最终识别结果。例如，共有5个目标算法模型，其中存在2个目标算法模型的故障识别结果为m1，2个目标算法模型的故障识别结果为m2，1个目标算法模型的故障识别结果为m3，故障识别结果m1和故障识别结果m2在全部初步识别结果中均占比量最高，此时计算故障识别结果为m1的目标算法模型的优先级数值之和，其中一个目标算法优先级数值为1，另一个目标算法优先级数值为2，则故障识别结果为m1的目标算法模型的优先级数值之和为3；同时计算故障识别结果为m2的目标算法模型的优先级数值之和，其中一个目标算法优先级数值为3，另一个目标算法优先级数值为4，则故障识别结果为m2的目标算法模型的优先级数值之和为7，确定优先级数值之和最低的识别结果m1为最终识别结果。
上述变压器故障告警方法还包括：定期增加历史在线色谱数据与离线色谱数据数据，更新告警阈值数据库。基于更新后的告警阈值数据库，更新变压器故障告警模型的告警模块。
在一些实施例中，基于更新后的告警阈值数据库计算告警模块更新后的故障告警阈值。现场变压器油中溶解气体的色谱在线监测装置采集的在线色谱数据或者实验人员现场采样后在实验室测试的离线色谱数据存入特定位置进行保存，以备变压器故障告警模型定期进行数据提取。其中，离线色谱数据直接存入告警阈值数据库，在线色谱数据在完成异常值清洗后，录入告警阈值数据库。该定期更新时间可以是实时，一个月、一年等自设时间。
上述变压器故障告警方法还包括：输出变压器的故障类型并告警后，对故障色谱数据对应的故障变压器进行检修，获取故障变压器的实际故障类型和故障色谱数据，将实际故障类型和变压器的故障色谱数据关联后加入故障案例库。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例还提供了一种终端设备，参见图8，该终端设备800可以包括：至少一个处理器810、存储器820以及存储在所述存储器820中并可在所述至少一个处理器810上运行的计算机程序，所述处理器810执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤103，或图3所示实施例中的步骤201至203。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器820中，并由处理器810执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备800中的执行过程。
本领域技术人员可以理解，图8仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器810可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器820可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器820用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器820还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
本发明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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述变压器故障告警方法各个实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述变压器故障告警方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种变压器故障告警方法，其特征在于，包括：
获取变压器油中溶解气体在线监测装置上传的在线色谱数据；
判断所述在线色谱数据是否为有效色谱数据，若是，则将所述在线色谱数据输入经过训练的变压器故障告警模型中，其中，所述经过训练的变压器故障告警模型包括告警模块和故障识别模块；
通过所述告警模块判断所述输入的有效色谱数据是否为故障色谱数据，若所述在线色谱数据为故障色谱数据，则将所述在线色谱数据输入到所述故障识别模块，通过所述故障识别模块识别所述变压器的故障类型，输出所述变压器的故障类型并告警。
2.如权利要求1所述的变压器故障告警方法，其特征在于，所述判断所述在线色谱数据是否为有效色谱数据，包括：
判断所述在线色谱数据中的气体组分值和总烃值是否满足异常数据判定条件，若不满足异常数据判定条件，则判定所述在线色谱数据为有效色谱数据。
3.如权利要求1所述的变压器故障告警方法，其特征在于，在判断所述在线色谱数据是否为有效色谱数据，若是，则将所述在线色谱数据输入经过训练的变压器故障告警模型中，其中，所述经过训练的变压器故障告警模型包括告警模块和故障识别模块；通过所述告警模块判断所述输入的有效色谱数据是否为故障色谱数据，若是，则将所述在线色谱数据输入到所述故障识别模块，通过所述故障识别模块识别所述变压器的故障类型，输出所述变压器的故障类型并告警之前，所述变压器故障告警方法还包括：
获取历史在线色谱数据与离线色谱数据，建立告警阈值数据库；
基于所述告警阈值数据库，对所述告警模块进行训练，得到训练好的告警模块；所述训练好的告警模块中包含所述故障告警阈值；
获取变压器故障类型已确定的故障色谱数据，建立故障案例库，其中，所述故障色谱数据包括变压器油中溶解气体组分含量、电压等级及故障类型特征参量；
基于所述故障案例库确定多个目标算法模型，构建所述故障识别模块，其中，所述故障识别模块的最终识别结果由所述多个目标算法模型的初步识别结果确定。
4.如权利要求3所述的变压器故障告警方法，其特征在于，所述故障案例库包括训练集和测试集，所述基于所述故障案例库确定多个目标算法模型，包括：
基于所述训练集训练多个候选算法模型，通过所述测试集验证各个所述候选算法模型的故障分类误差率，按照故障分类误差率由低到高的顺序确定预设数量的目标算法模型及每个目标算法模型的优先级。
5.如权利要求1所述的变压器故障告警方法，其特征在于，所述故障识别模块包括多个目标算法模型；
所述故障识别模块的最终识别结果为所有所述目标算法模型的初步识别结果中占比最高的识别结果；
当同时存在多个占比相同的初步识别结果时，则根据得到所述多个占比相同的初步识别结果的目标算法模型的优先级确定最终识别结果。
6.如权利要求3所述的变压器故障告警方法，其特征在于，所述告警模块包括四分位算法模型和分位点算法模型；
所述基于所述告警阈值数据库，对所述告警模块进行训练，得到训练好的告警模块，包括：
将所述告警阈值数据库中的数据输入所述四分位算法模型，得到第一故障告警阈值；
将所述告警阈值数据库中的数据输入所述分位点算法模型，得到第二故障告警阈值；
取第一故障告警阈值和第二故障告警阈值的平均值作为所述故障告警阈值，得到训练好的告警模块。
7.如权利要求3所述的变压器故障告警方法，其特征在于，所述变压器故障告警方法还包括：
定期增加所述历史在线色谱数据与所述离线色谱数据，更新所述告警阈值数据库；
基于所述更新后的告警阈值数据库，对所述变压器故障告警模型的告警模块重新进行训练。
8.如权利要求7所述的变压器故障告警方法，其特征在于，所述变压器故障告警方法还包括：
输出所述变压器的故障类型并告警后，对所述故障色谱数据对应的故障变压器进行检修，获取所述故障变压器的实际故障类型，将所述实际故障类型和所述变压器的故障色谱数据关联后加入所述故障案例库；
基于所述更新后的故障案例库，对所述变压器故障识别模块重新进行训练。
9.一种终端设备，包括存储器和处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的变压器故障告警方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的变压器故障告警方法的步骤。
CN202211159367.9A 2022-09-22 2022-09-22 一种变压器故障告警方法、终端设备和计算机可读存储介质 Pending CN115494431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211159367.9A CN115494431A (zh) 2022-09-22 2022-09-22 一种变压器故障告警方法、终端设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211159367.9A CN115494431A (zh) 2022-09-22 2022-09-22 一种变压器故障告警方法、终端设备和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN115494431A true CN115494431A (zh) 2022-12-20

Family

ID=84469503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211159367.9A Pending CN115494431A (zh) 2022-09-22 2022-09-22 一种变压器故障告警方法、终端设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115494431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115951002A (zh) * 2023-03-10 2023-04-11 山东省计量科学研究院 一种气质联用仪故障检测装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115951002A (zh) * 2023-03-10 2023-04-11 山东省计量科学研究院 一种气质联用仪故障检测装置

Similar Documents

Publication Publication Date Title
CN113592019B (zh) 基于多模型融合的故障检测方法、装置、设备及介质
JP6871877B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN111277459A (zh) 一种设备异常检测方法、装置和机器可读存储介质
CN113391256B (zh) 一种现场作业终端的电能表计量故障分析方法及系统
CN113591393A (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
CN115392812B (zh) 一种异常根因定位方法、装置、设备及介质
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及系统
CN115689396A (zh) 污染物排放管控方法、装置、设备及介质
CN115494431A (zh) 一种变压器故障告警方法、终端设备和计算机可读存储介质
CN115222303A (zh) 基于大数据的行业风险数据分析方法、系统及存储介质
CN114356900A (zh) 一种电力数据异常检测方法、装置、设备及介质
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN118295842A (zh) 交易系统异常事件的数据处理方法、装置和服务器
CN117150233B (zh) 一种电网异常数据治理方法、系统、设备及介质
CN114139931A (zh) 企业数据评估方法、装置、计算机设备及存储介质
CN116680599A (zh) 运维故障的识别方法、装置、设备及可读存储介质
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN110688273B (zh) 分类模型的监控方法、装置、终端以及计算机存储介质
CN114928467A (zh) 一种网络安全运维关联分析方法及系统
CN115934393A (zh) 设备缺陷关联性分析方法、装置、计算机设备和存储介质
CN115358336A (zh) 用电异常检测方法、装置及电子设备
CN111861282A (zh) 一种环评结果评估方法、装置和计算机可读存储介质
CN111371594B (zh) 设备异常告警方法、装置及电子设备
CN112187555B (zh) 一种基于机器学习的实时kpi数据异常检测方法及装置

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