CN115859810A - 一种干式变压器绕组温升异常诊断方法 - Google Patents
一种干式变压器绕组温升异常诊断方法 Download PDFInfo
- Publication number
- CN115859810A CN115859810A CN202211545827.1A CN202211545827A CN115859810A CN 115859810 A CN115859810 A CN 115859810A CN 202211545827 A CN202211545827 A CN 202211545827A CN 115859810 A CN115859810 A CN 115859810A
- Authority
- CN
- China
- Prior art keywords
- type transformer
- dry
- temperature rise
- phase
- winding
- 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
Links
Images
Landscapes
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种干式变压器绕组温升异常诊断方法，包括如下步骤：S1.构建干式变压器绕组温度动态模型；S2.根据所述干式变压器绕组温度动态模型获取干式变压器绕组的各相理论温升数据；S3.实时获取干式变压器绕组的各相实际温升数据；S4.根据所述各相实际温升数据与所述各相理论温升数据，诊断所述干式变压器绕组温升是否异常，若是，则输出异常诊断结果。本发明可以通过绕组温度动态模型精准预测干式变压器的理论绕组温度，结合实际温升数据与预设规则，精确的判断干式变压器温升异常的具体原因，以提醒工作人员基于此针对性的对干式变压器部件进行检测维修。
Description
技术领域
本发明涉及配电故障检测技术领域，特别是涉及一种干式变压器绕组温升异常诊断方法。
背景技术
干式变压器是一种非常重要的供配电设备，具有无污染、防火性能好、抗短路能力强等一系列优点，广泛应用于各种场合。干式变压器运行过程中会产生各种损耗，这些损耗转换为热能将使其绕组温度上升，当绕组温度达到设定值时，干式变压器采用强迫风冷的方式进行散热。若散热系统工作异常，干式变压器绕组内部过热，将加速绝缘材料老化，甚至因此而发生生产事故。由此可见，干式变压器散热系统工作状态的准确判断对于干式变压器的安全、高效运行具有重要影响。
现有干式变压器散热系统主要通过预埋在绕组内部的温度传感器测取温度信号，当绕组温度达到预设值时，系统自动启动风机进行冷却。但是这种方法却无法确定具体的诊断结果如：绕组风机是否积尘或运转正常、变压器柜体风扇是否运转正常。
因此，提供一种可以精准预测干式变压器绕组温度，并能以此诊断绕组温升是否正常，且能给出全面诊断结果的干式变压器绕组温升异常诊断方法是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种干式变压器绕组温升异常诊断方法，该方法逻辑清晰，安全、有效、可靠且操作简便，能精准预测干式变压器绕组温度，并以此诊断绕组温升是否正常，在绕组温升异常时给出全面的诊断结果。
基于以上目的，本发明提供的技术方案如下：
一种干式变压器绕组温升异常诊断方法，包括如下步骤：
S1.构建干式变压器绕组温度动态模型；
S2.根据所述干式变压器绕组温度动态模型获取干式变压器绕组的各相理论温升数据；
S3.实时获取干式变压器绕组的各相实际温升数据；
S4.根据所述各相实际温升数据与所述各相理论温升数据，诊断所述干式变压器绕组温升是否异常，若是，则输出异常诊断结果。
优选地，其特征在于，所述步骤S1包括如下步骤：
A1.获取干式变压器正常工作状态下的原始辨识数据；
A2.预处理所述原始辨识数据；
A3.构建初始干式变压器绕组温度模型；
A4.选取并初始化模型参数；
A5.向所述初始干式变压器绕组温度模型输入已预处理的原始辨识数据以获取预测输出序列；
A6.构造损失函数，更新所述模型参数以使得所述损失函数最小；
A7.重复步骤A4至A6以获取所述干式变压器绕组温度动态模型。
优选地，所述原始辨识数据具体为：预设时间内的低压侧绕组相电流均值、相电流谐波均值、绕组温度均值以及环境温度均值。
优选地，所述步骤A2包括如下步骤：
将所述原始辨识数据分为训练集和测试集；
归一化所述原始辨识数据。
优选地，所述初始干式变压器绕组温度模型包括：
干式变压器绕组温度ARX模型、LSTM模型和全连接层；
所述LSTM模型，用于拟合所述ARX模型的非线性回归系数；
所述全连接层，用于转换特征向量。
优选地，所述步骤A5包括如下步骤：
B1.将第一状态向量输入所述LSTM模型以获取特征向量；
B2.将所述特征向量转化为状态相依向量；
B3.根据所述状态相依向量与所述第二状态向量以获取预测输出序列；
B4.重复步骤B1至B3，根据所述训练集和所述测试集，获取若干个预测输出序列；
其中，所述第二状态向量包括：所述低压侧绕组相电流均值、所述相电流谐波均值和所述环境温度均值。
优选地，所述步骤A7具体为：
C1.根据若干个所述预测输出序列和变更所述模型参数获取若干个所述损失函数；
C2.根据若干个所述损失函数中最小值以及对应的所述模型参数获取所述干式变压器绕组温度动态模型。
优选地，
所述各相理论温升数据具体为：各相绕组温度的低压侧差值绝对值最大值、差值变化率最大值以及理论最大差值；
所述各相实际温升数据具体为：各相绕组温度的第一周期内低压侧模型差值、第一周期内方差值以及第一周期内差值变化率；
和各相绕组温度的第二周期内低压侧差值绝对值最大值以及第二周期内差值变化率最大值；
其中，所述第一周期为N个单位时间，第二周期为N+1个单位时间。
优选地，所述步骤S4还包括：若否，则更新各相绕组温度的所述低压侧差值绝对值最大值和所述差值变化率最大值。
优选地，所述步骤S4具体为：
D11.若各相实际温升数据大于各相理论温升数据正值，则根据预设规则输出各相绕组温度传感器故障；
D12.若各相实际温升数据小于各相理论温升数据负值，则根据所述预设规则输出各相绕组风扇运转异常或柜体风扇异常或各相绕组风扇运转异常及柜体风扇异常。
本发明所公开的干式变压器绕组温升异常诊断方法，是针对干式变压器绕组温度的关键影响因素，构建一种绕组温度动态模型，通过该动态模型更精准的获取干式变压器绕组温度的理论温升数据；同时，实时获取干式变压器绕组的实际温升数据，结合理论温升数据，判断干式变压器绕组的温升情况是否异常，如果异常，则通过理论温升数据和实际温升数据计算得出具体的异常原因，全面的输出异常诊断结果。相比于现有技术，本发明可以通过绕组温度动态模型精准预测干式变压器的理论绕组温度，结合实际温升数据与预设规则，精确的判断干式变压器温升异常的具体原因，以提醒工作人员基于此针对性的对干式变压器部件进行检测维修。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的一些实施例，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为本发明实施例提供的一种干式变压器绕组温升异常诊断方法流程图；
图2为本发明实施例提供的步骤S1的流程图；
图3为本发明实施例提供的干式变压器绕组温度动态特性模型的结构示意图；
图4为本发明实施例提供的步骤A5的流程图；
图5为本发明实施例提供的步骤A7的流程图
图6为本发明实施例提供的步骤S4的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例采用递进的方式撰写。
本发明实施例提供了一种干式变压器绕组温升异常诊断方法。主要解决现有技术中，所预测的干式变压器的绕组温度不准确，导致得出的温升异常的诊断结果不精确的技术问题。
一种干式变压器绕组温升异常诊断方法，包括如下步骤：
S1.构建干式变压器绕组温度动态模型；
S2.根据干式变压器绕组温度动态模型获取干式变压器绕组的各相理论温升数据；
S3.实时获取干式变压器绕组的各相实际温升数据；
S4.根据各相实际温升数据与各相理论温升数据，诊断干式变压器绕组温升是否异常，若是，则输出异常诊断结果。
需要说明的是，本实施例中，所采用的干式变压器为三相绕组式，各相绕组所建立的绕组温度动态模型的步骤一致。
步骤S1中，针对干式变压器绕组温度的关键影响因素，，构件绕组温度动态模型；
步骤S2中，通过已构建的绕组温度动态模型获取绕组的各相理论温升数据；
步骤S3中，实时获取绕组的各相实际温升数据；
步骤S4中，根据绕组的各相理论温升数据和各相实际温升数据进行判断干式变压器绕组温升是否异常，如异常，则进一步诊断异常原因，输出异常诊断结果。
优选地，其特征在于，步骤S1包括如下步骤：
A1.获取干式变压器正常工作状态下的原始辨识数据；
A2.预处理原始辨识数据；
A3.构建初始干式变压器绕组温度模型；
A4.选取并初始化模型参数；
A5.向初始干式变压器绕组温度模型输入已预处理的原始辨识数据以获取预测输出序列；
A6.构造损失函数，更新模型参数以使得损失函数最小；；
A7.重复步骤A4至A6以获取干式变压器绕组温度动态模型。
需要说明的是，以任一相绕组为例，构建干式变压器绕组温度动态模型可大致分为：数据收集处理、设计模型结构、选取并初始化模型参数、前向运算、更新模型参数、优化筛选出最优的绕组温度动态模型。
步骤A1中，通过采集装置获取干式变压器正常状态下的原始辨识数据；在本实施例中，设定数据采样周期为1秒，采集连续一周干式变压器正常工作状态下的原始辨识数据，对大量数据精简后得到原始辨识数据；
步骤A2中，对原始辨识数据进行预处理，使原始辨识数据转换为可以输入至模型中的格式；
步骤A3中，构建初始干式变压器绕组温度模型，由于该模型为初始模型，还需输入原始辨识数据以进行优化；
步骤A4中，选取模型参数并对模型参数初始化；
步骤A5中，向初始绕组温度动态模型中输入已预处理的原始辨识数据从而获取预测输出序列；
步骤A6中，构造损失函数，更新步骤A4中的模型参数以使得损失函数值最小；
步骤A7中，重复步骤A4至A6的过程即对初始绕组不断优化的过程，最终得到干式变压器绕组温度动态模型。
优选地，原始辨识数据具体为：预设时间内的低压侧绕组相电流均值、相电流谐波均值、绕组温度均值以及环境温度均值。
实际运用过程中，原始辨识数据具体为预设时间内的低压侧绕组相电流均值、相电流谐波均值、绕组温度均值以及环境温度均值；为了减小负荷波动大对建模的影响，提取了采样数据的统计特征，以连续5分钟的相应数据作为绕组温度动态模型的原始辨识数据。
优选地，步骤A2包括如下步骤：
将原始辨识数据分为训练集和测试集；
归一化原始辨识数据。
实际运用过程中，将原始辨识数据以8:2的比例分为训练集和测试集，训练集用于辨识模型参数，测试集用来进行模型测试；
随后对原始辨识数据进行归一化处理；在本实施例中，为了保证结果的可靠性，本发明利用最大最小值方法对辨识数据进行标准化处理，将数据全部转换到[0,1]之间，转换公式如下：
其中y为归一化后的数据，x为模型的原始辨识数据，xmax、xmin分别为相电流、相电流谐波、绕组温度以及环境温度的最大值和最小值。
优选地，初始干式变压器绕组温度模型包括：
干式变压器绕组温度ARX模型、LSTM模型和全连接层；
LSTM模型，用于拟合ARX模型的非线性回归系数；
全连接层，用于转换特征向量。
实际运用过程中，如图3所示，建立绕组温度ARX模型、LSTM模型以及用于转换特征向量的全连接层，LSTM模型，用于拟合ARX模型的非线性回归系数。
需要说明的是，有源自回归(Auto-Regressive with Extra Inputs，ARX)模型是一种时间序列的分析方法，其模型参数凝聚了系统状态的重要信息，准确的ARX模型能深刻、集中地表达系统的运行规律；
长短期记忆模型(long-short term memory)是一种特殊的RNN模型，是为了解决RNN模型梯度弥散的问题而提出的；在传统的RNN中，训练算法使用的是BPTT，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆，因此LSTM模型被提出。
优选地，步骤A5包括如下步骤：
B1.将第一状态向量输入LSTM模型以获取特征向量；
B2.将特征向量转化为状态相依向量；
B3.根据状态相依向量与第二状态向量以获取预测输出序列；
B4.重复步骤B1至B3，根据训练集和测试集，获取若干个预测输出序列；
其中，第二状态向量包括：低压侧绕组相电流均值、相电流谐波均值和环境温度均值。
步骤B1至B3中，在本实施例中，首先将状态向量x(t-1)作为m层LSTM网络的输入，经过LSTM网络计算得到特征向量，再由全连接层将特征向量转化为状态相依向量，将该状态相依向量作为ARX模型的参数(即状态相依向量实际上为ARX系数)，此时与ARX模型的输入a(t-1)一起输入ARX模型，最终得到绕组温度的理论预测值。该模型中将绕组温度作为ARX模型输出，将低压侧绕组相电流、相电流谐波、环境温度作为ARX模型输入，其模型结构可以表示为：
其中：t为辨识数据的采样周期；u(t)＝[u1(t)u2(t)u3(t)]T为系统辨识数据采样时刻输入即相电流均值、相电流谐波均值、环境温度均值；y(t)＝y1(t)为系统辨识数据采样时刻输出即绕组温度的均值；E(t)为高斯白噪声信号；p、q分别为模型输出、输入的阶次；Φ0、Aj、Bj为系数矩阵，由状态向量x(t-1)经LSTM网络计算所得；θ为模型LSTM端输出的状态相依系数向量，
为第m层LSTM网络第T时间步的特征向量，Wfc,bfc为全连接层的权重和偏置，/>
为全连接层的激活函数。
需要说明的是，确定该模型后，步骤A4在本实施例中具体为：选择LSTM中串联层数、各层输出维度、ARX模型输出变量阶次、输入变量阶次、状态向量阶次T等，并初始化上述模型参数。
步骤B4在本实施例中具体为：将训练集和测试集输入至该模型中，从而获取若干个预测输出序列；在本实施例中，将训练集和测试集按确定的结构构造LSTM的输入、ARX的输入以及模型输出,并且前向计算得到LSTM端的输出即ARX模型的系数，继续将该输出向量与ARX端输入的进行乘法运算，可得到若干个预测输出序列。
步骤A6在本实施例中具体为：构造损失函数E，通过反向传播算法不断更新模型的参数直到损失函数最小，获得最终模型。E公式如下：
其中E表示预测值与实际值的均方误差，N表示训练样本个数。
优选地，步骤A7具体为：
C1.根据若干个预测输出序列和变更模型参数获取若干个损失函数；
C2.根据若干个损失函数中最小值以及对应的模型参数获取干式变压器绕组温度动态模型。
实际运用过程中，重复步骤A4至A6，遍历完所有模型结构后，比较不同结构下的损失函数值大小，综合考虑模型结构复杂度与实时计算要求，选取损失函数值最小的模型结构与模型参数作为最终的模型。
优选地，
各相理论温升数据具体为：各相绕组温度的低压侧差值绝对值最大值、差值变化率最大值以及理论最大差值；
各相实际温升数据具体为：各相绕组温度的第一周期内低压侧模型差值、第一周期内方差值以及第一周期内差值变化率；
和各相绕组温度的第二周期内低压侧差值绝对值最大值以及第二周期内差值变化率最大值；
其中，第一周期为N个单位时间，第二周期为N+1个单位时间。
实际运用过程中，获取上述数据的方法具体为：在干式变压器绕组温度动态特性模型建模数据收集处理阶段，按采样频率1分钟每次，计算求得干式变压器低压侧各相绕组温度差值绝对值最大值TABmax-s、TACmax-s、TBCmax-s，差值变化率的最大值TABVmax-s、TACVmax-s、TBCVmax-s，同时利用最终模型结构和参数获得最优输出序列，与模型实际输出序列做差运算，获得各相绕组温度理论最大差值TDAmax-s、TDBmax-s、TDCmax-s,将这些数据作为后续绕组温升异常诊断过程的初始判断阈值。
系统实时采集干式变压器低压侧各相绕组相电流、相电流谐波、绕组温度以及环境温度，设定数据采样频率为1秒每次。连续采集数据，每5分钟，计算该时间段内各相绕组相电流均值、相电流谐波均值、绕组温度均值以及环境温度均值。并且建立1小时滑动移动窗口，窗口中数据采样频率为1分钟每次。
当达到模型结构所需数据量时，设第N个5分钟(即第一周期)采集完成时，进入模型预测，计算出模型预测与理论值之差TDAmax-c、TDBmax-c、TDCmax-c。同时计算第N个5分钟内各相绕组温度的方差SA，SB，SC，，以及各相绕组温度差值绝对值TABi，TACi，TBCi，及差值变化率的最大值TABVi，TACVi，TBCVi，这里i范围是1到5。
滑动移动窗口使窗口前进5分钟覆盖第N个5分钟数据(即第二周期)，计算该滑动移动窗口内各相绕组温度差值绝对值最大值TABmax-h，TACmax-h，TBCmax-h，及差值变化率的最大值TABVmax-h，TACVmax-h，TBCVmax-h。
优选地，步骤S4还包括：若否，则更新各相绕组温度的低压侧差值绝对值最大值和差值变化率最大值。
实际运用过程中，在本实施例中，当-TDAmax-s≤TDAmax-c≤TDAmax-s、-TDBmax-s≤TDBmax-c≤TDBmax-s、-TDCmax-s≤TDCmax-c≤TDCmax-s，表示各相绕组温升正常，此时可进行阈值更新，阈值更新方法如下：
如果TABmax-h>TABmax-s，则TABmax-s＝TABmax-h，否则TABmax-s不变；
如果TACmax-h>TACmax-s，则TACmax-s＝TACmax-h，否则TACmax-s不变；
如果TBCmax-h>TBCmax-s，则TBCmax-s＝TBCmax-h，否则TBCmax-s不变；
如果TABVmax-h>TABVmax-s，则TABVmax-s＝TABVmax-h，否则TABVmax-s不变；
如果TACVmax-h>TACVmax-s，则TACVmax-s＝TACVmax-h，否则TACVmax-s不变；
如果TBCVmax-h>TBCVmax-s，则TBCVmax-s＝TBCVmax-h，否则TBCVmax-s不变；
优选地，步骤S4具体为：
D11.若各相实际温升数据大于各相理论温升数据正值，则根据预设规则输出各相绕组温度传感器故障；
D12.若各相实际温升数据小于各相理论温升数据负值，则根据预设规则输出各相绕组风扇运转异常或柜体风扇异常或各相绕组风扇运转异常及柜体风扇异常。
实际运用过程中，步骤D11具体为：当TDAmax-c>TDAmax-s，表示A相绕组模型实际温升大于理论温升正值，此时如果SA≤A，A是一个足够小的经验阈值，且TABi至少有一个大于TABmax-s、TACi至少有一个大于TACmax-s、TBCi都小于TBCmax-s，则判断温升异常原因为A相绕组温度传感器故障或安装位置出现移动；
步骤D12具体为：当TDAmax-c<-TDAmax-s，表示A相绕组模型实际温升小于理论温升负值，此时如果TABi至少有一个大于TABmax-s、TACii至少有一个大于TACmax-s、TBCi都小于TBCmax-s、TBCVi都小于TBCVmax-s，则判断温升异常原因为A相绕组风扇运转不正常或积尘；如果TABi都小于TABmax-s、TACi都小于TACmax-s、TBCi都小于TBCmax-s、TABVi至少有一个大于TABVmax-s、TACVii至少有一个大于TACVmax-s、TBCVi至少有一个大于TBCVmax-s，则判断温升异常原因为柜体风扇运行不正常；如果TABi至少有一个大于TABmax-s、TACi至少有一个大于TACmax-s、TBCi都小于TBCmax-s、TABVi至少有一个大于TABVmax-s、TACVii至少有一个大于TACVmax-s、TBCVi至少有一个大于TBCVmax-s，则判断温升异常原因为A相绕组风扇运转不正常或积尘，同时柜体风扇运行不正常。
需要说明的是，A相绕组温升异常判断方法如上，由于各相绕组所建立的绕组温度动态模型的步骤一致，因此，与A相相同的B相和C相也采用相同的方式进行判断，最终可以更精准、更全面的诊断出干式变压器中哪一相发生了温升故障以及故障的具体原因后，输出诊断结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令及相关的硬件来完成，前述的程序指令可以存储于计算机可读取存储介质中，该程序指令在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
应当理解，本申请中如若使用了“系统”、“装置”、“单元”和/或“模块”，仅是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换该词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。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、商品或者设备中还存在另外的相同要素。
本申请中如若使用了流程图，则该流程图是用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以上对本发明所提供的一种干式变压器绕组温升异常诊断方法进行了详细介绍。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种干式变压器绕组温升异常诊断方法，其特征在于，包括如下步骤：
S1.构建干式变压器绕组温度动态模型；
S2.根据所述干式变压器绕组温度动态模型获取干式变压器绕组的各相理论温升数据；
S3.实时获取干式变压器绕组的各相实际温升数据；
S4.根据所述各相实际温升数据与所述各相理论温升数据，诊断所述干式变压器绕组温升是否异常，若是，则输出异常诊断结果。
2.如权利要求1所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤S1包括如下步骤：
A1.获取干式变压器正常工作状态下的原始辨识数据；
A2.预处理所述原始辨识数据；
A3.构建初始干式变压器绕组温度模型；
A4.选取并初始化模型参数；
A5.向所述初始干式变压器绕组温度模型输入已预处理的原始辨识数据以获取预测输出序列；
A6.构造损失函数，更新所述模型参数以使得所述损失函数最小；
A7.重复步骤A4至A6以获取所述干式变压器绕组温度动态模型。
3.如权利要求2所述的干式变压器绕组温升异常诊断方法，其特征在于，所述原始辨识数据具体为：预设时间内的低压侧绕组相电流均值、相电流谐波均值、绕组温度均值以及环境温度均值。
4.如权利要求3所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤A2包括如下步骤：
将所述原始辨识数据分为训练集和测试集；
归一化所述原始辨识数据。
5.如权利要求4所述的干式变压器绕组温升异常诊断方法，其特征在于，所述初始干式变压器绕组温度模型包括：
干式变压器绕组温度ARX模型、LSTM模型和全连接层；
所述LSTM模型，用于拟合所述ARX模型的非线性回归系数；
所述全连接层，用于转换特征向量。
6.如权利要求5所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤A5包括如下步骤：
B1.将第一状态向量输入所述LSTM模型以获取特征向量；
B2.将所述特征向量转化为状态相依向量；
B3.根据所述状态相依向量与所述第二状态向量以获取预测输出序列；
B4.重复步骤B1至B3，根据所述训练集和所述测试集，，获取若干个预测输出序列；
其中，所述第二状态向量包括：所述低压侧绕组相电流均值、所述相电流谐波均值和所述环境温度均值。
7.如权利要求6所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤A7具体为：
C1.根据若干个所述预测输出序列和变更所述模型参数获取若干个所述损失函数；
C2.根据若干个所述损失函数中最小值以及对应的所述模型参数获取所述干式变压器绕组温度动态模型。
8.如权利要求7所述的干式变压器绕组温升异常诊断方法，其特征在于，
所述各相理论温升数据具体为：各相绕组温度的低压侧差值绝对值最大值、差值变化率最大值以及理论最大差值；
所述各相实际温升数据具体为：各相绕组温度的第一周期内低压侧模型差值、第一周期内方差值以及第一周期内差值变化率；
和各相绕组温度的第二周期内低压侧差值绝对值最大值以及第二周期内差值变化率最大值；
其中，所述第一周期为N个单位时间，第二周期为N+1个单位时间。
9.如权利要求8所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤S4还包括：若否，则更新各相绕组温度的所述低压侧差值绝对值最大值和所述差值变化率最大值。
10.如权利要求9所述的干式变压器绕组温升异常诊断方法，其特征在于，所述步骤S4具体为：
D11.若各相实际温升数据大于各相理论温升数据正值，则根据预设规则输出各相绕组温度传感器故障；
D12.若各相实际温升数据小于各相理论温升数据负值，则根据所述预设规则输出各相绕组风扇运转异常或柜体风扇异常或各相绕组风扇运转异常及柜体风扇异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211545827.1A CN115859810A (zh) | 2022-12-02 | 2022-12-02 | 一种干式变压器绕组温升异常诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211545827.1A CN115859810A (zh) | 2022-12-02 | 2022-12-02 | 一种干式变压器绕组温升异常诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115859810A true CN115859810A (zh) | 2023-03-28 |
Family
ID=85669720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211545827.1A Pending CN115859810A (zh) | 2022-12-02 | 2022-12-02 | 一种干式变压器绕组温升异常诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115859810A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116760196A (zh) * | 2023-08-22 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 一种移动箱变车的控制方法、装置及移动箱变车 |
| CN117824854A (zh) * | 2023-06-12 | 2024-04-05 | 国网上海市电力公司 | 变压器本体的温升异常预警方法及装置 |
-
2022
- 2022-12-02 CN CN202211545827.1A patent/CN115859810A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117824854A (zh) * | 2023-06-12 | 2024-04-05 | 国网上海市电力公司 | 变压器本体的温升异常预警方法及装置 |
| CN116760196A (zh) * | 2023-08-22 | 2023-09-15 | 国网浙江省电力有限公司宁波供电公司 | 一种移动箱变车的控制方法、装置及移动箱变车 |
| CN116760196B (zh) * | 2023-08-22 | 2023-12-26 | 国网浙江省电力有限公司宁波供电公司 | 一种移动箱变车的控制方法、装置及移动箱变车 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115859810A (zh) | 一种干式变压器绕组温升异常诊断方法 | |
| KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
| US7577548B1 (en) | Integrated framework for diagnosis and prognosis of components | |
| RU2626231C1 (ru) | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| JP2007123007A (ja) | 燃料電池システムの診断方法および診断装置 | |
| CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
| CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN111209934A (zh) | 风机故障预报警方法及系统 | |
| CN112433907A (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
| CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
| CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
| CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
| CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| Shim et al. | Unsupervised anomaly detection for electric drives based on variational auto-encoder | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| TWI386653B (zh) | 動力設備耗能診斷方法 | |
| CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 |
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 |