CN115982591A - 变压器健康状态的检测方法及装置、设备及存储介质 - Google Patents
变压器健康状态的检测方法及装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115982591A CN115982591A CN202211283117.6A CN202211283117A CN115982591A CN 115982591 A CN115982591 A CN 115982591A CN 202211283117 A CN202211283117 A CN 202211283117A CN 115982591 A CN115982591 A CN 115982591A
- Authority
- CN
- China
- Prior art keywords
- transformer
- state
- health
- data set
- similarity index
- 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
- 230000036541 health Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 2
- 238000009826 distribution Methods 0.000 abstract description 26
- 230000003862 health status Effects 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例公开了一种变压器健康状态的检测方法及装置、设备及存储介质，方法包括：确定用于反映变压器的在线实际运行情况的状态特征；利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定状态特征与健康状态特征的第一相似性指数，以及状态特征与故障状态特征的第二相似性指数；根据第一相似性指数以及第二相似性指数，确定用于反映变压器的健康程度的健康置信度。通过上述方式，可以对变压器的在线实际运行情况进行健康评估，并且通过状态特征与健康状态特征的相似性指数，以及状态特征与故障状态特征的相似性指数，确定变压器的健康置信度，实现了对配电变压器健康状态的综合判断。
Description
技术领域
本发明涉及电力安全技术领域，尤其涉及一种变压器健康状态的检测方法及装置、设备及存储介质。
背景技术
配电变压器是构成配电网的关键基础设备，对配电网的安全可靠运行起着至关重要的作用。配电变压器性能状态直接影响配电网的运行稳定性和对用户的供电可靠性。变压器一旦发生故障，可能会造成突发大面积停电，不仅影响企业正常生产，还会给人民生活带来不便，对国家经济效益和社会效益均造成严重危害。加强智能配电网的建设也对配电变压器的智能化与可靠性提出了更高要求。智能化的配电变压器应是计算机技术、电力电子技术、通信技术与变压器相关技术的不断融合结果。其智能化主要体现在良好的通信接口、信息管理、状态诊断与评估、运行数据监测和故障报警等功能，以及具有良好的自适应优化运行能力。
在数字化时代，充分利用人工智能领域的机器学习技术，以端到端的在线故障诊断自动学习从电力变压器各项监测数据构成的数据集到其健康状态之间的映射关系，获得非线性的学习模型，将能够为电力变压器的运行和维护朝着全面数字化和智能化的目标迈进奠定坚实的技术基础。
配电变压器健康状态评估是配电变压器数据感知技术中的关键内容之一，为配电变压器智能维护决策制定提供理论依据。目前，相比于油、气数据，振动信号较少应用于配电变压器健康状态评估，并且现有的健康状态评估方法多是基于试验数据、维护检修记录等历史信息开展的，较少涉及基于实时运行数据的配电变压器性能退化在线评估。
因此，缺少一种可在线评估变压器状态的方式。
发明内容
本发明的主要目的在于提供一种变压器健康状态的检测方法及装置、设备及存储介质，可以解决现有技术中的无法在线对变压器健康状态检测的问题。
为实现上述目的，本发明第一方面提供一种变压器健康状态的检测方法，所述方法包括：
确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
在一种可行实现方式中，所述确定变压器的状态特征，包括：
获取多属性振动信号传感器采集到的所述变压器的在线监测数据；
利用预设的奇异谱分析法对所述在线监测数据进行信号分解及特征提取处理，确定所述变压器的状态特征。
在一种可行实现方式中，所述健康置信度包括如下数学表达式：
式中，Q为变压器的健康置信度，Q∈[0,1]，Dx JS为第一相似性指数，Dy JS为第二相似性指数。
在一种可行实现方式中，所述JS散度算法包括如下数学表达式：
式中，Dx JS为第一相似性指数，Dy JS为第二相似性指数，
为变压器的状态特征，
为健康状态特征，
为故障状态特征。
在一种可行实现方式中，所述方法之前还包括：
获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
根据所述第一数据集以及所述第二数据集，确定多模态数据集；
利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征。
在一种可行实现方式中，所述根据所述第一数据集以及所述第二数据集，确定多模态数据集，包括：
利用预设的差分去噪算法对所述第一数据集以及所述第二数据集进行数据清洗处理，确定去噪后的第一数据集以及第二数据集；
对去噪后的第一数据集以及第二数据集进行异常值处理，得到所述多模态数据集。
为实现上述目的，本发明第二方面提供一种变压器健康状态的检测装置，所述装置包括：
第一状态特征确定模块：用于确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
相似性确定模块：用于利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
置信度确定模块：用于根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
在一种可行实现方式中，所述装置还包括：
数据集获取模块：用于获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
数据集确定模块：用于根据所述第一数据集以及所述第二数据集，确定多模态数据集；
第二状态特征确实模块：用于利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征。
为实现上述目的，本发明第三方面提供一种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，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
为实现上述目的，本发明第四方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如第一方面及任一可行实现方式所示步骤。
采用本发明实施例，具有如下有益效果：
本发明提供一种变压器健康状态的检测方法，方法包括：确定变压器的状态特征，状态特征用于反映变压器的在线实际运行情况；利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定状态特征与健康状态特征的第一相似性指数，以及状态特征与故障状态特征的第二相似性指数；根据第一相似性指数以及第二相似性指数，确定变压器的健康置信度，健康置信度用于反映变压器的健康程度。通过上述方式，可以对变压器的在线实际运行情况进行健康评估，并且通过状态特征与健康状态特征的相似性指数，以及状态特征与故障状态特征的相似性指数，确定变压器的健康置信度，实现了对配电变压器健康状态的综合判断。
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，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。
其中：
图1为本发明实施例中一种变压器健康状态的检测方法的流程图；
图2为本发明实施例中一种变压器健康状态的检测的另一流程图；
图3为本发明实施例中一种变压器健康状态的检测装置的结构框图；
图4为本发明实施例中计算机设备的结构框图。
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，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例中一种变压器健康状态的检测方法的流程图，如图1所示方法包括以下步骤：
101、确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
需要说明的是，为了实现变压器健康状态的检测，需要得到变压器的在线实际运行情况，所谓在线也即变压器运行时，本申请通过确定变压器的状态特征，以此知晓变压器的在线实际运行情况，其在线实际运行情况包括但不限于变压器运行时的各种电气参数的变化情况，在此不做限定。示例性的，状态特征可以通过采集变压器运行数据进行数据分析得出，在此不做限定。
102、利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
进一步的，确定变压器的状态特征后，便可以对该状态特征进行评估，评估其处于健康状态或故障状态，具体的，本申请利用预设的JS散度算法对状态特征进行相似度度量，将该状态特征分别与预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定状态特征与健康状态特征之间的第一相似性指数，以及状态特征与故障状态特征之间的第二相似性指数。其中，相似性指数用于反映特征之间的相似程度，结果越高相似程度越高，结果越低相似程度越低。其中，JS散度算法全称Jensen-Shannon散度，简称JS散度。
103、根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
得到上述相似性指数之后，可以利用第一相似性指数以及所述第二相似性指数对变压器的运行状态进行综合评估，提高健康状态检测的准确性，具体的根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，其中，健康置信度用于反映所述变压器的健康程度，健康置信度在0和1之间变化，越接近1表示配电变压器健康状态越好，反之越接近0表示配电变压器性能故障程度严重。根据计算出的在线监测数据状态特征与健康状态和故障状态特征的相异性度量，作为配电变压器性能故障诊断指数，以衡量变压器性能故障程度作为配电变压器健康置信度指标。
本发明提供一种变压器健康状态的检测方法，方法包括：确定变压器的状态特征，状态特征用于反映变压器的在线实际运行情况；利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定状态特征与健康状态特征的第一相似性指数，以及状态特征与故障状态特征的第二相似性指数；根据第一相似性指数以及第二相似性指数，确定变压器的健康置信度，健康置信度用于反映变压器的健康程度。通过上述方式，可以对变压器的在线实际运行情况进行健康评估，并且通过状态特征与健康状态特征的相似性指数，以及状态特征与故障状态特征的相似性指数，确定变压器的健康置信度，实现了对配电变压器健康状态的综合判断。
请参阅图2，图2为本发明实施例中一种变压器健康状态的检测的另一流程图，如图2所示方法包括如下步骤：
201、获取多属性振动信号传感器采集到的所述变压器的在线监测数据；
202、利用预设的奇异谱分析法对所述在线监测数据进行信号分解及特征提取处理，确定所述变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
需要说明的是，在本实施例中，为了提高变压器的运行状态确定的准确度，故在本申请中采用奇异谱分析法(SSA)确定变压器的运行状态，具体的，采用多属性振动信号传感器对变压器的振动信号进行实时的数据采集工作，通过获取多属性振动信号传感器采集到的所述变压器的在线监测数据，示例性的，电力变压器自身多属性振动信号传感器的在线监测数据采集，包括布置在配电变压器低压侧各相绕组对应箱壁的中部和底部的振动传感器获取不同状态条件下的采样数据。将不同的时间节点t采集的多传感器数据看作是电力变压器的一条观测记录，记为向量pt。对于每一台电力变压器，把它的整个观测时间段T内的数据级联起来，形成由短期观测记录和长期观测记录构成的数据PT＝{p1,p2,…pT}，就可获得实时在线监测数据集。进一步的，利用预设的奇异谱分析法对在线监测数据进行信号分解及特征提取处理，确定所述变压器的状态特征，基于电力变压器自身多属性振动信号传感器的在线监测数据，采用SSA分解方法提取在线监测实时数据的状态特征
203、利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
需要说明的是，步骤203的内容与图1所示步骤202的内容相似为避免重复此处不做赘述，具体可以参阅前述图1所示步骤202的内容。
示例性的，上述JS散度算法包括如下数学表达式：
式中，Dx JS为第一相似性指数，Dy JS为第二相似性指数，
为变压器的状态特征，
为健康状态特征，
为故障状态特征。
进一步的，为了确定健康状态特征以及故障状态特征，在进行上述方法之前，可以在离线过程中得到健康状态特征以及故障状态特征，也即上述方法之前还可以包括下述步骤A1至A3：
A1、获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
需要说明的是，通过变压器的历史数据可以提取出健康状态特征以及故障状态特征，进而，获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，其中，第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据，示例性的，健康状态的多属性振动信号传感器监测的历史时间序列数据包括布置在配电变压器低压侧各相绕组对应箱壁的中部和底部的振动传感器获取不同健康状态条件下的采样数据。将不同的时间节点t采集的多传感器数据看作是电力变压器的一条观测记录，记为向量xt。对于每一台电力变压器,把它的整个观测时间段T内的数据级联起来，形成由短期观测记录和长期观测记录构成的数据XT＝{x1,x2,…xT},就可获得带有健康状态标签的数据集；其中，第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据，示例性的，故障状态的多属性振动信号传感器监测的历史时间序列数据包括布置在配电变压器低压侧各相绕组对应箱壁的中部和底部的振动传感器获取不同故障状态条件下的采样数据(如绕组轴向变形和绕组径向变形等不同工况下的振动数据)；将不同的时间节点t采集的多传感器数据看作是电力变压器的一条观测记录，记为向量yt。对于每一台电力变压器,把它的整个观测时间段T内的数据级联起来，形成由短期观测记录和长期观测记录构成的数据YT＝{y1,y2,…yT},就可获得带有故障状态标签的数据集。
需要说明的是，对电力变压器的多属性传感数据涉及到干式变压器光纤温控器的线圈温度和铁芯温度测量,电气连接点光突变监测,局部放电监测，运行环境温度和湿度测量,变压器运行振动和地面振动监测,以及环境噪音监测,所有属性数据均是在相同的观测周期和时间点上获取的,从而形成有关电力变压器运行状况的时间序列数据,以此作为深度U-Net网络的输入,将获取的不同健康状态条件下的电力变压器自身及其环境的多属性传感器检测到的时间序列数据,形成带有健康状态标签的数据集。
A2、根据所述第一数据集以及所述第二数据集，确定多模态数据集；
进一步的，还需要对通过第一数据集以及第二数据集确定多模态数据集，示例性的，可以利用预设的差分去噪算法对第一数据集以及第二数据集进行数据清洗处理，以消除数据存在的噪声，确定去噪后的第一数据集以及第二数据集；对去噪后的第一数据集以及第二数据集进行异常值处理，得到多模态数据集。
A3、利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征。
得到上述多模态数据集之后，可以根据奇异谱分析法(也即SSA分解方法)分别对配电变压器正常状态与故障状态下的指标数据进行信号分解特征提取，构造分解后的特征向量，从而提取出正常状态与故障状态的长期趋势信号状态特征
204、根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
需要说明的是，步骤204的内容与图1所示步骤203的内容相似为避免重复此处不做赘述，具体可以参阅前述图1所示步骤203的内容。
示例性的，上述健康置信度包括如下数学表达式：
式中，Q为变压器的健康置信度，Q∈[0,1]，Dx JS为第一相似性指数，Dy JS为第二相似性指数。
本发明实施例中的一种变压器健康状态的检测方法，是一种基于变压器震动信号分解和检测的在线故障诊断方法，将振动信号应用于配电变压器健康状态评估，并且现有的健康状态评估方法多是基于试验数据、维护检修记录等历史信息开展的，较少涉及基于实时运行数据的配电变压器性能退化在线评估。以端到端的在线方式自动产生电力变压器健康状态评估学习模型，这种数据驱动的电力变压器健康状态评估方法有助于提高变压器健康状态评估的准确率,并降低对专业技术人员经验的依赖。
请参阅图3，图3为本发明实施例中一种变压器健康状态的检测装置的结构框图，如图3所示装置包括：
第一状态特征确定模块301：用于确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
相似性确定模块302：用于利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
置信度确定模块303：用于根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
需要说明的是，图3所示装置中各个模块的作用与图1所示方法中各个步骤的内容相似，为避免重复在此不做赘述具体可参阅上述图1所示方法中各个步骤的内容。
在一种可行实现方式中，所述装置还包括：
数据集获取模块：用于获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
数据集确定模块：用于根据所述第一数据集以及所述第二数据集，确定多模态数据集；
第二状态特征确实模块：用于利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征
需要说明的是，数据集获取模块、数据集确定模块以及第二状态特征确实模块的作用与图2所示方法中的步骤A1至A3的内容相似，为避免重复在此不做赘述具体可参阅上述图2所示方法中的步骤A1至A3的内容。
本发明提供一种变压器健康状态的检测装置，装置包括：第一状态特征确定模块：用于确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；相似性确定模块：用于利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；置信度确定模块：用于根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。通过上述方式，可以对变压器的在线实际运行情况进行健康评估，并且通过状态特征与健康状态特征的相似性指数，以及状态特征与故障状态特征的相似性指数，确定变压器的健康置信度，实现了对配电变压器健康状态的综合判断。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图4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，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如图1或图2所示方法的步骤。
在一个实施例中，提出了一种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，使得所述处理器执行如图1或图2所示方法的步骤。
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，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种变压器健康状态的检测方法，其特征在于，所述方法包括：
确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
2.根据权利要求1所述方法，其特征在于，所述确定变压器的状态特征，包括：
获取多属性振动信号传感器采集到的所述变压器的在线监测数据；
利用预设的奇异谱分析法对所述在线监测数据进行信号分解及特征提取处理，确定所述变压器的状态特征。
3.根据权利要求1所述方法，其特征在于，所述健康置信度包括如下数学表达式：
式中，Q为变压器的健康置信度，Q∈[0,1]，Dx JS为第一相似性指数，Dy JS为第二相似性指数。
4.根据权利要求1所述方法，其特征在于，所述JS散度算法包括如下数学表达式：
式中，Dx JS为第一相似性指数，Dy JS为第二相似性指数，
为变压器的状态特征，
为健康状态特征，
为故障状态特征。
5.根据权利要求1所述方法，其特征在于，所述方法之前还包括：
获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
根据所述第一数据集以及所述第二数据集，确定多模态数据集；
利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征。
6.根据权利要求5所述方法，其特征在于，所述根据所述第一数据集以及所述第二数据集，确定多模态数据集，包括：
利用预设的差分去噪算法对所述第一数据集以及所述第二数据集进行数据清洗处理，确定去噪后的第一数据集以及第二数据集；
对去噪后的第一数据集以及第二数据集进行异常值处理，得到所述多模态数据集。
7.一种变压器健康状态的检测装置，其特征在于，所述装置包括：
第一状态特征确定模块：用于确定变压器的状态特征，所述状态特征用于反映所述变压器的在线实际运行情况；
相似性确定模块：用于利用预设的JS散度算法、状态特征、预设的变压器的健康状态特征以及故障状态特征进行相似度度量，确定所述状态特征与健康状态特征的第一相似性指数，以及所述状态特征与故障状态特征的第二相似性指数；
置信度确定模块：用于根据所述第一相似性指数以及所述第二相似性指数，确定所述变压器的健康置信度，所述健康置信度用于反映所述变压器的健康程度。
8.根据权利要求7所述装置，其特征在于，所述装置还包括：
数据集获取模块：用于获取带有健康状态标签的第一数据集以及带有故障状态标签的第二数据集，所述第一数据集包括不同健康状态条件下电力变压器自身多属性振动信号传感器监测的第一历史时间序列数据；所述第二数据集包括不同故障状态条件下电力变压器自身多属性振动信号传感器监测的第二历史时间序列数据；
数据集确定模块：用于根据所述第一数据集以及所述第二数据集，确定多模态数据集；
第二状态特征确实模块：用于利用预设的奇异谱分析法对所述多模态数据集进行信号分解及特征提取处理，确定所述健康状态特征以及所述故障状态特征，所述健康状态特征以及所述故障状态特征均为长期趋势信号状态特征。
9.一种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，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283117.6A CN115982591A (zh) | 2022-10-19 | 2022-10-19 | 变压器健康状态的检测方法及装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211283117.6A CN115982591A (zh) | 2022-10-19 | 2022-10-19 | 变压器健康状态的检测方法及装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115982591A true CN115982591A (zh) | 2023-04-18 |
Family
ID=85965338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211283117.6A Pending CN115982591A (zh) | 2022-10-19 | 2022-10-19 | 变压器健康状态的检测方法及装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982591A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522167A (zh) * | 2023-06-28 | 2023-08-01 | 太原理工大学 | 煤矿巷道设备故障诊断方法、装置、存储介质及设备 |
-
2022
- 2022-10-19 CN CN202211283117.6A patent/CN115982591A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522167A (zh) * | 2023-06-28 | 2023-08-01 | 太原理工大学 | 煤矿巷道设备故障诊断方法、装置、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
| CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
| CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
| CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
| CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及系统 | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| Mharakurwa | In‐Service Power Transformer Life Time Prospects: Review and Prospects | |
| CN118330408A (zh) | 基于数据分析的电缆寿命智能预测方法及系统 | |
| CN114019422A (zh) | 基于ATT-BiLSTM的变压器故障监测系统 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN116452070A (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
| CN115085368A (zh) | 变压器健康状态监测方法、装置、计算机设备和存储介质 | |
| CN115208745A (zh) | 一种电力系统故障定位方法、装置及故障定位设备 | |
| CN114046816A (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN111337764A (zh) | 充电桩故障诊断系统、方法及存储介质 | |
| CN118503713B (zh) | 一种变压器振动预测方法 | |
| CN118071168B (zh) | 一种综合能源管理系统 | |
| CN118503886A (zh) | 一种电力信息处理设备的故障状态的预测方法及系统 | |
| CN118731548A (zh) | 新能源汽车充电机自动化测试系统 | |
| CN118157325A (zh) | 一种用于新能源电力的实时监测方法及系统 | |
| CN118783636A (zh) | 一种基于专变采集终端的电能质量评估方法及系统 |
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 |