CN116484267A - 变压器故障特征提取、判定方法、计算机设备和存储介质 - Google Patents
变压器故障特征提取、判定方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116484267A CN116484267A CN202310729731.9A CN202310729731A CN116484267A CN 116484267 A CN116484267 A CN 116484267A CN 202310729731 A CN202310729731 A CN 202310729731A CN 116484267 A CN116484267 A CN 116484267A
- Authority
- CN
- China
- Prior art keywords
- vibration
- transformer
- fault
- preset
- judging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 230000005284 excitation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004804 winding Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101150073669 NCAN gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Protection Of Transformers (AREA)
Abstract
本申请提供了一种变压器故障特征提取、判定方法、计算机设备和存储介质。该提取方法包括:获取预设时长的目标变压器的振动信号;对振动信号按照预设周期进行分段,得到多个分段振动信号;预设周期与目标变压器的激励信号的周期相同;对于任意一个分段振动信号,识别分段振动信号中的多个波峰,并获取各波峰的峰值,对峰值按照由大到小的顺序进行排列;将各分段振动信号中排位相同的峰值进行组合,得到多个峰值序列;计算各峰值序列对应的波动性参数,并根据各波动性参数得到目标变压器的振动故障特征。该方法对电力系统影响小,且简便易于实现,计算复杂度低,计算速度快,对硬件要求低。
Description
技术领域
本申请涉及变压器故障诊断技术领域,尤其涉及一种变压器故障特征提取、判定方法、计算机设备和存储介质。
背景技术
大型电力变压器通常被认为是电力系统中最重要的设备之一,这是由于其具有高昂的成本,且在维护电力系统可靠性方面发挥着至关重要的作用。运行中的变压器一旦出现故障,则具有极大的潜在危险性,可能出现的爆炸,火灾和绝缘油泄露等状况会对人身安全和周围环境造成极大的威胁,且维修与替换的成本高昂,将会导致严重的财产损失和不良的社会影响。因此对其运行状态的持续性监测十分重要的现实意义。
现阶段对电力交流变压器振动研究已形成大量特征提取方法及故障监测技术。从变压器稳态振动信号中获取可有效反映结构状态的特征量是振动分析法中至关重要的环节,也是振动分析法在变压器状态监测与故障诊断中的主要研究方向,主要包括和频谱复杂度、时频分析方法和非线性动力学方法相关的不同技术路线。但上述变压器振动特征,均极易受负载变化及电压波动等工况变化的影响,不利于对变压器振动故障的判断。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中难以提取参考价值高的变压器故障特征的问题。
第一方面,本申请提供了一种变压器故障特征提取方法,包括:
获取预设时长的目标变压器的振动信号;
对振动信号按照预设周期进行分段,得到多个分段振动信号;预设周期与目标变压器的激励信号的周期相同;
对于任意一个分段振动信号,识别分段振动信号中的多个波峰,并获取各波峰的峰值,对峰值按照由大到小的顺序进行排列;
将各分段振动信号中排位相同的峰值进行组合,得到多个峰值序列;
计算各峰值序列对应的波动性参数,并根据各波动性参数得到目标变压器的振动故障特征。
在其中一个实施例中,在计算各峰值序列对应的波动性参数之前,还包括:
将峰值序列中排位在预设排名之后的峰值序列过滤。
在其中一个实施例中,波动性参数包括方差、标准差或离散系数。
在其中一个实施例中,若波动性参数为标准差,则根据各波动性参数得到目标变压器的振动故障特征,包括:
确定振动信号的有效值;
计算各标准差的平均值,得到平均标准差;
根据平均标准差与有效值的比,得到振动故障特征。
第二方面,本申请实施例提供了一种变压器故障判定方法,包括:
在判定周期内,每间隔预设间隔获取目标变压器的振动故障特征;振动故障特征由上述任一实施例中的变压器故障特征提取方法得到;
根据各振动故障特征,判断目标变压器是否存在故障。
在其中一个实施例中,根据各振动故障特征,判断目标变压器是否存在故障,包括:
对判定周期内各振动故障特征进行统计学处理,得到综合判定参数;
在综合判定参数超过预设阈值的情况下,判定目标变压器出现故障。
在其中一个实施例中,目标变压器的振动采集位置设置有多个振动传感器,振动传感器用于采集振动信号,每间隔预设间隔获取目标变压器的振动故障特征,包括:
每间隔预设间隔,分别基于各振动传感器输出的振动信号得到与各振动传感器对应的振动故障特征;
根据各振动故障特征,判断目标变压器是否存在故障,包括:
对于任意一个振动传感器,对判定周期内该振动传感器对应的各振动故障特征进行统计学处理,得到该振动传感器对应的综合判定参数;
在预设数量以上的振动传感器对应的综合判定参数均大于预设阈值的情况下,判定目标变压器出现故障。
在其中一个实施例中,振动采集位置为目标变压器油箱表面正对目标变压器的绕组处。
第三方面,本申请实施例提供了一种计算机设备,包括一个或多个处理器,以及存储器,存储器中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,执行上述任一实施例中的变压器故障特征提取方法或变压器故障判定方法的步骤。
第四方面,本申请实施例提供了一种存储介质,存储介质中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例中的变压器故障特征提取方法或变压器故障判定方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
基于上述任一实施例,采集足够短时间内目标变压器振动信号,并对振动信号根据变压器的激励信号对应的周期进行分段,再识别各分段信号中的波峰,将同阶的波峰的峰值组成峰值序列,最后根据各峰值序列计算波动性参数,根据各波动性参数得到振动故障特征。该方法与变压器无任何电气连接,对整个电力系统的运行影响很小。并且其计算复杂度低、计算速度快、计算可靠性高以及对硬件要求低。
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性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请一个实施例提供的变压器故障特征提取方法的流程示意图;
图2为本申请一个实施例中变压器的振动信号示意图;
图3为本申请一个实施例提供的变压器故障判定方法的流程示意图;
图4为本申请另一个实施例提供的变压器故障判定方法的流程示意图;
图5为本申请一个实施例提供的计算机设备的内部结构图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
请参阅图1,本申请提供了一种变压器故障特征提取方法,包括步骤S102至步骤S110。
S102,获取预设时长的目标变压器的振动信号。
可以理解,这里的预设时长应足够小下,即应满足变压器系统的所有输入的波动可忽略,这里的输入包括对变压器系统的振动信号存在影响的因子,例如变压器的负载、激励信号等。当预设时长满足上述条件时,振动信号的稳定性将完全由变压器系统本身的稳定性决定,不受其他输入波动的影响。因此,通过度量极短时振动输出信号的稳定性反映变压器结构状态,是一种兼具有效性与鲁棒性的新路径。
S104,对振动信号按照预设周期进行分段,得到多个分段振动信号。
预设周期与目标变压器的激励信号的周期相同。变压器即可视为一个在电信号的激励下工作的系统。信号的周期与频率之间是倒数关系,而电力系统中,输入变压器的信号的频率即为电网的频率。因此,预设周期可根据电网的基频进行设置。例如,电网的基频为50Hz,则预设周期即为0.02s。由于振动信号是足够小的时间宽度内采集的,激励信号自身的波动可忽略不计,且激励信号也是周期信号。因此,各个周期的电激励信号可视为相同。请参阅图2,图2最上部的曲线即代表预设时长内的激励信号,而中部的曲线代表目标变压器没有出现异常振动时的振动信号,最下部的曲线即代表出现异常振动时振动信号。由图可见,在目标变压器没有出现异常振动时,各个分段振动信号也应保持相同。但当目标变压器出现异常振动时,将会导致各个分段振动信号产生差异。
S106,对于任意一个分段振动信号,识别分段振动信号中的多个波峰,并获取各波峰的峰值,对峰值按照由大到小的顺序进行排列。
为了确定各个分段振动信号之间是否存在差异,本申请选择可较好反映分段振动信号情况数据点作为参考,即分段振动信号中波峰的峰值。而如图2所示,每个分段振动信号中存在多个波峰,可通过相应的算法将每个分段振动信号中的所有波峰均识别出来,并获取波峰的峰值。波峰识别方法可以是通过检测分段振动信号中的过零点,再以两个过零点之间的最大值对应的数据点为波峰。还可利用求导法、比较判别法等,本实施例中不做限定。
S108,将各分段振动信号中排位相同的峰值进行组合,得到多个峰值序列。
可以理解,步骤S106中对峰值进行了由大到小进行了排序,将每个分段振动信号中排位相同的峰值聚合在一起,即形成了与各排位一一对应的多个峰值序列。假设分段振动信号的数量为N,则排位第j高的峰值对应的峰值序列可表示为:
;
式中,VP j 即代表第j高的峰值对应的峰值序列,VP i,j 则代表第i个分段振动信号中排位第j高的波峰的峰值,N代表分段振动信号的数量。N可以由预设时长与预设周期之间的比得到。
S110,计算各峰值序列对应的波动性参数,并根据各波动性参数得到目标变压器的振动故障特征。
可以理解,波动性参数即为可以反映峰值序列中的各元素的波动性大小的统计学参数。由上述说明可知,在变压器系统出现异常振动时,会体现在各分段振动信号的幅值上,导致各分段振动信号相同位置的波峰峰值出现不同。振动程度越剧烈,波动就越大。因此,综合各峰值序列对应的波动性参数所得到的振动故障特征,可用于确定各分段振动信号每个相同的波峰位置的峰值总波动大小,以体现变压器是否出现振动故障。
在其中一个实施例中,在计算各峰值序列对应的波动性参数之前,还包括:将峰值序列中排位在预设排名之后的峰值序列过滤。
可以理解,在组合峰值序列时,组成峰值序列的峰值在其所在的分段振动信号中都具有相同的高度排位,则峰值序列也可沿用其内元素的排位。由于排位靠后的峰值序列内的峰值较小,其波动难以确实是由振动引起的还是测量等误差波动引起的。因此,在计算振动故障特征之前,将预设排名之后的峰值序列过滤,提高检测精度。
基于本实施例中的变压器故障特征提取方法,采集足够短时间内目标变压器振动信号,并对振动信号根据变压器的激励信号对应的周期进行分段,再识别各分段信号中的波峰,将同阶的波峰的峰值组成峰值序列,最后根据各峰值序列计算波动性参数,根据各波动性参数得到振动故障特征。该方法与变压器无任何电气连接,对整个电力系统的运行影响很小。并且其计算复杂度低、计算速度快、计算可靠性高以及对硬件要求低。
在其中一个实施例中,波动性参数包括方差、标准差或离散系数。可以理解,方差可衡量一组数据与其均值之间的离散程度,它是每个数据与均值差值的平方的平均数。方差越大,说明数据波动越大,越不稳定。而标准差是方差的平方根,它与原始数据具有相同的单位,因此更容易理解和比较。标准差越大,说明数据波动越大,越不稳定。离散系数是标准差与均值之比,也可用来衡量不同样本的离散程度。离散系数越大,说明数据波动越大,越不稳定。
在其中一个实施例中,若波动性参数为标准差,则根据各波动性参数得到目标变压器的振动故障特征,包括:
(1)确定振动信号的有效值。
可以理解,由于振动信号可视为周期信号,而有效值为周期信号在一个周期内的均方根值,其与标准差有相同的单位,且可以反映振动信号的能量强度和稳定性。
(2)计算各标准差的平均值,得到平均标准差。
具体而言,其计算表达式可以为:
,
其中,为平均标准差,SP j 为排位第j高的峰值序列的标准差,m为参与计算的峰值序列的数量。平均标准差可以反映各峰值的波动的能量大小。
(3)根据平均标准差与有效值的比,得到振动故障特征。
由于平均标准差和有效值的单位相同,将这两个物理量相比,相当于计算由于异常振动带来的峰值波动的能量在变压器整体振动响应的能量占比,该比值越大,则代表变压器的异常振动情况越剧烈。
本申请实施例提供了一种变压器故障判定方法,请参阅图3,包括步骤S302和步骤S304。
S302,在判定周期内,每间隔预设间隔获取目标变压器的振动故障特征。振动故障特征由上述任一实施例中的变压器故障特征提取方法得到。
可以理解,由于变压器的异常振动在较长时间尺度下才有体现,因此,需要汇总变压器在较长时间尺度下的判定周期内所有表现数据,才可判断变压器在判定周期内的状态。而具体表现数据则每隔预设间隔就利用上述实施例中变压器故障特征提取方法提取一次振动故障特征。例如,在对变压器进行监测时,以24小时为判定周期,每间隔10分钟就利用上述实施例中变压器故障特征提取方法提取出一个振动故障特征。
S304,根据各振动故障特征,判断目标变压器是否存在故障。
在整个判断周期内收集了多个振动故障特征后,综合所有振动故障特征,即可判断目标变压器是否存在故障。具体而言,可以对判定周期内各振动故障特征进行统计学处理,得到综合判定参数;在综合判定参数超过预设阈值的情况下,判定目标变压器出现故障。这里的统计学处理可以是计算判定周期内所有振动故障特征的平均值、最小值、中位值等统计量。统计学处理所得到的综合判定参数综合了判定周期不同时段的振动故障特征,综合判定参数越大,则代表变压器在整个判定周期出现的异常振动越多。当综合判定参数超过预设阈值时,即代表变压器的异常振动的严重程度过高,已影响变压器的正常工作,因此,判定目标变压器出现故障。
在其中一个实施例中,为了提高判断准确性,可在目标变压器的振动采集位置设置多个振动传感器,振动传感器用于采集振动信号。请参阅图4,变压器故障判定方法包括步骤S402至步骤S406。
S402,在判定周期内,每间隔预设间隔,分别基于各振动传感器输出的振动信号得到与各振动传感器对应的振动故障特征。
即在判定周期内,每间隔预设间隔,就分别获取各振动传感器输出的振动信号,再分别利用上述实施例中的变压器故障特征提取方法,对振动信号进行处理,得到与各振动传感器对应的振动故障特征。
S404,对于任意一个振动传感器,对判定周期内该振动传感器对应的各振动故障特征进行统计学处理,得到该振动传感器对应的综合判定参数。
这里的统计学处理可以是计算判定周期内所有振动故障特征的平均值、最小值、中位值等统计量。统计学处理所得到的综合判定参数综合了判定周期不同时段的振动故障特征,综合判定参数越大,则代表变压器在整个判定周期出现的异常振动越多。
S406,在预设数量以上的振动传感器对应的综合判定参数均大于预设阈值的情况下,判定目标变压器出现故障。
当综合判定参数超过预设阈值时,即代表变压器的异常振动的严重程度过高,已影响变压器的正常工作。但考虑到振动传感器也可能出现异常,导致基于一个振动传感器输出的综合判定参数可靠性不高。为了解决此问题,由于振动传感器同时出现异常的可能性不高,在得到各路振动传感器对应的综合判定参数后,应有预设数量以上的振动传感器对应的综合判定参数均超出预设阈值,即基于不同的振动传感器均可得到目标变压器出现故障的结论,即可最终判定目标变压器出现故障。预设数量可以为大于或等于二的整数。
在其中一个实施例中,振动采集位置为目标变压器油箱表面正对目标变压器的绕组处。
本申请实施例提供了一种计算机设备,包括一个或多个处理器,以及存储器,存储器中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,执行上述任一实施例中的变压器故障特征提取方法或变压器故障判定方法的步骤。
示意性地,如图5所示,图5为本申请实施例提供的一种计算机设备的内部结构示意图。参照图5,计算机设备500包括处理组件502,其进一步包括一个或多个处理器,以及由存储器501所代表的存储器资源,用于存储可由处理组件502的执行的指令,例如应用程序。存储器501中存储的应用程序可以包括一个或一个以上的,每一个对应于一组指令的模块。此外,处理组件502被配置为执行指令,以执行上述任意实施例的变压器故障特征提取方法或变压器故障判定方法的步骤。
计算机设备500还可以包括一个电源组件503被配置为执行计算机设备500的电源管理,一个有线或无线网络接口504被配置为将计算机设备500连接到网络,和一个输入输出(I/O)接口505。
本领域技术人员可以理解,图5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。
本申请实施例提供了一种存储介质,存储介质中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例中的变压器故障特征提取方法或变压器故障判定方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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)
1.一种变压器故障特征提取方法,其特征在于,包括:
获取预设时长的目标变压器的振动信号;
对所述振动信号按照预设周期进行分段,得到多个分段振动信号;所述预设周期与所述目标变压器的激励信号的周期相同;
对于任意一个所述分段振动信号,识别所述分段振动信号中的多个波峰,并获取各所述波峰的峰值,对所述峰值按照由大到小的顺序进行排列;
将各所述分段振动信号中排位相同的所述峰值进行组合,得到多个峰值序列;
计算各所述峰值序列对应的波动性参数,并根据各所述波动性参数得到所述目标变压器的振动故障特征。
2.根据权利要求1所述的变压器故障特征提取方法,其特征在于,在所述计算各所述峰值序列对应的波动性参数之前,还包括:
将所述峰值序列中排位在预设排名之后的所述峰值序列过滤。
3.根据权利要求1或2所述的变压器故障特征提取方法,其特征在于,所述波动性参数包括方差、标准差或离散系数。
4.根据权利要求3所述的变压器故障特征提取方法,其特征在于,若所述波动性参数为标准差,则所述根据各所述波动性参数得到所述目标变压器的振动故障特征,包括:
确定所述振动信号的有效值;
计算各所述标准差的平均值,得到平均标准差;
根据所述平均标准差与所述有效值的比,得到所述振动故障特征。
5.一种变压器故障判定方法,其特征在于,包括:
在判定周期内,每间隔预设间隔获取目标变压器的振动故障特征;所述振动故障特征由权利要求1-4任一项所述的变压器故障特征提取方法得到;
根据各所述振动故障特征,判断所述目标变压器是否存在故障。
6.根据权利要求5所述的变压器故障判定方法,其特征在于,所述根据各所述振动故障特征,判断所述目标变压器是否存在故障,包括:
对所述判定周期内各所述振动故障特征进行统计学处理,得到综合判定参数;
在所述综合判定参数超过预设阈值的情况下,判定所述目标变压器出现故障。
7.根据权利要求5所述的变压器故障判定方法,其特征在于,所述目标变压器的振动采集位置设置有多个振动传感器,所述振动传感器用于采集振动信号,所述每间隔预设间隔获取目标变压器的振动故障特征,包括:
每间隔所述预设间隔,分别基于各所述振动传感器输出的所述振动信号得到与各所述振动传感器对应的所述振动故障特征;
所述根据各所述振动故障特征,判断所述目标变压器是否存在故障,包括:
对于任意一个所述振动传感器,对所述判定周期内该所述振动传感器对应的各所述振动故障特征进行统计学处理,得到该所述振动传感器对应的综合判定参数;
在预设数量以上的所述振动传感器对应的所述综合判定参数均大于预设阈值的情况下,判定所述目标变压器出现故障。
8.根据权利要求7所述的变压器故障判定方法,其特征在于,所述振动采集位置为所述目标变压器油箱表面正对所述目标变压器的绕组处。
9.一种计算机设备,其特征在于,包括一个或多个处理器,以及存储器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如权利要求1-4任一项所述的变压器故障特征提取方法或权利要求5-8任一项所述的变压器故障判定方法的步骤。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1-4任一项所述的变压器故障特征提取方法或权利要求5-8任一项所述的变压器故障判定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729731.9A CN116484267B (zh) | 2023-06-20 | 2023-06-20 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310729731.9A CN116484267B (zh) | 2023-06-20 | 2023-06-20 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484267A true CN116484267A (zh) | 2023-07-25 |
CN116484267B CN116484267B (zh) | 2023-09-19 |
Family
ID=87219883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310729731.9A Active CN116484267B (zh) | 2023-06-20 | 2023-06-20 | 变压器故障特征提取、判定方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484267B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708098A (zh) * | 2024-02-05 | 2024-03-15 | 中国第一汽车股份有限公司 | 电池故障诊断方法、装置、电子设备和存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040256951A1 (en) * | 2003-03-31 | 2004-12-23 | Canon Kabushiki Kaisha | Control apparatus capable of low-speed driving of vibration type driving apparatus, actuating apparatus using the control apparatus, control method capable of low-speed driving of vibration type driving apparatus, and storage medium storing program including program codes capable of realizing the control method |
US20100097733A1 (en) * | 2007-12-14 | 2010-04-22 | E Tomimbang Wendell | Arc fault circuit interrupter, systems, apparatus and methods of detecting and interrupting electrical faults |
CN102798798A (zh) * | 2012-08-07 | 2012-11-28 | 浙江大学 | 一种基于振动分析的电力变压器绕组变形检测方法 |
JP2018078769A (ja) * | 2016-11-11 | 2018-05-17 | キヤノン株式会社 | 振動型アクチュエータの制御方法、振動型駆動装置及び電子機器 |
US20180284743A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection for vibration sensitive equipment |
CN111412977A (zh) * | 2020-03-09 | 2020-07-14 | 华南理工大学 | 一种机械设备振动感知数据的预处理方法 |
CN112183400A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种新型的配电变压器潜伏性故障特征提取方法及系统 |
CN112270312A (zh) * | 2020-11-26 | 2021-01-26 | 中南林业科技大学 | 风机轴承故障诊断方法、系统、计算机设备和存储介质 |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN113687154A (zh) * | 2021-08-05 | 2021-11-23 | 南方电网科学研究院有限责任公司 | 变压器的空载运行状态监测方法、装置、设备及存储介质 |
CN113804388A (zh) * | 2021-09-15 | 2021-12-17 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
CN114861727A (zh) * | 2022-05-17 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器故障检测方法、装置、设备、介质和程序产品 |
CN115539324A (zh) * | 2022-09-23 | 2022-12-30 | 西安热工研究院有限公司 | 一种风电机组故障诊断方法、装置及电子设备 |
CN115683319A (zh) * | 2022-10-20 | 2023-02-03 | 浙江工商职业技术学院 | 一种电力变压器绕组状态评估方法 |
CN115758213A (zh) * | 2022-11-14 | 2023-03-07 | 国网浙江省电力有限公司超高压分公司 | 以振动信号评估换流变激励源谐波干扰程度的方法和装置 |
CN115963348A (zh) * | 2023-02-02 | 2023-04-14 | 杭州柯林电气股份有限公司 | 一种变压器机械失稳故障诊断方法、装置和电子设备 |
CN116202617A (zh) * | 2023-03-15 | 2023-06-02 | 南方电网科学研究院有限责任公司 | 变压器的故障确定方法及装置、变压器 |
-
2023
- 2023-06-20 CN CN202310729731.9A patent/CN116484267B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040256951A1 (en) * | 2003-03-31 | 2004-12-23 | Canon Kabushiki Kaisha | Control apparatus capable of low-speed driving of vibration type driving apparatus, actuating apparatus using the control apparatus, control method capable of low-speed driving of vibration type driving apparatus, and storage medium storing program including program codes capable of realizing the control method |
US20100097733A1 (en) * | 2007-12-14 | 2010-04-22 | E Tomimbang Wendell | Arc fault circuit interrupter, systems, apparatus and methods of detecting and interrupting electrical faults |
CN102798798A (zh) * | 2012-08-07 | 2012-11-28 | 浙江大学 | 一种基于振动分析的电力变压器绕组变形检测方法 |
US20180284743A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection for vibration sensitive equipment |
JP2018078769A (ja) * | 2016-11-11 | 2018-05-17 | キヤノン株式会社 | 振動型アクチュエータの制御方法、振動型駆動装置及び電子機器 |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN111412977A (zh) * | 2020-03-09 | 2020-07-14 | 华南理工大学 | 一种机械设备振动感知数据的预处理方法 |
CN112183400A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种新型的配电变压器潜伏性故障特征提取方法及系统 |
CN112270312A (zh) * | 2020-11-26 | 2021-01-26 | 中南林业科技大学 | 风机轴承故障诊断方法、系统、计算机设备和存储介质 |
CN113687154A (zh) * | 2021-08-05 | 2021-11-23 | 南方电网科学研究院有限责任公司 | 变压器的空载运行状态监测方法、装置、设备及存储介质 |
CN113804388A (zh) * | 2021-09-15 | 2021-12-17 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
CN114861727A (zh) * | 2022-05-17 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器故障检测方法、装置、设备、介质和程序产品 |
CN115539324A (zh) * | 2022-09-23 | 2022-12-30 | 西安热工研究院有限公司 | 一种风电机组故障诊断方法、装置及电子设备 |
CN115683319A (zh) * | 2022-10-20 | 2023-02-03 | 浙江工商职业技术学院 | 一种电力变压器绕组状态评估方法 |
CN115758213A (zh) * | 2022-11-14 | 2023-03-07 | 国网浙江省电力有限公司超高压分公司 | 以振动信号评估换流变激励源谐波干扰程度的方法和装置 |
CN115963348A (zh) * | 2023-02-02 | 2023-04-14 | 杭州柯林电气股份有限公司 | 一种变压器机械失稳故障诊断方法、装置和电子设备 |
CN116202617A (zh) * | 2023-03-15 | 2023-06-02 | 南方电网科学研究院有限责任公司 | 变压器的故障确定方法及装置、变压器 |
Non-Patent Citations (1)
Title |
---|
袁耀等: "±800kV 换流变压器空载运行振动特性", 《中国电机工程学报》, vol. 43, no. 8, pages 3273 - 3283 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708098A (zh) * | 2024-02-05 | 2024-03-15 | 中国第一汽车股份有限公司 | 电池故障诊断方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116484267B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
US9274869B2 (en) | Apparatus, method and storage medium for fault cause extraction utilizing performance values | |
CN116484267B (zh) | 变压器故障特征提取、判定方法、计算机设备和存储介质 | |
KR101214765B1 (ko) | 전력설비 모니터링 시스템 및 방법 | |
CN103149475A (zh) | 电力设备故障诊断方法及系统 | |
CN109905462A (zh) | 一种设备健康度管理系统 | |
CN105954632A (zh) | 一种氧化锌避雷器在线监测与诊断方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN106773993A (zh) | 现场数据采集终端及系统 | |
CN112711832B (zh) | 同步发电机定子绕组温度预警与故障识别的方法与系统 | |
CN107710089A (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN115128513A (zh) | 一种基于热量的电容器异常检测方法及相关装置 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、系统及装置 | |
Ginart et al. | Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures | |
KR102234054B1 (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조 | |
CN111413564A (zh) | 一种超级电容器失效预警方法、系统以及设备 | |
EP3563164B1 (en) | Spectral-based method for fuel cell faults detection | |
WO2023184237A1 (zh) | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 | |
EP2631724A1 (en) | Method for measuring health index of plant in which state of lower component is reflected, and computer-readable storage medium in which program for performing the method is stored | |
CN115600879A (zh) | 一种断路器异常预警方法、系统及相关装置 | |
CN110515365B (zh) | 一种基于过程挖掘的工控系统异常行为分析方法 | |
CN109507628B (zh) | 基于三相四线表计设备的反极性故障监测方法和装置 | |
Farkhadzeh et al. | Quantitative Assessment of the Operational Reliability of Overhead Power Transmission Lines | |
CN107102235B (zh) | 一种gis母线接头的电接触状态判别方法和装置 | |
KR102188096B1 (ko) | 건설 구조물의 센서의 이벤트 분석방법 |
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 |