CN116561707B - 一种变压器故障校验、预警方法及系统 - Google Patents
一种变压器故障校验、预警方法及系统 Download PDFInfo
- Publication number
- CN116561707B CN116561707B CN202310841760.4A CN202310841760A CN116561707B CN 116561707 B CN116561707 B CN 116561707B CN 202310841760 A CN202310841760 A CN 202310841760A CN 116561707 B CN116561707 B CN 116561707B
- Authority
- CN
- China
- Prior art keywords
- value
- voltage side
- early warning
- current
- temperature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 30
- 238000000926 separation method Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Electromagnetism (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Databases & Information Systems (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明实施例公开了一种变压器故障校验、预警方法及系统,采用Fisher最优分割法将一天划分为多个波动时段,可分时段精准分析故障情况。利用机器学习模型并结合多因素多规则的预测方法,有效提升变压器故障检验、预警的效率和准确性。另外,本发明采用机器学习模型完成智能分闸,同时,结合视频协同监控设备状态的方式,实现变压器故障监测及反应的双重保障。
Description
技术领域
本发明属于变压器故障检测技术领域,具体涉及一种变压器故障校验、预警方法及系统。
背景技术
变压器在运行的过程中,电能通过铁芯和绕组时的损耗会转变为热能,引起变压器各部位发热,从而导致变压器温度升高。只有当热量向周围辐射传导,发热和散热达到平衡状态时,各部位的温度才会趋于稳定。但是,变压器在实际运行时,各部位的温度是不相同的,其中,高压侧和低压侧的绕组温度最高,其次是铁芯的温度。如果变压器的温度长时间超过正常温度运行,其绝缘会因为长期受热后老化甚至损坏,而温度越高,绝缘老化越快。当绝缘老化到一定程度时,在变压器运行产生的振动和电动力的作用下,非常容易破裂,且容易发生电击穿而造成事故。因此,变压器在运行时的温度监控、故障监测和相应处理措施尤为重要,既能够防止不必要的事故发生也可增加变压器的使用年限。
目前,在变压器的温度、故障检测方面,主要采用单一地通过对温度进行测量的方式。随着技术的进步,也存在同时对电流进行测量的方式,但大多侧重温升和电流的关系,通过关系曲线进行判断。但是,变压器在每天中并非一直处于相同的工作状态,这导致单纯地采用关系曲线进行判断的方式不能完全匹配变压器的实际工作情况。同时,现有的方法对故障存在误报、漏报等情况,难以准确地对变压器状态进行监测和预警,给变压器的运行带来一定的安全隐患,也增加了维护人员的工作负担,造成不必要的困扰和损失。
发明内容
本发明实施例中提供了一种变压器故障校验、预警方法及系统,以解决现有技术与变压器实际工作情况不匹配,且难以准确对变压器状态进行监测和预警问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本发明的一个方面提供一种变压器故障校验、预警方法,应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的变压器;所述变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统,所述方法包括:
建立变压器在历史时段内电流和温度的数据集,所述数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均包含在当日每间隔预设时长采集得到的变压器数据,所述变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息;
根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,所述波动时段为日高峰时段或日平峰时段;
获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有所述低压侧电流值的平均值;
判断所述平均值是否小于预设电流平均值,
如果平均值小于预设电流平均值,获取变压器在当前时刻的环境温度和铁芯温度;判断所述环境温度或铁芯温度是否超过对应的预设温度阈值,如果是,生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸;
如果平均值不小于预设电流平均值,获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值;根据所述高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块;
利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,其中,预警指示灯的颜色由预警系统根据预警信号的内容确定;
如果预警指示灯的颜色与电闸状态不匹配,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
本发明的另一个方面提供一种变压器故障校验、预警系统,其特征在于,应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的变压器;所述变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统,所述系统包括:
数据集建立模块,用于建立变压器在历史时段内电流和温度的数据集,所述数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均包含在当日每间隔预设时长采集得到的变压器数据,所述变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息;
波动时段划分模块,用于根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,所述波动时段为日高峰时段或日平峰时段;
平均值获取模块,用于获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有所述低压侧电流值的平均值;
分闸判定模块,用于判断所述平均值是否小于预设电流平均值,
在平均值是否小于预设电流平均值时,获取变压器在当前时刻的环境温度和铁芯温度;判断所述环境温度或铁芯温度是否超过对应的预设温度阈值,如果是,生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸;
在平均值是否小于预设电流平均值时,获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值;根据所述高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块;
视频监测模块,用于利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,其中,预警指示灯的颜色由预警系统根据预警信号的内容确定;
在预警指示灯的颜色与电闸状态不匹配时,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
本发明实施例公开的一种变压器故障校验、预警方法及系统,采用Fisher最优分割法将一天划分为多个波动时段,可分时段精准分析故障情况。利用机器学习模型(分闸模型)并结合多因素多规则的预测方法,有效提升变压器故障检验、预警的效率和准确性。另外,本发明采用机器学习模型完成智能分闸,同时,结合视频协同监控设备状态的方式,实现变压器故障监测及反应的双重保障。
附图说明
图1为本发明实施例提供的一种变压器故障校验、预警方法的流程示意图;
图2为本发明实施例提供的一种分割时段的示意图;
图3为本发明实施例的一种电流温升曲线的示意图;
图4为本发明实施例提供的一种变压器故障校验、预警系统的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
图1为本发明实施例公开的一种变压器故障校验、预警方法的流程示意图,该方法应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的干式变压器。变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统。如图1所示,该变压器故障校验、预警方法包括以下步骤:
步骤S101:建立变压器在历史时段内电流和温度的数据集。
数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均至少包含在当日每间隔预设时长采集得到的变压器数据,变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息。
例如,获取过去180天内采集的变压器数据,采集方式可以为每间隔10分钟采集一次高压侧、低压侧的温度值和电流值、环境温度、铁芯温度,以及当时是否进行分闸的标注信息,该标注信息可以为工作人员预先输入的数据。利用获取到的变压器数据构建数据集,其中,数据集的样本为在过去180天中某一日所采集到的变压器数据,不同样本对应不同的日期,每个样本中包含多组数据,每组数据即为一次采集得到的高压侧、低压侧的温度值、电流值、环境温度、铁芯温度以及是否分闸的标注信息。
步骤S102:根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段。
波动时段为日高峰时段或日平峰时段,在本发明公开的一个实施例中,可采用以下方式实现步骤S102。
(1)以数据集中的一个样本为例,按照以下方式将该样本对应的当日划分为高峰时段和平峰时段:
按照测量时间将样本内的低压侧电流值按照以下顺序排列:
;
其中, 为在样本对应当日内测量得到的第一个低压侧电流值, />为在样本对应当日内,间隔预设时长后测量得到的第二个低压侧电流值,以此类推, />为在样本对应当日内,测量得到的最后一个低压侧电流值。
预先设定分类数的取值范围为[1,K],针对每个分类数的取值,均基于Fisher最优分割法,按照以下公式,计算样本内所有低压侧电流值在不同时段分组方式下的组内离差平方和:
;
其中, 为分类数为/>时的组内离差平方和;/>为将样本内低压侧电流值分为组时,第k组中低压侧电流值的数量;/>为在第k组中,第t个低压侧电流值; />为在第k组中,低压侧电流值的平均值。
按照以上方法遍历每一个分类数的取值后,得到每个分类数下,所有时段分组方式下的组内离差平方和。其中,不同的时段分组方式为将该样本中所有低压侧电流值按照不同的时段划分为多个组。例如,在分类数为3时,设置其中一种时段分组方式为:将当天24个小时划分为0点到8点、8点到16点、16点到24点;或者,设置另一种时段分组方式为:将24个小时划分为0点到4点、4点到18点、18点到24点。采用以上的方式,将一天中的24个小时按照所有可能的方式进行时段划分,低压侧电流值也随着时段的分组被划分为相应的3个组,按照上述公式,分别计算每一种时段分组方式下的组内离差平方和。
针对每一个分类数 ,均确定组内离差平方和最小的时段分组方式,并且,将具有最小组内离差平方和的时段分组方式作为对应分类数/>下最优的时段分组方式。例如,分类数为3时,组内离差平方和最小的时段分组方式为:将24小时划分为0点到4点、4点到18点、18点到24点,将该时段分组方式作为分类数为3时对应的最优时段分组方式。
针对每个分类数,均按照以下方式计算衰减速率:
;
其中,为分类数/>对应的衰减速率,/>为分类数 />对应的最小组内离差平方和。
在获取每个分类数下的衰减速率后,将对应最大衰减速率的分类数 作为最优分类数,例如,当分类数为3时,对应的衰减速率最大,则最优分类数为3。
根据与最优分类数相对应的最优时段分组方式,将样本对应的当日划分为多个时段,其中,相同时段内的低压侧电流值属于同一组。
分别计算每个时段中低压侧电流值的平均值,作为对应时段的时段电流平均值。以及,计算样本对应当日内低压侧电流值的平均值,作为当日电流平均值。
逐个比较每个时段的时段电流平均值与当日电流平均值的大小,将时段电流平均值大于当日电流平均值的时段确定为当日的高峰时段,以及,将时段电流平均值不大于当日电流平均值对应的时段确定为当日的平峰时段。
如图2所示,其中横坐标为时间T,纵坐标为低压侧电流值I,按照最优分类数为5时对应的最优时段分组方式,将图中的时间轴按照虚线划分为T1、T2、T3、T4和T5共5组,图中的曲线也相应被虚线划分为5组。图中间的一条实直线为当日电流平均值,时段电流平均值大于当日电流平均值的时段为当日的高峰时段,如图中的T2和T4;时段电流平均值不大于当日电流平均值的时段为当日的平峰时段,如图中的T1、T3和T5。
按照以上方式,将每个样本对应的当日均划分出高峰时段和平峰时段。
(2)按照以下方式将一天划分为日高峰时段和日平峰时段:
针对数据库中的每一个样本,均判断在当日的24个小时中,每个小时内包含高峰时段的时长是否超过预设时长,
如果某个小时内包含高峰时段的时长超过预设时长,将该小时确定为样本当日的高峰小时。例如,某小时内包含高峰时段的时长超过预设的30分钟,则将该小时确定为当日的高峰小时。
如果某个小时内包含高峰时段的时长未超过预设时长,将该小时确定为样本当日的平峰小时。
根据所有样本当日的高峰小时和平峰小时,统计一天24个小时中,每个小时被确定为高峰小时或平峰小时的数量。
针对每个小时,均判断被确定为高峰小时的数量是否超过被确定为平峰小时的数量。
如果某个小时被确定为高峰小时的数量超过被确定为平峰小时的数量,则将该小时确定为一个日高峰时段;例如,每天中的第1个小时,在180个样本中被确定为高峰小时的数量为100,被确定为平峰小时的数量为80,则将一天中的第1个小时确定为日高峰时段。
如果某个小时被确定为高峰小时的数量未超过被确定为平峰小时的数量,将该小时确定为一个日平峰时段。
判断是否存在相邻的小时同为日高峰时段或日平峰时段,
如果存在相邻的小时同为日高峰时段或日平峰时段,将相邻的小时合并,作为一个日高峰时段或日平峰时段。例如,一天中的第3个小时和第4个小时同样为日平峰时段,则将这两个小时合并,一起作为日平峰时段。
步骤S103:获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有低压侧电流值的平均值。
通常情况下,变压器的各项数据是间隔预设时长连续采集的,在本发明公开的实施例中,首先利用当前一段时间内采集的数据,判定此时变压器是否稳定,若稳定,则采取较为简易的方式判断变压器是否出现故障。
在获得每日中的日高峰时段和日平峰时段后,根据当前时刻可确定当前时刻的波动时段。获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,例如,当前时刻属于每日中的一个高峰时段,该高峰时段的起始时刻为上午10点,采集当日由上午十点开始到当前时刻之间的低压侧电流值,并计算这些低压侧电流值的平均值。
步骤S104:判断平均值是否小于预设电流平均值。
在本发明公开的实施例中,预先设定一个电流平均值,该电流平均值可根据历史数据计算得到,例如,根据历史时段内每一天低压侧电流值的平均值计算得到。
如果当前时段内低压侧电流值的平均值小于预设电流平均值,说明当前时段内变压器较为稳定,则执行步骤S105,对变压器进行较为简单的检测。
步骤S105:获取变压器在当前时刻的环境温度和铁芯温度。
步骤S106:判断环境温度或铁芯温度是否超过对应的预设温度阈值。
在本发明公开的实施例中,预先设置有环境温度对应的温度阈值,以及,铁芯温度对应的温度阈值。
如果环境温度或铁芯温度超过对应的预设温度阈值,则执行步骤S107。
步骤S107:生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸。
在本发明公开的实施例中,预警信号的内容能够直接指示预警系统控制预警指示灯的颜色,例如,预警信号中包含红色预警的内容时,预警系统根据该预警信号,控制预警指示灯以红色显示。
如果环境温度或铁芯温度未超过对应的预设温度阈值,则说明当前时刻变压器处于正常状态,则继续监测,再次由步骤S103开始执行。
在生成预警信号的同时,调用预设的分闸模块判定变压器是否需要进行分闸。
可按照以下方式构建分闸模块:
(1)获取每个样本中所有变压器数据对应的的高压侧和低压侧的电流值、环境温度、铁芯温度,以及,是否进行分闸的标注信息。另外,根据获取的电流、温度数据,计算出每个变压器数据对应的高压侧电流温升值、低压侧电流温升值,具体计算方法与后续实施例中采用的方法相似,此处不再赘述。以及,利用每个样本在每个波动时段内最大的电流值和最小的电流值,计算出时段最大电流偏差值;利用每个样本在每个波动时段内最大的温度值和最小的温度值,计算出时段最大温度偏差值。
在本发明公开的实施例中,涉及到电流的获取和电流的计算等步骤,均需要获取三相电流,以及,在三相电流的基础上进行计算。
根据每个样本中所有的变压器数据,以及计算出的对应数据构建训练数据集和测试数据集。
将获取到的数据以及计算出的数据作为训练数据和测试数据,例如,数据集中包含180个样本,将其中的150个样本作为训练数据,另外的30个样本作为测试数据。
(2)基于机器学习模型,例如,Logistic模型,采用训练数据集中的数据进行训练,构建分闸模型。
按照现有训练模型的方式,采用前述训练数据对其进行训练,其中,将电流、温度等数据作为输入数据,将是否分闸的标注信息作为输出数据,训练得到分闸模型。
(3)利用测试数据集中的数据对分闸模型进行检验,判断分闸模型的准确率是否达到预设准确率。
将测试数据中的电流、温度等数据输入分闸模型,根据输出数据与测试数据自身标注的是否分闸的标注信息进行比较,确定分闸模型的准确率。
如果分闸模型的准确率达到预设的准确率,则确认分闸模型建立完成,利用该模型进行在实际应用时判断变压器是否需要分闸。
如果分闸模型的准确率未达到预设的准确率,则重新训练分闸模型,重新训练的方法可以是:继续添加新的训练数据,重新构建分闸模型,直至分闸模型的准确率达到预设准确率为止。
如果当前时段内低压侧电流值的平均值不小于预设电流平均值,说明此时变压器不稳定,则执行步骤S108,进行较为复杂的检查。
步骤S108:获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值。
步骤S109:根据高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块。
在本发明公开的实施例中,该步骤可由以下方式完成:
判断当前时刻的高压侧电流值或低压侧电流值是否超过对应的预警电流阈值。其中,预警电流阈值分为高压侧电流预警阈值和低压侧电流预警阈值。
如果当前时刻的高压侧电流值或低压侧电流值超过对应的预警电流阈值,则生成橙色预警信号发送至预警系统,使预警系统控制预警指示灯以橙色显示,同时,调用分闸模块判定是否进行分闸。
如果分闸模块确定需要进行分闸,向工作人员发送请求信息;在接收到工作人员发送的分闸信号后,则控制分闸机构进行分闸,使变压器的电闸分开。
如果分闸模块确定不需要进行分闸,则获取当前时刻高压侧温升值和低压侧温升值,以及,当前时刻所属波动时段对应的高压侧电流温升曲线和低压侧电流温升曲线。
在本发明公开的实施例中,可采用以下方式获取每个波动时段对应的高压侧电流温升曲线,以及,低压侧电流温升曲线:
(1)针对每个波动时段,均采用以下方式获取波动时段对应的高压侧电流温升曲线:
将波动时段的时间跨度记为d,温升计算步长记为预设时长l,获取数据的时刻记为,其中,/>,表示d除以l向下取整。
针对数据集中每个样本,均进行以下处理:
获取样本在波动时段内的高压侧电流值和温度值,以及环境温度。
将高压侧电流值表示为:;
将高压侧温度值表示为:;
将环境温度表示为:;
按照以下公式计算样本在波动时段内每个变压器数据对应的高压侧温升值:
;
其中,时刻的高压侧温度值,/>时刻的环境温度。
将样本在波动时段内的高压侧电流值从小到大排序,获取样本在波动时段内高压侧电流温升字典,表示如下:
;
利用所有样本在波动时段内的高压侧电流温升字典,基于分位点划分法,针对每一个高压侧电流值,均利用以下方式确定温升黄色预警值和温升红色预警值:
针对每一个高压侧电流值,均假设高压侧电流值下的温升值为,其中,m是高压侧电流值下的温升值个数,/>为高压侧电流值下温升值的第三分位数,/>为高压侧电流值下温升值的第一分位数,按照以下公式计算高压侧电流值下的温升黄色预警值:
;
其中,为预设值。
按照以下公式计算高压侧电流值下的温升红色预警值:
;
其中,为预设值。
根据波动时段内所有样本对应的高压侧电流值下的温升黄色预警值和温升红色预警值,如图3所示,绘制在波动时段内连续的高压侧电流温升曲线,其中包括黄色预警线和红色预警线,如图3,以实线显示的曲线代表红色预警线,以虚线显示的曲线代表黄色预警线。
(2)针对每个波动时段,均采用以下方式获取波动时段对应的低压侧电流温升曲线:
将波动时段的时间跨度记为d,温升计算步长记为预设时长l,获取数据的时刻记为,其中,/>,表示d除以l向下取整。
针对数据集中每个样本,均进行以下处理:
获取样本在波动时段内的低压侧电流值和温度值,以及环境温度。
将低压侧电流值表示为:;
将低压侧温度值表示为:;
将环境温度表示为:;
按照以下公式计算样本在波动时段内每个变压器数据对应的低压侧温升值:
;
其中,时刻的低压侧温度值,/>时刻的环境温度。
将样本在波动时段内的低压侧电流值从小到大排序,获取样本在波动时段内低压侧电流温升字典,表示如下:
;
根据所有样本在波动时段内的低压侧电流温升字典,基于分位点划分法,针对每一个低压侧电流值,均利用以下方式确定温升黄色预警值和温升红色预警值:
针对每一个低压侧电流值,均假设低压侧电流值下的温升值表示为,其中,m是低压侧电流值下的温升值个数,/>为低压侧电流值下温升值的第三分位数,/>为低压侧电流值下温升值的第一分位数,按照以下公式计算低压侧电流值下的温升黄色预警值:
;
其中,为预设值。
按照以下公式计算低压侧电流值下的温升红色预警值:
;
其中,为预设值。
根据波动时段内所有样本对应的低压侧电流值下的温升黄色预警值和温升红色预警值,绘制在波动时段内连续的低压侧电流温升曲线。
判断当前时刻高压侧温升值或低压侧温升值是否超过对应电流温升曲线中的黄色预警线或红色预警线,
在高压侧温升值或低压侧温升值超过对应的红色预警线时,即高压侧温升值超过高压侧电流温升曲线中红色预警线上对应的温升值,或者,低压侧温升值超过低压侧电流温升曲线中红色预警线上对应的温升值,则生成红色预警信号发送至预警系统及工作人员,使预警系统控制预警指示灯以红色显示,以及,在接收到工作人员发送的分闸信号后,控制分闸机构进行分闸。
在高压侧温升值或低压侧温升值超过对应的黄色预警线且小于对应的红色预警线时,生成黄色预警信号发送至预警系统,使预警系统控制预警指示灯以黄色显示,同时,调用分闸模块确定是否进行分闸。
如果分闸模块确认需要进行分闸,向工作人员发送请求信息,并在接收到工作人员发送到分闸信号后,则控制分闸机构进行分闸,使变压器的电闸分开。
如果分闸模块确认不需要进行分闸,则分别计算当前时刻所属的波动时段起始时刻到当前时刻内,每相电流高压侧和低压侧的时段最大电流偏差值以及对应的时段最大温度偏差值。
根据时段最大电流偏差值和时段最大温度偏差值计算温升偏差公差,具体计算方法与后续实施例中的计算方法相似,此处不再赘述。
判断温升偏差公差是否超过预设偏差阈值。
在本发明公开的实施例中,采用以下方法获得预设的偏差阈值:
针对每个波动时段,均按照以下方式计算偏差阈值:
获取数据集中所有样本的高压侧和低压侧电流值、高压侧和低压侧温度值、环境温度以及铁芯温度;
将所有样本在该波动时段的时段电流最大偏差值和对应的时段最大温度偏差值记录如下:
;
其中, 是第一个样本在该时段内,A相电流的最大偏差值,/>是相对应的最大温度偏差值;/>是第一个样本在该时段内,B相电流的最大偏差值,/>是相对应的最大温度偏差值; />是第一个样本在该时段内,C相电流的最大偏差值,/>是相对应的最大温度偏差值;以此类推,其中H为数据集中样本的总数。
按照以下公式计算所有样本在波动时段的温升偏差公差:
;
其中,a和b为常数,Sh为第h个样本的温升偏差公差,为三相温升偏差的平均值。
根据每个样本在波动时段的温升偏差公差得到温升偏差公差序列 。
按照以下方法计算偏差阈值:
;
其中,Sq3为温升偏差公差序列的第三分位数,Sq1为温升偏差公差序列的第一分位数。
如果温升偏差公差超过预设偏差阈值,生成蓝色预警信号发送至预警系统,使预警系统控制预警指示灯以蓝色显示,同时,调用分闸模块判断是否进行分闸,如果需要进行分闸,向工作人员发送请求信息。在接收到工作人员发送的分闸信号后,则控制分闸机构进行分闸,如果不需要进行分闸,则继续监测。
如果温升偏差公差未超过预设偏差阈值,则说明当前变压器处于正常状态。
步骤S110:利用监视系统判定预警指示灯的颜色与电闸状态是否匹配。
预警指示灯的颜色由预警系统根据预警信号的内容确定。在本发明公开的实施例中,采用监视系统的拍摄装置实时捕捉预警指示灯的颜色以及变压器电闸的开合状态,从而判断预警指示灯的颜色与电闸的开合状态是否匹配。
如果预警指示灯的颜色与电闸状态不匹配,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
如果预警指示灯的颜色与电闸状态匹配,继续监测变压器是否出现故障,重新由步骤S103开始执行。
在本发明公开的实施例中,采用以下方式判定预警指示灯的颜色与电闸状态是否匹配:
判断预警指示灯颜色是否为红色或橙色。
如果预警指示灯颜色为红色或橙色,判断是否分闸,如果未分闸,确定预警指示灯的颜色与电闸状态不匹配。
如果预警指示灯颜色不为红色或橙色,判断是否分闸,如果分闸,确定预警指示灯的颜色与电闸状态不匹配。
在本发明公开的另一个实施例中,在分闸模块判定需要进行分闸之后,向工作人员发送请求信息,工作人员可根据该请求信息反馈当前分闸的操作是否正确,该反馈信息包括正确分闸或错误分闸。
判断是否接收到工作人员对分闸正确性的反馈信息,如果接收到反馈信息,判断反馈信息是否包含正确分闸的内容。
如果反馈信息内包含正确分闸的内容,则将正确分闸的反馈信息作为分闸信号发送至分闸机构。使分闸机构在接收到分闸信号后,控制变压器电闸分开。
获取到工作人员对分闸正确性的反馈信息之后,将反馈信息以及当前变压器的相关数据进行存储,同时,记录接收到反馈信息的次数。
判断工作人员的反馈次数是否超过预设次数,
如果工作人员的反馈次数超过预设次数,例如,1000次,则利用反馈信息和反馈信息所对应的变压器数据重新训练分闸模型,并使用新训练好的分闸模型继续根据新获取的变压器数据判断是否需要分闸。
图4为本发明实施例中公开的一种变压器故障校验、预警系统的机构示意图,应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的变压器;变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统。如图4所示,该系统包括以下模块:
数据集建立模块11,被配置为建立变压器在历史时段内电流和温度的数据集,数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均包含在当日每间隔预设时长采集得到的变压器数据,变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息;
波动时段划分模块12,被配置为根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,波动时段为日高峰时段或日平峰时段;
平均值获取模块13,被配置为获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有低压侧电流值的平均值;
分闸判定模块14,被配置为判断平均值是否小于预设电流平均值,
在平均值是否小于预设电流平均值时,获取变压器在当前时刻的环境温度和铁芯温度;判断环境温度或铁芯温度是否超过对应的预设温度阈值,如果是,生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸;
在平均值是否小于预设电流平均值时,获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值;根据高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块;
视频监测模块15,被配置为利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,其中,预警指示灯的颜色由预警系统根据预警信号的内容确定;
在预警指示灯的颜色与电闸状态不匹配时,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
在本发明公开的一个实施例中,该系统还包括电流温升曲线绘制模块以及分闸模块构建模块,其中,所述电流温升曲线绘制模块被配置为绘制高压侧电流温升曲线和低压侧电流温升曲线;分闸模块构建模块,被配置为构建及训练分闸模块。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种变压器故障校验、预警方法,其特征在于,应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的变压器;所述变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统,所述方法包括:
建立变压器在历史时段内电流和温度的数据集,所述数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均包含在当日每间隔预设时长采集得到的变压器数据,所述变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息;
根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,所述波动时段为日高峰时段或日平峰时段;
获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有所述低压侧电流值的平均值;
判断所述平均值是否小于预设电流平均值,
如果平均值小于预设电流平均值,获取变压器在当前时刻的环境温度和铁芯温度;判断所述环境温度或铁芯温度是否超过对应的预设温度阈值,如果是,生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸;
如果平均值不小于预设电流平均值,获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值;根据所述高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块;
利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,其中,预警指示灯的颜色由预警系统根据预警信号的内容确定;
如果预警指示灯的颜色与电闸状态不匹配,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
2.根据权利要求1所述的方法,其特征在于,所述根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,包括:
针对所述数据集中的每个样本,均按照以下方式将所述样本对应的当日划分为高峰时段和平峰时段:
按照测量时间将所述样本内的低压侧电流值按照以下顺序排列:
;
其中,i 1为在所述样本对应当日内测量得到的第一个低压侧电流值,i 2为在所述样本内对应当日内,间隔预设时长后测量得到的第二个低压侧电流值,以此类推,i N 为在所述样本对应当日内,测量得到的最后一个低压侧电流值;
预先设定分类数的取值范围为[1,K],针对每个分类数的取值,均基于Fisher最优分割法,按照以下公式,计算所述样本内所有低压侧电流值在不同时段分组方式下的组内离差平方和:
;
其中,为分类数为K i时的组内离差平方和;N k为将所述样本内低压侧电流值分为K i组时,第k组中低压侧电流值的数量;i tk为在第k组中,第t个低压侧电流值;/>为在第k组中,低压侧电流值的平均值;
将每个分类数K i下,具有最小组内离差平方和的时段分组方式作为对应分类数下最优的时段分组方式;
针对每个分类数K i,均按照以下方式计算衰减速率:
;
其中,为分类数K i对应的衰减速率,/>为分类数K i对应的最小组内离差平方和;
将对应最大衰减速率的分类数K i作为最优分类数;
根据与最优分类数相对应的最优时段分组方式,将所述样本对应的当日划分为多个时段,其中,相同时段内的低压侧电流值属于同一组;
分别计算每个所述时段中低压侧电流值的平均值,作为对应时段的时段电流平均值;以及,计算所述样本对应当日内低压侧电流值的平均值,作为当日电流平均值;
逐个比较每个所述时段的时段电流平均值与当日电流平均值的大小,将时段电流平均值大于当日电流平均值的时段确定为当日的高峰时段,以及,将时段电流平均值不大于当日电流平均值对应的时段确定为当日的平峰时段;
按照以下方式将一天划分为日高峰时段和日平峰时段:
针对数据库中的每一个样本,均判断在当日的24个小时中,每个小时内包含高峰时段的时长是否超过预设时长,
如果是,将所述小时确定为所述样本当日的高峰小时;
如果否,将所述小时确定为所述样本当日的平峰小时;
根据所有样本当日的高峰小时和平峰小时,统计一天24个小时中,每个小时被确定为高峰小时或平峰小时的数量;
针对每个小时,均判断被确定为高峰小时的数量是否超过被确定为平峰小时的数量,
如果是,将所述小时确定为一个日高峰时段;
如果否,将所述小时确定为一个日平峰时段;
判断是否存在相邻的小时同为日高峰时段或日平峰时段,
如果是,将所述相邻的小时合并,作为一个日高峰时段或日平峰时段。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照以下方式建立分闸模块:
获取每个样本中所有变压器数据对应的高压侧和低压侧的电流值、环境温度、铁芯温度,以及,是否进行分闸的标注信息;
计算出每个变压器数据对应的高压侧电流温升值和低压侧电流温升值,以及,每个样本在每个波动时段内的时段最大电流偏差值和时段最大温度偏差值;
根据每个样本中所有的变压器数据,以及计算出的对应数据构建训练数据集和测试数据集;
基于机器学习模型,采用训练数据集中的数据进行训练,构建分闸模型,其中,输入数据为高压侧和低压侧的电流值、环境温度、铁芯温度、高压侧和低压侧的电流温升值,以及时段最大电流偏差值和时段最大温度偏差值,输出数据为是否分闸的标注信息;
利用测试数据集中的数据对分闸模型进行检验,判断分闸模型的准确率是否达到预设准确率,
如果是,确认分闸模型建立完成;
如果否,重新训练分闸模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块,包括:
判断当前时刻的高压侧电流值或低压侧的电流值是否超过对应的预警电流阈值,
如果是,生成橙色预警信号发送至预警系统,使预警系统控制预警指示灯以橙色显示,同时,调用分闸模块判定是否进行分闸;
如果确认进行分闸,向工作人员发送请求信息;在接收到工作人员发送的分闸信号后,控制分闸机构进行分闸;
如果确认不进行分闸,获取当前时刻高压侧温升值和低压侧温升值,以及,当前时刻所属波动时段对应的高压侧电流温升曲线和低压侧电流温升曲线,所述高压侧电流温升曲线和低压侧电流温升曲线中均具有黄色预警线和红色预警线;
判断当前时刻高压侧温升值或低压侧温升值是否超过对应电流温升曲线中的黄色预警线或红色预警线,
在高压侧温升值或低压侧温升值超过对应的红色预警线时,生成红色预警信号发送至预警系统及工作人员,使预警系统控制预警指示灯以红色显示,以及,在接收到工作人员发送的分闸信号后,控制分闸机构进行分闸;
在高压侧温升值或低压侧温升值超过对应的黄色预警线且小于对应的红色预警线时,生成黄色预警信号发送至预警系统,使预警系统控制预警指示灯以黄色显示,同时,调用分闸模块确定是否进行分闸,
如果确认进行分闸,向工作人员发送请求信息;在接收到工作人员发送的分闸信号后,控制分闸机构进行分闸;
如果确认不进行分闸,分别计算当前时刻高压侧和低压侧对应的时段最大电流偏差值以及时段最大温度偏差值;
根据所述时段最大电流偏差值和时段最大温度偏差值计算温升偏差公差;
判断所述温升偏差公差是否超过预设偏差阈值,如果是,生成蓝色预警信号发送至预警系统,使预警系统控制预警指示灯以蓝色显示,同时,调用分闸模块判断是否进行分闸,
如果确认进行分闸,向工作人员发送请求信息;在接收到工作人员发送的分闸信号后,控制分闸机构进行分闸。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
针对每个波动时段,均采用以下方式获取所述波动时段对应的高压侧电流温升曲线:
将所述波动时段的时间跨度记为d,温升计算步长记为预设时长l,获取数据的时刻记为,其中,/>,表示d除以l向下取整;
针对数据集中每个样本,均进行以下处理:
获取所述样本在所述波动时段内的高压侧电流值和温度值,以及环境温度;
将高压侧电流值表示为:;
将高压侧温度值表示为:;
将环境温度表示为:;
按照以下公式计算所述样本在所述波动时段内每个变压器数据对应的高压侧温升值:
;
其中,时刻的高压侧温度值,/>时刻的环境温度;
将所述样本在所述波动时段内的高压侧电流值从小到大排序,获取所述样本在所述波动时段内高压侧电流温升字典,表示如下:
;
利用所有样本在所述波动时段内的高压侧电流温升字典,基于分位点划分法,针对每一个高压侧电流值,均利用以下方式确定温升黄色预警值和温升红色预警值:
针对每一个高压侧电流值,均假设所述高压侧电流值下的温升值为,其中,m是所述高压侧电流值下的温升值个数,/>为所述高压侧电流值下温升值的第三分位数,/>为所述高压侧电流值下温升值的第一分位数,按照以下公式计算所述高压侧电流值下的温升黄色预警值:
;
按照以下公式计算所述高压侧电流值下的温升红色预警值:
;
根据所述波动时段内所有样本对应的高压侧电流值下的温升黄色预警值和温升红色预警值,绘制在所述波动时段内连续的高压侧电流温升曲线。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
针对每个波动时段,均采用以下方式获取所述波动时段对应的低压侧电流温升曲线:
将所述波动时段的时间跨度记为d,温升计算步长记为预设时长l,获取数据的时刻记为,其中,/>,表示d除以l向下取整;
针对数据集中每个样本,均进行以下处理:
获取所述样本在所述波动时段内的低压侧电流值和温度值,以及环境温度;
将低压侧电流值表示为:;
将低压侧温度值表示为:;
将环境温度表示为;
按照以下公式计算所述样本在所述波动时段内每个变压器数据对应的低压侧温升值:
;
其中,时刻的低压侧温度值,/>时刻的环境温度;
将所述样本在所述波动时段内的低压侧电流值从小到大排序,获取所述样本在所述波动时段内低压侧电流温升字典,表示如下:
;
根据所有样本在所述波动时段内的低压侧电流温升字典,基于分位点划分法,针对每一个低压侧电流值,均利用以下方式确定温升黄色预警值和温升红色预警值:
针对每一个低压侧电流值,均假设所述低压侧电流值下的温升值为,其中,m是所述低压侧电流值下的温升值个数,/>为所述低压侧电流值下温升值的第三分位数,/>为所述低压侧电流值下温升值的第一分位数,按照以下公式计算所述低压侧电流值下的温升黄色预警值:
;
按照以下公式计算所述低压侧电流值下的温升红色预警值:
;
根据所述波动时段内所有样本对应的低压侧电流值下的温升黄色预警值和温升红色预警值,绘制在所述波动时段内连续的低压侧电流温升曲线。
7.根据权利要求4所述的方法,其特征在于,利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,包括:
判断预警指示灯颜色是否为红色或橙色,
如果预警指示灯颜色为红色或橙色,判断是否分闸,如果未分闸,确定预警指示灯的颜色与电闸状态不匹配;
如果预警指示灯颜色不为红色或橙色,判断是否分闸,如果分闸,确定预警指示灯的颜色与电闸状态不匹配。
8.根据权利要求4所述的方法,其特征在于,所述方法还包括:
采用以下方法获得偏差阈值:
针对每个波动时段,均按照以下方式计算偏差阈值:
获取数据集中所有样本的高压侧和低压侧电流值、高压侧和低压侧温度值、环境温度以及铁芯温度;
将所有样本在所述波动时段内的时段最大电流偏差值和对应的时段最大温度偏差值记录如下:
;
其中,是第一个样本在所述波动时段内,A相电流的最大偏差值,/>是相对应的最大温度偏差值;/>是第一个样本在所述波动时段内,B相电流的最大偏差值,/>是相对应的最大温度偏差值;/>是第一个样本在所述波动时段内,C相电流的最大偏差值,/>是相对应的最大温度偏差值;以此类推,其中H为数据集中样本的总数;
按照以下公式计算所有样本在所述波动时段的温升偏差公差:
;
其中,a和b为常数,Sh为第h个样本的温升偏差公差,为三相温升偏差的平均值;
根据每个样本在所述波动时段的温升偏差公差得到温升偏差公差序列;
按照以下方法计算偏差阈值:
;
其中,Sq3为温升偏差公差序列的第三分位数,Sq1为温升偏差公差序列的第一分位数。
9.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在分闸模块判定需要进行分闸之后,判断是否接收到工作人员对分闸正确性的反馈信息,所述反馈信息包括正确分闸或错误分闸,
如果接收到反馈信息,判断所述反馈信息是否包含正确分闸的内容,如果是,将正确分闸的反馈信息作为分闸信号,发送至分闸机构,使分闸机构进行分闸;
记录接收到所述反馈信息的次数;
判断所述次数是否超过预设次数,
如果是,利用反馈信息和反馈信息所对应的变压器数据重新训练分闸模型。
10.一种变压器故障校验、预警系统,其特征在于,应用于安装高压侧温度和电流传感器、低压侧温度和电流传感器、环境温度传感器和铁芯温度传感器的变压器;所述变压器还安装有设置预警指示灯的预警系统,以及,可拍摄预警指示灯和变压器电闸的监视系统,所述系统包括:
数据集建立模块,用于建立变压器在历史时段内电流和温度的数据集,所述数据集中的样本为在历史时段内每日的电流值和温度值,其中,每个样本均包含在当日每间隔预设时长采集得到的变压器数据,所述变压器数据至少包括高压侧、低压侧的温度值和电流值、环境温度、铁芯温度以及是否分闸的标注信息;
波动时段划分模块,用于根据每个样本中低压侧的电流值,利用Fisher最优分割法将一天划分为多个波动时段,所述波动时段为日高峰时段或日平峰时段;
平均值获取模块,用于获取变压器在当前时刻所属波动时段的起始时刻至当前时刻之间的多个低压侧电流值,并计算所有所述低压侧电流值的平均值;
分闸判定模块,用于判断所述平均值是否小于预设电流平均值,
在平均值是否小于预设电流平均值时,获取变压器在当前时刻的环境温度和铁芯温度;判断所述环境温度或铁芯温度是否超过对应的预设温度阈值,如果是,生成预警信号发送至预警系统,并且,调用预设的分闸模块判定变压器是否需要进行分闸;
在平均值是否小于预设电流平均值时,获取当前时刻的高压侧、低压侧的电流值和温度值,以及环境温度值;根据所述高压侧、低压侧电流值和温度值,以及环境温度值判定是否生成预警信号,以及是否调用分闸模块;
视频监测模块,用于利用监视系统判定预警指示灯的颜色与电闸状态是否匹配,其中,预警指示灯的颜色由预警系统根据预警信号的内容确定;
在预警指示灯的颜色与电闸状态不匹配时,生成告警信息,并将当前拍摄预警指示灯和电闸的视频发送至工作人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841760.4A CN116561707B (zh) | 2023-07-11 | 2023-07-11 | 一种变压器故障校验、预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310841760.4A CN116561707B (zh) | 2023-07-11 | 2023-07-11 | 一种变压器故障校验、预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561707A CN116561707A (zh) | 2023-08-08 |
CN116561707B true CN116561707B (zh) | 2023-09-05 |
Family
ID=87503919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310841760.4A Active CN116561707B (zh) | 2023-07-11 | 2023-07-11 | 一种变压器故障校验、预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561707B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756897B (zh) * | 2023-08-17 | 2023-10-20 | 南京大全电气研究院有限公司 | 一种电力系统自动拓扑着色方法、装置及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN111856169A (zh) * | 2019-04-22 | 2020-10-30 | 宁波奥克斯高科技有限公司 | 一种变压器故障检测方法及系统 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
CN114640173A (zh) * | 2022-03-10 | 2022-06-17 | 江苏国电南自海吉科技有限公司 | 一种基于多特征量的变压器和发电机的预警模型 |
CN115378141A (zh) * | 2022-10-18 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的电力电缆故障诊断预警系统及方法 |
CN116205520A (zh) * | 2023-01-13 | 2023-06-02 | 国网河北省电力有限公司保定供电分公司 | 电网数字化管理指标体系的预警方法、系统及应用 |
CN116295661A (zh) * | 2023-05-22 | 2023-06-23 | 济南西电特种变压器有限公司 | 一种基于物联网的变压器故障预警系统 |
CN116363863A (zh) * | 2022-12-16 | 2023-06-30 | 浙江大华技术股份有限公司 | 交通数据异常检测方法、装置及交通运维系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101904113B1 (ko) * | 2016-12-23 | 2018-12-03 | 산일전기 주식회사 | 변압기 상태기반 위험 관리 시스템 |
-
2023
- 2023-07-11 CN CN202310841760.4A patent/CN116561707B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221651A (zh) * | 2011-03-11 | 2011-10-19 | 太原理工大学 | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 |
CN111856169A (zh) * | 2019-04-22 | 2020-10-30 | 宁波奥克斯高科技有限公司 | 一种变压器故障检测方法及系统 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理系统 |
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
CN111667102A (zh) * | 2020-05-22 | 2020-09-15 | 中国南方电网有限责任公司 | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 |
CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
CN114640173A (zh) * | 2022-03-10 | 2022-06-17 | 江苏国电南自海吉科技有限公司 | 一种基于多特征量的变压器和发电机的预警模型 |
CN115378141A (zh) * | 2022-10-18 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的电力电缆故障诊断预警系统及方法 |
CN116363863A (zh) * | 2022-12-16 | 2023-06-30 | 浙江大华技术股份有限公司 | 交通数据异常检测方法、装置及交通运维系统 |
CN116205520A (zh) * | 2023-01-13 | 2023-06-02 | 国网河北省电力有限公司保定供电分公司 | 电网数字化管理指标体系的预警方法、系统及应用 |
CN116295661A (zh) * | 2023-05-22 | 2023-06-23 | 济南西电特种变压器有限公司 | 一种基于物联网的变压器故障预警系统 |
Non-Patent Citations (1)
Title |
---|
干式变压器智能系统构建策略及关键技术研究;雍明超;《电气应用》;6-15 * |
Also Published As
Publication number | Publication date |
---|---|
CN116561707A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116561707B (zh) | 一种变压器故障校验、预警方法及系统 | |
CN114819415B (zh) | 一种基于数据分析的电力设备故障预测系统 | |
CN112526251B (zh) | 一种基于数据驱动的变电站电力设备故障诊断方法 | |
CN112345872A (zh) | 基于深度置信网络的换流站二次回路异常识别和预警方法 | |
CN111060221A (zh) | 基于循环神经网络的变压器过热故障预警方法 | |
CN109450084B (zh) | 一种基于信息数据链的智能变电站多层协议协同分析方法 | |
CN109490685B (zh) | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
CN103389427B (zh) | Gis设备运行状态在线检测方法与系统 | |
CN110346722A (zh) | 一种发电机励磁系统在线监测故障诊断装置 | |
CN114594349A (zh) | 一种储能系统中直流绝缘监测方法及终端 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN110503215A (zh) | 基于图像识别技术识别设备状态、故障及处理异常的方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN117520951A (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN114692787B (zh) | 基于多源数据的三绕组主变压器事件分析处理方法和系统 | |
CN116191677A (zh) | 一种变电站智能监控管理方法及系统 | |
CN109470981B (zh) | 一种保电配电网故障研判方法及系统 | |
CN106959414A (zh) | 开关设备的状态检测方法和系统 | |
CN110095668A (zh) | 轨道电路扼流变压器工作信息实时在线监测系统、方法 | |
CN109981359A (zh) | 一种智能变电站遥控异常分析诊断方法和装置 | |
CN114089136A (zh) | 基于人工智能的高压电缆局放检测与缺陷诊断系统 | |
CN106885960A (zh) | 一种在线监测数据的变压器故障诊断方法及系统 | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
CN108490296A (zh) | 一种基于远程控制的高电压设备运行状态故障预警系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |