CN116859159A - 一种基于数字孪生模型的电力变压器故障监测管理系统 - Google Patents
一种基于数字孪生模型的电力变压器故障监测管理系统 Download PDFInfo
- Publication number
- CN116859159A CN116859159A CN202310831865.1A CN202310831865A CN116859159A CN 116859159 A CN116859159 A CN 116859159A CN 202310831865 A CN202310831865 A CN 202310831865A CN 116859159 A CN116859159 A CN 116859159A
- Authority
- CN
- China
- Prior art keywords
- fault
- power transformer
- transformer
- information
- power
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于数字孪生模型的电力变压器故障监测管理系统，涉及电力变压器故障监测技术领域，包括以下步骤：采集电力变压器正常状态和故障状态运行下的实验监测数据，建立电力变压器数据库，并在进行数据归一化和贴标签预处理后存入离线训练样本集；基于离线训练样本集建立初始的变压器故障检测模型；本发明的有益效果是：通过构建数字孪生模型，并基于数字孪生模型建立变压器故障检测模型，能够实时对电力变压器进行故障检测；通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，从而实时更新故障数据库的信息，使故障检测的更加快速和准确。
Description
技术领域
本发明涉及一种故障监测管理系统，特别涉及一种基于数字孪生模型的电力变压器故障监测管理系统，属于电力变压器故障监测技术领域。
背景技术
随着我国工业经济的快速发展，对电力需求高速增长，电力可靠供应的要求也日益增加。电力变压器是电力系统的核心设备，在电网的安全可靠供电有极其重要的作用。电力变压器是一种静止的电气设备，是用来将某一数值的交流电压(电流)变成频率相同的另一种或几种数值不同的电压(电流)的设备，电力变压器出现故障将直接影响到供电；目前，电力变压器故障后，都是人为判断为主，依据判断人的经验进行判断，判断结果存在主观因素较多，而且多数判断需要在变压器解体后来反推变压器故障原因，在主变返厂之前几乎不能判断出电力变压器的故障原因；
其中申请号为“N201510770996.9”所公开的“一种基于生成概率模型的变压器故障检测方法”也是日益成熟的技术，其包括如下步骤：A、获取变压器状态样本数据；B、基于混合高斯模型的变压器状态模型学习；C、基于混合高斯模型的变压器状态特征提取；D、基于支持向量机的变压器故障检测。本发明解决了传统基于人工设置阈值对变压器参数进行离散化特征提取方法导致变压器故障检测对环境变化不鲁棒、对参数测量误差敏感，以及不同单位类别参数统一进行连续数值的特征描述问题；在经过进一步检索，其中申请号为“CN201611040775.7”所公开的“一种变压器故障分析方法及系统”，其包括：获取历史故障变压器，分析所述历史变压器的故障原因以及提取所述历史变压器的故障状态量；建立变压器故障数据库，将所述历史变压器的故障原因和所述历史变压器的故障状态量保存至所述变压器故障数据库；获取待检测故障变压器的故障状态信息；查询所述变压器故障数据库，分析所述待检测故障变压器的故障状态信息，获得所述待检测故障变压器的故障原因。本发明还提供了一种变压器故障分析系统。本发明提供的变压器故障分析方法及系统，有利于提高电力变压器故障判断效率，避免故障判定之前对电力变压器进行拆卸；
但是上述两种方式在实际使用时还存在以下缺陷：电力变压器在线运行过程中会产生海量的实时正常状态数据，并且也会产生大量的不同类型的故障，无法实时更新数据库，导致故障检测范围有限，并且在检测到故障时无法及时通知维护人员进行维修，容易造成大面积的停电。
发明内容
本发明的目的在于提供一种基于数字孪生模型的电力变压器故障监测管理系统，以解决上述背景技术中提出的不便于实时更新数据库导致故障检测范围有限的问题。
为实现上述目的，本发明提供如下技术方案：一种基于数字孪生模型的电力变压器故障监测管理系统，包括以下步骤：
S1：采集电力变压器正常状态和故障状态运行下的实验监测数据，建立电力变压器数据库，并在进行数据归一化和贴标签预处理后存入离线训练样本集；
S2：基于离线训练样本集建立初始的变压器故障检测模型；
S3：根据初始的变压器故障检测模型进行神经网络训练，得到数字孪生模型的神经网络模块，并确定与各故障类型对应的系统函数，基于各故障类型的系统函数和神经网络模块构建数字孪生模型，从而得到训练后的变压器故障检测模型；
S4：采集电力变压器的数据信息，并将采集到的数据信息输入训练后的变压器故障检测模型中，得到电力变压器故障检测的结果；
S5：根据电力变压器故障检测的结果确定电力变压器的故障等级，根据故障等级确定对应的故障处理方式，并将故障信息输出至后台，接收到信息的电力工作人员输入确认信息，基于确认信息对电力变压器故障进行处理；
S6：通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，且当待检测故障变压器的故障原因正确，将待检测故障变压器的故障原因以及故障状态信息保存至变压器故障数据库，用于及时更新数据库的信息。
作为本发明的一种优选技术方案，采用断种传感器采集电力变压器多个方面运行状态的信息，根据所采集的信息并结合电力变压器相关参数建立电力变压器状态的数据库。
作为本发明的一种优选技术方案，建立电力变压器故障检测相关领域的专家数据库，专家数据库中存储有各个领域专家根据自己的工作经验给出的个故障类型判断结果。
作为本发明的一种优选技术方案，基于电力变压器中各测试场景，对故障样本进行划分，得到多个测试场景的故障样本。
作为本发明的一种优选技术方案，运用分段、分帧和自适应滤波法的预处理法对所采集的电力变压器数据进行数据去噪，再通过切割、加噪对数据进行增强，并通过采用梅拉尔倒普系数对预处理后的电力变压器数据进行提取，提取有效的特征数据。
作为本发明的一种优选技术方案，故障等级分为三个等级，第一故障等级不需要停电进行检修，第二故障等级需要小范围停电检修，第三故障等级需要大范围停电检修。
作为本发明的一种优选技术方案，当出现异常时，通过控制器将异常信息发送至后台进行报警，后台收到报警信息将报警信息发送至移动终端，移动终端报警提醒终端的维护人员及时进行检修，保证电力变压器安全可靠运行。
作为本发明的一种优选技术方案，故障信息包括故障位置和故障类型，使电力维护人员快速的找到电力变压器的故障点，并及时进行维修。
与相关技术相比较，本发明提供的一种基于数字孪生模型的电力变压器故障监测管理系统具有如下有益效果：
1、通过构建数字孪生模型，并基于数字孪生模型建立变压器故障检测模型，能够实时对电力变压器进行故障检测；
2、通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，从而实时更新故障数据库的信息，使故障检测的更加快速和准确；
3、根据电力变压器故障检测的结果确定电力变压器的故障等级，根据故障等级确定对应的故障处理方式，并且能够将异常信息发送至后台进行报警，提醒终端的维护人员及时进行检修，保证电力变压器安全可靠运行。
附图说明
图1为本发明的流程示意图。
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。
实施例：
请参阅图1，本发明提供了一种基于数字孪生模型的电力变压器故障监测管理系统，包括以下步骤：
S1：采集电力变压器正常状态和故障状态运行下的实验监测数据，建立电力变压器数据库，并在进行数据归一化和贴标签预处理后存入离线训练样本集；
S2：基于离线训练样本集建立初始的变压器故障检测模型；
S3：根据初始的变压器故障检测模型进行神经网络训练，得到数字孪生模型的神经网络模块，并确定与各故障类型对应的系统函数，基于各故障类型的系统函数和神经网络模块构建数字孪生模型，从而得到训练后的变压器故障检测模型；
S4：采集电力变压器的数据信息，并将采集到的数据信息输入训练后的变压器故障检测模型中，得到电力变压器故障检测的结果；
S5：根据电力变压器故障检测的结果确定电力变压器的故障等级，根据故障等级确定对应的故障处理方式，并将故障信息输出至后台，故障信息包括故障位置和故障类型，使电力维护人员快速的找到电力变压器的故障点，并及时进行维修，接收到信息的电力工作人员输入确认信息，基于确认信息对电力变压器故障进行处理；
S6：通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，且当待检测故障变压器的故障原因正确，将待检测故障变压器的故障原因以及故障状态信息保存至变压器故障数据库，用于及时更新数据库的信息。
在本实施例中，优选的，采用断种传感器采集电力变压器多个方面运行状态的信息，根据所采集的信息并结合电力变压器相关参数建立电力变压器状态的数据库。
在本实施例中，优选的，建立电力变压器故障检测相关领域的专家数据库，专家数据库中存储有各个领域专家根据自己的工作经验给出的个故障类型判断结果。
在本实施例中，优选的，基于电力变压器中各测试场景，对故障样本进行划分，得到多个测试场景的故障样本。
在本实施例中，优选的，运用分段、分帧和自适应滤波法的预处理法对所采集的电力变压器数据进行数据去噪，再通过切割、加噪对数据进行增强，并通过采用梅拉尔倒普系数对预处理后的电力变压器数据进行提取，提取有效的特征数据。
在本实施例中，优选的，故障等级分为三个等级，第一故障等级不需要停电进行检修，第二故障等级需要小范围停电检修，第三故障等级需要大范围停电检修；
在本实施例中，优选的，当出现异常时，通过控制器将异常信息发送至后台进行报警，后台收到报警信息将报警信息发送至移动终端，移动终端报警提醒终端的维护人员及时进行检修，保证电力变压器安全可靠运行。
工作原理：首先采用断种传感器采集电力变压器多个方面运行状态的信息，根据所采集的信息并结合电力变压器相关参数建立电力变压器状态的数据库，并在进行数据归一化和贴标签预处理后存入离线训练样本集；其次基于离线训练样本集建立初始的变压器故障检测模型；接着根据初始的变压器故障检测模型进行神经网络训练，得到数字孪生模型的神经网络模块，并确定与各故障类型对应的系统函数，基于各故障类型的系统函数和神经网络模块构建数字孪生模型，从而得到训练后的变压器故障检测模型；然后采集电力变压器的数据信息，运用分段、分帧和自适应滤波法的预处理法对所采集的电力变压器数据进行数据去噪，再通过切割、加噪对数据进行增强，并通过采用梅拉尔倒普系数对预处理后的电力变压器数据进行提取，提取有效的特征数据，并将采集到的特征数据输入训练后的变压器故障检测模型中，得到电力变压器故障检测的结果；接着根据电力变压器故障检测的结果确定电力变压器的故障等级，故障等级分为三个等级，第一故障等级不需要停电进行检修，第二故障等级需要小范围停电检修，第三故障等级需要大范围停电检修，根据故障等级确定对应的故障处理方式，并将故障信息输出至后台，接收到信息的电力工作人员输入确认信息，基于确认信息对电力变压器故障进行处理，当出现异常时，通过控制器将异常信息发送至后台进行报警，后台收到报警信息将报警信息发送至移动终端，移动终端报警提醒终端的维护人员及时进行检修，保证电力变压器安全可靠运行；最后通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，且当待检测故障变压器的故障原因正确，将待检测故障变压器的故障原因以及故障状态信息保存至变压器故障数据库，用于及时更新数据库的信息。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于数字孪生模型的电力变压器故障监测管理系统，其特征在于，包括以下步骤：
S1：采集电力变压器正常状态和故障状态运行下的实验监测数据，建立电力变压器数据库，并在进行数据归一化和贴标签预处理后存入离线训练样本集；
S2：基于离线训练样本集建立初始的变压器故障检测模型；
S3：根据初始的变压器故障检测模型进行神经网络训练，得到数字孪生模型的神经网络模块，并确定与各故障类型对应的系统函数，基于各故障类型的系统函数和神经网络模块构建数字孪生模型，从而得到训练后的变压器故障检测模型；
S4：采集电力变压器的数据信息，并将采集到的数据信息输入训练后的变压器故障检测模型中，得到电力变压器故障检测的结果；
S5：根据电力变压器故障检测的结果确定电力变压器的故障等级，根据故障等级确定对应的故障处理方式，并将故障信息输出至后台，接收到信息的电力工作人员输入确认信息，基于确认信息对电力变压器故障进行处理；
S6：通过故障原因检测模块判断待检测故障变压器的故障原因是否正确，且当待检测故障变压器的故障原因正确，将待检测故障变压器的故障原因以及故障状态信息保存至变压器故障数据库，用于及时更新数据库的信息。
2.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：采用断种传感器采集电力变压器多个方面运行状态的信息，根据所采集的信息并结合电力变压器相关参数建立电力变压器状态的数据库。
3.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：建立电力变压器故障检测相关领域的专家数据库，专家数据库中存储有各个领域专家根据自己的工作经验给出的个故障类型判断结果。
4.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：基于电力变压器中各测试场景，对故障样本进行划分，得到多个测试场景的故障样本。
5.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：运用分段、分帧和自适应滤波法的预处理法对所采集的电力变压器数据进行数据去噪，再通过切割、加噪对数据进行增强，并通过采用梅拉尔倒普系数对预处理后的电力变压器数据进行提取，提取有效的特征数据。
6.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：故障等级分为三个等级，第一故障等级不需要停电进行检修，第二故障等级需要小范围停电检修，第三故障等级需要大范围停电检修。
7.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：当出现异常时，通过控制器将异常信息发送至后台进行报警，后台收到报警信息将报警信息发送至移动终端，移动终端报警提醒终端的维护人员及时进行检修，保证电力变压器安全可靠运行。
8.根据权利要求1所述的基于数字孪生模型的电力变压器故障监测管理系统，其特征在于：故障信息包括故障位置和故障类型，使电力维护人员快速的找到电力变压器的故障点，并及时进行维修。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831865.1A CN116859159A (zh) | 2023-07-07 | 2023-07-07 | 一种基于数字孪生模型的电力变压器故障监测管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831865.1A CN116859159A (zh) | 2023-07-07 | 2023-07-07 | 一种基于数字孪生模型的电力变压器故障监测管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116859159A true CN116859159A (zh) | 2023-10-10 |
Family
ID=88233581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310831865.1A Pending CN116859159A (zh) | 2023-07-07 | 2023-07-07 | 一种基于数字孪生模型的电力变压器故障监测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116859159A (zh) |
-
2023
- 2023-07-07 CN CN202310831865.1A patent/CN116859159A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650921A (zh) | 一种智能电网调控控制系统设备故障诊断方法及系统 | |
| CN108776276B (zh) | 用电异常检测方法及系统 | |
| CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
| CN110349048B (zh) | 变电站多维数据运行交互控制平台及故障处置方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
| CN118378832A (zh) | 基于人工智能的调度负荷数据分析提示系统 | |
| CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN117493498A (zh) | 基于工业互联网的电力数据挖掘与分析系统 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN116933108A (zh) | 变电站设备运行状态监测方法、系统、设备及存储介质 | |
| CN116859159A (zh) | 一种基于数字孪生模型的电力变压器故障监测管理系统 | |
| CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
| CN117807155B (zh) | 多维度预警提示信息的生成方法、设备及存储介质 | |
| CN117708737A (zh) | 一种环网柜异常侦测方法及系统 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
| Yuan et al. | A Health Status Assessment Method of Switchgear in Substation Based on Digital Twin Technology and Random Matrix Model | |
| CN118468078A (zh) | 一种基于强化学习的数字孪生配网故障场景生成系统 | |
| CN116720107A (zh) | 一种电力断路器故障的在线分析方法和装置 | |
| CN117745057A (zh) | 一种基于图神经网络的调度自动化系统安全风险评估方法 |
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 |