CN116861303A - 一种变电站数字孪生多源信息融合诊断方法 - Google Patents
一种变电站数字孪生多源信息融合诊断方法 Download PDFInfo
- Publication number
- CN116861303A CN116861303A CN202310559316.3A CN202310559316A CN116861303A CN 116861303 A CN116861303 A CN 116861303A CN 202310559316 A CN202310559316 A CN 202310559316A CN 116861303 A CN116861303 A CN 116861303A
- Authority
- CN
- China
- Prior art keywords
- data
- transformer substation
- transformer
- data point
- digital twin
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000004804 winding Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000009432 framing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance 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
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/21—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供了一种变电站数字孪生多源信息融合诊断方法,所述诊断方法具体为:采集变电站的实时运行数据,基于数字孪生技术构建变电站模拟运行模型;基于变电站模拟运行模型获取预设场景下的变电站多源异构数据,对获取的变电站多源异构数据进行预处理;在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,获取变压器绕组内故障和变压器运行过热点,得到变电站融合诊断结果。本发明基于数字孪生技术构建变电站模拟运行模型,能够对变电站的运行情况进行映射模拟,从而获取不同预设场景下的变电站运行情况,且基于具体预设场景下的变电站多源异构数据来实现后续的故障诊断,提高故障诊断的准确性。
Description
技术领域
本发明涉及变电站故障诊断技术领域,尤其是指一种变电站数字孪生多源信息融合诊断方法。
背景技术
电力设备数据可分为结构化、非结构化、半结构化数据。在线监测数据多为结构化数据,其数据规范性好,特征提取及分析应用相比于半结构、非结构化数据相对简单,但在目前的应用当中仍多基于专家经验或规程导则对这部分数据进行分析,缺乏客观性和有效性。半结构化、非结构化数据虽体量巨大,但由于其处理、使用的复杂性,往往多用于记录与人工分析,未能得到更有效的数据挖掘与自动化应用,因此,在变电站的运维过程中,无法有效利用电力设备数据,对于变电站的故障判断效率和准确率均较低。
为了解决单纯通过结构化、非结构化或半结构化数据进行故障诊断时存在的无法有效利用电力设备数据,故障判断效率和准确率均较低的问题,提出了多源数据来实现变电站故障诊断的方法,能够结合多种类型数据来进行变电站故障缺陷诊断。而现阶段通过多源数据实现设备故障缺陷诊断的方法中,大多直接采集变电站设备的实时运行数据来进行多种故障诊断,但变电站内设备在不同运行场景下的故障诊断依据不同,而现有的故障诊断方法中难以区分实时运行数据所处的运行场景,故障诊断准确性不高。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种变电站数字孪生多源信息融合诊断方法,能够基于数字孪生技术构建变电站模拟运行模型,并基于构建的变电站模拟运行模型来获取预设场景下的变电站多源异构数据,从而根据获取的预设场景下的变电站多源异构数据来实现变电站故障诊断,能够解决现有的基于多源数据进行变电站故障诊断的方法中存在的无法区分实时运行数据所处运行场景,故障诊断准确性不高的问题,使得变电站故障诊断结果更加准确。
本发明的目的是通过下述技术方案予以实现:
一种变电站数字孪生多源信息融合诊断方法,包括,
采集变电站的实时运行数据,基于数字孪生技术构建变电站模拟运行模型;
基于变电站模拟运行模型获取预设场景下的变电站多源异构数据,对获取的变电站多源异构数据进行预处理;
在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,获取变压器绕组内故障和变压器运行过热点,得到变电站融合诊断结果。
进一步的,所述对获取的变电站多源异构数据进行预处理,包括,对变电站多源异构数据内的结构化数据及半结构化数据进行标准化转换,并基于标准化转换结果与非结构化数据进行聚合,对聚合后的所有数据进行数据清洗。
进一步的,所述对聚合后的所有数据进行数据清洗,包括,基于数据点密度进行离群点判别,并基于孤立森林进行异常点判别,对判别出的离群点以及异常点进行删除或补全处理。
进一步的,所述基于数据点密度进行离群点判别,包括,计算每两个数据点之间的欧式距离,根据计算结果确定每个数据点对应的与其他每个数据点之间的欧式距离,并按照距离远近对每个数据点对应的与其他每个数据点之间的欧式距离进行排序,根据排序结果计算每个数据点对应的局部可达密度,并根据局部可达密度获取每个数据点对应的局部离群因子,将每个数据点对应的局部离群因子与预设阈值进行比较,筛选局部离群因子超过预设阈值的数据点,并将筛选出的数据点作为离群点。
进一步的,所述局部可达密度的计算公式为:
其中,lrdn(x)为数据点x的局部可达密度,dn(x)为数据点x和所有数据点中距离x第n远的数据点之间的欧式距离,rn(x,y)为数据点x和数据点y间的欧式距离与数据点x和第n远的数据点之间的欧式距离中的最大值,Nn(x)为数据点x的第n邻域,|Nn(x)|为数据点x的第n领域内的数据点总数。
进一步的,所述局部离群因子的计算公式为:
其中,LOFn(x)为数据点x的局部离群因子,lrdn(x)为数据点x的局部可达密度,lrdn(y)为数据点y的局部可达密度,|Nn(x)|为数据点x的第n领域内的数据点总数。
进一步的,所述基于孤立森林的异常点判别,包括,基于聚合后的结构化数据和半结构化数据构建数据集,通过组合决策树随机分割数据集,直至数据集内所有样本点均处于孤立状态,再获取每个样本点的分割路径和数据集的平均路径长度,基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分,根据评分结果筛选出异常点。
进一步的,所述基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分的评分公式为:
其中,C(n)为数据集的平均路径程度,n为数据集内样本点的数量,H()为调和函数,s(x,n)为样本点x的异常程度评分,E(H(x))为样本x的路径长度的期望。
进一步的,所述在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,包括,提取变电站多源异构数据内的声音关联数据,基于声音关联数据获取变压器声纹特征频率谱图,根据变压器声纹特征频率谱图进行声纹特征提取,并基于卷积神经网络根据声纹特征获取变压器的声纹诊断结果,并根据声纹诊断结果得到变压器振动特性,根据变压器振动特性确定变压器绕组内部故障;同时提取变电站多源异构数据内的红外图像数据,并对红外图像数据进行线性变换,并通过残差网络对线性变换后的红外图像数据进行分类识别,基于红外图像数据的分类识别结果获取变压器的温度特性,根据温度特性确定变压器运行过热点。
本发明的有益效果是:
能够基于数字孪生技术构建变电站模拟运行模型,变电站模拟运行模型能够对变电站的运行情况进行映射模拟,从而获取不同预设场景下的变电站运行情况,且基于具体预设场景下的变电站多源异构数据来实现后续的故障诊断,提高故障诊断的准确性。且能够从振动和温度两个维度的联合故障诊断,更全面地感知变压器缺陷和故障情况,提升了变压器运行的可靠性。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
一种变电站数字孪生多源信息融合诊断方法,如图1所示,包括,
采集变电站的实时运行数据,基于数字孪生技术构建变电站模拟运行模型;
基于变电站模拟运行模型获取预设场景下的变电站多源异构数据,对获取的变电站多源异构数据进行预处理;
在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,获取变压器绕组内故障和变压器运行过热点,得到变电站融合诊断结果。
数字孪生的重要功能之一在于能够在物理世界和数字世界之间全面建立准实时联系,并能够基于现实情况与虚拟情况之间的交互,创造更加丰富的模型,从而对不可预测的情况进行更加真实和全面的检测,因此根据数字孪生技术构建的变电站模拟运行模型能够准确模拟变电站的运行情况,获取的变电站多源异构数据也更加可信。
所述预设场景包括日常监控场景和生产指挥场景。
所述对获取的变电站多源异构数据进行预处理,包括,对变电站多源异构数据内的结构化数据及半结构化数据进行标准化转换,并基于标准化转换结果与非结构化数据进行聚合,对聚合后的所有数据进行数据清洗。
获取的变电站多源异构数据中包含了多种数据,且具有多种不同的特性,而为了保障后续故障诊断的准确性,需要对变电站多源异构数据进行融合,而待融合的数据往往具备不完善性,主要表现为不精确、不完整、模糊、多义、冲突等特性,因此在对变电站多源异构数据进行融合时,需要对变电站多源异构数据进行预处理,尽量降低数据不完整性对数据融合结果的影响。
所述对聚合后的所有数据进行数据清洗,包括,基于数据点密度进行离群点判别,并基于孤立森林进行异常点判别,对判别出的离群点以及异常点进行删除或补全处理。
所述基于数据点密度进行离群点判别,包括,计算每两个数据点之间的欧式距离,根据计算结果确定每个数据点对应的与其他每个数据点之间的欧式距离,并按照距离远近对每个数据点对应的与其他每个数据点之间的欧式距离进行排序,根据排序结果计算每个数据点对应的局部可达密度,并根据局部可达密度获取每个数据点对应的局部离群因子,将每个数据点对应的局部离群因子与预设阈值进行比较,筛选局部离群因子超过预设阈值的数据点,并将筛选出的数据点作为离群点。
当数据点为具有m个维度的向量时,两个数据点x和y之间的欧式距离d(x,y)可用下式表示:
为了局部可达密度的计算,定义dn(x)为数据点x和所有数据点中距离x第n远的数据点之间的欧式距离,且定义距离x第n远的数据点为yn。
由此可知,dn(x)=d(x,yn)。
而数据点x的局部可达密度为数据点x的第n领域内所有数据点到数据点x的第n可达距离平均值的倒数,即局部可达密度的计算公式为:
其中,lrdn(x)为数据点x的局部可达密度,dn(x)为数据点x和所有数据点中距离x第n远的数据点之间的欧式距离,rn(x,y)为数据点x和数据点y间的欧式距离与数据点x和第n远的数据点之间的欧式距离中的最大值,即rn(x,y)=max{dn(x),d(x,yn)},Nn(x)为数据点x的第n邻域,|Nn(x)|为数据点x的第n领域内的数据点总数。
所述局部离群因子的计算公式为:
其中,LOFn(x)为数据点x的局部离群因子,lrdn(x)为数据点x的局部可达密度,lrdn(y)为数据点y的局部可达密度,|Nn(x)|为数据点x的第n领域内的数据点总数。
局部离群因子LOFn(x)表征了x与第n邻域内数据点局部可达密度的相对大小关系,若LOFn(x)过大,表征数据点x的局部可达密度相对较低,可能为离群点。
所述基于孤立森林的异常点判别,包括,基于聚合后的结构化数据和半结构化数据构建数据集,通过组合决策树随机分割数据集,直至数据集内所有样本点均处于孤立状态,再获取每个样本点的分割路径和数据集的平均路径长度,基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分,根据评分结果筛选出异常点。
异常点在特征空间中往往分布稀疏且离密度高的群体较远,孤立森林很好地利用了异常点的这一特性,实现高维特征空间中的异常点识别。与随机森林方法相似,孤立森林也通过组合决策树的方式对数据集在不同特征维度上进行分割。但与随机森林不同的是,孤立森林是一种无监督学习方法,不需要依赖于样本标签的标注即可进行学习。
在孤立森林的训练过程中,模型将随机地循环分割数据集,直到所有的样本点都是孤立的。由于异常值在特征空间中分布较为稀疏,因此一般可以通过次数较少的特征划分即形成孤立点。因此,异常点在孤立森林的分割过程当中,通常具有较短的分割路径。
因此可基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分的评分公式实现异常点的识别,所述评分公式为:
其中,C(n)为数据集的平均路径程度,n为数据集内样本点的数量,H()为调和函数,s(x,n)为样本点x的异常程度评分,E(H(x))为样本x的路径长度的期望。
所述在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,包括,提取变电站多源异构数据内的声音关联数据,基于声音关联数据获取变压器声纹特征频率谱图,根据变压器声纹特征频率谱图进行声纹特征提取,并基于卷积神经网络根据声纹特征获取变压器的声纹诊断结果,并根据声纹诊断结果得到变压器振动特性,根据变压器振动特性确定变压器绕组内部故障;同时提取变电站多源异构数据内的红外图像数据,并对红外图像数据进行线性变换,并通过残差网络对线性变换后的红外图像数据进行分类识别,基于红外图像数据的分类识别结果获取变压器的温度特性,根据温度特性确定变压器运行过热点。
声音关联数据包括了变电站的声音信号以及会对声音信号造成影响的关联数据,所述变压器声纹特征频率谱图即为变压器声纹数据的时频谱图,而基于声音关联数据获取变压器声纹特征频率谱图时,主要包括分帧、加窗以及离散傅里叶变换过程。
具体的,首先对变压器声音关联数据的原始时域声波信号进行交叠分段的分帧操作,其中分帧每一段长N=4096帧,每段重叠量(交叠段长)为512帧。对分帧处理后的波形进行海明窗加窗操作,从而有效减小后续因傅里叶变换造成的信号失真的程度。再对处理后的波形片段进行短时离散傅里叶变换,即可得到能够同时描述时间与频率的线性谱,即变压器声纹特征频率谱图。
经过上述操作获取的变压器声纹特征频率谱图数据量在横坐标(时间)维度上压缩到了188列,但纵坐标(频率)维度上依旧高达48000行,这对于后续卷积神经网络的训练速度以及识别速度影响仍然较大。因此,为了保证声纹特征的正确提取,同时实现更好的识别速度和诊断精度,需要对变压器声纹特征频率谱图进行降维处理。
针对变压器噪声集中在低频、中低频的特点,采用Mel滤波器组对低频、中低频的频域特征进行三角滤波放大处理,对中高频与高频特征通过三角滤波降权处理,从而描述变压器运行状态中平稳声波信号的能量特征,实现声纹特征的提取。
卷积神经网络是一种处理二维平面数据的深度人工神经网络,它通常由多个卷积层、全连接层组合而成,每一层网络中都是二维平面数据,由多个独立神经元组成,适用于大规模数据学习问题。
将经Mel滤波器组进行三角滤波放大处理后的变压器声纹特征频率谱图作为卷积神经网络的输入量,输入的变压器声纹特征频率谱图的图像像素有三个维度,其中输入宽度代表变压器声信号的时间分量,输入高度代表Mel频率尺度下的变压器声信号频域分量,输入深度代表变压器声信号能量谱密度表示的RGB颜色通道。将图像依次输入CNN网络后,卷积神经网络对各种运行状态下的Mel时频谱样本进行交叉学习和特征提取,并最终泛化出能够进行模式识别的权重模型,从而实现对于变压器运行状态的识别。
再确定变压器运行状态所产生的声音信号与变压器振动特性的关联,从而基于变压器运行状态的识别结果来确定具体的变压器振动特性,而每种变压器振动特性能够反应变压器的具体故障部位和故障原因,因此能够基于振动特性确定具体的变压器绕组内部故障。
而在基于红外图像数据进行变压器温度特性分析时,同样需要对红外图像数据进行识别和分类,从而基于红外图像数据识别结果确定当前的电力设备,再根据电力设备的类型结合红外图像数据确定当前的温度特性,结合电力设备的结构确定具体的运行过热点。
且为了提高残差网络的分类识别效率,对红外图像数据进行线性变换,从而转化为(0,1)或者(-1,1)之间的小数,能够在保持原数据的数值排序和特征不改变的前提下,加快后续残差网络的训练和收敛速度。
且本实施例具体采用Resnet-152网络对红外图像数据进行识别分类。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (9)
1.一种变电站数字孪生多源信息融合诊断方法,其特征在于,包括,采集变电站的实时运行数据,基于数字孪生技术构建变电站模拟运行模型;基于变电站模拟运行模型获取预设场景下的变电站多源异构数据,对获取的变电站多源异构数据进行预处理;
在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,获取变压器绕组内故障和变压器运行过热点,得到变电站融合诊断结果。
2.根据权利要求1所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述对获取的变电站多源异构数据进行预处理,包括,对变电站多源异构数据内的结构化数据及半结构化数据进行标准化转换,并基于标准化转换结果与非结构化数据进行聚合,对聚合后的所有数据进行数据清洗。
3.根据权利要求2所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述对聚合后的所有数据进行数据清洗,包括,基于数据点密度进行离群点判别,并基于孤立森林进行异常点判别,对判别出的离群点以及异常点进行删除或补全处理。
4.根据权利要求3所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述基于数据点密度进行离群点判别,包括,计算每两个数据点之间的欧式距离,根据计算结果确定每个数据点对应的与其他每个数据点之间的欧式距离,并按照距离远近对每个数据点对应的与其他每个数据点之间的欧式距离进行排序,根据排序结果计算每个数据点对应的局部可达密度,并根据局部可达密度获取每个数据点对应的局部离群因子,将每个数据点对应的局部离群因子与预设阈值进行比较,筛选局部离群因子超过预设阈值的数据点,并将筛选出的数据点作为离群点。
5.根据权利要求4所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述局部可达密度的计算公式为:
其中,lrdn(x)为数据点x的局部可达密度,dn(x)为数据点x和所有数据点中距离x第n远的数据点之间的欧式距离,rn(x,y)为数据点x和数据点y间的欧式距离与数据点x和第n远的数据点之间的欧式距离中的最大值,Nn(x)为数据点x的第n邻域,|Nn(x)|为数据点x的第n领域内的数据点总数。
6.根据权利要求5所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述局部离群因子的计算公式为:
其中,LOFn(x)为数据点x的局部离群因子,lrdn(x)为数据点x的局部可达密度,lrdn(y)为数据点y的局部可达密度,|Nn(x)|为数据点x的第n领域内的数据点总数。
7.根据权利要求3所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述基于孤立森林的异常点判别,包括,基于聚合后的结构化数据和半结构化数据构建数据集,通过组合决策树随机分割数据集,直至数据集内所有样本点均处于孤立状态,再获取每个样本点的分割路径和数据集的平均路径长度,基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分,根据评分结果筛选出异常点。
8.根据权利要求7所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述基于平均路径长度以及对应的分割路径对每个样本点的异常程度进行评分的评分公式为:
其中,C(n)为数据集的平均路径程度,n为数据集内样本点的数量,H()为调和函数,s(x,n)为样本点x的异常程度评分,E(H(x))为样本x的路径长度的期望。
9.根据权利要求1所述的一种变电站数字孪生多源信息融合诊断方法,其特征在于,所述在振动维度和温度维度根据预处理后的变电站多源异构数据对变电站内变压器进行故障诊断,包括,提取变电站多源异构数据内的声音关联数据,基于声音关联数据获取变压器声纹特征频率谱图,根据变压器声纹特征频率谱图进行声纹特征提取,并基于卷积神经网络根据声纹特征获取变压器的声纹诊断结果,并根据声纹诊断结果得到变压器振动特性,根据变压器振动特性确定变压器绕组内部故障;同时提取变电站多源异构数据内的红外图像数据,并对红外图像数据进行线性变换,并通过残差网络对线性变换后的红外图像数据进行分类识别,基于红外图像数据的分类识别结果获取变压器的温度特性,根据温度特性确定变压器运行过热点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559316.3A CN116861303A (zh) | 2023-05-15 | 2023-05-15 | 一种变电站数字孪生多源信息融合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559316.3A CN116861303A (zh) | 2023-05-15 | 2023-05-15 | 一种变电站数字孪生多源信息融合诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861303A true CN116861303A (zh) | 2023-10-10 |
Family
ID=88227471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559316.3A Pending CN116861303A (zh) | 2023-05-15 | 2023-05-15 | 一种变电站数字孪生多源信息融合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861303A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117874688A (zh) * | 2024-03-12 | 2024-04-12 | 厦门市盛迅信息技术股份有限公司 | 基于数字孪生的电力数字化异常识别方法及系统 |
CN117874688B (zh) * | 2024-03-12 | 2024-05-14 | 厦门市盛迅信息技术股份有限公司 | 基于数字孪生的电力数字化异常识别方法及系统 |
-
2023
- 2023-05-15 CN CN202310559316.3A patent/CN116861303A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056867A (zh) * | 2023-10-12 | 2023-11-14 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
CN117056867B (zh) * | 2023-10-12 | 2024-01-23 | 中交第四航务工程勘察设计院有限公司 | 一种可用于数字孪生的多源异构数据融合方法及系统 |
CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117292716B (zh) * | 2023-11-24 | 2024-02-06 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117874688A (zh) * | 2024-03-12 | 2024-04-12 | 厦门市盛迅信息技术股份有限公司 | 基于数字孪生的电力数字化异常识别方法及系统 |
CN117874688B (zh) * | 2024-03-12 | 2024-05-14 | 厦门市盛迅信息技术股份有限公司 | 基于数字孪生的电力数字化异常识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN111259921B (zh) | 基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN116861303A (zh) | 一种变电站数字孪生多源信息融合诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110647830B (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN110808033B (zh) | 一种基于双重数据增强策略的音频分类方法 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN111599376A (zh) | 一种基于空洞卷积循环神经网络的声音事件检测方法 | |
CN114700587B (zh) | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 | |
CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
CN114462475A (zh) | 一种基于单分类算法的无监督机器异常声检测方法和装置 | |
CN113523904A (zh) | 一种刀具磨损检测方法 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 | |
CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN111738081A (zh) | 一种难样本重训练的深度神经网络声呐目标检测方法 | |
Zhou et al. | Environmental sound classification of western black-crowned gibbon habitat based on subspace method and DenseNet121 | |
CN109215633A (zh) | 基于递归图分析的腭裂语音鼻漏气的识别方法 | |
CN115047523B (zh) | 一种基于密度聚类算法的地震数据动校正方法 |
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 |