CN116990625A - 一种配电变压器智能快检装置的功能切换系统及方法 - Google Patents
一种配电变压器智能快检装置的功能切换系统及方法 Download PDFInfo
- Publication number
- CN116990625A CN116990625A CN202311258324.0A CN202311258324A CN116990625A CN 116990625 A CN116990625 A CN 116990625A CN 202311258324 A CN202311258324 A CN 202311258324A CN 116990625 A CN116990625 A CN 116990625A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- test
- module
- data
- detection
- 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 23
- 238000001514 detection method Methods 0.000 claims abstract description 164
- 238000012360 testing method Methods 0.000 claims abstract description 148
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims description 66
- 238000004804 winding Methods 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 10
- 238000009413 insulation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/025—Measuring very high resistances, e.g. isolation resistances, i.e. megohm-meters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
- G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
- G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3272—Apparatus, systems or circuits therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种配电变压器智能快检装置的功能切换系统及方法,功能切换系统包括:校准单元及总控设备,校准单元用于校准配电变压器智能快检装置的测试误差;总控设备分别连接切换模块及各个检测模块,用于对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,以及,用于给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于控制配电变压器智能快检装置切换到对应的检测模块,对配电变压器进行测试。本发明给出的功能切换方案能实现针对配电变压器的多类型检测,并融合试验数据与模型预测数据,能快速获取大批量、精准的检测数据。
Description
技术领域
本发明属于配电变压器检测技术领域,具体涉及一种配电变压器智能快检装置的功能切换系统及方法。
背景技术
配电变压器作为电力系统中实现电能转换的核心设备,广泛分布于城镇村落的各个位置,数量庞大,类型复杂。
为了降低配变故障发生率,电网公司往往采用人工不定期或定期巡检的方式检查变压器的运行状态。然而,人工巡检的方式,一方面,难以实现变压器运行状态的全方位、全天候监测,且针对故障响应慢、不够及时;另一方面,对工作人员来说,对变压器进行巡检存在潜在的安全隐患。此外,依靠人为经验判断变压器是否发生故障,往往会造成误检或漏检。
随着大数据、人工智能等先进信息技术的发展,数据驱动型配电变压器故障自动检测方法逐渐成为电力设备监测与运维领域的主流技术。现有技术中采用诸如支持向量机、神经网络等模式识别算法将故障检测视为二分类问题。如专利CN113341347A给出一种基于AOELM的配电变压器故障动态检测方法,该方法在采集配电变压器正常状态和故障状态运行下的实验监测数据,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后,使用极限学习机算法基于离线训练样本集建立初始的变压器故障检测模型,然后,使用支持向量数据描述方法结合初始的变压器故障检测模型的检测结果构建得到新的训练样本集,以便于对初始的变压器故障检测模型进行动态更新,进而解决现有变压器故障静态检测方法存在的不具备主动在线动态更新能力,无法适应时变过程中的数据分布漂移特性的问题,在保证故障在线检测准确率的同时,进一步降低故障误报率。
但是,在当前数据不平衡的环境下存在变压器故障检测率低、检测不准确的弊端,并且上述技术进行故障检测或预测时获取或者分析的数据较为单一,无法涵盖各种类别的配电变压器检测数据。
因此,为提升配电变压器的故障检测效率和准确度,如何快速获取大批量、精准且类型齐全的配电变压器检测数据是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷,本发明提供了一种配电变压器智能快检装置的功能切换系统及方法,功能切换系统中的校准单元校准配电变压器智能快检装置的测试误差,总控设备分别连接切换模块及各个检测模块,用于对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,以及,用于给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号。其中,调整检测模块的预测试数据采用预训练的基于改进深度确定策略梯度算法的配电变压器性能预测模型。本发明给出的功能切换方案能实现针对配电变压器的多类型检测,并融合试验数据与模型预测数据,能快速获取大批量、精准的检测数据,为后续配电变压器故障检出提供数据支撑。
第一方面,本发明提供一种配电变压器智能快检装置的功能切换系统,配电变压器智能快检装置包括:切换模块及多个执行不同测试功能的检测模块;
功能切换系统包括:校准单元及总控设备,校准单元用于校准配电变压器智能快检装置的测试误差;
总控设备分别连接切换模块及各个检测模块,用于对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,以及,用于给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于控制配电变压器智能快检装置切换到对应的检测模块,对配电变压器进行测试。
进一步的,多个执行不同测试功能的检测模块,包括:介质损耗检测模块、绝缘电阻检测模块、直流电阻检测模块以及有载分接开关特性检测模块。
进一步的,介质损耗检测模块用于对配电变压器高压套管、中压套管、高压绕组对地、中压绕组对地、低压绕组对地的介损及电容量测量,绝缘电阻检测模块用于对配电变压器高压绕组对地、中压绕组对地、低压绕组对地、高压套管末屏对地、中压套管末屏对地的绝缘电阻测量,直流电阻检测模块用于对配电变压器高压绕组直流电阻、中压绕组直流电阻、低压绕组直流电阻测量,有载分接开关特性检测模块用于高压绕组有载分接开关特性和中压绕组有载分接开关特性测量。
进一步的,校准单元包括电阻校准模块、空负载校准模块及连接端口,连接端口连接配电变压器智能快检装置,电阻校准模块包括高压电阻阵列和低压电阻阵列,空负载校准模块包括信号连通的参数测试阵列及参数分析阵列,其中,参数包括电压、电流、频率及相位。
进一步的,参数分析阵列接收参数测试阵列给出的各个参数校准测试数据,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差。
进一步的,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差,具体表示为:
;
其中,为配电变压器智能快检装置空负载的平均测试相对误差,n为校准测试的总次数,i为校准测试的次数编号,/>为进行第i次校准测试时设置的输出相位,/>为进行第i次校准测试时的额定电压值,/>为进行第i次校准测试时的额定电流值,/>为进行第i次校准测试时读取的输出相位,/>为进行第i次校准测试时的读取电压值,为进行第i次校准测试时的读取电流值。
校准单元中的空负载校准模块,针对配电变压器检测的核心技术,给出融合参数标准值和参数校准值的误差消除方式,最大限度的提升配电变压器智能快检装置的检测稳定性。
进一步的,对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,具体包括:
获取检测模块的预测试数据,并比较检测模块的预测试数据以及配电变压器参考数据,得到比较分析结果;
基于比较分析结果,调取预先构建的基于改进深度确定策略梯度算法的配电变压器性能预测模型;
基于改进深度确定策略梯度算法的配电变压器性能预测模型给出的预测数据,融合并调整检测模块的预测试数据。
总控设备根据对检测模块给出预测试数据的分析,启动可靠性分析,通过基于改进深度确定策略梯度算法的配电变压器性能预测模型,融合试验数据与模型预测数据,给出更加准确的配电变压器检测数据。
进一步的,基于改进深度确定策略梯度算法的配电变压器性能预测模型的预先构建,具体包括:
搭建由观察模块、卷积神经网络模块及策略模块构成的初始配电变压器性能预测模型,并基于策略模块的状态动作函数训练卷积神经网络模块,构建得到基于改进深度确定策略梯度算法的配电变压器性能预测模型。
进一步的,基于策略模块的状态动作函数训练卷积神经网络模块,具体包括:卷积神经网络模块提取由变压器状态信息合成二维数据中的特征,给出特征数据,策略模块结合特征数据和随机采样策略,通过在状态动作函数中的迭代进行特征数据的优劣评价,训练得到预定条件的卷积神经网络模型;
状态动作函数的迭代,具体表示为:
;
其中,F()为状态动作函数,d为特征数据,a为策略模块中的策略动作,为迭代训练率,R为回报函数,D()为状态值函数,/>为采样策略梯度系数,d’为更新后的特征数据,a’为更新后的策略动作。
在策略模块中运用状态动作函数,可以加快模型的收敛速度,使得卷积神经网络模块的原始数据特征提取能力大大增加,大幅提升模型的训练学习效率。本发明给出的配电变压器性能预测模型针对各个检测项目的数据都能有良好的拟合效果和预测能力,能为试验数据提供良好的验证支撑,最终给出更加准确的配电变压器检测数据。
第二方面,本发明还给出一种配电变压器智能快检装置的功能切换方法,采用如上述配电变压器智能快检装置的功能切换系统,包括如下步骤:
校准针对配电变压器的测试误差;
获取预测试数据,并对预测试数据进行可靠性分析;
基于可靠性分析,调整检测模块的测试数据;
给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于切换到对应的检测模块,对配电变压器进行测试。
本发明提供的一种配电变压器智能快检装置的功能切换系统及方法,至少包括如下有益效果:
(1)本发明给出的功能切换方案能实现针对配电变压器的多类型检测,并融合试验数据与模型预测数据,能快速获取大批量、精准的检测数据,为后续配电变压器故障检出提供数据支撑。
(2)校准单元中的空负载校准模块,针对配电变压器检测的核心技术,给出融合参数标准值和参数校准值的误差消除方式,最大限度的提升配电变压器智能快检装置的检测稳定性。
(3)总控设备根据对检测模块给出预测试数据的分析,启动可靠性分析,通过基于改进深度确定策略梯度算法的配电变压器性能预测模型,融合试验数据与模型预测数据,给出更加准确的配电变压器检测数据。
(4)在配电变压器性能预测模型的策略模块中运用状态动作函数,可以加快模型的收敛速度,使得卷积神经网络模块的原始数据特征提取能力大大增加,大幅提升模型的训练学习效率。本发明给出的配电变压器性能预测模型针对各个检测项目的数据都能有良好的拟合效果和预测能力,能为试验数据提供良好的验证支撑,最终给出更加准确的配电变压器检测数据。
附图说明
图1为本发明提供的一种配电变压器智能快检装置的功能切换系统的结构图;
图2为本发明提供的配电变压器智能快检装置中检测模块架构图;
图3为本发明提供的功能切换系统中校准单元架构图;
图4为本发明提供的调整检测模块的预测试数据的流程示意图;
图5为本发明提供的基于改进深度确定策略梯度算法的配电变压器性能预测模型的流程示意图;
图6为本发明提供的一种配电变压器智能快检装置的功能切换方法的流程示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
针对现有技术中关于配电变压器检测所出现的问题,可以通过多个检测单元共接的方式实现多类型的检测,待总控设备实现对检测数据的可靠性验证后,进行测试功能的切换。只需要一次接线,在测量过程中不再需要额外的人工换线,自动完成针对配电变压器的多种检测项目,降低人员劳动强度、出错概率,又提高了安全系数。
因此,如图1所示,本发明提供一种配电变压器智能快检装置的功能切换系统,配电变压器智能快检装置包括:切换模块及多个执行不同测试功能的检测模块;
功能切换系统包括:校准单元及总控设备,校准单元用于校准配电变压器智能快检装置的测试误差;
总控设备分别连接切换模块及各个检测模块,用于对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,以及,用于给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于控制配电变压器智能快检装置切换到对应的检测模块,对配电变压器进行测试。
其中,在总控设备对检测模块给出的预测试数据进行可靠性分析时,如果预测试数据与配电变压器自身的参考数据不一致,为了保证智能快检装置给出检测数据的可信度,将预测试的试验结果与模型预测的数据进行融合,给出考虑该两部分因素的综合评价数据,以此,获得各个检测项目的准确测试数据。
如图2所示,配电变压器智能快检装置中包括多个执行不同测试功能的检测模块,各个检测模块的检测项目类别不同,可以包括:介质损耗检测模块、绝缘电阻检测模块、直流电阻检测模块以及有载分接开关特性检测模块。
在某个实施例中,其中,介质损耗检测模块用于对配电变压器高压套管、中压套管、高压绕组对地、中压绕组对地、低压绕组对地的介损及电容量测量,绝缘电阻检测模块用于对配电变压器高压绕组对地、中压绕组对地、低压绕组对地、高压套管末屏对地、中压套管末屏对地的绝缘电阻测量,直流电阻检测模块用于对配电变压器高压绕组直流电阻、中压绕组直流电阻、低压绕组直流电阻测量,有载分接开关特性检测模块用于高压绕组有载分接开关特性和中压绕组有载分接开关特性测量。
如图3所示,在功能切换系统的校准单元,包括电阻校准模块、空负载校准模块及连接端口。其中,连接端口连接配电变压器智能快检装置,电阻校准模块包括高压电阻阵列和低压电阻阵列,空负载校准模块包括信号连通的参数测试阵列及参数分析阵列,其中,参数包括电压、电流、频率及相位。
参数分析阵列接收参数测试阵列给出的各个参数校准测试数据,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差。
在进行空负载损耗校准时,可以根据检测模块的量程范围设定校准数值和校准次数。例如,电压的校准时,可以设定额定电压量程范围的10%、20%、30%、40%、50%、60%、70%、80%、90%及100%共10个检测点,也就是对应10次校准测试,每次测试时,给出相应的其他参数数值。其中,参数测试阵列给出的参数校准测试数据包括输出相位、电压值及电流值。
因此,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差,具体表示为:
;
其中,为配电变压器智能快检装置空负载的平均测试相对误差,n为校准测试的总次数,i为校准测试的次数编号,/>为进行第i次校准测试时设置的输出相位,/>为进行第i次校准测试时的额定电压值,/>为进行第i次校准测试时的额定电流值,/>为进行第i次校准测试时读取的输出相位,/>为进行第i次校准测试时的读取电压值,为进行第i次校准测试时的读取电流值。
针对配电变压器检测的核心技术,考虑各类型检测数据的整体效应,即通过输出相位、额定电压值、额定电流值给出第一分析值(),结合标准数据值,即输出相位(/>)、读取电压值(/>)、读取电流值(/>),给出融合参数标准值和参数校准值的误差消除方式,最大限度的提升配电变压器智能快检装置的检测稳定性。
如图4所示,总控设备获取各个检测模块给出的预测试数据后,对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,具体包括:
获取检测模块的预测试数据,并比较检测模块的预测试数据以及配电变压器参考数据,得到比较分析结果;
基于比较分析结果,调取预先构建的基于改进深度确定策略梯度算法的配电变压器性能预测模型;
基于改进深度确定策略梯度算法的配电变压器性能预测模型给出的预测数据,融合并调整检测模块的预测试数据。
总控设备根据对检测模块给出预测试数据的分析,启动可靠性分析,通过基于改进深度确定策略梯度算法的配电变压器性能预测模型,融合试验数据与模型预测数据,给出更加准确的配电变压器检测数据。
总控设备对预测试数据的分析,需要结合配电变压器参考数据。在某个实施例中,可以直接比较预测试数据与配电变压器参数数据的匹配契合程度,若匹配契合程度在允许的阈值区间内,则认为预测试数据是可靠的,预测试数据可以直接作为测试数据给出,若匹配契合程度不在允许的阈值区间内,则认为预测试数据是不可靠的,此时,需要调取预先构建的基于改进深度确定策略梯度算法的配电变压器性能预测模型,通过融合基于改进深度确定策略梯度算法的配电变压器性能预测模型给出的预测数据,用以调整预测试数据,随后再给出测试数据。融合模型预测数据,并调整预测试数据的具体方式,可以参照现有技术的数据处理方法,如权重融合,在此不做具体的限定。
其中,基于改进深度确定策略梯度算法的配电变压器性能预测模型的预先构建,具体包括:
搭建由观察模块、卷积神经网络模块及策略模块构成的初始配电变压器性能预测模型,并基于策略模块的状态动作函数训练卷积神经网络模块,构建得到基于改进深度确定策略梯度算法的配电变压器性能预测模型。
基于策略模块的状态动作函数训练卷积神经网络模块,具体包括:卷积神经网络模块提取由变压器状态信息合成二维数据中的特征,给出特征数据,策略模块结合特征数据和随机采样策略,通过在状态动作函数中的迭代进行特征数据的优劣评价,训练得到预定条件的卷积神经网络模型;
状态动作函数的迭代,具体表示为:
;
其中,F()为状态动作函数,d为特征数据,a为策略模块中的策略动作,为迭代训练率,R为回报函数,D()为状态值函数,/>为采样策略梯度系数,d’为更新后的特征数据,a’为更新后的策略动作,其中,状态动作函数、状态值函数的具体内容不做限定,如可以通过对历史数据的拟合获得。
如图5所示,配电变压器性能预测模型是基于深度学习和数据挖掘训练而构建的,具有较高的预测精度。在配电变压器性能预测模型训练中,首先获取变压器状态信息,其中,变压器状态信息代表变压器系统中所有断路器和开关节点的状态,可以通过数据[0],[1]来表示,代表不同开关节点的编号数值结合对应的状态数据,共同构成变压器状态信息二维数据。卷积神经网络模块对变压器状态信息二维数据进行特征提取和降维,得到特征数据。对策略模块中的策略动作进行选择,通过在状态动作函数中的迭代进行特征数据的优劣评价,训练得到预定条件的卷积神经网络模型。
在策略模块中运用状态动作函数,可以加快模型的收敛速度,使得卷积神经网络模块的原始数据特征提取能力大大增加,大幅提升模型的训练学习效率。本发明给出的配电变压器性能预测模型针对各个检测项目的数据都能有良好的拟合效果和预测能力,能为试验数据提供良好的验证支撑,最终给出更加准确的配电变压器检测数据。
第二方面,如图6所示,本发明还给出一种配电变压器智能快检装置的功能切换方法,采用如上述配电变压器智能快检装置的功能切换系统,包括如下步骤:
校准针对配电变压器的测试误差;
获取预测试数据,并对预测试数据进行可靠性分析;
基于可靠性分析,调整检测模块的测试数据;
给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于切换到对应的检测模块,对配电变压器进行测试。
因而,本发明提供的一种配电变压器智能快检装置的功能切换系统及方法,至少包括如下有益效果:
(1)本发明给出的功能切换方案能实现针对配电变压器的多类型检测,并融合试验数据与模型预测数据,能快速获取大批量、精准的检测数据,为后续配电变压器故障检出提供数据支撑。
(2)校准单元中的空负载校准模块,针对配电变压器检测的核心技术,给出融合参数标准值和参数校准值的误差消除方式,最大限度的提升配电变压器智能快检装置的检测稳定性。
(3)总控设备根据对检测模块给出预测试数据的分析,启动可靠性分析,通过基于改进深度确定策略梯度算法的配电变压器性能预测模型,融合试验数据与模型预测数据,给出更加准确的配电变压器检测数据。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种配电变压器智能快检装置的功能切换系统,其特征在于,配电变压器智能快检装置包括:切换模块及多个执行不同测试功能的检测模块;
功能切换系统包括:校准单元及总控设备,校准单元用于校准配电变压器智能快检装置的测试误差;
总控设备分别连接切换模块及各个检测模块,用于对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,以及,用于给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于控制配电变压器智能快检装置切换到对应的检测模块,对配电变压器进行测试。
2.根据权利要求1所述配电变压器智能快检装置的功能切换系统,其特征在于,多个执行不同测试功能的检测模块,包括:介质损耗检测模块、绝缘电阻检测模块、直流电阻检测模块以及有载分接开关特性检测模块。
3.根据权利要求2所述配电变压器智能快检装置的功能切换系统,其特征在于,介质损耗检测模块用于对配电变压器高压套管、中压套管、高压绕组对地、中压绕组对地、低压绕组对地的介损及电容量测量,绝缘电阻检测模块用于对配电变压器高压绕组对地、中压绕组对地、低压绕组对地、高压套管末屏对地、中压套管末屏对地的绝缘电阻测量,直流电阻检测模块用于对配电变压器高压绕组直流电阻、中压绕组直流电阻、低压绕组直流电阻测量,有载分接开关特性检测模块用于高压绕组有载分接开关特性和中压绕组有载分接开关特性测量。
4.根据权利要求1所述配电变压器智能快检装置的功能切换系统,其特征在于,校准单元包括电阻校准模块、空负载校准模块及连接端口,连接端口连接配电变压器智能快检装置,电阻校准模块包括高压电阻阵列和低压电阻阵列,空负载校准模块包括信号连通的参数测试阵列及参数分析阵列,其中,参数包括电压、电流、频率及相位。
5.根据权利要求4所述配电变压器智能快检装置的功能切换系统,其特征在于,参数分析阵列接收参数测试阵列给出的各个参数校准测试数据,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差。
6.根据权利要求5所述配电变压器智能快检装置的功能切换系统,其特征在于,获取第一分析值,并结合标准数据值,给出配电变压器智能快检装置空负载的测试误差,具体表示为:
;
其中,为配电变压器智能快检装置空负载的平均测试相对误差,n为校准测试的总次数,i为校准测试的次数编号,/>为进行第i次校准测试时设置的输出相位,/>为进行第i次校准测试时的额定电压值,/>为进行第i次校准测试时的额定电流值,/>为进行第i次校准测试时读取的输出相位,/>为进行第i次校准测试时的读取电压值,/>为进行第i次校准测试时的读取电流值。
7.根据权利要求1所述配电变压器智能快检装置的功能切换系统,其特征在于,对获取的检测模块的预测试数据进行可靠性分析,并基于可靠性分析,调整检测模块的预测试数据,具体包括:
获取检测模块的预测试数据,并比较检测模块的预测试数据以及配电变压器参考数据,得到比较分析结果;
基于比较分析结果,调取预先构建的基于改进深度确定策略梯度算法的配电变压器性能预测模型;
基于改进深度确定策略梯度算法的配电变压器性能预测模型给出的预测数据,融合并调整检测模块的预测试数据。
8.根据权利要求7所述配电变压器智能快检装置的功能切换系统,其特征在于,基于改进深度确定策略梯度算法的配电变压器性能预测模型的预先构建,具体包括:
搭建由观察模块、卷积神经网络模块及策略模块构成的初始配电变压器性能预测模型,并基于策略模块的状态动作函数训练卷积神经网络模块,构建得到基于改进深度确定策略梯度算法的配电变压器性能预测模型。
9.根据权利要求8所述配电变压器智能快检装置的功能切换系统,其特征在于,基于策略模块的状态动作函数训练卷积神经网络模块,具体包括:卷积神经网络模块提取由变压器状态信息合成二维数据中的特征,给出特征数据,策略模块结合特征数据和随机采样策略,通过在状态动作函数中的迭代进行特征数据的优劣评价,训练得到预定条件的卷积神经网络模型;
状态动作函数的迭代,具体表示为:
;
其中,F()为状态动作函数,d为特征数据,a为策略模块中的策略动作,为迭代训练率,R为回报函数,D()为状态值函数,/>为采样策略梯度系数,d’为更新后的特征数据,a’为更新后的策略动作。
10.一种配电变压器智能快检装置的功能切换方法,其特征在于,采用如权利要求1-9任一所述配电变压器智能快检装置的功能切换系统,包括如下步骤:
校准针对配电变压器的测试误差;
获取预测试数据,并对预测试数据进行可靠性分析;
基于可靠性分析,调整检测模块的测试数据;
给出将切换模块及各个检测模块的共接信号,并向切换模块发出测试切换信号,其中,测试切换信号用于切换到对应的检测模块,对配电变压器进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258324.0A CN116990625B (zh) | 2023-09-27 | 2023-09-27 | 一种配电变压器智能快检装置的功能切换系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311258324.0A CN116990625B (zh) | 2023-09-27 | 2023-09-27 | 一种配电变压器智能快检装置的功能切换系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116990625A true CN116990625A (zh) | 2023-11-03 |
CN116990625B CN116990625B (zh) | 2023-12-08 |
Family
ID=88523617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311258324.0A Active CN116990625B (zh) | 2023-09-27 | 2023-09-27 | 一种配电变压器智能快检装置的功能切换系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116990625B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665463A (zh) * | 2023-12-14 | 2024-03-08 | 山东省产品质量检验研究院 | 一种变压器试验系统及方法 |
CN118157146A (zh) * | 2024-05-10 | 2024-06-07 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050057869A1 (en) * | 2003-09-16 | 2005-03-17 | The Boeing Company | System and method for remotely detecting and locating faults in a power system |
CN2929730Y (zh) * | 2006-07-28 | 2007-08-01 | 保定市力兴电子设备有限公司 | 变压器容量及损耗快速测试仪 |
CN102253296A (zh) * | 2011-06-09 | 2011-11-23 | 上海市电力公司 | 变压器综合装置的测试方法 |
CN107884707A (zh) * | 2017-09-30 | 2018-04-06 | 杨启蓓 | 高压断路器分合闸时间在线监测装置和方法 |
CN109142881A (zh) * | 2018-08-11 | 2019-01-04 | 国网湖南省电力有限公司电力科学研究院 | 电力变压器电气试验智能切换线装置 |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112952813A (zh) * | 2021-03-04 | 2021-06-11 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输变电线路智能动态增容方法及系统 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN113972645A (zh) * | 2021-10-18 | 2022-01-25 | 南京工程学院 | 基于多智能体深度确定策略梯度算法的配电网优化方法 |
CN114442021A (zh) * | 2021-12-01 | 2022-05-06 | 国网山东省电力公司物资公司 | 一种电力变压器检测系统校准装置及方法 |
CN217587447U (zh) * | 2022-05-25 | 2022-10-14 | 国网湖北省电力有限公司鄂州供电公司 | 一种配电变压器能效智能装置及智能检测用转换电路 |
CN217739312U (zh) * | 2022-06-24 | 2022-11-04 | 陕西意联电气设备有限公司 | 一种多功能的变压器参数测试装置 |
CN218384687U (zh) * | 2022-07-15 | 2023-01-24 | 江西康威电气技术有限公司 | 一种配电变压器在线检测监控装置 |
CN116106659A (zh) * | 2022-12-02 | 2023-05-12 | 国网江苏省电力有限公司 | 一种配电变压器能效高精度测试系统及应用 |
KR20230091560A (ko) * | 2021-12-16 | 2023-06-23 | 한국전력공사 | 저전압 사전 가압 시험 수행 방법 및 저전압 사전 가압 시험을 위한 전력 설비의 시험 관리 시스템 |
CN116723152A (zh) * | 2023-08-11 | 2023-09-08 | 国网江苏省电力有限公司电力科学研究院 | 一种智能配电变压器快检装置的数据传输方法及系统 |
CN116760868A (zh) * | 2023-08-16 | 2023-09-15 | 国网江苏省电力有限公司电力科学研究院 | 一种智能配电变压器的自动判定检测方法及系统 |
CN116757447A (zh) * | 2023-08-15 | 2023-09-15 | 国网江苏省电力有限公司电力科学研究院 | 一种智能快检装置的测试任务分配方法及系统 |
-
2023
- 2023-09-27 CN CN202311258324.0A patent/CN116990625B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050057869A1 (en) * | 2003-09-16 | 2005-03-17 | The Boeing Company | System and method for remotely detecting and locating faults in a power system |
CN2929730Y (zh) * | 2006-07-28 | 2007-08-01 | 保定市力兴电子设备有限公司 | 变压器容量及损耗快速测试仪 |
CN102253296A (zh) * | 2011-06-09 | 2011-11-23 | 上海市电力公司 | 变压器综合装置的测试方法 |
CN107884707A (zh) * | 2017-09-30 | 2018-04-06 | 杨启蓓 | 高压断路器分合闸时间在线监测装置和方法 |
CN109142881A (zh) * | 2018-08-11 | 2019-01-04 | 国网湖南省电力有限公司电力科学研究院 | 电力变压器电气试验智能切换线装置 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112952813A (zh) * | 2021-03-04 | 2021-06-11 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输变电线路智能动态增容方法及系统 |
CN113972645A (zh) * | 2021-10-18 | 2022-01-25 | 南京工程学院 | 基于多智能体深度确定策略梯度算法的配电网优化方法 |
CN114442021A (zh) * | 2021-12-01 | 2022-05-06 | 国网山东省电力公司物资公司 | 一种电力变压器检测系统校准装置及方法 |
KR20230091560A (ko) * | 2021-12-16 | 2023-06-23 | 한국전력공사 | 저전압 사전 가압 시험 수행 방법 및 저전압 사전 가압 시험을 위한 전력 설비의 시험 관리 시스템 |
CN217587447U (zh) * | 2022-05-25 | 2022-10-14 | 国网湖北省电力有限公司鄂州供电公司 | 一种配电变压器能效智能装置及智能检测用转换电路 |
CN217739312U (zh) * | 2022-06-24 | 2022-11-04 | 陕西意联电气设备有限公司 | 一种多功能的变压器参数测试装置 |
CN218384687U (zh) * | 2022-07-15 | 2023-01-24 | 江西康威电气技术有限公司 | 一种配电变压器在线检测监控装置 |
CN116106659A (zh) * | 2022-12-02 | 2023-05-12 | 国网江苏省电力有限公司 | 一种配电变压器能效高精度测试系统及应用 |
CN116723152A (zh) * | 2023-08-11 | 2023-09-08 | 国网江苏省电力有限公司电力科学研究院 | 一种智能配电变压器快检装置的数据传输方法及系统 |
CN116757447A (zh) * | 2023-08-15 | 2023-09-15 | 国网江苏省电力有限公司电力科学研究院 | 一种智能快检装置的测试任务分配方法及系统 |
CN116760868A (zh) * | 2023-08-16 | 2023-09-15 | 国网江苏省电力有限公司电力科学研究院 | 一种智能配电变压器的自动判定检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
XUE WANG: "Transformer Fault Diagnosis Based on Stacking Ensemble Learning", 《IEEJ TRANSACTIONS ON ELECTRICAL AND ELECTRONIC ENGINEERING》, no. 15, pages 1734 - 1739 * |
于淼: "1000 kV 特高压变压器快速试验系统设计", 《江苏电机工程》, vol. 35, no. 6, pages 22 - 25 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117665463A (zh) * | 2023-12-14 | 2024-03-08 | 山东省产品质量检验研究院 | 一种变压器试验系统及方法 |
CN118157146A (zh) * | 2024-05-10 | 2024-06-07 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
CN118157146B (zh) * | 2024-05-10 | 2024-08-30 | 深圳市兴盛源电子有限公司 | 平面变压器的智能负载分配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116990625B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116990625B (zh) | 一种配电变压器智能快检装置的功能切换系统及方法 | |
JP7570309B2 (ja) | ノード属性およびリンク属性の双方を有するグラフニューラルネットワークを用いた配電故障位置特定 | |
CN114779015A (zh) | 基于超分辨率和图神经网络的配电网故障诊断与定位方法 | |
CN108846591A (zh) | 一种变电站开关柜多运行状态智能监测系统及评估方法 | |
CN112014696A (zh) | 基于局部放电特征的干式空心电抗器故障诊断方法及装置 | |
CN113341347B (zh) | 一种基于aoelm的配电变压器故障动态检测方法 | |
CN110443481A (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN117394311B (zh) | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 | |
CN118035909A (zh) | 一种基于经验模态分解的台区负荷异常态势协同检测方法 | |
CN111832653B (zh) | 基于XGboost算法的避雷器缺陷诊断方法及系统 | |
CN110866652B (zh) | 一种基于lstm模型的在线pmu数据纠错方法及系统 | |
CN117118355A (zh) | 光伏板故障检测方法、装置、存储介质及电子设备 | |
CN116087762A (zh) | 基于阵列空间电场的断路器非接触式绝缘监测方法及系统 | |
Yang et al. | Intelligent fault diagnosis method of capacitor voltage transformer based on recurrent neural network | |
CN111614083B (zh) | 一种适用于400v供电网络拓扑识别的大数据分析方法 | |
CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
CN114462692A (zh) | 一种电网老旧设备技改策略优化调整方法 | |
CN118425689B (zh) | 一种新型智慧配电网分布式电源故障定位方法 | |
CN117554578B (zh) | 一种特高压工程材料的模块化监测方法及系统 | |
CN118259221B (zh) | 一种电压互感器二次回路接触不良在线辨识方法及系统 | |
CN112684299B (zh) | 利用失压信息的电力馈线故障区段高容错辨识方法及装置 | |
CN117233538A (zh) | 一种输电线路的故障定位方法及系统 | |
CN117310373A (zh) | 基于空洞卷积识别配网数据的方法及系统、设备、介质 | |
CN116540023A (zh) | 一种含分布式电源配电网故障特征判断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |