CN117370916A - 变压器绕组振动异常诊断方法、装置、电子设备及介质 - Google Patents
变压器绕组振动异常诊断方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117370916A CN117370916A CN202311618601.4A CN202311618601A CN117370916A CN 117370916 A CN117370916 A CN 117370916A CN 202311618601 A CN202311618601 A CN 202311618601A CN 117370916 A CN117370916 A CN 117370916A
- Authority
- CN
- China
- Prior art keywords
- vibration
- matrix
- actual
- simulation
- winding
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000005856 abnormality Effects 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 285
- 238000004088 simulation Methods 0.000 claims abstract description 122
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000005520 electrodynamics Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 17
- 239000003795 chemical substances by application Substances 0.000 description 16
- 230000009467 reduction Effects 0.000 description 12
- 238000005094 computer simulation Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 235000012771 pancakes Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function 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
- 238000003062 neural network model Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/24—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
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- 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
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种变压器绕组振动异常诊断方法、装置、电子设备及介质,用于解决现有的在对变压器绕组进行振动异常诊断时,计算耗时长、预测准确性低以及模型泛化性不高的问题。方法包括:获取待测变压器的当前负荷电流以及第一实际振动信号,并根据当前负荷电流,计算第一仿真振动信号;对第一仿真振动信号以及第一实际振动信号进行多阶矩阵降阶投影处理,获得第一仿真振动信号对应的第一仿真振动投影矩阵,以及第一实际振动信号对应的第一实际振动投影矩阵;将第一仿真振动投影矩阵输入至预训练振动代理模型,输出实际振动预测矩阵;计算实际振动预测矩阵与第一实际振动投影矩阵的余弦夹角值,以对待测变压器进行绕组振动异常诊断。
Description
技术领域
本发明涉及变压器振动分析技术领域,尤其涉及一种变压器绕组振动异常诊断方法、装置、电子设备及介质。
背景技术
在实际情况中,变压器振动会对设备造成损坏,严重影响变压器的性能,甚至可能导致出现变压器损坏、引起短路等危险情况,因此,对变压器进行振动分析是维护变压器正常运行的重要手段。目前而言,通常采用仿真建模或数据建模方法开展对变压器的振动分析。
对于仿真建模,当前主要采用变压器绕组振动动力学方程进行建模分析,但该方法仅能从物理机理层面对变压器振动提供定性分析。为提升仿真建模精度,相关技术人员选择采用数值仿真手段进行研究分析,但该方法需要构建精细化的三维仿真模型,且需要耦合电磁-结构力多场进行计算,存在建模精度要求高、计算耗时长、硬件要求高、不易收敛等问题。
基于此,越来越多技术人员采用数据建模方法评估变压器振动状态,基于振动监测信号的分析处理,提出了多种变压器绕组故障诊断方法,如基于短路电抗与振动信号进行联合分析,或者基于振动信号的交叉小波进行特征提取等,但基于数据建模的分析方法,存在模型泛化性不高的问题。
发明内容
本发明提供了一种变压器绕组振动异常诊断方法、装置、电子设备及介质,用于解决或部分解决现有的在对变压器绕组进行振动异常诊断时,计算耗时长、预测准确性低以及模型泛化性不高的技术问题。
本发明提供的一种变压器绕组振动异常诊断方法,所述方法包括:
获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
可选地,所述根据所述当前负荷电流,计算第一仿真振动信号,包括:
计算所述当前负荷电流的绕组漏磁场,并从所述绕组漏磁场提取绕组幅向漏磁场;
根据所述当前负荷电流以及所述绕组幅向漏磁场,计算所述待测变压器的每饼绕组的轴向电动力;
构建绕组动力学方程,并将所述每饼绕组的轴向电动力代入所述绕组动力学方程,计算每饼绕组在所述当前负荷电流下的轴向振动加速度;
获取振动信号监测点,并计算每饼绕组的轴向振动加速度在所述振动信号监测点的第一仿真振动信号。
可选地,所述对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵,包括:
构建所述第一仿真振动信号对应的第一仿真振动矩阵,以及所述第一实际振动信号对应的第一实际振动矩阵;
分别将所述第一仿真振动矩阵以及所述第一实际振动矩阵,投影至预先构建的多阶特征向量矩阵,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵。
可选地,所述多阶特征向量矩阵的构建步骤,包括:
步骤S01:构建待测变压器的绕组有限元模型,并通过有限元方法,计算不同测试电流下的多个第二仿真振动信号;
步骤S02:采用与所述多个第二仿真振动信号相同的采样频率,在所述待测变压器的同一振动信号监测点,通过采样获得多个第二实际振动信号,每一所述第二仿真振动信号对应一个所述第二实际振动信号;
步骤S03:对所述多个第二仿真振动信号进行堆叠处理,构建第二仿真振动矩阵,同时对所述多个第二实际振动信号进行堆叠处理,构建第二实际振动矩阵;
步骤S04:求解所述第二实际振动矩阵的最佳矩阵阶数,并根据所述最佳矩阵阶数,构建多阶特征向量矩阵;
步骤S05:分别将所述第二仿真振动矩阵以及所述第二实际振动矩阵,投影至所述多阶特征向量矩阵,获得所述第二仿真振动矩阵对应的第二仿真振动投影矩阵,以及所述第二实际振动矩阵对应的第二实际振动投影矩阵。
可选地,所述求解所述第二实际振动矩阵的最佳矩阵阶数,并根据所述最佳矩阵阶数,构建多阶特征向量矩阵,包括:
对所述第二实际振动矩阵进行奇异值分解,确定所述第二实际振动矩阵对应的同阶特征向量矩阵以及同阶对角特征值矩阵;
根据所述同阶对角特征值矩阵,结合预设误差阈值,计算所述第二实际振动矩阵所对应多阶特征向量矩阵的最佳矩阵阶数;
按照所述最佳矩阵阶数,按顺序从所述同阶特征向量矩阵中选取相应阶数的特征向量矩阵作为多阶特征向量矩阵。
可选地,所述振动代理模型的训练步骤,包括:
构建深度学习神经网络;
将所述第二仿真振动投影矩阵的每一列作为输入,将所述第二实际振动投影矩阵的每一列作为输出,对所述深度学习神经网络进行振动预测训练,获得振动代理模型。
可选地,所述根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断,包括:
若所述余弦夹角值大于等于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构会发生改变,确定绕组振动状态异常;
若所述余弦夹角值小于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构不会发生改变,确定绕组振动状态正常。
本发明还提供了一种变压器绕组振动异常诊断装置,包括:
第一仿真振动信号计算模块,用于获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
多阶矩阵降阶投影处理模块,用于对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
振动异常预测模块,用于将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
振动异常诊断模块,用于计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
本发明还提供了一种电子设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的变压器绕组振动异常诊断方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如上任一项所述的变压器绕组振动异常诊断方法。
从以上技术方案可以看出,本发明具有以下优点:
针对现有技术中的不足,提供了一种变压器绕组振动异常诊断方法,首先获取待测变压器的当前负荷电流以及第一实际振动信号,并根据当前负荷电流,计算第一仿真振动信号;接着对第一仿真振动信号以及第一实际振动信号进行多阶矩阵降阶投影处理,获得第一仿真振动信号对应的第一仿真振动投影矩阵,以及第一实际振动信号对应的第一实际振动投影矩阵;然后将第一仿真振动投影矩阵输入至预训练振动代理模型,输出实际振动预测矩阵;接着计算实际振动预测矩阵与第一实际振动投影矩阵的余弦夹角值,以对待测变压器进行绕组振动异常诊断。从而通过多阶矩阵降阶投影方式,实现对计算矩阵的降阶,在降低计算成本的同时,可保持较高的预测准确性,同时,通过将仿真数据与监测数据相融合,解决了采用变压器振动纯仿真计算时遇到的建模精度要求高、计算耗时长、硬件要求高、不易收敛等问题,提高了计算效率、降低了计算成本。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明实施例提供的一种变压器绕组振动异常诊断方法的步骤流程图;
图2为本发明实施例提供的一种变压器绕组振动降阶代理模型建模流程示意图;
图3为本发明实施例提供的一种变压器绕组振动异常诊断方法的整体流程示意图;
图4为本发明实施例提供的一种变压器绕组振动异常诊断装置的结构框图。
具体实施方式
本发明实施例提供了一种变压器绕组振动异常诊断方法、装置、电子设备及介质,用于解决或部分解决现有的在对变压器绕组进行振动异常诊断时,计算耗时长、预测准确性低以及模型泛化性不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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。
作为一种示例,目前而言,通常采用仿真建模或数据建模方法开展对变压器的振动分析。对于仿真建模,当前主要采用变压器绕组振动动力学方程进行建模分析,但该方法仅能从物理机理层面对变压器振动提供定性分析。为提升仿真建模精度,相关技术人员选择采用数值仿真手段进行研究分析,但该方法需要构建精细化的三维仿真模型,且需要耦合电磁-结构力多场进行计算,存在建模精度要求高、计算耗时长、硬件要求高、不易收敛等问题。
基于此,越来越多技术人员采用数据建模方法评估变压器振动状态,基于振动监测信号的分析处理,提出了多种变压器绕组故障诊断方法,如基于短路电抗与振动信号进行联合分析,或者基于振动信号的交叉小波进行特征提取等,但基于数据建模的分析方法,属于“黑盒”模型,并没有考虑到变压器内部绕组结构尺寸等参数,也没有考虑到绕组振动的物理模型知识,因此,采用这种方式进行变压器振动分析,不仅对变压器内部绕组振动变化的可解释性不强,还存在物理一致性问题,导致模型泛化性不高。
因此,本发明实施例的核心发明点之一在于:融合绕组振动动力学方程与振动监测数据,提出一种嵌入振动物理知识的变压器绕组振动降阶代理模型建模方法,以及对应的变压器绕组振动异常诊断方法,通过不同电流下变压器实际振动监测数据构建高保真振动数据矩阵,并应用奇异值分解获得特征向量基,将变压器振动仿真计算数据与实际监测数据分别映射投影至特征向量基,以对计算矩阵进行降阶,在降低计算成本的同时,可保持较高的预测准确性。通过整合具有物理意义的变压器振动仿真计算数据,解决传统变压器振动监测评估中采用纯数据驱动方法可能存在的物理一致性问题,从而提高模型的泛化性、可解释性以及可靠性。同时,通过将仿真数据与监测数据相融合,解决采用变压器振动纯仿真计算时遇到的建模精度要求高、计算耗时长、硬件要求高、不易收敛等问题,提高计算效率、降低计算成本。
参照图1,示出了本发明实施例提供的一种变压器绕组振动异常诊断方法的步骤流程图,具体可以包括以下步骤:
步骤101,获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
在实际应用中,在对变压器进行绕组振动异常诊断之前,可以先采用大量仿真数据结合实际监测数据,构建一个多阶特征向量矩阵以及训练一个振动代理模型,以在进行实际计算时,可以基于构建好的多阶特征向量矩阵进行降阶处理,加快计算速度,并采用预先训练好的振动代理模型进行振动异常预测,提高异常诊断精确度。
则在具体的实现中,多阶特征向量矩阵的构建过程,主要可以包括如下步骤:
步骤S01:构建待测变压器的绕组有限元模型,并通过有限元方法,计算不同测试电流下的多个第二仿真振动信号;
在电力系统电磁仿真软件中,以饼为单元,构建待测变压器绕组二维轴对称有限元模型,接着采用有限元分析(Finite Element Analysis,FEA)方法,计算测试电流为I时绕组漏磁场B,并提取绕组幅向漏磁场B r 。
接着采用如下公式,计算每饼绕组受到的轴向电动力F i :
;
其中,B ri 表示第i饼绕组的幅向漏磁场,L i 表示第i饼绕组的圆周长度。
然后基于《变压器绕组非线性动力学模型及多次短路冲击下的振动特征》所公开方法,构建计及纸板力学非线性的绕组动力学方程,将每饼绕组的轴向电动力F i 代入绕组动力学方程后,计算出第i饼绕组在测试电流I下的轴向振动加速度波形V i ,其中,该波形表示振动幅值随时间变化的离散的振动加速度信号,假设该波形每秒的样本数为f s 个,即采样率为f s Hz。
在变压器油箱壁上选取振动信号监测点,计算每饼绕组轴向振动加速度V i 在该点处的第二仿真振动信号V f ,计算公式如下:
;
其中,W i 表示对应待测变压器中每饼绕组的权重,di为每饼绕组到箱壁振动信号监测点的距离,Num为绕组饼数,由于第二仿真振动信号V f 通过仿真计算获得,与实际监测振动信号不同,因此可以将其称为低保真振动信号。
步骤S02:采用与多个第二仿真振动信号相同的采样频率,在待测变压器的同一振动信号监测点,通过采样获得多个第二实际振动信号,每一第二仿真振动信号对应一个第二实际振动信号;
然后可以采用振动监测装置,以采样率f s 获取待测变压器油箱壁同一监测点处的第二实际振动信号V T ,与低保真振动信号相对地,由于第二实际振动信号V T 是实际采样获得,更代表箱壁的振动情况,因此可以将其称为高保真振动信号。
改变测试电流I,按照步骤S01至S02的步骤,可以获得对应不同负荷电流时的多对低保真-高保真振动信号(即第二仿真振动信号V f -第二实际振动信号V T ),假设为k对。
步骤S03:对多个第二仿真振动信号进行堆叠处理,构建第二仿真振动矩阵,同时对多个第二实际振动信号进行堆叠处理,构建第二实际振动矩阵;
接着对k对第二仿真振动信号V f 以及第二实际振动信号V T 分别堆叠,构建第二仿真振动矩阵M f 与第二实际振动矩阵M T:
;
;
其中,t p 表示采样时刻,考虑到计算效率,可取长度为f s 信号中的一段,p即为该段信号的长度。
步骤S04:求解第二实际振动矩阵的最佳矩阵阶数,并根据最佳矩阵阶数,构建多阶特征向量矩阵;
进一步地,步骤S04具体可以包括如下步骤:
步骤S041:对第二实际振动矩阵进行奇异值分解,确定第二实际振动矩阵对应的同阶特征向量矩阵以及同阶对角特征值矩阵;
首先,通过如下公式对第二实际振动矩阵M T进行奇异值分解(Singular ValueDecomposition,SVD):
;
其中,为k阶对角特征值矩阵,/>以及/>均表示与/>同阶的特征向量矩阵,其中,/>为对/>的正交输入或分析的基向量,/>表示对/>的正交输出的基向量,/>表示矩阵/>的共轭转置。
步骤S042:根据同阶对角特征值矩阵,结合预设误差阈值,计算第二实际振动矩阵所对应多阶特征向量矩阵的最佳矩阵阶数;
接着,计算能够满足下式的最小值N,即为所需的最佳矩阵阶数:
;
其中,为根据经验进行预先设置的误差阈值。
步骤S043:按照最佳矩阵阶数,按顺序从同阶特征向量矩阵中选取相应阶数的特征向量矩阵作为多阶特征向量矩阵。
当确定最佳矩阵阶数N后,按照下式获得N阶特征向量矩阵,即取原特征向量矩阵/>的前N列:
;
表示阶数为N的多阶特征向量矩阵。
步骤S05:分别将第二仿真振动矩阵以及第二实际振动矩阵,投影至多阶特征向量矩阵,获得第二仿真振动矩阵对应的第二仿真振动投影矩阵,以及第二实际振动矩阵对应的第二实际振动投影矩阵。
最后,按照下式,分别将第二仿真振动矩阵M f 以及第二实际振动矩阵M T,投影至多阶特征向量矩阵,获得投影后的第二仿真振动投影矩阵M fN 以及第二实际振动投影矩阵M TN :
;
其中,为/>的转置。
此时,矩阵M fN 与M TN 的维度均为N×k维,即经过投影,均将矩阵阶数从原来的k阶降到了N阶,实现了异常振动信号的降阶,以在后续振动异常预测过程中,可以基于降阶后的特征向量矩阵进行计算,降低计算成本,同时,经过降阶后获得的第二仿真振动投影矩阵M fN 以及第二实际振动投影矩阵M TN ,也可以作为模型训练数据集对构建的神经网络进行训练,获得用于进行绕组振动异常预测的振动代理模型。
进一步地,振动代理模型的构建训练过程,具体可以为:首先构建深度学习神经网络,如较为常用的长短时记忆神经网络(Long Short-term Memory Networks,LSTM)或循环神经网络(Recurrent Netural Network,RNN);将第二仿真振动投影矩阵的每一列作为输入,将第二实际振动投影矩阵的每一列作为输出,对深度学习神经网络进行振动预测训练,获得适用于待测变压器油箱壁同一振动信号监测点处的振动代理模型vibration_model。
其中,长短时记忆神经网络LSTM或循环神经网络RNN为常规的、公开的神经网络模型,其训练方法可参照现有相关技术,此处不再赘述。
为更好地进行说明,结合前述实施例内容,参照图2,示出了本发明实施例提供的一种变压器绕组振动降阶代理模型建模流程示意图。
首先,在电力系统电磁仿真软件中,绕组按饼为单元进行2D建模,计算不同电流下的漏磁场分布,接着计算每饼轴向电动力(电磁力),构建绕组动力学方程,基于绕组动力学方程,计算绕组非线性振动(低保真振动信号→低保真振动矩阵)。
同时,在变压器箱壁上同一监测点,通过采样获得实际振动(高保真振动信号→高保真振动矩阵),接着对高保真振动矩阵进行SVD分解(奇异值分解),确定阶数N,并基于阶数N以及高保真振动矩阵,构建N阶特征向量矩阵。
接着采用N阶特征向量矩阵,计算实际振动信号的高保真投影,以及低保真振动信号的低保真投影。
构建长短时记忆网络LSTM,将低保真投影作为输入,高保真投影作为输出,输入至长短时记忆网络LSTM进行模型训练,获得用于对变压器绕组振动进行在线预测与评估的振动代理模型。
接着可以将构建好的N阶特征向量矩阵,以及预先训练好的振动代理模型vibration_model、部署在用于监测变压器相关运行数据的装置(如监测装置或者边缘终端)上,以在实际应用中,对需要进行绕组振动异常诊断的变压器进行实时异常预测,并基于预测诊断结果,及时作出相应的措施。
从而具体地,在待测变压器的运行过程中,可以基于监测装置,获取待测变压器的当前负荷电流以及第一实际振动信号,接着可以基于仿真计算,根据当前负荷电流,计算第一仿真振动信号。
进一步地,根据当前负荷电流,计算第一仿真振动信号的过程,可以包括如下步骤:
步骤S11:计算当前负荷电流的绕组漏磁场,并从绕组漏磁场提取绕组幅向漏磁场;
步骤S12:根据当前负荷电流以及绕组幅向漏磁场,计算待测变压器的每饼绕组的轴向电动力;
步骤S13:构建绕组动力学方程,并将每饼绕组的轴向电动力代入绕组动力学方程,计算每饼绕组在当前负荷电流下的轴向振动加速度;
步骤S14:获取振动信号监测点,并计算每饼绕组的轴向振动加速度在振动信号监测点的第一仿真振动信号。
其中,步骤S11至步骤S14的计算过程,可以参照前述步骤S01的相关计算过程,此处不作赘述。
步骤102,对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
结合前述内容可知,轴向振动加速度波形V i 表示振动幅值随时间变化的离散的振动加速度信号,该波形每秒的样本数有多个,对应多个采样时刻,长度可以为取采样信号中的一段,相应地,测量的当前负荷电流也会随振动加速度信号发生变化,可以理解的是,当前负荷电流并不是指当前某一时刻的具体测量电流,而是对应某个很小测量时间段(与采样频率有关,如1秒或者数秒)内的电流,因此,在进行矩阵降阶处理之前,可以参照前述实施例中振动矩阵的构建方式,分别构建仿真振动信号以及实际振动信号的振动矩阵,并基于多阶特征向量矩阵,对所构建的振动矩阵进行降阶处理。
则在具体的实现中,步骤102的实现过程,进一步可以表示为:
首先构建第一仿真振动信号对应的第一仿真振动矩阵,以及第一实际振动信号对应的第一实际振动矩阵;分别将第一仿真振动矩阵以及第一实际振动矩阵,投影至预先构建的多阶特征向量矩阵,获得第一仿真振动信号对应的第一仿真振动投影矩阵A fN ,以及第一实际振动信号对应的第一实际振动投影矩阵A T 。
步骤103,将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
将第一仿真振动投影矩阵A fN 输入至振动代理模型vibration_model,计算得到实际振动预测矩阵A TN ,即,将通过仿真计算以及投影降阶后获得的低保真仿真振动信号,通过预先训练的振动代理模型进行振动预测计算,可以输出高保真预测振动信号。
步骤104,计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
接着可以计算实际振动预测矩阵A TN 与第一实际振动投影矩阵A T 的余弦夹角α,当α超过一个预设阈值β时,表明变压器内部结构极有可能会发生改变,评估状态为异常,以便提示运维人员进行变压器作进一步检测或者采取其他相应的措施。
在具体的实现中,根据余弦夹角值,对待测变压器进行绕组振动异常诊断,可以包括如下两种情况:
第一种情况,若余弦夹角值α大于等于预设余弦夹角阈值β,则表征待测变压器的内部绕组结构会发生改变,确定绕组振动状态异常;
第二种情况,若余弦夹角值α小于预设余弦夹角阈值β,则表征待测变压器的内部绕组结构不会发生改变,确定绕组振动状态正常。
需要说明的是,为使本领域技术人员更好地对类型相同但实际指向意义不同的数据进行区分,本发明实施例中对部分技术特征采用了第一,第二进行区分说明,如采用“第一”表示实际应用中所涉及的处理数据,采用“第二”表示多阶特征矩阵构建以及振动代理模型训练过程中所涉及的处理数据,第一,第二仅作为数据区分使用,并无其他特殊含义,可以理解的是,本发明对此不作限制。
同时,在求解振动仿真结果时,本发明实施例基于振动动力学仿真求解获得,在实际应用中,本领域技术人员也可以结合实际情况,采用基于电磁-结构耦合的有限元仿真方法计算获得;在进行降阶处理时,本发明实施例采用奇异值分解获得特征向量基,也可以采用现有方法中其他的降阶方法获得特征向量基,如Krylov子空间法、Gramain平衡降阶法、子空间平衡截断法等等;在进行模型构建训练时,本发明实施例采用的是长短时记忆神经网络LSTM或循环神经网络RNN训练模型,除此之外,也可采用其他深度学习模型训练,如Transformer方法等等,可以理解的是,本发明对此不作限制。
在本发明实施例中,融合绕组振动动力学方程与振动监测数据,提出了一种嵌入振动物理知识的变压器绕组振动降阶代理模型建模方法,以及对应的变压器绕组振动异常诊断方法,通过不同电流下变压器实际振动监测数据构建高保真振动数据矩阵,并应用奇异值分解获得特征向量基,将变压器振动仿真计算数据与实际监测数据分别映射投影至特征向量基,对计算矩阵进行降阶,在降低计算成本的同时,可保持较高的预测准确性。通过整合具有物理意义的变压器振动仿真计算数据,解决了传统变压器振动监测评估中采用纯数据驱动方法可能存在的物理一致性问题,从而提高了模型的泛化性、可解释性以及可靠性。同时,通过将仿真数据与监测数据相融合,解决了采用变压器振动纯仿真计算时遇到的建模精度要求高、计算耗时长、硬件要求高、不易收敛等问题,提高了计算效率、降低了计算成本。
为了更好地进行说明,参照图3,示出了本发明实施例提供的一种变压器绕组振动异常诊断方法的整体流程示意图,需要指出的是,本实施例仅以变压器绕组振动异常诊断的大体流程进行简要性说明,各个步骤的具体实现过程可参照前述实施例中的相关内容进行参照理解即可,此处不作赘述,可以理解的是,本发明对此不作限制。
本发明实施例中变压器绕组振动异常诊断的整体流程主要可以分为两部分,第一部分是构建多阶特征向量矩阵以及振动代理模型,第二部分是采用预先构建的多阶特征向量矩阵以及振动代理模型对变压器绕组振动进行在线预测与评估,其中:
(一)构建多阶特征向量矩阵以及振动代理模型
步骤301:构建待测变压器的绕组有限元模型,并通过有限元方法,计算不同测试电流下的低保真振动信号,同时通过采样获得同一监测点的实际振动信号作为高保真振动信号,并基于低保真振动信号以及高保真振动信号,构建k组振动信号对;
步骤302:对k组振动信号对进行分别堆叠,构建低保真振动矩阵以及高保真振动矩阵,接着对高保真振动矩阵进行奇异值分解,并计算出所需阶数N,进一步构建N阶特征向量矩阵;
步骤303:将低保真振动矩阵以及高保真振动矩阵分别投影至N阶特征向量矩阵,获得投影后的低保真振动矩阵以及高保真振动矩阵;
步骤304:建立深度学习神经网络,以投影后低保真振动矩阵作为输入,投影后高保真振动矩阵作为输出,对深度学习神经网络进行训练,获得振动代理模型,并将N阶特征向量矩阵以及振动代理模型部署至监测装置。
(二)对变压器绕组振动进行在线预测与评估
步骤305:获取待测变压器的当前负荷电流以及实际振动信号,并根据当前负荷电流,计算仿真振动信号;
步骤306:对仿真振动信号以及实际振动信号进行多阶矩阵降阶投影处理,获得仿真振动信号对应的仿真振动投影矩阵,以及实际振动信号对应的实际振动投影矩阵;
步骤307:将仿真振动投影矩阵输入至振动代理模型进行振动预测,获得实际振动预测矩阵;
步骤308:计算实际振动预测矩阵与实际振动投影矩阵之间的余弦夹角值,并根据余弦夹角值,对待测变压器进行绕组振动异常诊断。
参照图4,示出了本发明实施例提供的一种变压器绕组振动异常诊断装置的结构框图,具体可以包括:
第一仿真振动信号计算模块401,用于获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
多阶矩阵降阶投影处理模块402,用于对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
振动异常预测模块403,用于将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
振动异常诊断模块404,用于计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
在一种可选实施例中,所述第一仿真振动信号计算模块401包括:
绕组幅向漏磁场计算模块,用于计算所述当前负荷电流的绕组漏磁场,并从所述绕组漏磁场提取绕组幅向漏磁场;
轴向电动力计算模块,用于根据所述当前负荷电流以及所述绕组幅向漏磁场,计算所述待测变压器的每饼绕组的轴向电动力;
轴向振动加速度计算模块,用于构建绕组动力学方程,并将所述每饼绕组的轴向电动力代入所述绕组动力学方程,计算每饼绕组在所述当前负荷电流下的轴向振动加速度;
第一仿真振动信号计算子模块,用于获取振动信号监测点,并计算每饼绕组的轴向振动加速度在所述振动信号监测点的第一仿真振动信号。
在一种可选实施例中,所述多阶矩阵降阶投影处理模块402包括:
振动矩阵第一构建模块,用于构建所述第一仿真振动信号对应的第一仿真振动矩阵,以及所述第一实际振动信号对应的第一实际振动矩阵;
多阶特征向量矩阵第一投影模块,用于分别将所述第一仿真振动矩阵以及所述第一实际振动矩阵,投影至预先构建的多阶特征向量矩阵,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵。
在一种可选实施例中,所述装置还包括:
第二仿真振动信号计算模块,用于执行步骤S01:构建待测变压器的绕组有限元模型,并通过有限元方法,计算不同测试电流下的多个第二仿真振动信号;
第二实际振动信号采样模块,用于执行步骤S02:采用与所述多个第二仿真振动信号相同的采样频率,在所述待测变压器的同一振动信号监测点,通过采样获得多个第二实际振动信号,每一所述第二仿真振动信号对应一个所述第二实际振动信号;
振动矩阵二构建模块,用于执行步骤S03:对所述多个第二仿真振动信号进行堆叠处理,构建第二仿真振动矩阵,同时对所述多个第二实际振动信号进行堆叠处理,构建第二实际振动矩阵;
多阶特征向量矩阵构建模块,用于执行步骤S04:求解所述第二实际振动矩阵的最佳矩阵阶数,并根据所述最佳矩阵阶数,构建多阶特征向量矩阵;
多阶特征向量矩阵第一投影模块,用于执行步骤S05:分别将所述第二仿真振动矩阵以及所述第二实际振动矩阵,投影至所述多阶特征向量矩阵,获得所述第二仿真振动矩阵对应的第二仿真振动投影矩阵,以及所述第二实际振动矩阵对应的第二实际振动投影矩阵。
在一种可选实施例中,所述多阶特征向量矩阵构建模块包括:
奇异值分解模块,用于对所述第二实际振动矩阵进行奇异值分解,确定所述第二实际振动矩阵对应的同阶特征向量矩阵以及同阶对角特征值矩阵;
最佳矩阵阶数计算模块,用于根据所述同阶对角特征值矩阵,结合预设误差阈值,计算所述第二实际振动矩阵所对应多阶特征向量矩阵的最佳矩阵阶数;
特征向量矩阵选取模块,用于按照所述最佳矩阵阶数,按顺序从所述同阶特征向量矩阵中选取相应阶数的特征向量矩阵作为多阶特征向量矩阵。
在一种可选实施例中,所述装置还包括:
深度学习神经网络构建模块,用于构建深度学习神经网络;
振动代理模型训练模块,用于将所述第二仿真振动投影矩阵的每一列作为输入,将所述第二实际振动投影矩阵的每一列作为输出,对所述深度学习神经网络进行振动预测训练,获得振动代理模型。
在一种可选实施例中,所述振动异常诊断模块404具体用于:
若所述余弦夹角值大于等于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构会发生改变,确定绕组振动状态异常;
若所述余弦夹角值小于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构不会发生改变,确定绕组振动状态正常。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述得比较简单,相关之处参见前述方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,设备包括处理器以及存储器:
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行本发明任一实施例的变压器绕组振动异常诊断方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行本发明任一实施例的变压器绕组振动异常诊断方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种变压器绕组振动异常诊断方法,其特征在于,包括:
获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
2.根据权利要求1所述的变压器绕组振动异常诊断方法,其特征在于,所述根据所述当前负荷电流,计算第一仿真振动信号,包括:
计算所述当前负荷电流的绕组漏磁场,并从所述绕组漏磁场提取绕组幅向漏磁场;
根据所述当前负荷电流以及所述绕组幅向漏磁场,计算所述待测变压器的每饼绕组的轴向电动力;
构建绕组动力学方程,并将所述每饼绕组的轴向电动力代入所述绕组动力学方程,计算每饼绕组在所述当前负荷电流下的轴向振动加速度;
获取振动信号监测点,并计算每饼绕组的轴向振动加速度在所述振动信号监测点的第一仿真振动信号。
3.根据权利要求1所述的变压器绕组振动异常诊断方法,其特征在于,所述对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵,包括:
构建所述第一仿真振动信号对应的第一仿真振动矩阵,以及所述第一实际振动信号对应的第一实际振动矩阵;
分别将所述第一仿真振动矩阵以及所述第一实际振动矩阵,投影至预先构建的多阶特征向量矩阵,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵。
4.根据权利要求3所述的变压器绕组振动异常诊断方法,其特征在于,所述多阶特征向量矩阵的构建步骤,包括:
步骤S01:构建待测变压器的绕组有限元模型,并通过有限元方法,计算不同测试电流下的多个第二仿真振动信号;
步骤S02:采用与所述多个第二仿真振动信号相同的采样频率,在所述待测变压器的同一振动信号监测点,通过采样获得多个第二实际振动信号,每一所述第二仿真振动信号对应一个所述第二实际振动信号;
步骤S03:对所述多个第二仿真振动信号进行堆叠处理,构建第二仿真振动矩阵,同时对所述多个第二实际振动信号进行堆叠处理,构建第二实际振动矩阵;
步骤S04:求解所述第二实际振动矩阵的最佳矩阵阶数,并根据所述最佳矩阵阶数,构建多阶特征向量矩阵;
步骤S05:分别将所述第二仿真振动矩阵以及所述第二实际振动矩阵,投影至所述多阶特征向量矩阵,获得所述第二仿真振动矩阵对应的第二仿真振动投影矩阵,以及所述第二实际振动矩阵对应的第二实际振动投影矩阵。
5.根据权利要求4所述的变压器绕组振动异常诊断方法,其特征在于,所述求解所述第二实际振动矩阵的最佳矩阵阶数,并根据所述最佳矩阵阶数,构建多阶特征向量矩阵,包括:
对所述第二实际振动矩阵进行奇异值分解,确定所述第二实际振动矩阵对应的同阶特征向量矩阵以及同阶对角特征值矩阵;
根据所述同阶对角特征值矩阵,结合预设误差阈值,计算所述第二实际振动矩阵所对应多阶特征向量矩阵的最佳矩阵阶数;
按照所述最佳矩阵阶数,按顺序从所述同阶特征向量矩阵中选取相应阶数的特征向量矩阵作为多阶特征向量矩阵。
6.根据权利要求4或5所述的变压器绕组振动异常诊断方法,其特征在于,所述振动代理模型的训练步骤,包括:
构建深度学习神经网络;
将所述第二仿真振动投影矩阵的每一列作为输入,将所述第二实际振动投影矩阵的每一列作为输出,对所述深度学习神经网络进行振动预测训练,获得振动代理模型。
7.根据权利要求1至5任一项所述的变压器绕组振动异常诊断方法,其特征在于,所述根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断,包括:
若所述余弦夹角值大于等于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构会发生改变,确定绕组振动状态异常;
若所述余弦夹角值小于预设余弦夹角阈值,则表征所述待测变压器的内部绕组结构不会发生改变,确定绕组振动状态正常。
8.一种变压器绕组振动异常诊断装置,其特征在于,包括:
第一仿真振动信号计算模块,用于获取待测变压器的当前负荷电流以及第一实际振动信号,并根据所述当前负荷电流,计算第一仿真振动信号;
多阶矩阵降阶投影处理模块,用于对所述第一仿真振动信号以及所述第一实际振动信号进行多阶矩阵降阶投影处理,获得所述第一仿真振动信号对应的第一仿真振动投影矩阵,以及所述第一实际振动信号对应的第一实际振动投影矩阵;
振动异常预测模块,用于将所述第一仿真振动投影矩阵输入至预训练的振动代理模型进行振动预测,获得实际振动预测矩阵;
振动异常诊断模块,用于计算所述实际振动预测矩阵与所述第一实际振动投影矩阵之间的余弦夹角值,并根据所述余弦夹角值,对所述待测变压器进行绕组振动异常诊断。
9.一种电子设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的变压器绕组振动异常诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的变压器绕组振动异常诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618601.4A CN117370916B (zh) | 2023-11-30 | 2023-11-30 | 变压器绕组振动异常诊断方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311618601.4A CN117370916B (zh) | 2023-11-30 | 2023-11-30 | 变压器绕组振动异常诊断方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370916A true CN117370916A (zh) | 2024-01-09 |
CN117370916B CN117370916B (zh) | 2024-02-23 |
Family
ID=89395017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311618601.4A Active CN117370916B (zh) | 2023-11-30 | 2023-11-30 | 变压器绕组振动异常诊断方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370916B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150169393A1 (en) * | 2013-12-13 | 2015-06-18 | Hitachi High-Technologies Corporation | Anomaly detecting method, and apparatus for the same |
CN115809583A (zh) * | 2022-12-22 | 2023-03-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pod的变压器振动场数字孪生模型降阶方法 |
-
2023
- 2023-11-30 CN CN202311618601.4A patent/CN117370916B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150169393A1 (en) * | 2013-12-13 | 2015-06-18 | Hitachi High-Technologies Corporation | Anomaly detecting method, and apparatus for the same |
CN115809583A (zh) * | 2022-12-22 | 2023-03-17 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于pod的变压器振动场数字孪生模型降阶方法 |
Non-Patent Citations (2)
Title |
---|
JI SHENGCHANG ET AL: "The application of vibration method in monitoring the condition of transformer winding", 《HIGH VOLTAGE ENGINEERING》, vol. 28, no. 4, 31 December 2012 (2012-12-31), pages 12 - 15 * |
汪金刚 等: "直流偏磁下的变压器振动仿真与试验", 《电机与控制学报》, no. 1, 15 January 2015 (2015-01-15), pages 62 - 71 * |
Also Published As
Publication number | Publication date |
---|---|
CN117370916B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275148B (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
CN110780164B (zh) | 基于yolo的绝缘子红外故障定位诊断方法及装置 | |
CN116417013B (zh) | 水下推进器故障诊断方法及系统 | |
CN108994088A (zh) | 基于pca降维与dbn网络的hagc缸故障诊断方法及装置 | |
CN117349102B (zh) | 数字孪生运维数据质量检验方法、系统和介质 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN117370916B (zh) | 变压器绕组振动异常诊断方法、装置、电子设备及介质 | |
CN117033981B (zh) | 一种海缆故障检测方法、装置、设备和介质 | |
CN113904915A (zh) | 一种基于物联网的电力通信智能故障分析方法及系统 | |
CN115616470B (zh) | 电流互感器计量误差状态预测方法、系统、设备及介质 | |
CN116861740A (zh) | 一种变压器温度检测方法、装置、介质 | |
CN106680707B (zh) | 双浮子瓦斯继电器重瓦斯动作整定值校验方法、装置及系统 | |
CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
CN110287625A (zh) | 存储系统性能评估装置、方法、电子设备及存储介质 | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 | |
CN115878391A (zh) | 磁盘异常的检测方法及装置 | |
CN113850292A (zh) | 故障知识库生成式更新方法、系统、电子设备及介质 | |
Zhou et al. | Influence of characteristic parameters of signal on fault feature extraction of singular value method | |
CN117669388B (zh) | 故障样本生成方法、装置、计算机介质 | |
CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
CN112819647B (zh) | 一种电网故障后暂态稳定性实时预测方法及装置 | |
CN117949884B (zh) | 一种基于机器学习的电能质量和电压监测校准方法及系统 | |
CN113537289A (zh) | 通过样本掺杂来训练目标设备的设备模型的方法及系统 | |
CN117538680A (zh) | 一种输电导线故障监测方法、系统、设备和介质 |
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 |