CN117371339A - 基于物联网的变压器运行监测系统 - Google Patents

Abstract

本发明涉及变压器监测技术领域，具体涉及基于物联网的变压器运行监测系统。该系统包括：数据采集模块：采集变压器温度、电流及六氟化硫含量数据；数据处理模块：根据电流数据的正负变化得到电流正弦偏移序列；根据电流正弦偏移序列及温度、六氟化硫含量数据得到各分歧异质性矩阵；结合奇异值分解法得到各分歧异质性矩阵的特征值向量；根据各特征值向量得到各时间窗口的非稳态指数；预警模块：根据所有时间窗口的非稳态指数结合LSTM神经网络进行隐患评估。从而实现变压器运行监测，相比人工变压器巡查监测降低了检测时间，避免了因环境噪声的异常信号值影响检测结果的问题，提高变压器检测的准确率。

Description

基于物联网的变压器运行监测系统

技术领域

本发明涉及变压器监测技术领域，具体涉及基于物联网的变压器运行监测系统。

背景技术

变压器是电力系统中常见的电器设备，通常用于改变交流电电压的大小，基本由主绕线组、副绕线组和铁芯组成。主绕线组对应变压器的输入侧，通常与供电端相连；副绕线组对应变压器的输出侧，通常与负载设备相连；铁芯是将主绕线组和副绕线组联系在一起的磁性材料，通常是铁柱或硅钢片，主要用于传递磁场实现电能的传输。变压器具备广泛的用途：电压变化、电流变换、绝缘隔离、电力传输、电力分配和电能转换等方面。

变压器已经普及在日常生活的方方面面，但是在变压器的日常使用中会存在相应的故障，如电路故障、负载变化故障、接头温度异常和绝缘介质泄露等故障问题。由于变压器通常部署在街头小巷中，所处环境复杂多变，故障因素错综复杂，因此为变压器的运行监测带来较大困难。

综上所述，本发明提出了基于物联网的变压器运行监测系统，采集变压器的温度、电流、六氟化硫含量数据，根据各类变压器数据变化得到各分歧异质性矩阵；结合奇异值分解法得到各分歧异质性矩阵的特征值向量；根据各特征值向量得到各时间窗口的非稳态指数，结合LSTM神经网络进行隐患评估，实现变压器运行监测，具有较高检测结果准确性。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于物联网的变压器运行监测系统，所采用的技术方案具体如下：

本发明提出了基于物联网的变压器运行监测系统，所述系统包括：

数据采集模块：采集变压器温度、电流及六氟化硫含量数据；

数据处理模块：将预设时间长度作为一个时间窗口；在各时间窗口内，将所有变压器数据输入DTC时间序列聚类模型得到关于时间的各聚类簇，记为各时间簇；根据各类变压器数据得到各时间簇的温度、电流及六氟化硫含量分序列；在各时间簇中，根据电流分序列中数据变化趋势结合STL时序分解算法得到时间簇的电流趋势递变性及随机紊乱性；根据电流趋势递变性及随机紊乱性得到时间簇的电流紊乱系数；根据各时间簇的电流紊乱系数得到各时间簇的电流分歧量；根据各时间簇的电流分歧量及变分模态分解算法得到各时间簇的电流紊乱模态矩阵；根据电流紊乱模态矩阵得到各时间簇的电流分歧异质性矩阵；通过电流分歧异质性矩阵的计算方法分别获取各时间簇的温度及六氟化硫含量分歧异质性矩阵；通过奇异值分解法获取各分歧异质性矩阵的每个特征值；将各分歧异质性矩阵的所有特征值组成的向量作为各分歧异质性矩阵的特征值向量；根据各分歧异质性矩阵的特征值向量得到变压器的综合潜在隐患矩阵；根据分歧异质性矩阵及综合潜在隐患矩阵得到时间窗口的非稳态指数；

预警模块：根据各时间窗口的非稳态指数及LSTM神经网络进行变压器运行监测。

优选的，所述根据各类变压器数据得到各时间簇的温度、电流及六氟化硫含量分序列，具体为：

将各时间簇内所有温度数据组成的序列作为各时间簇的温度分序列；通过温度序列获取方法得到各时间簇的六氟化硫含量分序列；

通过最小二乘法对电流数据进行拟合得到电流的正弦拟合曲线；将各时刻电流实际值与正弦拟合曲线上对应时刻电流值的差值绝对值作为各时刻电流的正弦偏移量；将各时间簇内所有所述正弦偏移量组成的序列作为各时间簇的电流分序列。

优选的，所述根据电流分序列中数据变化趋势结合STL时序分解算法得到时间簇的电流趋势递变性及随机紊乱性，具体包括：

通过STL时序分解算法对各电流分序列进行分解得到各电流分序列中所有时刻的趋势项及随机项；

对于各时间簇的电流分序列，获取电流分序列中所有时刻趋势项的最小值，记为最小趋势项；计算最小趋势项与剩余各时刻趋势项的差值，记为第一差值；计算最小趋势项与剩余各时刻趋势项的对应时刻之间的差值，记为第二差值；计算各时刻的第一差值与第二差值的比值；计算所有所述比值的均值；将所述均值作为时间簇的电流趋势递变性；

计算电流分序列中所有时刻随机项的均值；计算各时刻随机项与所述均值的差值绝对值；计算所有所述差值绝对值的平均值；将所述平均值作为时间簇的电流随机紊乱性。

优选的，所述根据电流趋势递变性及随机紊乱性得到时间簇的电流紊乱系数，具体包括：

计算电流分序列中所有数据的信息熵；计算时间簇的电流趋势递变性、电流随机紊乱性及所述信息熵的和值；将所述和值作为时间簇的电流紊乱系数。

优选的，所述根据各时间簇的电流紊乱系数得到各时间簇的电流分歧量，具体包括：

计算除第k个时间簇外剩余所有时间簇的电流紊乱系数的均值和标准差；计算第k个时间簇的电流紊乱系数与所述均值的差值；计算所述差值与所述标准差的比值绝对值；将所述比值绝对值作为第k个时间簇的电流分歧量。

优选的，所述根据各时间簇的电流分歧量及变分模态分解算法得到各时间簇的电流紊乱模态矩阵，具体包括：

对于各电流分序列，通过变分模态分解算法对电流分序列进行分解得到电流分序列中每个数据的各模态分量；将电流分序列中每个数据的各模态分量组成的矩阵作为电流分序列的模态矩阵；

将各时间簇的电流分歧量与对应电流分序列的模态矩阵的乘积作为各时间簇的电流紊乱模态矩阵。

优选的，所述根据电流紊乱模态矩阵得到各时间簇的电流分歧异质性矩阵，具体包括：

计算第k个时间簇与剩余各时间簇的电流紊乱模态矩阵中相同位置元素的差值绝对值，计算所有所述相同位置元素的差值绝对值的均值；将所述均值作为电流分歧异质性矩阵对应位置的元素值；将所有位置的元素值组成的矩阵作为电流分歧异质性矩阵。

优选的，所述根据各分歧异质性矩阵的特征值向量得到变压器的综合潜在隐患矩阵，具体包括：

将所有电流分歧异质性矩阵的特征值向量组成的矩阵作为电流的隐患体现矩阵；通过电流的隐患体现矩阵获取方式分别得到温度及六氟化硫含量的隐患体现矩阵；根据隐患体现矩阵得到变压器的综合潜在隐患矩阵中各元素值，表达式为：

式中，为变压器的综合潜在隐患矩阵中第c行第d列的元素值，为电流、温度和含量三个隐患体现矩阵两两组合的组合数量，为第n类数据隐患体现矩阵的第c个 特征值向量，表示在时间窗中第m类数据隐患体现矩阵的第d个特征值向量，I为电流， W为温度，Q为含量；

将各元素值组成的矩阵作为变压器的综合潜在隐患矩阵。

优选的，所述根据分歧异质性矩阵及综合潜在隐患矩阵得到时间窗口的非稳态指数，具体包括：

计算各分歧异质性矩阵的F范数；计算所有所述F范数的和值；计算综合潜在隐患矩阵的F范数与所述和值的乘积；将所述乘积作为时间窗口的非稳态指数。

优选的，所述根据各时间窗口的非稳态指数及LSTM神经网络进行变压器运行监测，具体包括：

将所有时间窗口的非稳态指数组成的序列作为变压器的非稳态指数序列；将所有温度数据组成的序列作为温度序列；通过温度序列的获取方法得到电流及六氟化硫含量序列；将变压器的非稳态指数序列与温度、电流及六氟化硫含量序列输入LSTM神经网络进行隐患评估，LSTM神经网络的输出为当前时间窗口的变压器隐患评估系数；当变压器隐患评估系数大于预设异常阈值时，变压器运行异常；反之则变压器运行正常。

本发明具有如下有益效果：

本发明通过在变压器上部署监测模块获取变压器温度、电流及六氟化硫含量数 据，通过网络模块将数据上传至物联网云端服务器，在服务器上进行数据分析处理。与传统 方式相比，本实施例在变压器上部署监测模块和网络模块，结合物联网技术将监测数据上 传至云端服务器，相比人工变压器巡查监测降低了检测时间。此外根据单类变压器数据构 建分歧异质性矩阵，避免因单个时刻采样数据失真对检测结果的误导，结合电流数据、温度 数据和含量数据构建各时间窗口的非稳态指数，结合LSTM神经网络进行变压器运行监 测，避免了因环境噪声的异常信号值影响检测结果的问题，提高变压器检测的准确率；

本发明根据电流数据的正负变化得到电流正弦偏移序列，使电流正弦偏移序列中的数据波动与温度、六氟化硫含量数据的波动类似，方便对数据进行统一处理；在各时间窗口内，结合STL时序分解算法分析各类数据分序列中各类数据变化趋势和紊乱度，得到各类数据分序列紊乱系数；计算各时间簇的电流分歧量，结合模态分解得到电流分歧异质性矩阵，结合奇异值分解法得到特征值向量，构建变压器的综合潜在隐患矩阵，结合各类数据的分歧异质性矩阵得到各时间窗口变压器的非稳态指数，将所有时间窗口的非稳态指数输入LSTM神经网络进行隐患评估，网络的输出为当前时刻的隐患评估结果，下发到社区变电站，实现对变压器运行的检测，提高变压器运行监测的准确率。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的基于物联网的变压器运行监测系统框图；

图2为变压器运行监测示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于物联网的变压器运行监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于物联网的变压器运行监测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于物联网的变压器运行监测系统框图，该系统包括：数据采集模块101、数据处理模块102、预警模块103。

变压器作为电力系统中重要的电力设备，其运行的安全性和稳定性关乎到居民生活和生产发展，当变压器出现故障时，会威胁居民日常生活和社会生产安全，因此需要对变压器的运行进行监测，避免故障的发生，降低经济财产损失。变压器运行监测示意图如图2所示，本实施例以社区变压器为例，在电力系统中往往一个社区对应一个变电站，社区管辖下所有小区供电都由该变电站提供，共同组成社区供电网，针对变压器上部署监测模块，获取变压器运行时的各类数据，此外还部署网络模块，用于将监测模块的数据上传到云端服务器，通过在云端服务器进行分析处理，将社区电网中的变压器运行状况数据传输给变电站，帮助变电站工作人员对社区电网中变压器进行巡查和维护，提高对变压器运行的稳定性，降低因变压器故障造成的经济财产损失。

数据采集模块101，采集变压器的温度、电流、六氟化硫含量数据。

为了实现对变压器运行状态进行监测，通过对在社区电网中每个变压器上部署数 据监测模块获取变压器运行数据。监测模块主要有温度传感器、电流传感器和六氟化硫（）气体变送器。温度传感器采用绕组温度计，将温度传感器感应接头与变压器绕组连接； 电流传感器采用开环式电流传感器，将电流传感器与变压器接线连接；气体变送器内置 有气体传感器，能够检测变压器内绝缘气体的含量。

通过数据监测模块得到变压器的各类数据，分别为：温度数据、电流数据、六氟化 硫（）含量数据。监测模块获得的数据都是离散的时间序列，是对变压器连续的运行数据 采样得到。为了精确获得变压器的运行数据，本实施例设置采样间隔为u毫秒，需要说明的 是，u的值实施者可自行设定，本实施例将u的值设定为1。通过监测模块能够获得变压器运 行时的关键数据，通过网络模块将数据上传至腾讯IoT物联网云计算平台，在服务器上进行 数据的分析处理。

数据处理模块102，根据各类变压器数据结合DTC时间序列聚类模型得到各时间簇，根据各类变压器数据的变化得到每个时间簇各类变压器数据的分歧异质性矩阵；结合奇异值分解法得到各分歧异质性矩阵的特征值向量；根据各特征值向量得到各时间窗口的非稳态指数。

由于变压器上的监测模块能够不间断获取变压器数据，当采集足够时间时，积累 的数据长度接近无限长，不利于计算器分析。因此将秒的时间长度作为一个时间窗口， 需要说明的是，的值实施者可自行设定，本实施例不做具体限制。在单个时间窗口内，每个 时刻都对应一个温度、电流及六氟化硫含量数据，将所有时刻对应的这些变压器数据作为 输入，将其输入到DTC时间序列聚类模型中，对所有的时刻进行聚类得到各个关于时刻的聚 类簇，记为各时间簇。此外由于获取的三类变压器数据的单位和大小并不一致，因此对各类 变压器数据进行归一化。

将各类变压器数据分别按时间升序排列得到温度序列、电流序列、含量序 列，监测得到的温度序列、电流序列、含量序列都是时序离散序列，但是电流序列是交流信号，会出现电流值的正负交替，为了实现三类变压器数据的统一分析，需要对电 流序列进行处理，具体为：

在变压器运行不稳定时，电流数据受内部电子器件的影响可能出现波动失真，严重时造成负载短路。但是在理想状态下，电流数据为纯净的正弦信号，变化频率固定不变。在单个时间窗口内，将电流序列中所有时刻的电流数据通过最小二乘法进行正弦拟合得到电流数据的正弦拟合曲线，其中，最小二乘法为公知技术，具体过程不再赘述。将各时刻采集到的实际电流数据与正弦拟合曲线上对应时刻的电流数据的差值绝对值作为各时刻电流数据的正弦偏移量；将所有时刻电流数据的正弦偏移量按时间升序排列组成的序列作为电流正弦偏移序列。

当变压器运行越稳定，且电网中电流越纯净时，得到的电流数据的变化曲线与理想正弦信号曲线越接近，采集到的实际电流数据与正弦拟合曲线上对应时刻的电流数据越接近，两者之间的差值越小，从而电流正弦偏移序列中的每个元素值都很小。相反，当变压器运行越不稳定，电流波动越大，实际电流值与正弦拟合曲线上的数值之间的差值越大，电流正弦偏移序列中的元素值波动越大。

通过获取电流的正弦偏移序列，实现将交流变化的电流序列转变为具有与温度序 列、含量序列相似波动的序列，以便能够采用相同的方式进行分析处理。

在单个时间窗口内，对于每个时间簇中的各类数据，将时间簇中所有温度数据组 成的时间序列作为温度分序列，将所有含量数据组成的时间序列作为含量分序列，而 对于电流数据，将时间簇内包含的电流的正弦偏移序列作为该时间簇内电流分序列。至此 得到单个时间窗口内各类数据的各个分序列。在变压器运行稳定时，采集到的各类数据应 当较为稳定或在小范围内波动，但是当变压器运行失衡时，对应各类数据的数值会存在较 大范围的波动。此外由于环境噪声的干扰也会使数据出现一定程度的波动，为变压器运行 状态检测造成干扰。因此需要在服务器上对各类变压器数据进行分析，降低环境因素的干 扰。具体方法如下：

这里以电流数据为例，由于只通过方差判断数据的异常情况时，容易受到异常数 据的干扰，而得到的电流分序列是一个随机波动的信号，内部隐含一定的变化趋势和随机 变异电流。为了分析电流分序列内部的变化趋势和随机变化，本实施例采用基于LOESS局部 加权回归的STL时序分解算法进行信号分解，将电流分序列分解为电流趋势项、电流周期 项和电流随机项。其中STL时序分解算法为信号分解领域的公知技术，具体过程不再赘 述。

因此在单个时间窗口内，根据各时间簇的电流分序列分解的各项，来分析各个时间簇内变压器的电流紊乱系数，首先，根据各时间簇的电流分序列的电流趋势项计算各时间簇的电流趋势递变性，表达式为：

式中，为第k个时间簇的电流趋势递变性，为第k个时间簇内电流分序列中数 据的数量，为以e为底的指数函数，为第k个时间簇的电流分序列中第i个数据对应的 电流趋势项，为第k个时间簇的电流分序列中所有数据的电流趋势项的最小值，为 第k个时间簇的第i个数据对应的时刻，为上述电流趋势项的最小值对应的时刻， 并且要求。其中，为第一差值，为第二差值。

变压器运行越稳定，电流分序列中元素变化越小，各时刻数值越趋近于不变，从而 序列中数据的变化趋势，当对该序列通过STL时序分解算法进行信号分解时，得到的序列中 的趋势项越没有明显变化，各个采样时刻对应的趋势值与其中最小值之间的差值越小，因 此得到电流趋势递变性的值较小。表示两个趋势值对应时间的差值，从而表示单位时间趋势值的变化量，其值越小，趋势值变化越小，电流分序列中元素 变化趋势越相同，电流趋势递变性越小。

然后，根据各时间簇的电流分序列的电流随机项计算各时间簇的电流随机紊乱性，表达式为：

式中，为第k个时间簇的电流随机紊乱性，为第k个时间簇内电流分序列中数 据的数量，为第k个时间簇的电流分序列中第i个数据对应的电流随机项，为第k个时间 簇的电流分序列中所有数据的电流随机项的均值。

变压器运行越稳定，电流分序列中数据波动变化越小，则各数据的随机项的值相差越小，与其均值之间的差别越小，从而电流随机紊乱性越小。

最后结合各时间簇的电流趋势递变性及电流随机紊乱性计算各个时间簇内变压器的电流紊乱系数，表达式为：

式中，为第k个时间簇内变压器的电流紊乱系数，为第k个时间簇的电流趋势递 变性，为第k个时间簇的电流随机紊乱性，为第k个时间簇的电流分序列，为第k 个时间簇的电流分序列中所有数据的信息熵，、和分别为、和的权重，需 要说明的是，、和的值实施者可自行设定，本实施例将、和的值分别设置为 0.4、0.3、0.3，其中，信息熵为公知技术，具体过程不再赘述。

变压器运行越稳定，电流分序列内各个时刻的值越相同，混乱度越小，从而序列 的信息熵值越小；同时电流趋势递变性以及电流随机紊乱性越小；综上所述，当变压器运行 越稳定时，变压器的电流紊乱系数的值越小；反之，的值越大。

当遍历完单个时间窗口内所有的时间簇时，能够得到每个时间簇内变压器的电流紊乱系数。可能有些时间簇内变压器工作不稳定，而由于变压器有一定的自我纠正能力，会在部分时间簇内运行稳定，因此在单个时间窗口内对各个时间簇内变压器的电流紊乱系数进行修正计算每个时间簇的电流分歧量，表达式为：

式中，为第k个时间簇的电流分歧量，为第k个时间簇内变压器的电流紊乱系 数，和分别为剔除第k个时间簇后剩余时间簇的电流紊乱系数的均值和标准差。

在变压器工作稳定时，在时间窗口内各个时间簇信号变化幅度较小，由此得到时 间簇的电流紊乱系数较小，并且在时间窗口内各个时间簇的电流紊乱系数在均值附近小范 围波动，由此得到的电流分歧量较小。相反，当变压器工作不稳定时，可能单个时间簇的 波动较小，剔除该电流紊乱系数，均值和标准差均减小，由此得到的数值增大。

为了更好的分析电流分序列的变化规律，本实施例采用变分模态分解（VMD）算 法对每个时间簇的电流分序列进行模态分解，每个电流分序列分解为多个模态分量，本 实施例设置VMD分解的模态分量数量为，则序列中每个数据都对应8个模态分量，其 中VMD为公知技术，具体过程不再赘述，需要说明的是，模态分量数量实施者可自行设 定，本实施例不做具体限制。针对各个时刻数据的每个模态分量，构建电流模态矩阵，用 表示在单个时间窗口中第k个时间簇的电流分序列的电流模态矩阵，在中行向量表示模 态分量，列向量表示每个时刻数据的各个模态分量的数值。

在单个时间窗口内，由于电流分歧量能够反映时间簇内电流数据的差异情况， 因此根据电流分歧量对电流模态矩阵进行校正，构建每个时间簇的电流紊乱模态矩阵， 表达式为：

式中，为第k个时间簇的电流分序列的电流紊乱模态矩阵，为第k个时间簇的 电流分歧量，为第k个时间簇的电流分序列的电流模态矩阵。

当变压器运行不稳定时，得到的变压器的电流紊乱系数值较大，从而较大，对 电流模态矩阵进行放大；相反当变压器运行稳定时，对电流模态矩阵进行缩小。

在单个时间窗口内共划分个时间簇，由于各个时间簇内数据的变化能够得到对 应时间簇的电流紊乱模态矩阵，能够反映时间簇内电流信号的变化分布，但是在时间窗 口内各个时间簇的电流情况不同时，为衡量各个时间簇相较于剩余时间簇的电流差异情 况，构建得到各个时间簇的电流分歧异质性矩阵：

式中，为第k个时间簇的电流分歧异质性矩阵中第a行、第b列元素值， 为单个时间窗口内时间簇的个数，和分别为第k个和第m个电流分序列的电流 紊乱模态矩阵中第a行、第b列元素值。将通过上述公式得到的所有元素值组成的矩阵作为 第k个时间簇的电流分歧异质性矩阵。

当时间窗口内变压器运行稳定时，对应各个时间簇得到的电流紊乱系数的值较 小，使得对应时间簇的电流紊乱模态矩阵内元素的值较小，由此得到第k个时间族与剩余 时间族的差异较小，得到第k个时间簇的电流分歧异质性矩阵元素值较小。相反当时间窗 口内变压器运行不稳定时，各个时间簇的波动变化各不相同，当第k个时间内电流波动变化 较大时，得到与剩余时间簇的差异较大，最终使得元素值增大；当第k个时间族内电 流波动相对较小时，由于变压器整体运行不稳定，因此与剩余时间簇之间依旧存在一定的 差异，只是相比波动异常时间簇的值略小。

因此得到各个时间簇的电流分歧异质性矩阵，其能够反映各个时间簇与时间窗 口内剩余各时间簇的关系，为了进一步分析时间簇之间的变化关系。本实施例采用奇异值 分解对电流分歧异质性矩阵进行分解得到电流分歧异质性矩阵的各个特征值，将的 所有特征值组成的向量作为第k个时间簇的特征值向量，用表示。

在单个时间窗口内，遍历所有的时间簇，通过第k个时间簇的特征值向量的计算方 法得到各个时间簇对应的特征值向量，将所有的时间簇的特征值向量组成的矩阵作为变压 器的电流隐患体现矩阵。采用电流隐患体现矩阵相同的计算方式，得到温度数据对应的 变压器的温度隐患体现矩阵和含量数据对应的变压器的含量隐患体现矩阵，据 此计算单个时间窗口内变压器的综合潜在隐患矩阵，表达式为：

式中，为变压器的综合潜在隐患矩阵在第c行第d列的元素值，为电流、温度和含量三个隐患体现矩阵两两组合的数量，本实施例中，为第n类数据隐患体现 矩阵的第c个特征值向量，表示在时间窗中第m类数据隐患体现矩阵的第d个特征值向 量，n和m为电流、温度和含量数据。

在变压器工作稳定时，单个信号在时间窗口内能保持在相对稳定的值，得到变压器隐患体现矩阵中行向量之间的数值较小，同时电流数据、温度信号和气体浓度信号都可以保持相对稳定，因此不同信号的变压器隐患体现矩阵的行向量的数值较小，因此得到变压器的综合潜在隐患矩阵中元素的值减小。相反，当变压器工作不稳定时，各个信号的波动紊乱性较大，得到变压器隐患体现矩阵的行向量的数值较大，使得综合潜在隐患矩阵中元素的值增大。

至此，在单个时间窗口内得到变压器的综合潜在隐患矩阵，结合变压器的分歧异 质性矩阵得到变压器的非稳态指数：

式中，为变压器的非稳态指数，为计算矩阵的F范数，为变压器的综合潜在 隐患矩阵，为单个时间窗口内时间簇的个数，为第k个时间簇的第m类数据的分歧异质 性矩阵，且。

在变压器工作稳定时，单类数据之间能够在时间窗口内维持稳定的状态，使得分 歧异质性矩阵中的元素值较小，对应矩阵的F范数值较小。此外，多个信号能够维持在对 应的稳定状态，时间窗口内数值变化不大，因此得到的变压器的综合潜在隐患矩阵中元素 的值较小，最终使得变压器非稳态指数数值减小。相反，数值增大。

预警模块103，根据各时间窗口的非稳态指数结合LSTM神经网络进行隐患评估，将评估值下发给变电站。

对于单个时间窗口的变压器非稳态指数，当变压器运行越稳定时，的数值越 小；当变压器稳定性越差时，得到的数值越大。通过上述方法获取每个时间窗口的变压器 的非稳态指数，将所有时间窗口的非稳态指数组成的序列作为变压器的非稳态指数序列。 将所有时间窗口的温度数据组成的序列作为温度变化序列，将所有时间窗口的电流数据组 成的序列作为电流变化序列；将所有时间窗口的含量数据组成的序列作为含量变化 序列为了更好的进行变压器运行状态评估，本实施例采用LSTM神经网络进行隐患评估，神 经网络的输入是变压器非稳态指数序列、电流变化序列、温度变化序列和含量变 化序列，以数据库中变压器对应数据的故障情况作为标签数据，输出的是当前时间窗口 的变压器隐患评估系数，对应是的数值，当数值越大表明当前时间窗口变压器隐患系 数越高。设定异常阈值，当变压器隐患评估系数大于预设异常阈值时，变压器运行异 常；当变压器隐患评估系数小于等于预设异常阈值时，变压器运行正常。当变压器运行异常 时进行报警，并且将变压器隐患评估系数下发至变电站，为变压器维护技术人员提供参 考。

综上所述，本发明实施例通过在变压器上部署监测模块获取变压器温度、电流及 六氟化硫含量数据，通过网络模块将数据上传至物联网云端服务器，在服务器上进行数据 分析处理。与传统方式相比，本实施例在变压器上部署监测模块和网络模块，结合物联网技 术将监测数据上传至云端服务器，相比人工变压器巡查监测降低了检测时间。此外根据单 类变压器数据构建分歧异质性矩阵，避免因单个时刻采样数据失真对检测结果的误导，结 合电流数据、温度数据和含量数据构建各时间窗口的非稳态指数，结合LSTM神经网络进 行变压器运行监测，避免了因环境噪声的异常信号值影响检测结果的问题，提高变压器检 测的准确率；

本实施例根据电流数据的正负变化得到电流正弦偏移序列，使电流正弦偏移序列中的数据波动与温度、六氟化硫含量数据的波动类似，方便对数据进行统一处理；在各时间窗口内，结合STL时序分解算法分析各类数据分序列中各类数据变化趋势和紊乱度，得到各类数据分序列紊乱系数；计算各时间簇的电流分歧量，结合模态分解得到电流分歧异质性矩阵，结合奇异值分解法得到特征值向量，构建变压器的综合潜在隐患矩阵，结合各类数据的分歧异质性矩阵得到各时间窗口变压器的非稳态指数，将所有时间窗口的非稳态指数输入LSTM神经网络进行隐患评估，LSTM神经网络的输出为当前时刻的隐患评估结果，下发到社区变电站，实现对变压器运行的检测，提高变压器运行监测的准确率。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.基于物联网的变压器运行监测系统，其特征在于，所述系统包括：

数据采集模块：采集变压器温度、电流及六氟化硫含量数据；

数据处理模块：将预设时间长度作为一个时间窗口；在各时间窗口内，将所有变压器数据输入DTC时间序列聚类模型得到关于时间的各聚类簇，记为各时间簇；根据各类变压器数据得到各时间簇的温度、电流及六氟化硫含量分序列；在各时间簇中，根据电流分序列中数据变化趋势结合STL时序分解算法得到时间簇的电流趋势递变性及随机紊乱性；根据电流趋势递变性及随机紊乱性得到时间簇的电流紊乱系数；根据各时间簇的电流紊乱系数得到各时间簇的电流分歧量；根据各时间簇的电流分歧量及变分模态分解算法得到各时间簇的电流紊乱模态矩阵；根据电流紊乱模态矩阵得到各时间簇的电流分歧异质性矩阵；通过电流分歧异质性矩阵的计算方法分别获取各时间簇的温度及六氟化硫含量分歧异质性矩阵；通过奇异值分解法获取各分歧异质性矩阵的每个特征值；将各分歧异质性矩阵的所有特征值组成的向量作为各分歧异质性矩阵的特征值向量；根据各分歧异质性矩阵的特征值向量得到变压器的综合潜在隐患矩阵；根据分歧异质性矩阵及综合潜在隐患矩阵得到时间窗口的非稳态指数；

预警模块：根据各时间窗口的非稳态指数及LSTM神经网络进行变压器运行监测。

2.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据各类变压器数据得到各时间簇的温度、电流及六氟化硫含量分序列，具体为：

将各时间簇内所有温度数据组成的序列作为各时间簇的温度分序列；通过温度序列获取方法得到各时间簇的六氟化硫含量分序列；

通过最小二乘法对电流数据进行拟合得到电流的正弦拟合曲线；将各时刻电流实际值与正弦拟合曲线上对应时刻电流值的差值绝对值作为各时刻电流的正弦偏移量；将各时间簇内所有所述正弦偏移量组成的序列作为各时间簇的电流分序列。

3.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据电流分序列中数据变化趋势结合STL时序分解算法得到时间簇的电流趋势递变性及随机紊乱性，具体包括：

通过STL时序分解算法对各电流分序列进行分解得到各电流分序列中所有时刻的趋势项及随机项；

对于各时间簇的电流分序列，获取电流分序列中所有时刻趋势项的最小值，记为最小趋势项；计算最小趋势项与剩余各时刻趋势项的差值，记为第一差值；计算最小趋势项与剩余各时刻趋势项的对应时刻之间的差值，记为第二差值；计算各时刻的第一差值与第二差值的比值；计算所有所述比值的均值；将所述均值作为时间簇的电流趋势递变性；

计算电流分序列中所有时刻随机项的均值；计算各时刻随机项与所述均值的差值绝对值；计算所有所述差值绝对值的平均值；将所述平均值作为时间簇的电流随机紊乱性。

4.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据电流趋势递变性及随机紊乱性得到时间簇的电流紊乱系数，具体包括：

计算电流分序列中所有数据的信息熵；计算时间簇的电流趋势递变性、电流随机紊乱性及所述信息熵的和值；将所述和值作为时间簇的电流紊乱系数。

5.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据各时间簇的电流紊乱系数得到各时间簇的电流分歧量，具体包括：

计算除第k个时间簇外剩余所有时间簇的电流紊乱系数的均值和标准差；计算第k个时间簇的电流紊乱系数与所述均值的差值；计算所述差值与所述标准差的比值绝对值；将所述比值绝对值作为第k个时间簇的电流分歧量。

6.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据各时间簇的电流分歧量及变分模态分解算法得到各时间簇的电流紊乱模态矩阵，具体包括：

对于各电流分序列，通过变分模态分解算法对电流分序列进行分解得到电流分序列中每个数据的各模态分量；将电流分序列中每个数据的各模态分量组成的矩阵作为电流分序列的模态矩阵；

将各时间簇的电流分歧量与对应电流分序列的模态矩阵的乘积作为各时间簇的电流紊乱模态矩阵。

7.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据电流紊乱模态矩阵得到各时间簇的电流分歧异质性矩阵，具体包括：

计算第k个时间簇与剩余各时间簇的电流紊乱模态矩阵中相同位置元素的差值绝对值，计算所有所述相同位置元素的差值绝对值的均值；将所述均值作为电流分歧异质性矩阵对应位置的元素值；将所有位置的元素值组成的矩阵作为电流分歧异质性矩阵。

8.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据各分歧异质性矩阵的特征值向量得到变压器的综合潜在隐患矩阵，具体包括：

将所有电流分歧异质性矩阵的特征值向量组成的矩阵作为电流的隐患体现矩阵；通过电流的隐患体现矩阵获取方式分别得到温度及六氟化硫含量的隐患体现矩阵；根据隐患体现矩阵得到变压器的综合潜在隐患矩阵中各元素值，表达式为：

式中，/>为变压器的综合潜在隐患矩阵中第c行第d列的元素值，/>为电流、温度和/>含量三个隐患体现矩阵两两组合的组合数量，/>为第n类数据隐患体现矩阵的第c个特征值向量，/>表示在时间窗中第m类数据隐患体现矩阵的第d个特征值向量，I为电流，W为温度，Q为/>含量；

将各元素值组成的矩阵作为变压器的综合潜在隐患矩阵。

9.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据分歧异质性矩阵及综合潜在隐患矩阵得到时间窗口的非稳态指数，具体包括：

计算各分歧异质性矩阵的F范数；计算所有所述F范数的和值；计算综合潜在隐患矩阵的F范数与所述和值的乘积；将所述乘积作为时间窗口的非稳态指数。

10.根据权利要求1所述的基于物联网的变压器运行监测系统，其特征在于，所述根据各时间窗口的非稳态指数及LSTM神经网络进行变压器运行监测，具体包括：

将所有时间窗口的非稳态指数组成的序列作为变压器的非稳态指数序列；将所有时间窗口的温度数据组成的序列作为温度变化序列；通过温度变化序列的获取方法得到电流及六氟化硫含量变化序列；将变压器的非稳态指数序列与温度、电流及六氟化硫含量变化序列输入LSTM神经网络进行隐患评估，LSTM神经网络的输出为当前时间窗口的变压器隐患评估系数；当变压器隐患评估系数大于预设异常阈值时，变压器运行异常；反之则变压器运行正常。