CN117389967A - 一种变电设备多维故障信息提取处理和诊断方法及系统 - Google Patents
一种变电设备多维故障信息提取处理和诊断方法及系统 Download PDFInfo
- Publication number
- CN117389967A CN117389967A CN202311704334.2A CN202311704334A CN117389967A CN 117389967 A CN117389967 A CN 117389967A CN 202311704334 A CN202311704334 A CN 202311704334A CN 117389967 A CN117389967 A CN 117389967A
- Authority
- CN
- China
- Prior art keywords
- word
- name
- voltage winding
- voltage
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009466 transformation Effects 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 title claims description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 230000004907 flux Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004804 winding Methods 0.000 claims description 103
- 238000005070 sampling Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000001939 inductive effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 238000003058 natural language processing Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
- G06F16/164—File meta data generation
- G06F16/166—File name conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明属于自然语言处理领域,涉及一种变电设备多维故障信息提取处理和诊断方法及系统,根据变电设备录波构词规范构建标准名称数据库,并构建录波文件通道名称数据集;基于录波文件通道名称数据集训练词向量模型以及词分类模型;从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;利用词分类模型和利用词向量模型得到相似度最大的标准名称分词;根据变电设备录波构词规范将替换后的名称分词组合为标准名称;然后根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。本发明可充分利用录波文件,及时掌握电网变电设备的状态并提前预警。
Description
技术领域
本发明属于变电设备监测技术领域,具体涉及一种变电设备多维故障信息提取处理和诊断方法及系统。
背景技术
随着电网故障诊断可用的信息源越来越多,基于多源数据的电网故障诊断成为了电力系统领域的热点之一。多源信息协同化的方法对电网故障展开分析,使用基于混合规则网络的电网故障诊断,提高了对电网故障诊断的容错能力,但未能考虑到电网故障诊断的时间效率问题。
同时电力系统故障录波包含了丰富的信息,是电网设备运行工况及饱和动作行为的重要见证。然而故障录波数据繁杂,同时缺乏对录波信息的系统化分析,90%以上录波未有效提取和利用,无法及时掌握电网变电设备的状态并提前预警,也无法通过故障录波进行故障类型分析和故障精准定位。因此,通过简便方法应用现有录波实现设备状态监测、预警和诊断,对保障设备安全运行具有重要意义。
发明内容
本针对当前的研究仍然存在着诸如缺乏对故障细节的挖掘、故障信息来源繁杂、数据分析困难、诊断工作效率不高等缺陷,提出了一种集故障信息提取、数据处理和设备状态诊断为一体的变电设备多维故障信息提取、处理和诊断方法及系统。
本发明通过下述技术方案来实现:一种变电设备多维故障信息提取处理和诊断方法,步骤如下:
步骤一、根据变电设备录波构词规范构建标准名称数据库;
步骤二、构建录波文件通道名称数据集;
步骤三、基于录波文件通道名称数据集训练词向量模型以及词分类模型;
步骤四、从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;
步骤五、利用词分类模型,获得待标准化名称分词的对应类别;
步骤六、利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;
步骤七、根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
步骤八、根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
进一步优选,所述标准名称数据库中每个条目包括类别和名称分词。
进一步优选,录波文件通道名称数据集的构建方法为:收集不同厂家的数据,对通道名称进行精确模式的分词,其中每个分词以空格符进行分隔。
进一步优选,所述词向量模型的训练包括:
步骤S301:将录波文件通道名称数据集中的原始数据转化为词对形式,并随机选取部分数据生成训练样本;
步骤S302:加载skip-gram模型进行训练,训练采用噪声对比估计损失函数作为优化目标,训练算法采用随机梯度下降法;
步骤S303:模型收敛时停止训练并保存训练好的词向量模型。
进一步优选,所述词分类模型的训练包括:
步骤S311:标注录波文件通道名称数据集中每个分词的类别,并随机选取部分数据生成训练样本;
步骤S312:构造词分类模型并将训练样本输入词分类模型中进行训练,模型网络结构由嵌入层、卷积层、隐藏层和全连接层串联组成;
步骤S313:模型收敛时停止训练并保存训练好的词分类模型。
进一步优选,步骤五中,调用训练好的词分类模型,输入待标准化名称分词,模型输出该分词对应的类别。
进一步优选,步骤六中,对于每一个待标准化名称分词,将其与相应类别下所有标准名称分词输入到词向量模型中,得到相应的词向量,采用欧氏距离计算需要比较的两个词向量的相似度,选取欧式距离最小的标准名称分词作为替换词。
进一步优选,所述变压器漏磁通诊断的过程如下:
高、中、低压绕组变压器的电压、电流方程式:
;
;
式中,为高压绕组外施电压,为高压绕组电阻,为高压绕组电流,分别
为中、低压绕组感应电压,分别为中、低压绕组电阻,、分别为中、低压绕组电流,
、、分别为高、中、低压绕组自感,为高压绕组对中压绕组互感,为高压绕组对
低压绕组互感,为中压绕组对高压绕组互感,为中压绕组对低压绕组互感,为
低压绕组对高压绕组互感,为低压绕组对中压绕组互感,、、分别为高、中、低压绕
组电流向量,t为时间;
将所有物理量折算到高压侧,得到:
;
其中,Lk1、Lk2、Lk3分别为高、中、低压绕组漏感,有,,;通过递推最小二乘法,利用高、中、低
压绕组的电流和电压波形数据估计出的值;利用后向差分法将微分部分,转化为,、分别表示高压绕组第n-1、n个时刻的电流采样值,、表示中、低压绕组第n个时刻的电流折算采样值,T为波形采样间隔,得:
;
其中,为第n个时刻高压绕组外施电压,为第n个时刻中压绕组感应电
压,为第n个时刻低压绕组感应电压,、分别表示中压绕组第n-1、n个时刻
的电流折算采样值;、分别表示低压绕组第n-1、n个时刻的电流折算采样值;
在每一次迭代时利用新增加的采样数据来修正估计值,使得所求数据的误差的平方和最小,公式为:
;
其中,E为单位矩阵,为第n个时刻的输出量,为第n个时刻的输入量,为输
入量的转置,为第n个时刻的增益矩阵,、分别为第n-1、n个时刻的误差协方差
阵,、分别为第n-1、n个时刻的待辨识参数,第1个时刻的误差协方差阵,为
误差协方差阵系数,第1个时刻的待辨识参数;以高、中压绕组的关系式为例,,, ,利用上述公式迭代计算待辨识参数,直到待辨识参数
收敛,即得到绕组漏感,也称为变压器漏磁通。
进一步优选,所述母线故障位置诊断的过程如下:
正序故障分量可以用于故障方向的判别且不受过渡电阻和系统负荷状态的影响,该判别准则为,若满足以下不等式:
;
则为正方向故障,即电流方向为正;反之则为负方向,其中表示正序电压故障
分量,表示正序电流故障分量;
计算各支路的正序电流和电压故障分量:
;
;
其中, j为虚数单位,根据、数值判断电流流向,、、分别为A、B、C相
电压,,分别为A、B、C相电流。
本发明还提供一种变电设备多维故障信息提取处理和诊断系统,包括:
数据获取模块,用于根据变电设备录波构词规范构建标准名称数据库,并构建录波文件通道名称数据集;
名称标准化模块,包括词向量模型和词分类模型,基于录波文件通道名称数据集训练词向量模型以及词分类模型;从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;利用词分类模型,获得待标准化名称分词的对应类别;利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
诊断分析模块,用于根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
要对变电设备开展故障诊断,首先需要准确提取变电设备相关的故障信息。但当电网发生故障时,除故障设备自身外,会在周边变电设备产生一定程度扰动,因此电网会中故障前后生成大量记录暂态信息的故障录波文件。然而产生的绝大多数故障录波对故障诊断无实质意义,且由于故障录波文件名称缺乏统一标准,对故障诊断带来很大困扰。因此对提取的故障录波文件首先进行名称标准化对提升变电设备诊断效力具有重要意义。本发明将建录波文件通道名称数据集进行分词处理,并替换为标准名称,通过对录波名称标准化,实现快速识别充分利用录波文件,及时掌握电网变电设备的状态并提前预警,然后再根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面,参考附图更详细地说明本发明的实施方式。本发明的实施例可以变形为各种方式,本发明的范围不应解释为限定于下面说明的实施例。
如图1所示,一种变电设备多维故障信息提取处理和诊断方法,步骤如下:
步骤一、根据变电设备录波构词规范构建标准名称数据库;标准名称数据库中每个条目的格式为(类别,名称分词);
步骤二、构建录波文件通道名称数据集;录波文件通道名称数据集的构建方法为:收集不同厂家的数据,对通道名称进行精确模式的分词,其中每个分词以空格符进行分隔;
步骤三、基于录波文件通道名称数据集训练词向量模型以及词分类模型;
步骤四、从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;
步骤五、利用词分类模型,获得待标准化名称分词的对应类别;
步骤六、利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;
步骤七、根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
步骤八、根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
本实施例步骤三中,词向量模型的训练包括:
步骤S301:将录波文件通道名称数据集中的原始数据转化为词对形式,并随机选取部分数据生成训练样本;
步骤S302:加载skip-gram模型进行训练,训练采用噪声对比估计损失函数作为优化目标,训练算法采用随机梯度下降法;
步骤S303:模型收敛时停止训练并保存训练好的词向量模型。
本实施例步骤三中,词分类模型的训练包括:
步骤S311:标注录波文件通道名称数据集中每个分词的类别,并随机选取部分数据生成训练样本;
步骤S312:构造词分类模型并将训练样本输入词分类模型中进行训练,模型网络结构由嵌入层、卷积层、隐藏层和全连接层串联组成;
步骤S313:模型收敛时停止训练并保存训练好的词分类模型。
本实施例步骤五中,调用训练好的词分类模型,输入待标准化名称分词,模型输出该分词对应的类别;
本实施例步骤六中,对于每一个待标准化名称分词,将其与相应类别下所有标准名称分词输入到词向量模型中,得到相应的词向量,采用欧氏距离计算需要比较的两个词向量的相似度,欧式距离越小,表示两个分词越接近,因此选取欧式距离最小的标准名称分词作为替换词。
本实施例中,变压器漏磁通诊断的过程如下:
高、中、低压绕组变压器的电压、电流方程式:
;
;
式中,为高压绕组外施电压,为高压绕组电阻,为高压绕组电流,分别
为中、低压绕组感应电压,分别为中、低压绕组电阻,、分别为中、低压绕组电流,
、、分别为高、中、低压绕组自感,为高压绕组对中压绕组互感,为高压绕组对
低压绕组互感,为中压绕组对高压绕组互感,为中压绕组对低压绕组互感,为
低压绕组对高压绕组互感,为低压绕组对中压绕组互感,、、分别为高、中、低压绕
组电流向量,t为时间。
将所有物理量折算到高压侧,可得:
;
其中,Lk1、Lk2、Lk3分别为高、中、低压绕组漏感,有,,。根据上式,可以通过递推最小二乘法,
利用高、中、低压绕组的电流和电压波形数据估计出的值。由于波形数据
为离散值,利用后向差分法将微分部分,例如转化为,、分别
表示高压绕组第n-1、n个时刻的电流采样值,、表示中、低压绕组第n个时刻的电流
折算采样值,T为波形采样间隔,可得:
;
其中,为第n个时刻高压绕组外施电压,为第n个时刻中压绕组感应电
压,为第n个时刻低压绕组感应电压,、分别表示中压绕组第n-1、n个时刻
的电流折算采样值;、分别表示低压绕组第n-1、n个时刻的电流折算采样值;
在每一次迭代时利用新增加的采样数据来修正估计值,使得所求数据的误差的平方和最小,其公式为:
;
其中,E为单位矩阵,为第n个时刻的输出量,为第n个时刻的输入量,为输
入量的转置,为第n个时刻的增益矩阵,、分别为第n-1、n个时刻的误差协方差
阵,、分别为第n-1、n个时刻的待辨识参数,第1个时刻的误差协方差阵,为
误差协方差阵系数,第1个时刻的待辨识参数。以高、中压绕组的关系式为例,,, ,利用上述公式迭代计算待辨识参数,直到待辨识参数
收敛,即得到绕组漏感,也称为变压器漏磁通。
母线故障位置诊断的过程如下:
正序故障分量可以用于故障方向的判别且不受过渡电阻和系统负荷状态的影响,该判别准则为,若满足以下不等式:
;
则为正方向故障,即电流方向为正;反之则为负方向,其中表示正序电压故障
分量,表示正序电流故障分量,且均为向量表示。因此,首先计算各支路的正序电流和电
压故障分量,其计算方式为:
;
;
其中, j为虚数单位,根据、数值判断电流流向,、、分别为A、B、C相
电压,,分别为A、B、C相电流。
本实施例提供一种变电设备多维故障信息提取处理和诊断系统,包括:
数据获取模块,用于根据变电设备录波构词规范构建标准名称数据库,并构建录波文件通道名称数据集;
名称标准化模块,包括词向量模型和词分类模型,基于录波文件通道名称数据集训练词向量模型以及词分类模型;从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;利用词分类模型,获得待标准化名称分词的对应类别;利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
诊断分析模块,用于根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
以上描述的只是本发明的最佳实施方案,但不是对本发明其他实施方案的限制,熟悉该技术的专业人员可以使用上面公开的内容将其修改成等效的实施例。然而,在不背离本发明技术方案的内容的情况下,上述实施方式的任何简单的修改、替换和简化都应在本发明技术方案的保护范围之内。
Claims (9)
1.一种变电设备多维故障信息提取处理和诊断方法,其特征在于,步骤如下:
步骤一、根据变电设备录波构词规范构建标准名称数据库;
步骤二、构建录波文件通道名称数据集;
步骤三、基于录波文件通道名称数据集训练词向量模型以及词分类模型;
步骤四、从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;
步骤五、利用词分类模型,获得待标准化名称分词的对应类别;
步骤六、利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;
步骤七、根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
步骤八、根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断;
所述母线故障位置诊断的过程如下:
正序故障分量用于故障方向的判别且不受过渡电阻和系统负荷状态的影响,该判别准则为,若满足以下不等式:
;
则为正方向故障,即电流方向为正;反之则为负方向,其中表示正序电压故障分量,表示正序电流故障分量;
计算各支路的正序电流和电压故障分量:
;
;
其中,j为虚数单位,根据、/>数值判断电流流向,/>、/>、/>分别为A、B、C相电压,/>,/>分别为A、B、C相电流。
2.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,所述标准名称数据库中每个条目包括类别和名称分词。
3.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,录波文件通道名称数据集的构建方法为:收集不同厂家的数据,对通道名称进行精确模式的分词,其中每个分词以空格符进行分隔。
4.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,所述词向量模型的训练包括:
步骤S301:将录波文件通道名称数据集中的原始数据转化为词对形式,并随机选取部分数据生成训练样本;
步骤S302:加载skip-gram模型进行训练,训练采用噪声对比估计损失函数作为优化目标,训练算法采用随机梯度下降法;
步骤S303:模型收敛时停止训练并保存训练好的词向量模型。
5.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,所述词分类模型的训练包括:
步骤S311:标注录波文件通道名称数据集中每个分词的类别,并随机选取部分数据生成训练样本;
步骤S312:构造词分类模型并将训练样本输入词分类模型中进行训练,模型网络结构由嵌入层、卷积层、隐藏层和全连接层串联组成;
步骤S313:模型收敛时停止训练并保存训练好的词分类模型。
6.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,步骤五中,调用训练好的词分类模型,输入待标准化名称分词,模型输出该分词对应的类别。
7.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,步骤六中,对于每一个待标准化名称分词,将其与相应类别下所有标准名称分词输入到词向量模型中,得到相应的词向量,采用欧氏距离计算需要比较的两个词向量的相似度,选取欧式距离最小的标准名称分词作为替换词。
8.根据权利要求1所述的变电设备多维故障信息提取处理和诊断方法,其特征在于,所述变压器漏磁通诊断的过程如下:
高、中、低压绕组变压器的电压、电流方程式:
;
;
式中,为高压绕组外施电压,/>为高压绕组电阻,/>为高压绕组电流,/>分别为中、低压绕组感应电压,/>分别为中、低压绕组电阻,/>、/>分别为中、低压绕组电流,/>、/>、分别为高、中、低压绕组自感,/>为高压绕组对中压绕组互感,/>为高压绕组对低压绕组互感,/>为中压绕组对高压绕组互感,/>为中压绕组对低压绕组互感,/>为低压绕组对高压绕组互感,/>为低压绕组对中压绕组互感,/>、/>、/>分别为高、中、低压绕组电流向量,t为时间;
将所有物理量折算到高压侧,得到:
;
其中,Lk1、Lk2、Lk3分别为高、中、低压绕组漏感,有,,/>;通过递推最小二乘法,利用高、中、低压绕组的电流和电压波形数据估计出/>的值;利用后向差分法将微分部分,转化为/>,/>、/>分别表示高压绕组第n-1、n个时刻的电流采样值,、/>表示中、低压绕组第n个时刻的电流折算采样值,T为波形采样间隔,得:
;
其中,为第n个时刻高压绕组外施电压,/>为第n个时刻中压绕组感应电压,为第n个时刻低压绕组感应电压,/>、/>分别表示中压绕组第n-1、n个时刻的电流折算采样值;/>、/>分别表示低压绕组第n-1、n个时刻的电流折算采样值;
在每一次迭代时利用新增加的采样数据来修正估计值,使得所求数据的误差的平方和最小,公式为:
;
其中,E为单位矩阵,为第n个时刻的输出量,/>为第n个时刻的输入量,/>为输入量的转置,/>为第n个时刻的增益矩阵,/>、/>分别为第n-1、n个时刻的误差协方差阵,/>、/>分别为第n-1、n个时刻的待辨识参数,第1个时刻的误差协方差阵/>,/>为误差协方差阵系数,第1个时刻的待辨识参数/>;以高、中压绕组的关系式为例,,/>, ,利用上述公式迭代计算待辨识参数,直到待辨识参数收敛,即得到绕组漏感,也称为变压器漏磁通。
9.一种用于实现权利要求1-8任意一项所述的变电设备多维故障信息提取处理和诊断方法的系统,其特征在于,包括:
数据获取模块,用于根据变电设备录波构词规范构建标准名称数据库,并构建录波文件通道名称数据集;
名称标准化模块,包括词向量模型和词分类模型,基于录波文件通道名称数据集训练词向量模型以及词分类模型;从录波文件中提取通道名称,并利用分词工具对名称文本进行预处理,获得待标准化名称分词;利用词分类模型,获得待标准化名称分词的对应类别;利用词向量模型,计算待标准化名称分词与其相应类别下的标准名称分词的词向量相似度,并将其替换为相似度最大的标准名称分词;根据变电设备录波构词规范将替换后的名称分词组合为标准名称;
诊断分析模块,用于根据标准名称提取的录波文件对变电设备进行诊断分析,包括变压器漏磁通诊断和母线故障位置诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704334.2A CN117389967B (zh) | 2023-12-13 | 2023-12-13 | 一种变电设备多维故障信息提取处理和诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311704334.2A CN117389967B (zh) | 2023-12-13 | 2023-12-13 | 一种变电设备多维故障信息提取处理和诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117389967A true CN117389967A (zh) | 2024-01-12 |
CN117389967B CN117389967B (zh) | 2024-05-14 |
Family
ID=89437831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311704334.2A Active CN117389967B (zh) | 2023-12-13 | 2023-12-13 | 一种变电设备多维故障信息提取处理和诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117389967B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
JP2010181929A (ja) * | 2009-02-03 | 2010-08-19 | Ntt Docomo Inc | 通信システム、プロキシ装置およびコンテンツの更新通知方法 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
CN107977507A (zh) * | 2017-11-28 | 2018-05-01 | 海南电网有限责任公司 | 一种基于故障录波数据的电力系统故障特征量建模方法 |
CN114896369A (zh) * | 2022-05-24 | 2022-08-12 | 华北电力大学 | 基于增量学习优化的故障录波文件通道名称识别方法 |
CN115858635A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于自然语言处理的短路冲击自动诊断方法 |
-
2023
- 2023-12-13 CN CN202311704334.2A patent/CN117389967B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
JP2010181929A (ja) * | 2009-02-03 | 2010-08-19 | Ntt Docomo Inc | 通信システム、プロキシ装置およびコンテンツの更新通知方法 |
CN105467975A (zh) * | 2015-12-29 | 2016-04-06 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
CN107977507A (zh) * | 2017-11-28 | 2018-05-01 | 海南电网有限责任公司 | 一种基于故障录波数据的电力系统故障特征量建模方法 |
CN114896369A (zh) * | 2022-05-24 | 2022-08-12 | 华北电力大学 | 基于增量学习优化的故障录波文件通道名称识别方法 |
CN115858635A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于自然语言处理的短路冲击自动诊断方法 |
Non-Patent Citations (3)
Title |
---|
GUANG YANG ET AL: "Microgrid Protection Based on Positive Sequence Fault Component Current", 《2019 INTERNATIONAL CONFERENCE ON POWER AND RENEWABLE ENERGY》, 16 March 2020 (2020-03-16), pages 1 - 6 * |
刘哲 等: "基于故障录波数据的电网故障诊断方法分析及改进", 《内蒙古电力技术》, vol. 31, no. 2, 28 April 2013 (2013-04-28), pages 16 - 22 * |
韩海娟 等: "基于故障分量的微电网保护适用性", 《电力系统自动化》, vol. 40, no. 3, 10 February 2016 (2016-02-10), pages 90 - 96 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
CN117849691B (zh) * | 2024-03-08 | 2024-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117389967B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN117389967B (zh) | 一种变电设备多维故障信息提取处理和诊断方法及系统 | |
CN111339872A (zh) | 一种基于分类模型的电网故障分类方法 | |
CN108896857B (zh) | 一种基于深度学习的变压器复杂工况识别方法 | |
CN108334894B (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
CN111309607A (zh) | 一种代码方法级别的软件缺陷定位方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN114896369A (zh) | 基于增量学习优化的故障录波文件通道名称识别方法 | |
CN115954879A (zh) | 基于ao算法优化pnn的配电网线变关系精准辨识方法 | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
CN117195117A (zh) | 一种故障场景削减方法、装置、设备及存储介质 | |
CN114941890B (zh) | 一种基于图像和深度模糊的中央空调故障诊断方法及系统 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN115577249A (zh) | 多视角特征融合的变压器声信号识别方法、系统及介质 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN109523026A (zh) | 援例推理方法及系统 | |
CN114997332A (zh) | 小波包分析与麻雀算法优化相关向量机的故障诊断方法 | |
CN114779010A (zh) | 基于对称差分能量算子和神经网络的故障行波检测方法 | |
CN109787219B (zh) | 一种电压暂降的智能识别方法 | |
CN112215256A (zh) | 一种低压配电网多源数据处理方法 | |
Zhang et al. | An OPTICS clustering-based anomalous data filtering algorithm for condition monitoring of power equipment |
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 |