CN117405167A - 基于光纤光栅传感器的变压器健康状态预测方法及系统 - Google Patents
基于光纤光栅传感器的变压器健康状态预测方法及系统 Download PDFInfo
- Publication number
- CN117405167A CN117405167A CN202311130691.2A CN202311130691A CN117405167A CN 117405167 A CN117405167 A CN 117405167A CN 202311130691 A CN202311130691 A CN 202311130691A CN 117405167 A CN117405167 A CN 117405167A
- Authority
- CN
- China
- Prior art keywords
- transformer
- temperature
- strain data
- data
- predicted
- 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
- 230000036541 health Effects 0.000 title claims abstract description 59
- 239000000835 fiber Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004804 winding Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明公开一种基于光纤光栅传感器的变压器健康状态预测方法及系统，包括：将光纤光栅传感器布置于变压器内部的关键位置采集温度和应变数据，获取不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；计算带权重的变压器健康状态指标体系；基于循环神经网络构建变压器内部指标预测模型，带权重的变压器健康状态指标体系和运行环境参数作为训练数据对预测模型进行训练；在待预测变压器的关键位置测点设置光纤光栅传感器，通过训练后的变压器内部指标预测模型得到待预测变压器在未来时间段内的预测温度和预测应变数据；结合温度区间和应变数据区间得到待预测变压器的健康状态预测结果。本发明能够对变压器内部状态进行精准预测。
Description
技术领域
本发明属于电力设备在线监测的技术领域，更具体地，涉及一种基于光纤光栅传感器的变压器健康状态预测方法及系统。
背景技术
光纤光栅传感器具有抗电磁干扰能力强，布置灵活，测量精度高等优点，可以同时测量温度和应力数据。当变压器发生局部放电，绕组变形，绝缘破损等故障时，可以通过光纤光栅传感器检测到温度变化、振动、应力变化等，这些信息可以有效反映变压器内部状态，对保证变压器正常运行具有重大意义。
深度学习技术是计算机利用已有的大量数据，分析计算得出数学模型，掌握数据内在规律的方法。深度学习的概念源于人工神经网络，如今已经形成多种适用于不同场景的神经网络模型，具有很强的特征提取能力，适合处理大量复杂数据。变压器内部结构复杂，需要测量点多，故障参量多，对其进行状态评估、故障诊断需要很强的数据处理、特征提取能力，传统的数据处理方法难以满足要求。
传统的变压器健康状态评估所用测量方法主要有：1)电信号传感器测量法，如热电偶、热电阻等，易受电磁干扰，且使用寿命有限，测量效果不太理想；2)红外测温法，该方法为非接触测量，便于人工操作，但易受背景噪声及电磁环境干扰；3)采用荧光光纤的点式测温，该方法可测量点少，难以准确判断变压器内部健康情况，因此需要新的变压器内部状态测量方法。
现有技术文件1公开了一种基于声学特征和神经网络的电力变压器故障诊断方法，通过建立并训练GRU神经网络模型；采集待诊断电力变压器的声音信号，预处理后输入训练完毕的GRU神经网络模型中，根据GRU神经网络模型的输出结果完成待诊断电力变压器故障诊断。现有技术文件2公开了一种内置光纤光栅传感器的油浸式变压器振动在线监测系统，将光纤光栅加速度传感器布置在变压器内部，利用波分/空分混合复用技术形成准分布式传感网络，实现变压器运行过程中对器身三维振动加速度的直接测量，为变压器振动实时在线监测提供新的途径，为变压器运行状态的准确评估提供有效的技术手段。
现有技术存在以下技术缺陷：
(1)传感器所设置的位置不能准确反应变压器内部环境情况，使得测量精度低，易受干扰；
(2)现有诊断方法不适合处理变压器复杂的内部状态，诊断准确率不能满足要求；
(3)所测量的的特征量较为单一，不能全面反映变压器在多种运行环境下的健康状态。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于光纤光栅传感器的变压器健康状态预测方法，能有效实现在获取变压器内部各测点温度和应力数据后，对变压内部健康状态进行评估，对故障和隐患进行识别。
本发明采用如下的技术方案。
一种基于光纤光栅传感器的变压器健康状态预测设计和模块，包括以下步骤：
步骤1，将光纤光栅传感器布置于变压器内部的关键位置，光纤光栅传感器按照预设的采集频率采集关键位置测点处的温度和应变数据；
步骤2，模拟变压器的运行环境，并通过光纤光栅传感器获取不同运行状态的变压器在不同运行环境下关键位置测点的温度和应变数据，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
步骤3，对步骤2中使用的运行环境模拟参数、以及光纤光栅传感器采集的各测点温度和应变数据进行归一化处理和权重计算，得到带权重的变压器健康状态指标体系；
步骤4，基于循环神经网络构建变压器内部指标预测模型，将步骤3所得到带权重的变压器健康状态指标体系和运行环境参数作为训练数据对预测模型进行训练，得到训练后的变压器内部指标预测模型；
步骤5，在待预测变压器的关键位置测点设置光纤光栅传感器，采集各测点在一段时间内的温度和应变数据，以及待预测变压器的所在地的运行环境参数，并通过训练后的变压器内部指标预测模型得到待预测变压器在未来时间段内的预测温度和预测应变数据；
步骤6，根据预测温度和预测应变数据，结合步骤2得到的不同运行状态下变压器各关键位置测点的温度区间和应变数据区间，得到待预测变压器的健康状态预测结果。
优选地，所述步骤1中，将光纤光栅传感器设置于变压器内部的关键位置测点，并设置采集频率，按照采集频率采集关键位置测点处的温度和应变数据；
其中，变压器的关键位置包括变压器绕组的上端、下端和中间点、变压器油箱顶部和铁芯端部。
优选地，所述步骤2中，模拟的变压器运行环境的相关参数包括：环境温度、负载电流和电压；模拟的变压器的运行状态包括变压器正常状态和故障状态，故障状态还包括：变压器绕组松动、铁芯松动和过热运行；在不同的变压器运行环境下，分别对不同运行状态的变压器通过光纤光栅传感器按照预设的采集频率，采集预设时间段内关键位置测点处的温度和应变数据，并根据各测点温度和应变数据的最大最小值，得到不同运行状态下变压器各关键位置测点在温度区间和应变数据区间。
优选地，所述步骤2中，模拟变压器运行环境参数时，模拟的环境温度包括待测变压器所在地的夏季、冬季和春秋季的平均气温，模拟的负载电流包括变压器40％、60％、80％和100％的额定负载电流，模拟的电压包括变压器各分接头的电压。
优选地，所述步骤3还包括：
步骤3-1，对步骤2中不同运行环境下，通过光纤光栅传感器获取的变压器关键位置测点的温度和应变数据，以及对应的环境温度、负载电流、电压的外部因素数据分别进行归一化处理；
步骤3-2，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系。
优选地，所述步骤3-2包括：对于不同运行状态的变压器，将步骤2得到的归一化数据和变压器运行状态传入随机配置网络，归一化数据包括运行环境相关的环境温度、负载电流、电压的归一化数据，以及变压器各测点温度和应变数据的归一化数据，通过随机配置网络提取各测点的温度、应变数据和外部影响因素对各种典型故障的关联性，并得到各测点的温度和应变数据的具体权重。
优选地，所述步骤5还包括：采集待预测变压器各测点在T1时间段内的温度和应变数据，对数据进行归一化处理，并结合步骤3计算得到的权重值，组成带权重的变压器健康状态指标体系，采集待预测变压器所在地点的运行环境参数并进行归一化处理，包括环境温度、变压器的负载电流和电压，将处理后得到的带权重的变压器健康状态指标体系和运行环境参数作为训练后变压器内部指标预测模型的输入，得到下一时间段T2的变压器预测温度和预测应变数据。
优选地，所述步骤6还包括：对比正常状态和故障状态关键点温度和应变数据的区间范围，以及预测的温度和应变数据，判断待预测变压器内部运行状态是否正常，以及若存在故障时，具体为预测为哪一种故障状态类型，包括变压器绕组松动、铁芯松动和过热运行。
本发明还提供了一种基于光纤光栅传感器的变压器健康状态预测系统，包括：
数据采集模块，包括设置于变压器内部的光纤光栅传感器，用于采集测点处的温度和应变数据，以及采集环境温度、负责电流、电压的传感器；
数据处理模块，对采集到的温度和应变数据进行行归一化处理；
运行模拟模块，用于模拟变压器的运行环境及状态，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
权重计算模块，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系；
预测模块，基于循环神经网络构建变压器内部指标预测模型，并通过数据处理模块处理后的数据以及权重计算模块得到的带权重的变压器健康状态指标体系进行训练，训练后的变压器内部指标预测模型能够对变压器各测点的温度和应变数据进行预测，根据预测的变压器各测点的温度和应变数据，以及运行模拟模块得到的各关键位置测点的温度区间和应变数据区间，，得到变压器的运行状态预测结果。
本发明的有益效果在于，与现有技术相比，本发明可以该方法能有效实现在获取变压器内部各测点温度和应力数据后，对变压器内部健康状态进行评估，对故障和隐患进行识别，实现电力设备的自动化检测，提高变压器运行可靠性和稳定性，及时发现可能存在的故障隐患，减少故障发生的几率，减少检修时间和故障停机时间，提高电力系统经济性和运行效率。
附图说明
图1是本发明中变压器内部健康状态预测方法的流程图；
图2是本发明中随机配置网络的网络结构示意图；
图3是本发明中门控循环神经网络的神经单元结构示意图；
图4是本发明中变压器内部健康状态预测系统的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
如图1所示，本发明提供了一种基于光纤光栅传感器的变压器健康状态预测方法，该方法具体包括以下步骤：
步骤1，将光纤光栅传感器布置于变压器内部的关键位置，光纤光栅传感器按照预设的采集频率采集关键位置测点处的温度和应变数据；
在步骤1中，需要在变压器内部布置光纤光栅传感器，光纤光栅传感器能够直接布置于变压器内部，且便于部署大量测量点；将光纤光栅传感器设置于变压器内部的关键位置测点，并设置采集频率，按照采集频率采集关键位置测点处的温度和应变数据。
其中关键位置包括变压器绕组的上端、下端和中间点、变压器油箱顶部和铁芯端部位置，具体的：
根据有限元仿真，绕组接近上端位置温度最高，是温度监测的重点区域；绕组下端温度最低，而上下端温差过大会严重影响变压器使用寿命，因此必须同时对绕组下端温度进行监测；根据安培力计算，绕组中部所受径向安培力最大，是形变监测的重点；变压器油温过高会加速油质劣化，影响绕组和铁芯散热，变压器顶部油温最高，因此需要监测变压器顶部油温；变压器铁芯依靠端部夹件加紧，若夹件松动，会加剧铁芯振动，因此需要监测铁芯端部形变。
通过布置多组光纤光栅传感器对多个关键位置进行温度和应变数据的测量，获得的变压器内部状态信息更加全面，可以更好地反映变压器内部健康状态。
步骤2，模拟变压器的运行环境，并通过光纤光栅传感器获取不同运行状态的变压器在不同运行环境下关键位置测点的温度和应变数据，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
具体的，模拟的变压器运行环境的相关参数包括：环境温度、负载电流和电压；模拟的变压器的运行状态包括变压器正常状态和故障状态，故障状态还包括：变压器绕组松动、铁芯松动和过热运行；在不同的变压器运行环境下，分别对不同运行状态的变压器通过光纤光栅传感器按照预设的采集频率，采集预设时间段内关键位置测点处的温度和应变数据，并根据各测点温度和应变数据的最大最小值，得到不同运行状态下变压器各关键位置测点在温度区间和应变数据区间。
进一步的，模拟变压器运行环境参数时，环境温度包括待测变压器所在地的夏季、冬季和春秋季的平均气温，负载电流包括变压器40％、60％、80％和100％的额定负载电流，电压包括各分接头的电压；
根据采集到各测点的温度和应变数据中的最大值和最小值，得到在不同运行状态下，每个关键位置测点的温度区间和应变数据区间，区间的上下限分别为该测点采集到数据的最大值和最小值。
步骤3，对步骤2中使用的运行环境模拟参数、以及光纤光栅传感器采集的各测点温度和应变数据进行归一化处理和权重计算，得到带权重的变压器健康状态指标体系；
其中，步骤3具体包括：
步骤3-1，对步骤2中不同运行环境下，通过光纤光栅传感器获取的变压器关键位置测点的温度和应变数据，以及对应的环境温度、负载电流、电压的外部因素数据分别进行归一化处理；
具体的，为便于后续处理，对步骤2所采集各类数据进行归一化，使得数据无量纲化，归一化公式为：
式中，ω为原始数据，包括步骤2中光纤光栅传感器采集到的数据或外部因素数据，为归一化后的数据，ωmax和ωmin分别为原始数据中的最大数和最小数。
步骤3-2，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系；
如图2所示，本发明中利用随机配置网络SCN计算不同运行环境和运行状态下，变压器各测点温度和应变数据对应的权重值；具体的，对于不同运行状态的变压器，将步骤2得到的归一化数据和变压器运行状态传入随机配置网络，归一化数据包括运行环境相关的环境温度、负载电流、电压的归一化数据，以及变压器各测点温度和应变数据的归一化数据，通过随机配置网络提取各测点的温度、应变数据和外部影响因素对各种典型故障的关联性，并得到各测点的温度和应变数据的具体权重。
通过随机配置网络得到不同运行状态下，变压器各测点的温度和应变数据所对应的权重值，带权重的变压器健康状态指标体系包括变压器各测点的温度和应变数据以及其对应的权重。
随机配置网络采用三层前馈神经网络模型，并采用隐层节点增量构建的方法逐步构建网络，从一个小规模的网络开始，通过逐步添加隐藏的节点，直到获得可接受的误差。
给定一个目标函数f：Rn→Rm，假设己经构建了一个具有P-1隐藏节点的单层前馈网络(SLFN)，经过网络得到的训练输出值fp-1(x)为：
其中，P＝1，2，...，n-1，f0＝0，Bj＝[Bj-1，...Bj.m]T.
当前剩余误差为：
eL-l＝f-fL-1＝[eL-1.1，...，eL-1.m]
其中f为实际值。且此时||eL-1‖|未达到可接受的容限水平。此时增加第P个节点，配置ωp和bp让fp＝fp-1+Bpgp，使误差达到预期偏差ε。
SCN则通过监督机制(不等式约束)来随机分配新增的输入权值和偏差。
步骤4，基于循环神经网络构建变压器内部指标预测模型，将步骤3所得到带权重的变压器健康状态指标体系和运行环境参数作为训练数据对预测模型进行训练，得到训练后的变压器内部指标预测模型；
在步骤4中本发明采用GRU网络构建变压器内部指标预测模型，并将步骤3处理后的带权重的变压器健康状态指标体系作为预测模型的输入，获取预测值，具体包括以下步骤：
如图3所示，GRU(Gate Recurrent Unit，门控循环单元)网络是一种基于LSTM改进的RNN神经网络，解决了普通RNN的长期依赖问题。GRU使用“更新门”zt和“重置门”rt来控制信息的传递。在计算时，首先使用重置门将上一时刻状态ht-1重置得到ht-1’＝ht-1⊙r，再将ht-1’与输入xt进行拼接，再通过一个激活函数tanh将数据缩放到[-1，1]的范围内，得到ht’，计算公式为：
ht’＝tanh(Whxt+Uh(ht-1⊙rt))
ht’主要包含当前输入的xt数据，有选择的将其添加到隐藏状态，相当于记忆住了当前的输入，最后进行记忆更新，其数学表达式为：
ht＝(1-zt)⊙ht-1+zt⊙h′
其中，门控信号zt的范围为[0，1]，门控信号zt越接近1，则记忆更新时倾向于保留前一时刻状态，zt越接近于0，则倾向于更新到当前状态。
对变压器内部指标预测模型的训练还包括：分别根据正常运行状态、变压器绕组松动、铁芯松动和过热运行下带权重的变压器健康状态指标体系数据，以及运行环境参数对变压器内部指标预测模型进行训练。
具体的，在训练过程中，将变压器在上一时间段T1内带权重的变压器健康状态指标体系数据和运行环境参数作为模型的输入，预测得到下一时间段T2内变压器各关键位置测点的温度和应变数据，并根据预测结果调整模型参数，直至满足预测精度。
其中，带权重的变压器健康状态指标体系数据包括变压器各关键位置测点的温度和应变数据，以及其对应的权重，运行环境参数包括变压器的环境温度、负载电流、电压，时间段T1、T2和预测精度要求可由技术人员根据实际情况设置。
步骤5，在待预测变压器的关键位置测点设置光纤光栅传感器，采集各测点在一段时间内的温度和应变数据，以及待预测变压器的所在地的运行环境参数，并通过训练后的变压器内部指标预测模型得到待预测变压器在未来时间段内的预测温度和预测应变数据；
具体的，采集待预测变压器各测点在T1时间段内的温度和应变数据，对数据进行归一化处理，并结合步骤3计算得到的权重值，组成带权重的变压器健康状态指标体系，采集待预测变压器所在地点的运行环境参数并进行归一化处理，包括环境温度、变压器的负载电流和电压，将处理后得到的带权重的变压器健康状态指标体系和运行环境参数作为训练后变压器内部指标预测模型的输入，得到下一时间段T2的变压器预测温度和预测应变数据。
步骤6，根据预测温度和预测应变数据，结合步骤2得到的不同运行状态下变压器各关键位置测点的温度区间和应变数据区间，得到待预测变压器的健康状态预测结果。
具体的，对比正常状态和故障状态关键点温度和应变数据的区间范围，以及预测的温度和应变数据，判断待预测变压器内部运行状态是否正常，以及若存在故障时，具体为预测为哪一种故障状态类型，包括变压器绕组松动、铁芯松动和过热运行；进一步的，根据预测的故障类型，工作人员能够提前部署应对措施，确保变压器安全稳定运行。
如图4所示，本发明提出了一种使用光纤光栅传感器的变压器内部健康状态识别系统，上述变压器内部健康状态识别方法能够基于该系统实现，该系统包括：
数据采集模块，包括设置于变压器内部的光纤光栅传感器，用于采集测点处的温度和应变数据，以及采集环境温度、负责电流、电压的传感器；
数据处理模块，对采集到的温度和应变数据进行行归一化处理；
运行模拟模块，用于模拟变压器的运行环境及状态，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
权重计算模块，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系；
预测模块，基于循环神经网络构建变压器内部指标预测模型，并通过数据处理模块处理后的数据以及权重计算模块得到的带权重的变压器健康状态指标体系进行训练，训练后的变压器内部指标预测模型能够对变压器各测点的温度和应变数据进行预测，根据预测的变压器各测点的温度和应变数据，以及运行模拟模块得到的各关键位置测点的温度区间和应变数据区间，，得到变压器的运行状态预测结果。
本发明能有效实现在获取变压器内部各测点温度和应力数据后，对变压内部健康状态进行评估，对故障和隐患进行识别，实现电力设备的自动化检测，提高变压器运行可靠性和稳定性，及时发现可能存在的故障隐患，减少故障发生的几率，减少检修时间和故障停机时间，提高电力系统经济性和运行效率。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等，以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (11)
1.一种基于光纤光栅传感器的变压器健康状态预测方法，其特征在于，包括以下步骤：
步骤1，将光纤光栅传感器布置于变压器内部的关键位置，光纤光栅传感器按照预设的采集频率采集关键位置测点处的温度和应变数据；
步骤2，模拟变压器的运行环境，并通过光纤光栅传感器获取不同运行状态的变压器在不同运行环境下关键位置测点的温度和应变数据，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
步骤3，对步骤2中使用的运行环境模拟参数、以及光纤光栅传感器采集的各测点温度和应变数据进行归一化处理和权重计算，得到带权重的变压器健康状态指标体系；
步骤4，基于循环神经网络构建变压器内部指标预测模型，将步骤3所得到带权重的变压器健康状态指标体系和运行环境参数作为训练数据对预测模型进行训练，得到训练后的变压器内部指标预测模型；
步骤5，在待预测变压器的关键位置测点设置光纤光栅传感器，采集各测点在一段时间内的温度和应变数据，以及待预测变压器的所在地的运行环境参数，并通过训练后的变压器内部指标预测模型得到待预测变压器在未来时间段内的预测温度和预测应变数据；
步骤6，根据预测温度和预测应变数据，结合步骤2得到的不同运行状态下变压器各关键位置测点的温度区间和应变数据区间，得到待预测变压器的健康状态预测结果。
2.根据权利要求1所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤1中，将光纤光栅传感器设置于变压器内部的关键位置测点，并设置采集频率，按照采集频率采集关键位置测点处的温度和应变数据；
其中，变压器的关键位置包括变压器绕组的上端、下端和中间点、变压器油箱顶部和铁芯端部。
3.根据权利要求1所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤2中，模拟的变压器运行环境的相关参数包括：环境温度、负载电流和电压；模拟的变压器的运行状态包括变压器正常状态和故障状态，故障状态还包括：变压器绕组松动、铁芯松动和过热运行；在不同的变压器运行环境下，分别对不同运行状态的变压器通过光纤光栅传感器按照预设的采集频率，采集预设时间段内关键位置测点处的温度和应变数据，并根据各测点温度和应变数据的最大最小值，得到不同运行状态下变压器各关键位置测点在温度区间和应变数据区间。
4.根据权利要求3所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤2中，模拟变压器运行环境参数时，模拟的环境温度包括待测变压器所在地的夏季、冬季和春秋季的平均气温，模拟的负载电流包括变压器40％、60％、80％和100％的额定负载电流，模拟的电压包括变压器各分接头的电压。
5.根据权利要求1所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤3还包括：
步骤3-1，对步骤2中不同运行环境下，通过光纤光栅传感器获取的变压器关键位置测点的温度和应变数据，以及对应的环境温度、负载电流、电压的外部因素数据分别进行归一化处理；
步骤3-2，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系。
6.根据权利要求5所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤3-2包括：对于不同运行状态的变压器，将步骤2得到的归一化数据和变压器运行状态传入随机配置网络，归一化数据包括运行环境相关的环境温度、负载电流、电压的归一化数据，以及变压器各测点温度和应变数据的归一化数据，通过随机配置网络提取各测点的温度、应变数据和外部影响因素对各种典型故障的关联性，并得到各测点的温度和应变数据的具体权重。
7.根据权利要求1所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤5还包括：采集待预测变压器各测点在T1时间段内的温度和应变数据，对数据进行归一化处理，并结合步骤3计算得到的权重值，组成带权重的变压器健康状态指标体系，采集待预测变压器所在地点的运行环境参数并进行归一化处理，包括环境温度、变压器的负载电流和电压，将处理后得到的带权重的变压器健康状态指标体系和运行环境参数作为训练后变压器内部指标预测模型的输入，得到下一时间段T2的变压器预测温度和预测应变数据。
8.根据权利要求1所述的基于光纤光栅传感器的变压器健康状态预测方法，其特征在于：
所述步骤6还包括：对比正常状态和故障状态关键点温度和应变数据的区间范围，以及预测的温度和应变数据，判断待预测变压器内部运行状态是否正常，以及若存在故障时，预测为哪一种故障状态类型，包括变压器绕组松动、铁芯松动和过热运行。
9.一种利用权利要求1-8任一项权利要求所述变压器健康状态预测方法的基于光纤光栅传感器的变压器健康状态预测系统，其特征在于，包括：
数据采集模块，包括设置于变压器内部的光纤光栅传感器，用于采集测点处的温度和应变数据，以及采集环境温度、负责电流、电压的传感器；
数据处理模块，对采集到的温度和应变数据进行行归一化处理；
运行模拟模块，用于模拟变压器的运行环境及状态，得到不同运行状态下变压器各关键位置测点的温度区间和应变数据区间；
权重计算模块，通过随机配置网络和归一化后数据对变压器各测点的温度和应变数据进行权重计算，得到不同运行状态和不同运行环境对应的带权重的变压器健康状态指标体系；
预测模块，基于循环神经网络构建变压器内部指标预测模型，并通过数据处理模块处理后的数据以及权重计算模块得到的带权重的变压器健康状态指标体系进行训练，训练后的变压器内部指标预测模型能够对变压器各测点的温度和应变数据进行预测，根据预测的变压器各测点的温度和应变数据，以及运行模拟模块得到的各关键位置测点的温度区间和应变数据区间，，得到变压器的运行状态预测结果。
10.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-8任一项所述方法的步骤。
11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311130691.2A CN117405167A (zh) | 2023-09-01 | 2023-09-01 | 基于光纤光栅传感器的变压器健康状态预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311130691.2A CN117405167A (zh) | 2023-09-01 | 2023-09-01 | 基于光纤光栅传感器的变压器健康状态预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117405167A true CN117405167A (zh) | 2024-01-16 |
Family
ID=89486068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311130691.2A Pending CN117405167A (zh) | 2023-09-01 | 2023-09-01 | 基于光纤光栅传感器的变压器健康状态预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117405167A (zh) |
-
2023
- 2023-09-01 CN CN202311130691.2A patent/CN117405167A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Supervisory control and data acquisition data‐based non‐linear state estimation technique for wind turbine gearbox condition monitoring | |
| CN107944571B (zh) | 一种电力变压器剩余使用寿命预测方法 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
| CN114910756A (zh) | 一种低压母线槽的绝缘性能评估方法及系统 | |
| Sun et al. | Accelerated degradation process analysis based on the nonlinear Wiener process with covariates and random effects | |
| CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| Mharakurwa | In‐Service Power Transformer Life Time Prospects: Review and Prospects | |
| CN117367800A (zh) | 基于随机相关性的多特征指标轴承剩余寿命预测方法 | |
| Abdelli et al. | Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement | |
| Yuhang et al. | Prediction of bearing degradation trend based on LSTM | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN117405167A (zh) | 基于光纤光栅传感器的变压器健康状态预测方法及系统 | |
| CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
| CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN115221769B (zh) | 一种故障预测方法、系统、电子设备和存储介质 | |
| CN115982591A (zh) | 变压器健康状态的检测方法及装置、设备及存储介质 | |
| CN114722721A (zh) | 基于深度编解码卷积网络的电力变压器健康状态评估方法 | |
| RU2719507C1 (ru) | Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования | |
| CN114492636A (zh) | 一种变压器绕组状态信号的采集系统 | |
| Winkel et al. | Run-to-failure relay dataset for predictive maintenance research with machine learning |
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 |