CN117554862A - 一种变压器智能检测预警方法及系统 - Google Patents
一种变压器智能检测预警方法及系统 Download PDFInfo
- Publication number
- CN117554862A CN117554862A CN202410040237.6A CN202410040237A CN117554862A CN 117554862 A CN117554862 A CN 117554862A CN 202410040237 A CN202410040237 A CN 202410040237A CN 117554862 A CN117554862 A CN 117554862A
- Authority
- CN
- China
- Prior art keywords
- value
- finite element
- subdivision
- element model
- grid
- 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 40
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000006698 induction Effects 0.000 claims abstract description 51
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000004804 winding Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明涉及数据处理领域，更具体地，本发明涉及一种变压器智能检测预警方法及系统，方法包括：获取变压器参数并建立有限元模型；根据所述变压器的实际尺寸，设定网格大小对有限元模型进行剖分，得到初始有限元模型，并计算各个网格对应的磁感应强度，得到初始磁感应有限元模型；根据所述初始有限元模型，得到各个网格的剖分概率值并进行归一化处理；进行动态调整网格尺寸，得到最终有限元模型；根据调整后的所述网格尺寸，使用初始磁感应有限元模型，计算各个网格中的磁感应强度值，并判断变压器的工作状态。本发明通过计算各个网格的剖分概率值，有效地筛选剖分网格，降低了有限元模型的计算量，提高了计算精度。
Description
技术领域
本发明一般地涉及数据处理领域。更具体地，本发明涉及一种变压器智能检测预警方法及系统。
背景技术
变压器是整个设备电路系统中的重要设备，用于改变交流电压水平。其中对于在超音设备中所采用的变压器具有更高效、更精确的能量转换和控制要求。然而，由于长期运行、环境变化和其他因素的影响，变压器可能会发生故障或损坏，比如：变压器绕组变形，可能导致电路系统稳定性下降甚至完全失效；变压器绕组变形后，绕组周围的漏磁场分布发生改变，该改变受到绕组变形类型和变形部位等因素的影响呈现出一定的规律性，在绕组变形比例较小时漏磁场变化仍然明显，因而现有技术中通过建立变压器的有限元仿真模型，分析变压器绕组变形状态下的漏磁场分布规律，从而进行变压器智能检测预警。
但是，使用有限元仿真模型分析变压器绕组变形状态下的漏磁场分布规律时，为了获得准确和可靠的仿真结果，通常需要进行精细网格划分，但是如果网格尺寸过大，则会导致有限元模型精度过低，进而出现识别结果不准确的情况，如果网格尺寸过小，虽然会使得网格模型的精度提高，但是其计算量会增大，从而影响变压故障识别效率。
目前现有划分网格大小的方式，采用自适应网格剖分方法，是指根据预先设置的误差范围，对有限元模型进行自适应网格剖分后，需要通过分析网格剖分带来的误差再次对有限元网格剖分，直至使得网格剖分的误差低于指定的范围，以完成自适应网格剖分；但是，预先设置的误差范围由人工经验设定，并在没有达到误差范围时，则仍然会精细划分，从而影响识别效率，因此需要一种变压器智能检测预警方法及系统。
发明内容
为解决上述一个或多个技术问题，本发明通过有限元模型进行磁感应强度分析，从而使变压器故障时的效率和准确度能够更好的达到平衡，为此，本发明在如下的多个方面中提供方案。
在第一方面中，一种变压器智能检测预警方法，包括：获取变压器参数，建立有限元模型；根据所述变压器的实际尺寸，设定网格大小对有限元模型进行剖分，得到初始有限元模型；计算初始有限元模型中，各个网格对应的磁感应强度，得到初始磁感应有限元模型；根据所述初始有限元模型，得到各个网格的剖分概率值并进行归一化处理；根据各个所述网格的剖分概率值，对所述初始有限元模型进行动态调整网格尺寸，得到最终有限元模型；根据最终有限元模型中，调整后的所述网格尺寸，使用初始磁感应有限元模型，计算各个网格中的磁感应强度值；根据所述磁感应强度值判断变压器的工作状态。
在一个实施例中，根据所述初始有限元模型，还包括：
所述初始有限元模型，设置网格的剖分概率初始值为1，对所述初始有限元模型进行区域划分，得到多个区域；
在每一个区域内随机选取一个网格进行下一次剖分；
根据各个所述网格在初始附近区域内，将所述网格的数量作为剖分概率值的调整值。
通过采用上述技术方案，根据网格初始概率值为1，为了保证下一次剖分时，对网格剖分的局部区域调整为更细的网格，通过划分区域便于对局部进行网格大小的调整。
在一个实施例中，计算每个所述区域内各个网格的剖分概率值，所述剖分概率值满足下述关系式：
其中，表示初始有限元模型的第/>个网格的剖分概率值，/>为第/>个网格在附近区域内的网格数量值与其余所有网格在附近区域内的网格数量值最大值的比值，/>为第/>个网格在附近区域内的所有网格之间磁感应强度变化的波动值。
通过采用上述技术方案，根据所有网格对应的剖分概率值，将所有网格对应的剖分概率值利用最大值最小值方法进行数据归一化，根据归一化概率值进行随机的网格选取，进行进一步剖分细化。
在一个实施例中，根据各个网格的剖分概率值，还包括：
统计所述初始有限元模型中各个网格剖分概率值的直方图；
计算所述直方图中高低剖分概率之间极端的差异分布值，所述差异分布值满足下述关系式：
其中，表示直方图中高低剖分概率之间极端的差异分布值，/>表示网格调整后第/>个网格的剖分概率值，/>表示网格调整后第/>个网格的剖分概率值的个数占所有网格个数的比值；
使用均值算法对所述初始有限元模型中所有网格剖分概率值进行二分类，其中，分为低剖分概率值和高剖分概率值；
获取所述低剖分概率值中所有网格到其他网格之间的最小欧式距离值，对低剖分概率值的最小欧式距离值进行再次二分类，获取最小欧式距离值的均值，得到低剖分概率值分布的分散程度值。
通过采用上述技术方案，根据直方图两端个数分布差异越大，则表示细分次数越多，其中，需要再次细分网格的概率就越低，并且低剖分值的位置分布越分散，则表示分布越均匀，局部异常的可能性越低，不需要再次细分，如果低剖分值的位置分布出现局部集中，则表示可能存在较高的磁感应强度异常，进而需要再次进行细分。
在一个实施例中，根据所述差异分布值和分散程度值，包括：
计算所述初始有限元模型中合适程度值，所述合适程度值满足下述关系式：
其中，表示有限元模型的合适程度值，/>表示有限元模型中所有网格的高低剖分概率之间极端的差异分布值，/>表示有限元模型中所有网格低剖分概率值分布的分散程度值。
通过采用上述技术方案，通过有限元模型验证，实现有限元剖分自动停止，并且实现有限元模型动态自适应网格剖分，降低了过度剖分或者剖分欠佳的可能性，从而提高了变压器磁感应强度监测用于变压器故障监测的实时性和准确性。
在一实施例中，对所述初始有限元模型进行动态调整网格尺寸，得到最终有限元模型，包括：
设定合适程度值的预设阈值，判断网格剖分情况；
响应于合适程度值大于预设阈值时，则不再进行网格剖分；
响应于合适程度值小于等于预设阈值时，则进行网格剖分，得到最终有限元模型。
在一实施例中，根据所述磁感应强度值判断变压器的工作状态，包括：
获取正常工作状态的磁感应强度值的曲线；
根据所述磁感应强度值的曲线与正常工作状态的磁感应强度值的曲线的差值之和，得到误差值；
响应于误差值大于预设故障阈值，则变压器的工作状态为故障，发出预警。
第二方面，一种变压器智能检测预警系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现任一项所述的变压器智能检测预警方法。
本申请具有以下效果：
1、本申请通过计算各个网格的剖分概率值，进行有效地筛选剖分网格，在降低有限元模型计算量的同时保证精度。并通过有限元模型验证，实现有限元剖分自动停止，并且实现有限元模型动态自适应网格剖分，降低了过度剖分或者剖分欠佳的可能性，从而提高了变压器磁感应强度监测用于变压器故障监测的实时性和准确性。
2、本申请通过直方图两端个数分布差异越大，细分次数越多，从而需要再次细分网格的概率就越低，通过低剖分值的位置分布越分散，分布越均匀，局部异常的可能性越低，不需要再次细分，有利于自适应网格剖分，根据合适程度值判断停止剖分，提高了检验效率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本申请实施例一种变压器智能检测预警方法中步骤S1-S7的方法流程图。
图2是本申请实施例一种变压器智能检测预警方法中步骤S20-S22的方法流程图。
图3是本申请实施例一种变压器智能检测预警方法中步骤S40-S41的方法流程图。
图4是本申请实施例一种变压器智能检测预警方法中步骤S50-S55的方法流程图。
图5是本申请实施例一种变压器智能检测预警方法中步骤S70-S72的方法流程图。
图6是本申请实施例一种变压器智能检测预警系统的结构框图。
具体实施方式
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，所描述的实施例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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，一种变压器智能检测预警方法，本申请适用于超音设备使用的变压器智能检测预警方式，包括步骤S1-S7，具体如下：
S1：获取变压器参数，建立有限元模型。
示例性的，获取超音设备使用的变压器参数，设置材料属性和求解边界以及网格尺寸等参数，对有限元模型进行计算，并对数据进行处理。
S2：根据变压器的实际尺寸，设定网格大小对有限元模型进行剖分，得到初始有限元模型，参照图2，包括步骤S20-S22：
S20：初始有限元模型，设置网格的剖分概率初始值为1，对初始有限元模型进行区域划分，得到多个区域；
示例性的，为了快速找到变压器缺陷的位置，则随机分布位置应当均匀，但是当存在缺陷后，其局部应当具有更为细小的网格进行有限元剖分，通过对初始有限元模型进行区域划分，便于更好对区域内的变压器的缺陷位置进行更细的网格剖分；本方案选择将5×5个初始大小网格组成一个区域，其中区域大小可以根据具体实施场景进行调整。
S21：在每一个区域内随机选取一个网格进行下一次剖分；
示例性的，随机选取一个网格进行下一次剖分，进而可得到下一次剖分结果，在得到下一次剖分结果后，重新估算各个网格对应的剖分概率值。
S22：根据各个网格在初始附近区域内，将网格的数量作为剖分概率值的调整值。
示例性的，由于网格内更细节的剖分为随机剖分，则下一次剖分过程中，无法继续采用网格划分的形式进行剖分，进而计算各个网格在其初始5×5大小长度对应的附近区域内，将网格的数量作为其概率值的调整值。
其中，如果附近区域的边界在网格的一部分上，则将网格仍然划入附近区域。
S3：计算初始有限元模型中，各个网格对应的磁感应强度，得到初始磁感应有限元模型。
S4：根据初始有限元模型，得到各个网格的剖分概率值并进行归一化处理，参照图3，包括步骤S40-S41：
S40：计算每个区域内各个网格的剖分概率值，剖分概率值满足下述关系式：
其中，表示初始有限元模型的第/>个网格的剖分概率值，/>为第/>个网格在附近区域内的网格数量值与其余所有网格在附近区域内的网格数量值最大值的比值，/>为第/>个网格在附近区域内的所有网格之间磁感应强度变化的波动值。
示例性的，比值越大，第/>个网格在附近区域内网格数量越多，则第/>个网格再次进行剖分的概率值就越低；/>为第/>个网格在附近区域内的所有网格之间磁感应强度变化的波动值，其计算方法为获取第/>个网格在附近区域内的其他网格和其他网格相邻的网格，获取其他网格与其他网格相邻的网格之间的磁感应强度差值的最小值，表示磁感应强度变化量，进而可以获取得到第/>个网格在附近区域内的所有网格磁感应强度变化量的方差值，即为第/>个网格在附近区域内的所有网格之间磁感应强度变化的波动值，波动值越大，则应具有更为细分的网格，进而第/>个网格的剖分概率值越大。
获取网格附近区域内网格数量，其数量越大，则表示当前其附近区域内小网格个数越多，进而网格数量越大，则网格再次进行剖分的概率值就越低；如果网格附近区域内网格之间的磁感应强度存在较大的变化波动，则可能属于异常的概率值越大，或者当前局部区域属于磁感应强度容易发生变化的区域，应该具有更为细分的网格，进而网格的剖分概率值越大。
S41：根据各个网格的剖分概率值并进行归一化处理。
示例性的，获取所有网格的剖分概率值，利用最大值最小值方法进行数据归一化，根据归一化概率值进行随机的网格选取，进行进一步剖分细化。进而如此往复，可以实现有限元模型的不断细分。其中细分后，仅更新细分位置的磁感应强度数据即可；归一化后，使剖分概率值的范围在0-1之间。
S5：根据各个网格的剖分概率值，对初始有限元模型进行动态调整网格尺寸，得到最终有限元模型，参照图4，包括步骤S50-S55：
S50：统计初始有限元模型中各个网格剖分概率值的直方图；
示例性的，直方图两端个数分布差异越大，则表示细分次数越多，其中，需要再次细分网格的概率就越低，并且低剖分值的位置分布越分散，则表示分布越均匀，局部异常的可能性越低，不需要再次细分，如果低剖分值的位置分布出现局部集中，则表示可能存在较高的磁感应强度异常，进而需要再次进行细分。
S51：计算直方图中高低剖分概率之间极端的差异分布值，差异分布值满足下述关系式：
其中，表示直方图中高低剖分概率之间极端的差异分布值，/>表示网格调整后第/>个网格的剖分概率值，/>表示网格调整后第/>个网格的剖分概率值的个数占所有网格个数的比值；
示例性的，表示调整后的网格，根据最小的剖分概率值开始，遍历剖分概率值，其中/>最大值为1，/>表示对剖分概率的负相关映射，进而/>值越大，则直方图两端个数分布差异越大，则表示细分次数越多，其中需要个别网格需要再次细分的概率就越低。
S52：使用均值算法对初始有限元模型中所有网格剖分概率值进行二分类，其中，分为低剖分概率值和高剖分概率值；
S53：获取低剖分概率值中所有网格到其他网格之间的最小欧式距离值，对低剖分概率值的最小欧式距离值进行再次二分类，获取最小欧式距离值的均值，得到低剖分概率值分布的分散程度值；
S54：根据差异分布值和分散程度值，计算初始有限元模型中合适程度值，合适程度值满足下述关系式：
其中，表示有限元模型合适程度值，/>表示有限元模型中所有网格的高低剖分概率之间极端的差异分布值，/>表示有限元模型中所有网格低剖分概率值分布的分散程度值。
示例性的，低剖分概率值分布的分散程度值越小，表示局部集中越严重，其越不需要进行细分，其他附近网格需要再次细分的概率就越低。进而对低剖分概率值分布的分散程度值利用负相关映射，使得有限元模型合适程度值的值越大，当前网格越不需要再次细分。
S55：设定合适程度值的预设阈值，判断网格剖分情况；
响应于合适程度值大于预设阈值时，则不再进行网格剖分；
响应于合适程度值小于等于预设阈值时，则进行网格剖分，得到最终有限元模型。
S6：根据最终有限元模型中，调整后的网格尺寸，使用初始磁感应有限元模型，计算各个网格中的磁感应强度值。
示例性的，通过现有的磁感应强度数据计算方法，得到各个网格对应的磁感应强度，磁感应强度为对称变化，则表示变压器设备存在异常。
S7：根据磁感应强度值判断变压器的工作状态，参照图5，包括步骤S70-S72：
S70：获取正常工作状态的磁感应强度值的曲线；
S71：根据磁感应强度值的曲线与正常工作状态的磁感应强度值的曲线的差值之和，得到误差值；
S72：响应于误差值大于预设故障阈值，则变压器的工作状态为故障，发出预警。
示例性的，预设故障阈值设置为5，标准正常工作状态的磁感应强度曲线为通过全部采用0.02mm的网格大小进行剖分后，在标准参数下的磁感应强度曲线0.02mm可由实施者根据具体实施场景进行调整。
本发明还提供了一种变压器智能检测预警系统。如图6所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的变压器智能检测预警方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (8)
1.一种变压器智能检测预警方法，其特征在于，包括：
获取变压器参数，建立有限元模型；
根据所述变压器的实际尺寸，设定网格大小对有限元模型进行剖分，得到初始有限元模型；
计算初始有限元模型中，各个网格对应的磁感应强度，得到初始磁感应有限元模型；
根据所述初始有限元模型，得到各个网格的剖分概率值并进行归一化处理；
根据各个所述网格的剖分概率值，对所述初始有限元模型进行动态调整网格尺寸，得到最终有限元模型；
根据最终有限元模型中，调整后的所述网格尺寸，使用初始磁感应有限元模型，计算各个网格中的磁感应强度值；
根据所述磁感应强度值判断变压器的工作状态。
2.根据权利要求1所述的一种变压器智能检测预警方法，其特征在于，根据所述初始有限元模型，还包括：
所述初始有限元模型，设置网格的剖分概率初始值为1，对所述初始有限元模型进行区域划分，得到多个区域；
在每一个区域内随机选取一个网格进行下一次剖分；
根据各个所述网格在初始附近区域内，将所述网格的数量作为剖分概率值的调整值。
3.根据权利要求2所述的一种变压器智能检测预警方法，其特征在于，计算每个所述区域内各个网格的剖分概率值，所述剖分概率值满足下述关系式：
其中，表示初始有限元模型的第/>个网格的剖分概率值，/>为第/>个网格在附近区域内的网格数量值与其余所有网格在附近区域内的网格数量值最大值的比值，/>为第/>个网格在附近区域内的所有网格之间磁感应强度变化的波动值。
4.根据权利要求1所述的一种变压器智能检测预警方法，其特征在于，根据各个网格的剖分概率值，还包括：
统计所述初始有限元模型中各个网格剖分概率值的直方图；
计算所述直方图中高低剖分概率之间极端的差异分布值，所述差异分布值满足下述关系式：
其中，表示直方图中高低剖分概率之间极端的差异分布值，/>表示网格调整后第/>个网格的剖分概率值，/>表示网格调整后第/>个网格的剖分概率值的个数占所有网格个数的比值；
使用均值算法对所述初始有限元模型中所有网格剖分概率值进行二分类，其中，分为低剖分概率值和高剖分概率值；
获取所述低剖分概率值中所有网格到其他网格之间的最小欧式距离值，对低剖分概率值的最小欧式距离值进行再次二分类，获取最小欧式距离值的均值，得到低剖分概率值分布的分散程度值。
5.根据权利要求4所述的一种变压器智能检测预警方法，其特征在，根据所述差异分布值和分散程度值，包括：
计算所述初始有限元模型中合适程度值，所述合适程度值满足下述关系式：
其中，表示有限元模型的合适程度值，/>表示有限元模型中所有网格的高低剖分概率之间极端的差异分布值，/>表示有限元模型中所有网格低剖分概率值分布的分散程度值。
6.根据权利要求5所述的一种变压器智能检测预警方法，其特征在于，对所述初始有限元模型进行动态调整网格尺寸，得到最终有限元模型，包括：
设定合适程度值的预设阈值，判断网格剖分情况；
响应于合适程度值大于预设阈值时，则不再进行网格剖分；
响应于合适程度值小于等于预设阈值时，则进行网格剖分，得到最终有限元模型。
7.根据权利要求1所述的一种变压器智能检测预警方法，其特征在于，根据所述磁感应强度值判断变压器的工作状态，包括：
获取正常工作状态的磁感应强度值的曲线；
根据所述磁感应强度值的曲线与正常工作状态的磁感应强度值的曲线的差值之和，得到误差值；
响应于误差值大于预设故障阈值，则变压器的工作状态为故障，发出预警。
8.一种变压器智能检测预警系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的变压器智能检测预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410040237.6A CN117554862B (zh) | 2024-01-11 | 2024-01-11 | 一种变压器智能检测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410040237.6A CN117554862B (zh) | 2024-01-11 | 2024-01-11 | 一种变压器智能检测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117554862A true CN117554862A (zh) | 2024-02-13 |
| CN117554862B CN117554862B (zh) | 2024-03-29 |
Family
ID=89823586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410040237.6A Active CN117554862B (zh) | 2024-01-11 | 2024-01-11 | 一种变压器智能检测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117554862B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005202633A (ja) * | 2004-01-15 | 2005-07-28 | Keio Gijuku | 界面推定方法 |
| US20160343106A1 (en) * | 2015-05-22 | 2016-11-24 | Board Of Trustees Of Michigan State University | Defect detection system using finite element optimization and mesh analysis |
| CN110514943A (zh) * | 2019-05-23 | 2019-11-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于有限元分析的变压器抗短路能力校核方法 |
| CN111856157A (zh) * | 2020-08-27 | 2020-10-30 | 上海眼控科技股份有限公司 | 闪电位置测量方法、装置、计算机设备和存储介质 |
| CN113392592A (zh) * | 2021-07-13 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种配电网拓扑图布局方法、装置和设备 |
| CN114004133A (zh) * | 2022-01-04 | 2022-02-01 | 电子科技大学 | 电子碰撞电离蒙特卡罗模型的非等权重宏粒子修正方法 |
| CN114139427A (zh) * | 2021-12-15 | 2022-03-04 | 国网湖北省电力有限公司经济技术研究院 | 基于双网格差分法的含风电电力系统频率特征分析方法 |
| CN115239698A (zh) * | 2022-08-19 | 2022-10-25 | 中科云遥(深圳)科技有限公司 | 基于剖分网格图像多层级特征融合的变化检测方法及系统 |
| CN115577584A (zh) * | 2022-09-13 | 2023-01-06 | 科润智能控制股份有限公司 | 一种基于时频分析和多场耦合的干式变压器绕组状态识别方法 |
| WO2023281968A1 (ja) * | 2021-07-08 | 2023-01-12 | 株式会社村田製作所 | 熱解析方法、熱解析装置およびコンピュータプログラム |
| CN115659755A (zh) * | 2022-11-08 | 2023-01-31 | 国网上海市电力公司 | 一种变压器绕组状态可视化评估方法 |
| WO2023202511A1 (zh) * | 2022-04-20 | 2023-10-26 | 华为技术有限公司 | 一种数据的处理方法、神经网络的训练方法以及相关设备 |
| CN117195643A (zh) * | 2023-09-12 | 2023-12-08 | 长安大学 | 一种几何模型的有限元建模方法、系统、设备及存储介质 |
-
2024
- 2024-01-11 CN CN202410040237.6A patent/CN117554862B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005202633A (ja) * | 2004-01-15 | 2005-07-28 | Keio Gijuku | 界面推定方法 |
| US20160343106A1 (en) * | 2015-05-22 | 2016-11-24 | Board Of Trustees Of Michigan State University | Defect detection system using finite element optimization and mesh analysis |
| CN110514943A (zh) * | 2019-05-23 | 2019-11-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于有限元分析的变压器抗短路能力校核方法 |
| CN111856157A (zh) * | 2020-08-27 | 2020-10-30 | 上海眼控科技股份有限公司 | 闪电位置测量方法、装置、计算机设备和存储介质 |
| WO2023281968A1 (ja) * | 2021-07-08 | 2023-01-12 | 株式会社村田製作所 | 熱解析方法、熱解析装置およびコンピュータプログラム |
| CN113392592A (zh) * | 2021-07-13 | 2021-09-14 | 南方电网科学研究院有限责任公司 | 一种配电网拓扑图布局方法、装置和设备 |
| CN114139427A (zh) * | 2021-12-15 | 2022-03-04 | 国网湖北省电力有限公司经济技术研究院 | 基于双网格差分法的含风电电力系统频率特征分析方法 |
| CN114004133A (zh) * | 2022-01-04 | 2022-02-01 | 电子科技大学 | 电子碰撞电离蒙特卡罗模型的非等权重宏粒子修正方法 |
| WO2023202511A1 (zh) * | 2022-04-20 | 2023-10-26 | 华为技术有限公司 | 一种数据的处理方法、神经网络的训练方法以及相关设备 |
| CN115239698A (zh) * | 2022-08-19 | 2022-10-25 | 中科云遥(深圳)科技有限公司 | 基于剖分网格图像多层级特征融合的变化检测方法及系统 |
| CN115577584A (zh) * | 2022-09-13 | 2023-01-06 | 科润智能控制股份有限公司 | 一种基于时频分析和多场耦合的干式变压器绕组状态识别方法 |
| CN115659755A (zh) * | 2022-11-08 | 2023-01-31 | 国网上海市电力公司 | 一种变压器绕组状态可视化评估方法 |
| CN117195643A (zh) * | 2023-09-12 | 2023-12-08 | 长安大学 | 一种几何模型的有限元建模方法、系统、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| JIE ZHOU: "Two-grid finite element methods for nonlinear time-fractional parabolic equations", NUMERICAL ALGORITHMS, 9 October 2021 (2021-10-09), pages 709, XP037819274, DOI: 10.1007/s11075-021-01205-7 * |
| 李浩: "基于三角形网格的无量纲最小二乘有限元法及其应用", 《科学技术与工程》, vol. 23, no. 21, 28 July 2023 (2023-07-28), pages 9056 - 9063 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117554862B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020186718A1 (zh) | 一种直流电缆绝缘状态判断方法及系统、存储介质 | |
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| US11431578B2 (en) | Method, apparatus, and device for determining network anomaly behavior, and readable storage medium | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
| CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN112541016A (zh) | 用电异常检测方法、装置、计算机设备和存储介质 | |
| CN117554862B (zh) | 一种变压器智能检测预警方法及系统 | |
| CN116963482B (zh) | 一种基于数据中心暖通系统的智能化节能方法及相关设备 | |
| CN113988558A (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
| CN115795328B (zh) | 同时生成新能源出力常规场景和极端场景的方法及系统 | |
| CN112749035B (zh) | 异常检测方法、装置及计算机可读介质 | |
| CN117195117A (zh) | 一种故障场景削减方法、装置、设备及存储介质 | |
| CN117150300A (zh) | 一种损失重平衡的方法、装置和电子设备 | |
| CN116645719A (zh) | 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质 | |
| CN109145968A (zh) | 一种电能质量故障分类方法、系统、装置及可读存储介质 | |
| CN115115107A (zh) | 光伏功率的预测方法、预测装置和计算机设备 | |
| CN115713038A (zh) | 一种基于深度循环神经网络的配用电故障检测方法及系统 | |
| CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 | |
| Kim et al. | Kernel Smoothing Technique Based on Multiple-Coordinate System for Screening Potential Failures in NAND Flash Memory | |
| CN118017508B (zh) | 基于电力分配的区域电力智能控制方法及系统 | |
| CN117611580B (zh) | 瑕疵检测方法、装置、计算机设备和存储介质 | |
| CN113486742B (zh) | 一种故障识别方法、装置、系统及计算机可读存储介质 |
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 |