CN117589334A - 油浸式变压器热点温度检测方法及系统 - Google Patents
油浸式变压器热点温度检测方法及系统 Download PDFInfo
- Publication number
- CN117589334A CN117589334A CN202410079617.0A CN202410079617A CN117589334A CN 117589334 A CN117589334 A CN 117589334A CN 202410079617 A CN202410079617 A CN 202410079617A CN 117589334 A CN117589334 A CN 117589334A
- Authority
- CN
- China
- Prior art keywords
- transformer
- temperature
- hot spot
- layer oil
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000005070 sampling Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000004804 winding Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- ADTDNFFHPRZSOT-PVFUSPOPSA-N ram-330 Chemical compound C([C@H]1N(CC2)C)C3=CC=C(OC)C(OC)=C3[C@]32[C@@]1(O)CC[C@@H](OC(=O)OCC)C3 ADTDNFFHPRZSOT-PVFUSPOPSA-N 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Abstract
本发明公开了一种油浸式变压器热点温度检测方法及系统,涉及变压器技术领域,该方法包括:以相同的采样频率和采样点总数采集变压器的顶层油温、底层油温、环境温度以及电损耗;基于变压器的顶层油温和底层油温确定变压器粗检热点温度;融合变压器粗检热点温度、环境温度以及电损耗,形成融合特征;将融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度。本发明通过粗检以及特征融合的方式,采用预测模型对变压器热点温度进行预测,从而保证预测结果的准确性。
Description
技术领域
本发明实施例涉及变压器技术领域,具体涉及一种油浸式变压器热点温度检测方法及系统。
背景技术
变压器是组成电网的重要设备,变压器能否稳定运行是决定电力系统能否稳定工作的关键。热点温度是关系到变压器安全的重要参数,温度过高,会破坏变压器绕组间绝缘层材料的性质,降低其使用寿命,容易引发事故,造成损失,因此检测变压器的热点温度(即变压器热点温度)具有重要的意义。
现有的对变压器热点温度检测的方式有以下三大类:
第一类是直接测量法,将测温传感器放置在热点位置处,直接测量出热点温度。其主要是通过热电阻、热电偶以及光纤光栅传感器等进行测量,这种方法简单且方便,但是热电阻或热电偶等会收到变压器工作时的电磁干扰,导致准确性较差,而且容易收到变压器油的腐蚀,导致失效;光纤光栅传感器虽然不受电磁干扰影响,且不易被腐蚀,但是其安装于油箱中,极易影响变压器油的流动性,从而变成提升热点温度的影响因素。
第二类是间接测量法,常见的间接测量法有热模拟法、国家标准推荐算法、以及基于传热学与流体动力学的数值计算法等,这种方法不会影响油箱结构以及热传递性能,但是由于变压器的工作状态非常复杂,简单模拟得到的测量结果由于模型构建时考虑因素的不全面,也使得其结果不准确。
第三类是基于人工智能的方式实现,变压器的热点温升呈非线性,因此采用神经网络对变压器热点温度进行预测,可以兼具直接测量法和间接测量法的优点,又可以摒弃二者的缺点,因此,越来越多的学者开始使用神经网络预测模型来获取变压器热点温度。
现有预测模型考虑到影响变压器热点温度的多个因素,并将这些影响因素作为输入值,输入到神经网络预测模型中进行训练,进而完成预测,但是这种方式并未考虑这些影响因素之间的关联性,在一定程度上,仍无法准确预测变压器的实际热点温度。
发明内容
为了克服现有技术的不足,本发明实施例的目的在于提供一种油浸式变压器热点温度检测方法及系统,其通过粗检以及特征融合的方式,采用预测模型对变压器热点温度进行预测,从而保证预测结果的准确性。
为解决上述问题,本发明实施例第一方面公开一种油浸式变压器热点温度检测方法,包括:
以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗;
基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度;
融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征;
将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度;
其中,基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度,包括:
根据油浸式电力变压器热点温度的数学模型,计算所述变压器粗检热点温度:
;
其中,A i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;b i为第i个采样点的变压器的底层油温;/>和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温;/>为差值常数,H为热点因数;
融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征,包括:
分别将所述变压器粗检热点温度、环境温度以及电损耗进行归一化处理,均规范至0-255;
将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值;
将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像,其中,m和n为设定值,m×n即为采样点总数
作为较佳的实施例,在本发明实施例的第一方面中,当所述变压器为双绕组变压器时,采集变压器的电损耗,包括:
获取所述双绕组变压器的额定容量S、高压侧额定电压U n、额定空载损耗P 0、以及额定负载损耗P k;
采集高压侧均方根电流值I f;
计算所述双绕组变压器的电损耗:
其中,E i为第i个采样点的双绕组变压器的电损耗;I if为第i个采样点的高压侧均方根电流值;为采样时间间隔。
作为较佳的实施例,在本发明实施例的第一方面中,当所述变压器为三绕组变压器时,采集变压器的电损耗,包括:
获取所述三绕组变压器的高压绕组额定容量S 1、高压侧额定电压U 1n、额定空载损耗P 0、高-中压绕组额定负载损耗P k12、高-低压绕组额定负载损耗P k13、以及中-低压绕组额定负载损耗P k23;
采集高压侧均方根电流值I 1f、中压侧均方根电流值I 2f、低压侧均方根电流值I 3f;
计算所述三绕组变压器的电损耗:
其中,E i为第i个采样点的三绕组变压器的电损耗;I 1if、I 2if、I 3if分别为第i个采样点的高压侧均方根电流值、中压侧均方根电流值和低压侧均方根电流值;为采样时间间隔。
作为较佳的实施例,在本发明实施例的第一方面中,将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度,包括:
对所述热点温度预测模型的预先训练时,每个训练样本的采样频率以及采样点总数与实际采集变压器的顶层油温、底层油温、环境温度以及电损耗的采样频率和采样点总数均分别相同;
将所述特征图像输入所述预先训练的热点温度预测模型中,得到变压器细检热点温度。
本发明实施例第二方面公开了一种油浸式变压器热点温度检测系统,包括:
采集单元,用于以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗;
粗检单元,用于基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度;
融合单元,用于融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征;
预测单元,用于将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度;
其中,所述粗检单元包括:
根据油浸式电力变压器热点温度的数学模型,计算所述变压器粗检热点温度:
;
其中,A i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;b i为第i个采样点的变压器的底层油温;/>和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温;/>为差值常数,H为热点因数;
所述融合单元,包括:
归一化处理子单元,用于分别将所述变压器粗检热点温度、环境温度以及电损耗进行归一化处理,均规范至0-255;
转换子单元,用于将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值;
排列子单元,用于将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像,其中,m和n为设定值,m×n即为采样点总数。
本发明实施例第三方面公开一种电子设备,包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述本发明实施例第一方面公开的油浸式变压器热点温度检测方法。
本发明实施例第四方面公开一种计算机可读存储介质,其存储有计算机程序,其中,所述计算机程序使得计算机执行上述本发明实施例第一方面公开的油浸式变压器热点温度检测方法。
本发明实施例第五方面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行上述本发明实施例第一方面公开的油浸式变压器热点温度检测方法。
本发明实施例第六方面公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行上述本发明实施例第一方面公开的油浸式变压器热点温度检测方法。
与现有技术相比,本发明实施例的有益效果在于:
本发明实施例通过国家标准推荐计算法对变压器热点温度进行间接测量,实现多个特征的初步融合,再将其他影响因子与粗检结果进行进一步融合,体现出影响因子之间的关联性,从而输入到预测模型中,对变压器热点温度进行预测的结果更加准确。
附图说明
图1是本发明实施例一提供的一种油浸式变压器热点温度检测方法的流程示意图;
图2是本发明实施例一提供的油浸式电力变压器热点温度的数学模型的结构示意图;
图3是本发明实施例一提供的对变压器热点温度各个影响因子的特征融合的流程示意图;
图4是本发明实施例二公开的一种油浸式变压器热点温度检测系统的结构示意图;
图5是本发明实施例三公开的一种电子设备的结构示意图。
具体实施方式
本具体实施方式仅仅是对本发明实施例的解释,其并不是对本发明实施例的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明实施例的权利要求范围内都受到专利法的保护。
为使本发明实施例的目的、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实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,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所有其他实施例,都属于本发明实施例保护的范围。
本申请的说明书和权利要求书中的术语“包括”以及它的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明实施例通过国家标准推荐计算法对变压器热点温度进行间接测量,实现多个特征的初步融合,再将其他影响因子与粗检结果进行进一步融合,体现出影响因子之间的关联性,从而输入到预测模型中,对变压器热点温度进行预测的结果更加准确,以下结合附图进行详细描述。
实施例一
请参阅图1,图1是本发明一个实施例公开的一种油浸式变压器热点温度检测方法的流程示意图。如图1所示,该油浸式变压器热点温度检测方法包括:
S110、以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗。
之所以相同的采样频率,以及相同的采样时间(即得到的采样点总数相等),主要是用于后续的特征融合,在本发明较佳的实施例中,可以基于采用频率设定对应的采样时间,以使得最终得到的采样点数总数为m×n个,进而得到m×n个像素点的特征图像。
采集变压器的顶层油温和底层油温可以通过常规的方式进行,示例性地,可以在变压器油箱的顶部内侧和底部内侧分别安装光纤光栅测温传感器,该光纤光栅测温传感器不会对变压器油的流动性造成影响,且也不会受到变压器工作时的电磁干扰,从而保证顶层油温和底层油温的测量的准确性。
采集变压器顶层油温和底层油温主要是用于通过间接测量法以获取变压器的热点温度(即变压器热点温度),由于间接测量法的准确性较差,其与变压器绕组的实际热点温度存在一定的非线性关系,因此,将其作为变压器热点温度的一个影响因子,实现了顶层油温和底层油温的融合,提升预测结果的准确性。
作为一个重要而被研究者忽视的一个影响因子,即变压器的负载水平,绕组损耗是由于绕组中的负载电流流过而导致的电阻热,与电流的大小有关,因此,在本发明较佳的实施例中,采用变压器的电损耗来表征变压器的负载情况。
变压器的电损耗的获取方式有多种,示例性地,通过采集变压器的平均电流值、最大电流值以及均方根电流值中的任一种均可以计算得到变压器的电损耗。以均方根电流值为例:
当所述变压器为双绕组变压器时,采集变压器的电损耗,可以包括:
通过出厂信息获取所述双绕组变压器的额定容量S、高压侧额定电压U n、额定空载损耗P 0、以及额定负载损耗P k;
使用电流互感器等检测机构采集高压侧均方根电流值I f;
基于上述获取的参数,计算所述双绕组变压器的电损耗:
其中,E i为第i个采样点的双绕组变压器的电损耗;I if为第i个采样点的高压侧均方根电流值;为采样时间间隔。
同样地,如果所述变压器为三绕组变压器时,采集变压器的电损耗,可以包括:
通过出厂信息获取所述三绕组变压器的高压绕组额定容量S 1、高压侧额定电压U 1n、额定空载损耗P 0、高-中压绕组额定负载损耗P k12、高-低压绕组额定负载损耗P k13、以及中-低压绕组额定负载损耗P k23;
使用电流互感器等采集高压侧均方根电流值I 1f、中压侧均方根电流值I 2f、低压侧均方根电流值I 3f;
基于上述参数计算所述三绕组变压器的电损耗:
其中,E i为第i个采样点的三绕组变压器的电损耗;I 1if、I 2if、I 3if分别为第i个采样点的高压侧均方根电流值、中压侧均方根电流值和低压侧均方根电流值;为采样时间间隔。
变压器的热点温度随外界环境温度的增加而增加,二者之间基本上可看作为正比例关系,因此,将环境温度也作为影响变压器热点温度的一个影响因子。采集变压器的环境温度,则可以将相应的传感器例如热电偶等安装于变压器的外侧,在一些其他场景中,由于环境湿度也可以影响变压器的热点温度,因此,也可以将环境温湿度分别作为影响因子,通过加权求和的方式进行初步融合。
S120、基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度。
确定变压器粗检热点温度的方式有多种,在本发明较佳的实施例中,以国家标准推荐计算法确定变压器的粗检热点温度。
国家标准GB/T15164 -1994提出了用于计算油浸式电力变压器热点温度的数学模型,该数学模型对变压器复杂的热特性做了简化处理,简化后的油浸式变压器整体温度分布如图2所示。其中,h为变压器绕组高度,h1和h2分别为变压器绕组的下端和上端,T为温度,、b、t分别为变压器顶层油温、底层油温和平均油温。
国家标准推荐计算法对变压器热特性做了如下规定:
1、变压器绕组和油的温度增加方式为从底部到顶部呈线性,绕组温升曲线与油温升曲线呈平行关系,两线之差为差值常数,其取值可以通过电阻法测出。
2、考虑变压器存在杂散损耗等非线性因素,用系数H·描述热点温度与顶部油温差值。
3、考虑变压器运行时存在不同负载和冷却方式情况,用热点因数H进行修正,取值范围为1.1~1.5,所以,变压器的粗检热点温度T可以是:
其中,T i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;/>为差值常数,H为热点因数,/>为第i个采样点的油平均温升,请参照图2所示,可以顶层油温和底层油温的温升平均值作为油平均温升:
其中,b i为第i个采样点的变压器的底层油温;和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温。
S130、融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征。
因为变压器热点温度的各个影响因子之间是有关联性的,示例性地,当变压器电损耗增加时,变压器顶层油温和底层油温也会随之增加,环境温度增加时,变压器顶层油温和底层油温也会随之增加。
因此,为了表征这些影响因子的关联性,从而保证预测的准确性,在本发明较佳的实施例中,将这些影响因子进行融合,从而得到融合特征。
融合方式以图像形式体现,具体地,请参照图3所示,对变压器热点温度各个影响因子的特征融合,可以包括以下步骤:
S131、对变压器粗检热点温度、环境温度以及电损耗进行归一化处理。
归一化处理后,每个采样点的各个影响因子的值均位于[0,255],归一化到0-255的方式有多种,示例性地,可以先将各个影响因子的数值归一化到0-1,然后再将每个数值均乘以255即可,为了便于后续的操作,最后得到的数值可以向下取整。
在本方面实施例中,变压器粗检热点温度、环境温度均采用摄氏温度,因此,一般情况下,其值不会高于255,所以,可以不对其进行归一化。当然,在其他的实施例中,为了实现无量纲化,保证单位的统一性,也可以根据具体数值的最大值和最小值完成三个影响因子的归一化。
S132、将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值。
由于变压器粗检热点温度(对应于顶层温度或者底层温度)、环境温度以及电损耗同时采样,且具有相同的采样频率以及采样时间,因此,将对应位置的变压器粗检热点温度、环境温度以及电损耗称为同一采样点,示例性地:
将第i个采样点变压器的粗检热点温度T i、环境温度D i、以及电损耗E i分别作为第i个采样点的R值、G值和B值,则可以得到一个基于三基色的彩色像素点,根据该第i个采样点的R值、G值和B值确定该第i个采样点的像素值。
S133、将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像。
正如前述,对采样频率和采样时间限定后,则可以得到采样点总数,从而将所有采样点的像素值按照m行n列的方式依次排列,即可得到一个彩色的特征图像,该特征图像的维数为m×n维。
S140、将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度。
可以理解的是,预先训练热点温度预测模型,也是通过将训练样本转换成特征图像的方式实现的,为了保证训练以及预测的精准性,在本发明较佳的实施例中,每个训练样本以及预测时采集的数据(实际采集数据)的特征图像大小相同。即对所述热点温度预测模型的预先训练时,每个训练样本的采样频率以及采样点总数与实际采集变压器的顶层油温、底层油温、环境温度以及电损耗的采样频率和采样点总数均分别相同。
热点温度预测模型根据需要可以是任意的神经网络模型,例如可以是CNN(卷积神经网络)、FCN(全连接神经网络)等,这里不对其进行具体限定。
实施例二
请参阅图4,图4是本发明实施例公开的一种油浸式变压器热点温度检测系统的结构示意图。如图4所示,该油浸式变压器热点温度检测系统可以包括:
采集单元210,用于以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗;
粗检单元220,用于基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度
融合单元230,用于融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征;
预测单元240,用于将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度。
优选地,所述融合单元230,可以包括:
归一化处理子单元,用于分别将所述变压器粗检热点温度、环境温度以及电损耗进行归一化处理,均规范至0-255;
转换子单元,用于将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值;
排列子单元,用于将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像,其中,m和n为设定值,m×n即为采样点总数。
优选地,基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度,包括:
根据油浸式电力变压器热点温度的数学模型,计算所述变压器粗检热点温度:
其中,A i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;b i为第i个采样点的变压器的底层油温;/>和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温;/>为差值常数,H为热点因数。
优选地,当所述变压器为双绕组变压器时,采集变压器的电损耗,可以包括:
获取所述双绕组变压器的额定容量S、高压侧额定电压U n、额定空载损耗P 0、以及额定负载损耗P k;
采集高压侧均方根电流值I f;
计算所述双绕组变压器的电损耗:
其中,E i为第i个采样点的双绕组变压器的电损耗;I if为第i个采样点的高压侧均方根电流值;为采样时间间隔。
优选地,当所述变压器为三绕组变压器时,采集变压器的电损耗,可以包括:
获取所述三绕组变压器的高压绕组额定容量S 1、高压侧额定电压U 1n、额定空载损耗P 0、高-中压绕组额定负载损耗P k12、高-低压绕组额定负载损耗P k13、以及中-低压绕组额定负载损耗P k23;
采集高压侧均方根电流值I 1f、中压侧均方根电流值I 2f、低压侧均方根电流值I 3f;
计算所述三绕组变压器的电损耗:
其中,E i为第i个采样点的三绕组变压器的电损耗;I 1if、I 2if、I 3if分别为第i个采样点的高压侧均方根电流值、中压侧均方根电流值和低压侧均方根电流值;为采样时间间隔。
优选地,预测单元240,可以包括:
对所述热点温度预测模型的预先训练时,每个训练样本的采样频率以及采样点总数与实际采集变压器的顶层油温、底层油温、环境温度以及电损耗的采样频率和采样点总数均分别相同;
将所述特征图像输入所述预先训练的热点温度预测模型中,得到变压器细检热点温度。
实施例三
请参阅图5,图5示出了可以用来实施本发明实施例的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的或/和者要求的本发明实施例的实现。
如图5所示,电子设备包括至少一个处理器310,以及与至少一个处理器310通信连接的存储器,如ROM(只读存储器)320、RAM(随机访问存储器)330等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器310可以根据存储在ROM 320中的计算机程序或者从存储单元380加载到随机访问存储器RAM 330中的计算机程序,来执行各种适当的动作和处理。在RAM 330中,还可存储电子设备操作所需的各种程序和数据。处理器310、ROM320以及RAM 330通过总线340彼此相连。I/O(输入/输出)接口350也连接至总线340。
电子设备中的多个部件连接至I/O接口350,包括:输入单元360,例如键盘、鼠标等;输出单元370,例如各种类型的显示器、扬声器等;存储单元380,例如磁盘、光盘等;以及通信单元390,例如网卡、调制解调器、无线通信收发机等。通信单元390允许电子设备通过诸如因特网的计算机网络或/和各种电信网络与其他设备交换信息/数据。
处理器310可以是各种具有处理和计算能力的通用或/和专用处理组件。处理器310的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器310执行上文实施例一描述的一种油浸式变压器热点温度检测方法的一个或多个步骤。
在一些实施例中,一种油浸式变压器热点温度检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元380。在一些实施例中,计算机程序的部分或者全部可以经由ROM 320或/和通信单元390而被载入或/和安装到电子设备上。当计算机程序加载到RAM 330并由处理器310执行时,可以执行上文实施例一描述的一种油浸式变压器热点温度检测方法的一个或多个步骤。备选地,在其他实施例中,处理器310可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种油浸式变压器热点温度检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、或/和它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行或/和解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图或/和框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明实施例的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
以上对本发明公开的一种油浸式变压器热点温度检测方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种油浸式变压器热点温度检测方法,其特征在于,其包括:
以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗;
基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度;
融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征;
将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度;
其中,基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度,包括:
根据油浸式电力变压器热点温度的数学模型,计算所述变压器粗检热点温度:
;
其中,A i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;b i为第i个采样点的变压器的底层油温;/>和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温;/>为差值常数,H为热点因数;
融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征,包括:
分别将所述变压器粗检热点温度、环境温度以及电损耗进行归一化处理,均规范至0-255;
将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值;
将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像,其中,m和n为设定值,m×n即为采样点总数。
2.根据权利要求1所述的油浸式变压器热点温度检测方法,其特征在于,当所述变压器为双绕组变压器时,采集变压器的电损耗,包括:
获取所述双绕组变压器的额定容量S、高压侧额定电压U n、额定空载损耗P 0、以及额定负载损耗P k;
采集高压侧均方根电流值I f ;
计算所述双绕组变压器的电损耗:
;
其中,E i为第i个采样点的双绕组变压器的电损耗;I if为第i个采样点的高压侧均方根电流值;为采样时间间隔。
3.根据权利要求1所述的油浸式变压器热点温度检测方法,其特征在于,当所述变压器为三绕组变压器时,采集变压器的电损耗,包括:
获取所述三绕组变压器的高压绕组额定容量S 1、高压侧额定电压U 1n、额定空载损耗P 0、高-中压绕组额定负载损耗P k12、高-低压绕组额定负载损耗P k13、以及中-低压绕组额定负载损耗P k23;
采集高压侧均方根电流值I 1f 、中压侧均方根电流值I 2f 、低压侧均方根电流值I 3f ;
计算所述三绕组变压器的电损耗:
;
其中,E i为第i个采样点的三绕组变压器的电损耗;I 1if 、I 2if 、I 3if 分别为第i个采样点的高压侧均方根电流值、中压侧均方根电流值和低压侧均方根电流值;为采样时间间隔。
4.根据权利要求1所述的油浸式变压器热点温度检测方法,其特征在于,将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度,包括:
对所述热点温度预测模型的预先训练时,每个训练样本的采样频率以及采样点总数与实际采集变压器的顶层油温、底层油温、环境温度以及电损耗的采样频率和采样点总数均分别相同;
将所述特征图像输入所述预先训练的热点温度预测模型中,得到变压器细检热点温度。
5.一种油浸式变压器热点温度检测系统,其特征在于,其包括:
采集单元,用于以相同的采样频率和采样点总数采集所述变压器的顶层油温、底层油温、环境温度以及电损耗;
粗检单元,用于基于所述变压器的顶层油温和底层油温确定变压器粗检热点温度;
融合单元,用于融合所述变压器粗检热点温度、环境温度以及电损耗,形成融合特征;
预测单元,用于将所述融合特征输入至预先训练的热点温度预测模型中,得到变压器细检热点温度;
其中,所述粗检单元包括:
根据油浸式电力变压器热点温度的数学模型,计算所述变压器粗检热点温度:
;
其中,A i为第i个采样点的变压器粗检热点温度;为第i个采样点的变压器的顶层油温;b i为第i个采样点的变压器的底层油温;/>和b i-1分别为/>和b i相邻的在前采集的变压器的顶层油温和底层油温;/>为差值常数,H为热点因数;
所述融合单元,包括:
归一化处理子单元,用于分别将所述变压器粗检热点温度、环境温度以及电损耗进行归一化处理,均规范至0-255;
转换子单元,用于将同一采样点对应的变压器粗检热点温度、环境温度以及电损耗分别作为该采样点的R、G、B值,得到每个采样点的像素值;
排列子单元,用于将所有采样点的像素值按照m行n列的方式依次排列,形成m×n的特征图像,其中,m和n为设定值,m×n即为采样点总数。
6.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并能在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-4任意一项所述的油浸式变压器热点温度检测方法。
7.一种计算机可读存储介质,其特征在于,其存储有计算机程序,其中,所述计算机程序使得计算机执行权利要求1-4任意一项所述的油浸式变压器热点温度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079617.0A CN117589334B (zh) | 2024-01-19 | 2024-01-19 | 油浸式变压器热点温度检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410079617.0A CN117589334B (zh) | 2024-01-19 | 2024-01-19 | 油浸式变压器热点温度检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117589334A true CN117589334A (zh) | 2024-02-23 |
CN117589334B CN117589334B (zh) | 2024-03-26 |
Family
ID=89910277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410079617.0A Active CN117589334B (zh) | 2024-01-19 | 2024-01-19 | 油浸式变压器热点温度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117589334B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140086761A (ko) * | 2012-12-28 | 2014-07-08 | 주식회사 효성 | 변압기의 핫스팟 온도 예측산출 방법 및 장치 |
CN107063502A (zh) * | 2017-04-17 | 2017-08-18 | 海南电力技术研究院 | 一种基于多参量融合的油浸式变压器热点温度估算方法 |
CN108920774A (zh) * | 2018-06-11 | 2018-11-30 | 西南交通大学 | 一种油浸式变压器内部温度监测方法 |
CN109060180A (zh) * | 2018-07-16 | 2018-12-21 | 深圳太辰光通信股份有限公司 | 油浸式变压器绕组热点温度的数据处理方法 |
CN109344559A (zh) * | 2018-12-03 | 2019-02-15 | 西南交通大学 | 一种对比光纤测温的变压器热点温升预测方法 |
WO2019059000A1 (ja) * | 2017-09-25 | 2019-03-28 | Eizo株式会社 | 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム |
CN111401657A (zh) * | 2020-04-02 | 2020-07-10 | 国网冀北电力有限公司唐山供电公司 | 一种基于数据挖掘算法的变压器热点温度时序预测方法 |
US20210108971A1 (en) * | 2019-10-11 | 2021-04-15 | Schweitzer Engineering Laboratories, Inc. | Systems and methods for measuring internal transformer temperatures |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
WO2022247241A1 (zh) * | 2021-05-28 | 2022-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN116258658A (zh) * | 2023-05-11 | 2023-06-13 | 齐鲁工业大学(山东省科学院) | 基于Swin Transformer的图像融合方法 |
-
2024
- 2024-01-19 CN CN202410079617.0A patent/CN117589334B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140086761A (ko) * | 2012-12-28 | 2014-07-08 | 주식회사 효성 | 변압기의 핫스팟 온도 예측산출 방법 및 장치 |
CN107063502A (zh) * | 2017-04-17 | 2017-08-18 | 海南电力技术研究院 | 一种基于多参量融合的油浸式变压器热点温度估算方法 |
WO2019059000A1 (ja) * | 2017-09-25 | 2019-03-28 | Eizo株式会社 | 雰囲気温度推定装置、雰囲気温度推定方法、プログラム及びシステム |
CN108920774A (zh) * | 2018-06-11 | 2018-11-30 | 西南交通大学 | 一种油浸式变压器内部温度监测方法 |
CN109060180A (zh) * | 2018-07-16 | 2018-12-21 | 深圳太辰光通信股份有限公司 | 油浸式变压器绕组热点温度的数据处理方法 |
CN109344559A (zh) * | 2018-12-03 | 2019-02-15 | 西南交通大学 | 一种对比光纤测温的变压器热点温升预测方法 |
US20210108971A1 (en) * | 2019-10-11 | 2021-04-15 | Schweitzer Engineering Laboratories, Inc. | Systems and methods for measuring internal transformer temperatures |
CN111401657A (zh) * | 2020-04-02 | 2020-07-10 | 国网冀北电力有限公司唐山供电公司 | 一种基于数据挖掘算法的变压器热点温度时序预测方法 |
WO2022247241A1 (zh) * | 2021-05-28 | 2022-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种基于多元经验模态分解的变压器顶层油温预测方法 |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
CN116258658A (zh) * | 2023-05-11 | 2023-06-13 | 齐鲁工业大学(山东省科学院) | 基于Swin Transformer的图像融合方法 |
Non-Patent Citations (3)
Title |
---|
YONGQIANG DENG ET AL.: "a method for hot spot temperature prediction of a 10kv oil-immersed transformer", IEEE ACCESS, vol. 7, 31 December 2019 (2019-12-31), pages 107380 - 107388, XP011739887, DOI: 10.1109/ACCESS.2019.2924709 * |
李树卿;陈鼎;仇群辉;史建立;徐伟明;宋晓;: "基于灰色神经网络的变压器绕组热点温度预测", 自动化与仪器仪表, no. 04, 25 April 2017 (2017-04-25), pages 116 - 118 * |
韩祥 等: "基于改进鱼群优化支持向量机的变压器绕组热点温度预测", 水电能源科学, vol. 38, no. 4, 30 April 2020 (2020-04-30), pages 154 - 158 * |
Also Published As
Publication number | Publication date |
---|---|
CN117589334B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106055888B (zh) | 基于误差预测修正的变压器顶层油温预测方法和装置 | |
CN103698033B (zh) | 一种具备自适应功能的变压器绕组热点温度预测评估系统 | |
CN105550472A (zh) | 一种基于神经网络的变压器绕组热点温度的预测方法 | |
CN111401657B (zh) | 一种基于支持向量回归算法的变压器热点温度时序预测方法 | |
CN106066212A (zh) | 一种电缆导体温度间接测量方法 | |
CN115683230B (zh) | 油浸式变压器故障检测方法、装置、设备、介质及系统 | |
CN117589334B (zh) | 油浸式变压器热点温度检测方法及系统 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
JP7461596B2 (ja) | 電圧レベル315kV以下の配電変圧器に対する自動容量校正方法 | |
WO2021098307A1 (zh) | 一种干式变压器剩余寿命的检测方法、装置及存储介质 | |
CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
CN117172555A (zh) | 一种电网风险预警通知单智能生成系统 | |
CN115200748B (zh) | 基于智能电子体温计状态测量控制系统 | |
Wang et al. | Uncertain least squares estimation model based on relative error | |
CN117368814B (zh) | 一种铋系高温超导体材料电流测试系统及方法 | |
CN112461390A (zh) | 一种适用于油浸式变压器的分布式比较型测温模块及方法 | |
CN115239686A (zh) | 电压致热型设备红外图像的处理方法、装置、设备及介质 | |
CN218349666U (zh) | 一种电力变压器的数字式温控器 | |
CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN115663311B (zh) | 电芯温度确定方法、装置、电子设备及存储介质 | |
CN117498273A (zh) | 油浸式变压器的保护动作触发方法、装置、设备及介质 | |
CN116151034B (zh) | 一种绝缘子芯棒酥化的预测方法、装置、设备及介质 | |
CN115508675A (zh) | 变压器绝缘纸聚合度分布确定方法、设备及存储介质 | |
CN114325274B (zh) | 一种换流变阀侧套管局部放电检测系统及方法 | |
Li et al. | Online verification and management scheme of gateway meter flow in the power system by 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |