CN117639282B - 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 - Google Patents
一种换流变阀侧套管末屏分压器频域响应处理方法及系统 Download PDFInfo
- Publication number
- CN117639282B CN117639282B CN202410111198.4A CN202410111198A CN117639282B CN 117639282 B CN117639282 B CN 117639282B CN 202410111198 A CN202410111198 A CN 202410111198A CN 117639282 B CN117639282 B CN 117639282B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- data
- time
- voltage divider
- abnormal
- 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.)
- Active
Links
- 230000004044 response Effects 0.000 title claims abstract description 117
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 239000000243 solution Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种换流变阀侧套管末屏分压器频域响应处理方法及系统，涉及电力系统监控技术领域，包括：为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据；实时采集与外部环境条件相关的数据，将实时响应数据频域响应基线进行比对；在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位；根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。本发明提供的换流变阀侧套管末屏分压器频域响应处理方法提高换流变压器的实时监测和故障响应能力，增强预警系统的准确性，提升设备的稳定性和安全性。减轻人工操作的依赖，降低了维护成本，优化电力系统的整体效率。
Description
技术领域
本发明涉及电力系统监控技术领域，具体为一种换流变阀侧套管末屏分压器频域响应处理方法及系统。
背景技术
现有技术中，换流变压器是高压直流传输系统的核心设备，其稳定性直接关系到整个电力系统的安全运行。套管末屏分压器的频域响应是评估其运行状态的重要参数，但现有的监测方法无法实时、准确地处理频域响应，识别潜在风险，以及提供有效的自适应控制策略。
因此亟需一种换流变阀侧套管末屏分压器频域响应处理方法，针对现有技术中实时监测与自适应控制不足的问题，实时、准确且自动化的进行换流变阀侧套管末屏分压器频域响应处理，通过高级信号处理与人工智能技术相结合，提高换流变压器的运行效率和安全性。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的换流变压器监控方法存在无法实时处理频域响应数据，以及如何在检测到潜在风险时提供有效自适应控制策略的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种换流变阀侧套管末屏分压器频域响应处理方法，包括：
为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据；实时采集与外部环境条件相关的数据，将实时响应数据频域响应基线进行比对；在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位；根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：所述注入扫频信号包括通过收集历史数据信息确定分压器的正常工作频率范围，并添加额外的缓冲频率范围，设计扫频实验，实时监测分压器响应，确定最佳信号幅度，通过环境分析和仿真软件评估，根据所需监测的频率和幅度范围，选择传感器，并在分压器上进行安装和校准，建立数据采集系统，进行频域分析，并利用机器学习算法进行异常检测，根据所述异常检测结果进行扫频范围、信号幅度和数据分析方法的调优；所述响应数据包括频率数据、电压响应数据、电流响应数据、相位差数据。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：所述进行比对包括部署环境传感器监测分压器周围的环境条件，实时环境数据应与基线频域响应进行比较，监测分压器在不同环境条件下的表现通过基线频域统计模型得到所述基线频域实时异常监测评分St，当St＞预设阈值时判断为正常状态，按照预设条件进行常规的监控与数据记录，当St≤预设阈值时判断为异常状态，使用深度学习技术，从历史数据中学习不同故障模式下的频域响应特征，自动识别并分类观测到的异常；
所述基线频域统计模型表示为，
；
其中，表示时间t 时刻的预测基线频域响应，/>表示LSTM动态递归函数，/>表示时间t-1时刻的基线频域响应，/>分别表示经过预处理的时间/>的频率、电压、电流、相位和环境数据的特征向量，/>表示时间/>的模型参数，/>表示时间t时刻的实时异常监测评分，/>表示时间t时刻的实时频域响应，/>表示时间t-1时刻实时异常监测与评分，/>表示时间/>时刻的时间依赖权重，/>表示动态调整因子。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：预设点位包括分析设备的电气拓扑和历史故障数据，在历史数据中学习不同故障模式下的频域响应特征，分析设备拓扑和历史数据，利用深度学习中的LSTM网络分析模型，结合设备拓扑数据和历史故障数据，预测不同点位在各种异常状态下的响应，根据模型预测和分压器正常工作频率，选择初步点位，所述初步点位考虑环境传感器数据，预测环境数据对点位响应的影响，设定PSO的评价函数衡量点位在模拟各种异常状态下的响应，以及在实际环境变化下的稳定性，使用PSO算法迭代地寻找最优点位，根据PSO算法的结果，结合LSTM模型的预测，优化点位选择，确定相量测量的最优点位。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：所述确定相量测量的最优点位包括在最优点位通过点位优化算法优化模型参数，基于优化后的模型参数再次获取实时异常监测评分St’，当St’小于第一阈值时，判断为正常运行状态S1，当St’大于等于第一阈值且小于等于第二阈值时，判断为预警状态S2，当St’大于第二阈值时，判断为异常状态S3;
所述点位优化算法表示为，
；
其中，表示时间t+1时刻的模型参数，/>表示学习率，/>表示损失函数/>关于模型参数/>的梯度，/>表示调整率，/>表示自适应函数。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：所述实现三维空间的异常定位包括同步收集相量数据，通过安全加密的无线网络实时传输至中央处理单元，实时监控和分析数据流，并使用自适应傅里叶变换从中提取异常频域特征，利用预训练的CNN模型，自动对采集到的频域特征进行分类，使用决策支持系统对CNN识别出的异常模式进行分析，并评估其对设备健康状况的潜在影响，采用改进的多边测量法，结合信号的传播速度变化和多径效应，对异常源进行高精度三维定位，结合机器学习技术，优化多边测量法得到的初步定位结果，调整时差定位算法，自动生成补偿策略。
作为本发明所述的换流变阀侧套管末屏分压器频域响应处理方法的一种优选方案，其中：所述自适应控制策略包括当运行状态为正常运行状态S1时，通过实时数据监测与LSTM模型的动态输出比较，识别模型预测与实际输出之间的微小偏差，自动执行微调控制命令，调整换流变压器的辅助控制环节，保持设备在最佳工作点运行，同时利用自适应算法对预测模型进行在线更新；当运行状态为预警状态S2时，激活高级异常检测模式，利用深度学习技术识别和区分频域响应中的异常特征，并与历史异常模式库进行匹配，以识别可能的异常类型，将自动计算并应用运行参数调整，尝试恢复到正常频域响应，若此措施未能立即纠正偏差，自动进入保护模式，减少设备负荷，并发出维护通知；当运行状态为异常状态S3时，立即启动应急预案，通过中央处理单元同步执行多点异常定位分析，以全局视角判断故障的影响范围和紧急程度，基于预训练的神经网络模型，自动生成设备参数的临时补偿策略，降低故障影响，并将故障区域隔离，紧急调用维护备援模块，并向操作员提供详细的故障信息和处理建议。
本发明的另外一个目的是提供一种换流变阀侧套管末屏分压器频域响应处理系统，其能通过实时数据监测与人工智能技术相结合，解决了无法实时、准确处理频域响应数据以及缺乏有效自适应控制策略的问题。
为解决上述技术问题，本发明提供如下技术方案： 一种换流变阀侧套管末屏分压器频域响应处理系统，包括：信号注入模块、相应对比模块、异常定位模块以及自适应控制模块；所述信号注入模块用于为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据；所述相应对比模块用于实时采集与外部环境条件相关的数据，将实时响应数据频域响应基线进行比对；所述异常定位模块用于在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位；所述自适应控制模块用于根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述换流变阀侧套管末屏分压器频域响应处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述换流变阀侧套管末屏分压器频域响应处理方法的步骤。
本发明的有益效果：本发明提供的换流变阀侧套管末屏分压器频域响应处理方法通过自动化的故障识别与处理提高了换流变压器的实时监测和故障响应能力，增强了预警系统的准确性，并通过智能自适应控制策略调整运行参数，提升了设备的稳定性和安全性。此外，减轻了对人工操作的依赖，降低了维护成本，优化了电力系统的整体效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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的附图。
图1为本发明一个实施例提供的一种换流变阀侧套管末屏分压器频域响应处理方法的整体流程图。
图2为本发明第二个实施例提供的一种换流变阀侧套管末屏分压器频域响应处理系统的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例1
参照图1，为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器频域响应处理方法，包括：
为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据。
实时采集与外部环境条件相关的数据，将实时响应数据频域响应基线进行比对。
在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位。
根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。
注入扫频信号包括通过收集历史数据信息确定分压器的正常工作频率范围，并添加额外的缓冲频率范围，设计扫频实验，以逐步增加的幅度，实时监测分压器响应，确定最佳信号幅度，通过环境分析和仿真软件评估，确保选定的频率和幅度不会干扰周围设备，随后进行实地测试。
根据所需监测的频率和幅度范围，选择传感器，并在分压器上进行安装和校准，建立数据采集系统，进行频域分析，并利用机器学习算法进行异常检测，根据异常检测结果进行扫频范围、信号幅度和数据分析方法的调优；
响应数据包括频率数据、电压响应数据、电流响应数据、相位差数据。
频率数据：扫频信号的具体频率值。
电压响应数据：分压器在每个频率点上的电压响应。
电流响应数据：分压器在每个频率点上的电流响应。
相位差数据：分压器的电压和电流之间的相位差。
进行比对包括部署环境传感器监测分压器周围的环境条件，实时环境数据应与基线频域响应进行比较，监测分压器在不同环境条件下的表现通过基线频域统计模型得到基线频域实时异常监测评分St，当St＞预设阈值时判断为正常状态，按照预设条件进行常规的监控与数据记录，当St≤预设阈值时判断为异常状态，使用深度学习技术，从历史数据中学习不同故障模式下的频域响应特征，自动识别并分类观测到的异常；
基线频域统计模型表示为，
；
其中，表示时间t 时刻的预测基线频域响应，/>表示LSTM动态递归函数，/>表示时间t-1时刻的基线频域响应，/>分别表示经过预处理的时间/>的频率、电压、电流、相位和环境数据的特征向量，/>表示时间/>的模型参数，/>表示时间t时刻的实时异常监测评分，/>表示时间t时刻的实时频域响应，/>表示时间t-1时刻实时异常监测与评分，/>表示时间/>时刻的时间依赖权重，/>表示动态调整因子。
预设点位包括分析设备的电气拓扑和历史故障数据，在历史数据中学习不同故障模式下的频域响应特征，分析设备拓扑和历史数据，利用深度学习中的LSTM网络分析模型，结合设备拓扑数据和历史故障数据，预测不同点位在各种异常状态下的响应，根据模型预测和分压器正常工作频率，选择初步点位，初步点位考虑环境传感器数据，预测环境数据对点位响应的影响，设定PSO的评价函数衡量点位在模拟各种异常状态下的响应，以及在实际环境变化下的稳定性，使用PSO算法迭代地寻找最优点位，根据PSO算法的结果，结合LSTM模型的预测，优化点位选择，确定相量测量的最优点位。
确定相量测量的最优点位包括在最优点位通过点位优化算法优化模型参数，基于优化后的模型参数再次获取实时异常监测评分St’，当St’小于第一阈值时，判断为正常运行状态S1，当St’大于等于第一阈值且小于等于第二阈值时，判断为预警状态S2，当St’大于第二阈值时，判断为异常状态S3;
点位优化算法表示为，
；
其中，表示时间t+1时刻的模型参数，/>表示学习率，/>表示损失函数/>关于模型参数/>的梯度，/>表示调整率，/>表示自适应函数，/>表示时间t+1 时刻的预测基线频域响应，/>分别表示经过预处理的时间t+1时刻的频率、电压、电流、相位和环境数据的特征向量，/>表示时间t+1时刻的实时异常监测评分，/>表示时间t+1时刻的实时频域响应，/>表示时间t+1时刻的时间依赖权重。
实现三维空间的异常定位包括同步收集相量数据，通过安全加密的无线网络实时传输至中央处理单元，实时监控和分析数据流，并使用自适应傅里叶变换从中提取异常频域特征，利用预训练的CNN模型，自动对采集到的频域特征进行分类，划分为瞬态过载、谐波失真、设备故障的异常类别，使用决策支持系统对CNN识别出的异常模式进行分析，并评估其对设备健康状况的潜在影响，采用改进的多边测量法，结合信号的传播速度变化和多径效应，对异常源进行高精度三维定位，结合机器学习技术，优化多边测量法得到的初步定位结果，调整时差定位算法，自动生成补偿策略。
自适应控制策略包括当运行状态为正常运行状态S1时，通过实时数据监测与LSTM模型的动态输出比较，识别模型预测与实际输出之间的微小偏差，自动执行微调控制命令，调整换流变压器的辅助控制环节，保持设备在最佳工作点运行，同时利用自适应算法对预测模型进行在线更新；
当运行状态为预警状态S2时，激活高级异常检测模式，利用深度学习技术识别和区分频域响应中的异常特征，并与历史异常模式库进行匹配，以识别可能的异常类型，将自动计算并应用运行参数调整，尝试恢复到正常频域响应，若此措施未能立即纠正偏差，自动进入保护模式，减少设备负荷，并发出维护通知；
当运行状态为异常状态S3时，立即启动应急预案，通过中央处理单元同步执行多点异常定位分析，以全局视角判断故障的影响范围和紧急程度，基于预训练的神经网络模型，自动生成设备参数的临时补偿策略，降低故障影响，并将故障区域隔离，紧急调用维护备援模块，并向操作员提供详细的故障信息和处理建议。
运行参数调整包括根据识别出的异常类型，调整输入信号的频率和幅度，减轻异常的影响，并修改控制环节设置，控制环节设置包括调整保护参数、温度控制调整、调节电源质量控制以及优化负载管理。
调整保护参数是修改过电压保护、过电流保护、短路保护等安全相关的参数，确保设备在异常状态下的安全运行。
温度控制调整是优化设备的温度管理系统，包括冷却系统的控制参数和温度警报阈值，适应不同的运行条件和预防过热问题。
调节电源质量控制是调整与电源质量相关的参数，包括谐波抑制、电压稳定和频率调整，维持电网的稳定性。
优化负载管理是调整负载分配和负载限制参数，保护设备免受过载和不稳定负载的影响。
实施例2
参照图2，为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器频域响应处理系统，包括：信号注入模块、相应对比模块、异常定位模块以及自适应控制模块。
信号注入模块用于为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据。
相应对比模块用于实时采集与外部环境条件相关的数据，将实时响应数据频域响应基线进行比对。
异常定位模块用于在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位。
自适应控制模块用于根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。
实施例3
本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例4
为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器频域响应处理方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
采用我方发明方法进行实验，并选择现有的换流变压器故障监测方法作为对比基线，基于传统的保护继电器方法进行对比。
在相同的换流变压器模型上，同时运行我方发明技术方案和基线技术，设定多个故障情景，包括短路、过载、绝缘故障，在每种故障情景下，分别用两种技术方案进行监测，确保环境温度、湿度变量控制在一定范围内，以排除外界因素影响，获取评价指标。
评价指标包括：故障检测时间是从故障发生到被检测到的时间。故障定位精度是故障位置的定位准确度。系统稳定性是在故障预警和处理期间，系统的稳定性，使用1-10分评分，10分最佳。控制策略响应时间是从故障检测到控制策略执行的时间。故障恢复时间是从采取措施到系统恢复正常运行的时间。系统负载变化是监测和控制期间系统负载的变化，以百分比表示。为了提高统计有效性，每个故障情景至少重复实验10次，实验结果如表1所示。
表1 实验结果对比表
实验结果表明，本发明所提出的换流变阀侧套管末屏分压器频域响应处理方法在换流变压器故障监测和处理方面带来了进步。通过频域响应的实时分析和处理，不仅实现了对换流变压器状态的实时监控，而且通过智能算法成功识别并分类了各类异常状态，极大地提升了监测的精确性。进一步的三维空间异常定位技术实现了故障点的准确定位。
集成的自适应控制策略能够自动执行，极大地降低了对人工干预的依赖，使得故障响应变得更为迅速和精准。实验数据显示，在所有测试的故障情景中，本发明方法在故障检测时间、故障定位精度、系统稳定性评分、控制策略响应时间以及故障恢复时间等方面均有显著改进。系统稳定性的显著提升表明，在面对突发事件时，换流变压器能够保持更高的运行稳定性和可靠性。
本技术方案通过智能化减少了对专业人员的需求，从而在操作与维护上实现了成本的显著降低。维护周期的延长和故障修复时间的减少不仅降低了运营成本，也提升了整个电力系统的经济效益和社会价值。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种换流变阀侧套管末屏分压器频域响应处理方法，其特征在于，包括：
为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据；
实时采集与外部环境条件相关的数据与频域响应基线进行比对；
在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位；
根据异常定位结果和异常分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数；
预设点位包括分析设备的电气拓扑和历史故障数据，在历史数据中学习不同故障模式下的频域响应特征，分析设备拓扑和历史数据，利用深度学习中的LSTM网络分析模型，结合设备拓扑数据和历史故障数据，预测不同点位在各种异常状态下的响应，根据模型预测和分压器正常工作频率，选择初步点位，所述初步点位考虑环境传感器数据，预测环境数据对点位响应的影响，设定PSO的评价函数衡量点位在模拟各种异常状态下的响应，以及在实际环境变化下的稳定性，使用PSO算法迭代地寻找最优点位，根据PSO算法的结果，结合LSTM模型的预测，优化点位选择，确定相量测量的最优点位；
所述进行比对包括部署环境传感器监测分压器周围的环境条件，实时环境数据应与频域响应基线进行比较，监测分压器在不同环境条件下的表现通过基线频域统计模型得到所述基线频域实时异常监测评分St，当St＞预设阈值时判断为正常状态，按照预设条件进行常规的监控与数据记录，当St≤预设阈值时判断为异常状态，使用深度学习技术，从历史数据中学习不同故障模式下的频域响应特征，自动识别并分类观测到的异常；
所述基线频域统计模型表示为，
St＝Γt·((Rt-Bt)2+Δ(Rt-1,Bt-1,St-1))
其中，Bt表示时间t时刻的预测基线频域响应，G表示LSTM动态递归函数，Bt-1表示时间t-1时刻的基线频域响应，分别表示经过预处理的时间t的频率、电压、电流、相位和环境数据的特征向量，θt表示时间t的模型参数，St表示时间t时刻的实时异常监测评分，Rt表示时间t时刻的实时频域响应，St-1表示时间t-1时刻实时异常监测与评分，Γt表示时间t时刻的时间依赖权重，Δ表示动态调整因子；
所述确定相量测量的最优点位包括在最优点位通过点位优化算法优化模型参数，基于优化后的模型参数θt+1再次获取实时异常监测评分St’，当St’小于第一阈值时，判断为正常运行状态S1，当St’大于等于第一阈值且小于等于第二阈值时，判断为预警状态S2，当St’大于第二阈值时，判断为异常状态S3；
所述点位优化算法表示为，
其中，θt+1表示时间t+1时刻的模型参数，η表示学习率,表示损失函数L关于模型参数θ的梯度，ζ表示调整率，Ψ表示自适应函数；
所述实现三维空间的异常定位包括同步收集相量数据，通过安全加密的无线网络实时传输至中央处理单元，实时监控和分析数据流，并使用自适应傅里叶变换从中提取异常频域特征，利用预训练的CNN模型，自动对采集到的频域特征进行分类，使用决策支持系统对CNN识别出的异常模式进行分析，并评估其对设备健康状况的潜在影响，采用改进的多边测量法，结合信号的传播速度变化和多径效应，对异常源进行高精度三维定位，结合机器学习技术，优化多边测量法得到的初步定位结果，调整时差定位算法，自动生成补偿策略；
所述自适应控制策略包括当运行状态为正常运行状态S1时，通过实时数据监测与LSTM模型的动态输出比较，识别模型预测与实际输出之间的微小偏差，自动执行微调控制命令，调整换流变压器的辅助控制环节，保持设备在最佳工作点运行，同时利用自适应算法对预测模型进行在线更新；
当运行状态为预警状态S2时，激活高级异常检测模式，利用深度学习技术识别和区分频域响应中的异常特征，并与历史异常模式库进行匹配，以识别可能的异常类型，将自动计算并应用运行参数调整，尝试恢复到正常频域响应，若此措施未能立即纠正偏差，自动进入保护模式，减少设备负荷，并发出维护通知；
当运行状态为异常状态S3时，立即启动应急预案，通过中央处理单元同步执行多点异常定位分析，以全局视角判断故障的影响范围和紧急程度，基于预训练的神经网络模型，自动生成设备参数的临时补偿策略，降低故障影响，并将故障区域隔离，紧急调用维护备援模块，并向操作员提供详细的故障信息和处理建议。
2.如权利要求1所述的换流变阀侧套管末屏分压器频域响应处理方法，其特征在于：所述注入扫频信号包括通过收集历史数据信息确定分压器的正常工作频率范围，并添加额外的缓冲频率范围，设计扫频实验，实时监测分压器响应，确定最佳信号幅度，通过环境分析和仿真软件评估，根据所需监测的频率和幅度范围，选择传感器，并在分压器上进行安装和校准，建立数据采集系统，进行频域分析，并利用机器学习算法进行异常检测，根据所述异常检测结果进行扫频范围、信号幅度和数据分析方法的调优；
所述响应数据包括频率数据、电压响应数据、电流响应数据、相位差数据。
3.一种采用如权利要求1～2任一所述的换流变阀侧套管末屏分压器频域响应处理方法的系统，其特征在于，包括：信号注入模块、相应对比模块、异常定位模块以及自适应控制模块；
所述信号注入模块用于为分压器注入扫频信号，实时捕获分压器对于扫频信号的响应数据；
所述相应对比模块用于实时采集与外部环境条件相关的数据，将实时响应数据与频域响应基线进行比对；
所述异常定位模块用于在设备的最优点位上进行相量测量，与异常频域响应结合，实现三维空间的异常定位；
所述自适应控制模块用于根据异常定位结果和分类信息，自动生成补偿策略，在设备上执行生成的自适应控制策略，调整设备运行参数。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述的换流变阀侧套管末屏分压器频域响应处理方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的换流变阀侧套管末屏分压器频域响应处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410111198.4A CN117639282B (zh) | 2024-01-26 | 2024-01-26 | 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410111198.4A CN117639282B (zh) | 2024-01-26 | 2024-01-26 | 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117639282A CN117639282A (zh) | 2024-03-01 |
| CN117639282B true CN117639282B (zh) | 2024-04-19 |
Family
ID=90032495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410111198.4A Active CN117639282B (zh) | 2024-01-26 | 2024-01-26 | 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117639282B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505493A (zh) * | 2020-10-30 | 2021-03-16 | 西安交通大学 | 一种变压器套管介电响应测量方法及系统 |
| CN113985139A (zh) * | 2021-10-15 | 2022-01-28 | 国网电力科学研究院武汉南瑞有限责任公司 | 换流变压器阀侧套管的频域介电响应测量装置及方法 |
| CN115453306A (zh) * | 2022-09-28 | 2022-12-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流阀测试方法、装置、计算机设备和存储介质 |
| CN115754641A (zh) * | 2022-12-09 | 2023-03-07 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 变压器阀侧套管复合激励测试方法和装置 |
| CN117347916A (zh) * | 2023-09-25 | 2024-01-05 | 中国电力科学研究院有限公司 | 一种基于参数辨识的绕组结构故障定位方法及装置 |
| CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
| CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及系统 |
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
-
2024
- 2024-01-26 CN CN202410111198.4A patent/CN117639282B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505493A (zh) * | 2020-10-30 | 2021-03-16 | 西安交通大学 | 一种变压器套管介电响应测量方法及系统 |
| CN113985139A (zh) * | 2021-10-15 | 2022-01-28 | 国网电力科学研究院武汉南瑞有限责任公司 | 换流变压器阀侧套管的频域介电响应测量装置及方法 |
| CN115453306A (zh) * | 2022-09-28 | 2022-12-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流阀测试方法、装置、计算机设备和存储介质 |
| CN115754641A (zh) * | 2022-12-09 | 2023-03-07 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 变压器阀侧套管复合激励测试方法和装置 |
| CN117347916A (zh) * | 2023-09-25 | 2024-01-05 | 中国电力科学研究院有限公司 | 一种基于参数辨识的绕组结构故障定位方法及装置 |
| CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
| CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及系统 |
| CN117706943A (zh) * | 2024-02-06 | 2024-03-15 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 3D approach for fault identification within power transformers using frequency response analysis;Abu-Siada, Ahmed 等;IET SCIENCE MEASUREMENT & TECHNOLOGY;20190801;第13卷(第6期);903-911 * |
| 基于暂态过电压特性的电力变压器绕组变形故障在线检测;姚陈果;赵仲勇;李成祥;陈晓晗;李昭炯;;高电压技术;20150331(第03期);873-880 * |
| 宜宾站换流变压器阀侧电压测量故障分析及处理;孙文;禹佳;陈伟;;四川电力技术;20151220(第06期);51-55 * |
| 通过750kV变压器套管末屏进行过电压监测的方法研究;郭磊 等;陕西电力;20090831;第37卷(第8期);14-16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117639282A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
| CN115408864B (zh) | 电子式互感器误差状态自适应预测方法、系统及设备 | |
| CN117420380A (zh) | 一种配电网故障预警、处置方法及系统 | |
| KR102417800B1 (ko) | 전력 케이블 노후도 판단 장치 및 방법 | |
| CN112582992A (zh) | 直流微网支路联动控制系统及方法 | |
| CN116578869A (zh) | 电力系统的故障诊断方法、故障诊断装置与电子装置 | |
| KR101808461B1 (ko) | 기계의 잔여수명 예측 방법 및 장치 | |
| CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
| CN117639282B (zh) | 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 | |
| CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
| CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
| CN117728574A (zh) | 电力监控系统网络安全设备统一远程运维管控方法及系统 | |
| CN117674140A (zh) | 一种配电网测控系统及方法 | |
| CN117574264A (zh) | 一种基于知识约束神经网络的变压器故障诊断方法及系统 | |
| CN117318069A (zh) | 一种供电系统故障自愈方法及系统 | |
| CN111817290A (zh) | 数据篡改攻击下电力信息物理系统电压控制策略 | |
| CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
| CN117783795B (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 | |
| CN116861270B (zh) | 无人机系统级健康评估方法和系统 | |
| CN117972620B (zh) | 基于逻辑回归算法的电芯异常预测方法及装置 | |
| US11639966B2 (en) | Enhanced electrical signature analysis for fault detection | |
| CN117783795A (zh) | 边缘分析的换流变阀侧套管绝缘状态综合分析方法及系统 | |
| CN118213936A (zh) | 一种电压监视与电压保护系统及方法 | |
| CN117555947A (zh) | 一种抽水蓄能电站瓦温特征提取方法及系统 |
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 |