CN117763391A - 基于乙炔气体信号的变压器故障检测方法、系统及存储介质 - Google Patents
基于乙炔气体信号的变压器故障检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117763391A CN117763391A CN202311681694.5A CN202311681694A CN117763391A CN 117763391 A CN117763391 A CN 117763391A CN 202311681694 A CN202311681694 A CN 202311681694A CN 117763391 A CN117763391 A CN 117763391A
- Authority
- CN
- China
- Prior art keywords
- gas
- transformer
- signal
- acetylene
- harmonic
- 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
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000010521 absorption reaction Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 207
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于乙炔气体信号的变压器故障检测方法、系统及存储介质,该方法包括以下步骤:通过集气装置采集变压器中的气体;将红外气体传感器与集气装置连接,获取乙炔气体信号;对所述乙炔气体信号去噪,得到第一气体信号f(t);计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;利用深度学习网络模型对输入数据集进行训练,得到预测模型;获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
Description
技术领域
本发明涉及电力设备、深度学习技术领域,具体涉及一种基于乙炔气体信号的变压器故障检测方法、系统及存储介质。
背景技术
随着电网规模的不断扩大,针对电力系统的安全运行可靠性提出了越来越高的要求。其中,变压器是电力系统中的关键设备,变压器是否正常运行对于保障电力系统正常工作来说至关重要。然而,随着运行过程和运行环境的变化,变压器中的绝缘油与固体绝缘材料在温度、电场、氧化等众多因素作用下逐渐老化,导致变压器出现电故障、热故障等故障情况,在出现故障的同时变压器会产生一些如甲烷、乙烷、乙炔等气体,通过对变压器故障产生机理的长期研究发现,变压器潜在的电故障及热故障与变压器中气体的种类和浓度存在一定关系,其中,乙炔作为其中重要的气体之一,对变压器的故障监测起着关键的作用,通过乙炔气体检测可以预测变压器的温度是否过高、绝缘油油品质量是否下降、变压器中水分是否过多、变压器内部绝缘材料是否老化产生放电等变压器常见故障。
目前,现有的变压器故障检测方法通常是通过变压器结构进行机械数据分析或是通过气体分析仪进行气体数据分析,但这种方式检测效率和精度都不高,且乙炔与其他气体在变压器中是以混合形式存在的,导致检测到的乙炔浓度信号微弱,容易被其他气体噪声干扰或淹没,存在一定的误判比例,导致乙炔气体浓度检测的精度不高,无法降低噪声的影响,进而影响了对变压器故障的检测准确率。因此,如何提供一种高效、准确地、精度高低变压器故障检测方法具有重要意义。
本申请指在建立一种基于乙炔气体信号的变压器故障检测方法、系统及存储介质,以解决上述问题。
发明内容
为了实现根据本发明的上述目的和其他优点,本发明的第一目的是提供一种基于乙炔气体信号的变压器故障检测方法,包括如下步骤:
通过集气装置采集变压器中的气体;
将红外气体传感器与集气装置连接,以获取乙炔气体信号;
对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);
通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值来确定乙炔气体信号的浓度范围;
根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;
利用深度学习网络模型对输入数据集进行训练,得到预测模型;
获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。进一步地,所述通过集气装置采集变压器气体信号,包括:
通过集气装置分别采集变压器正常状态时的变压器气体、变压器发生电弧故障时的变压器气体、变压器发生过热故障时的变压器气体、变压器发生过热兼电弧故障时的变压器气体。
进一步地,所述红外气体传感器设置波长为3.3μm。
进一步地,所述去噪处理为使用固定阈值算法进行去噪,包括:
获取第一气体信号f(t)的关系式:
f(t)=s(t)+σe(t),1≤t≤M
其中,s(t)表示乙炔实际有效信号,e(t)表示噪声信号,σ表示噪声系数,M表示采样序列长度;
将第一气体信号f(t)分解为低频信号和高频信号的叠加:
其中,表示逼近系数,/>表示小波系数,/>表示尺度函数,ψ(t)表示小波函数;
使用固定阈值算法对第一期气体信号f(t)进行去噪,其中,所述阈值取值如下:
其中,
其中,λ表示阈值,ωj,k表示小波系数,即第j层第k个系数,σ表示噪声水平估计值,N表示固定长度系数。
进一步地,所述通过集气装置,包括采样单元、过滤单元、收集单元。
进一步地,所述通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度,计算公式如下:
Iλ=I0(λ)Rn[1-S0g(λ-λ0)cL]
其中,四次谐波系数与乙炔浓度呈线性关系,表示如下:
I4f∝I0S0g0cL
其中,R表示反射率,n表示反射次数,Iλ表示输出光强,S0为乙炔气体分子在λ0处吸收线强度,g(λ-λ0)表示吸收函数;c表示乙炔浓度;L表示乙炔吸收光程,I4f表示四次谐波系数,g0表示吸收谱线的吸收函数。
进一步地,所述将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集,包括:
若所述乙炔气体信号的浓度范围属于变压器正常状态范围,则将峰值图片标注为变压器正常;
若所述乙炔气体信号的浓度范围属于变压器发生电弧故障时的状态范围,则将峰值图片标注为变压器电弧故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热故障时的状态范围,则将峰值图片标注为变压器过热故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热兼电弧故障时的状态范围,则将峰值图片标注为变压器过热兼电弧故障;
根据标注的内容将所述峰值图片进行分类,形成输入数据集。
本发明的第二目的是提供一种基于乙炔气体信号的变压器故障检测系统,包括以下模块:
气体采集模块,被配置成,用于通过集气装置采集变压器中的气体;将红外气体传感器与集气装置连接,以获取乙炔气体信号;
计算模块,被配置成,用于对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度范围;
模型训练模块,被配置成,用于根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;利用深度学习网络模型对输入数据集进行训练,得到预测模型;
故障检测模块,被配置成,用于获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
本发明的第三目的是提供一种可读存储介质,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计算机程序时,实现基于乙炔气体信号的变压器故障检测方法。
本发明的第四目的是提供一种电子设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现基于乙炔气体信号的变压器故障检测方法。
与现有技术相比,本发明的有益效果是:
本发明涉及一种基于乙炔气体信号的变压器故障检测方法、系统及存储介质。通过集气装置采集变压器中的气体,利用红外气体传感器获取乙炔气体信号,将乙炔气体信号进行去噪处理,有效地降低了其他气体噪声对乙炔浓度检测精度的影响,通过提取四次谐波气体信号实现对乙炔气体信号浓度范围的检测,以获取相应的故障检测信息,再经过深度学习网络模型的训练和预测,可以通过乙炔气体信号的四次谐波气体吸收峰峰值图片自动准确识别出乙炔气体信号的浓度范围及潜在故障信息,从而对变压器故障进行准确检测,提高了检测准确性和效率,避免变压器故障发生,保证变压器的安全运行,进而保障了电力系统的可靠运行。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本申请的基于乙炔气体信号的变压器故障检测方法流程图;
图2为实施例1中所述的集气装置示意图;
图3为实施例1中所述的四次谐波信号图;
图4为实施例2中的基于乙炔气体信号的变压器故障检测系统示意图;
图5为实施例3中的计算机可读存储介质示意图。
图6为实施例4中的电子设备示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例1
本发明提供一种基于乙炔气体信号的变压器故障检测方法,如图1所示,具体包括如下步骤:
S101,通过集气装置采集变压器中的气体;
S102,将红外气体传感器与集气装置连接,以获取乙炔气体信号;
S103,对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);
S104,通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值来确定乙炔气体信号的浓度范围;
S105,根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;
S106,利用深度学习网络模型对输入数据集进行训练,得到预测模型;
S107,获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
在一些实施例中,步骤S101中的所述的集气装置可以是气体袋、气体瓶、气体采样器电化学气体传感器、半导体式传感器、声表面波气体传感器及其他具有气体采集功能的设备;在一优选的实施例中,本申请采用通过设置集气装置,将集气装置和红外线气体传感器进行连接,通过集气装置来采集变压器中的气体,然后将所述气体送入红外线传感器中进行分析和处理,以实现远距离,非接触式、高效率的变压器故障检测。
在一优选的实施例中,步骤S101中所述的集气装置,如图2所示,具体包括如下单元:
采样单元:用于采集变压器气体;
过滤单元:用于将采样单元所采集到的气体中的杂质和颗粒物进行过滤,以保证采集到的气体样本的纯度。
收集单元:将过滤单元所过滤后的变压器气体进行收集,为后续的红外传感器进行乙炔气体信号获取做准备。
在一些实施例中,集气装置可设置在变压器底部、变压器顶部、变压器周围环境的墙壁上;在一优选的实施方式中,本申请采用使用支架将集气装置安装在变压器顶部,在不干涉变压器正常运行的情况下,确保集气装置能够稳定地安装在变压器上的同时能够有效地采集到变压器中挥发出来的气体。在一优选的实施例中,红外传感器与集气装置通过线缆进行连接,确保红外线传感器能够正常工作并对集气装置所采集的变压器气体数据信息进行及时处理。
在一些实施例中,步骤S101中所述的通过集气装置采集变压器气体信号,包括以下气体信号:
通过集气装置分别采集变压器正常状态时的变压器气体、变压器发生电弧故障时的变压器气体、变压器发生过热故障时的变压器气体、变压器发生过热兼电弧故障时的变压器气体。
通过采集正常状态和故障状态的变压器气体,为后续的输入数据集、计算乙气体信号的浓度范围做好前期工作,进而辅助后续自动化的变压器故障检测,进一步提高了变压器故障检测的准确性。
在一些实施例中,步骤S102中所述的红外气体传感器,利用乙炔在波长3.3μm处吸收强度很高的特性,将所述红外气体传感器的光谱波长设置在3.3μm,以更好地捕获乙炔气体。
由于乙炔气体和其他气体在变压器中是以混合形式存在的,且乙炔浓度型号为弱,容易被其他气体噪声干扰或淹没,若是直接对乙炔气体信号进行四次谐波气体信号提取实现乙炔浓度范围的检测,会导致检测精度不高、检测准确率低的结果。因此,在进行四次谐波气体信号提取实现乙炔浓度范围的检测之前对乙炔气体信号进行去噪处理,可有效地降低其他气体噪声对检测精度和准确率的影响,抑制噪声干扰。
在一些实施例中,步骤S103中所述的去噪处理为使用固定阈值算法进行去噪,包括:
获取第一气体信号f(t)的关系式:
f(t)=s(t)+σe(t),1≤t≤M
其中,s(t)表示乙炔实际有效信号,e(t)表示噪声信号,σ表示噪声系数,M表示采样序列长度;
将第一气体信号f(t)分解为低频信号和高频信号的叠加:
其中,表示逼近系数,/>表示小波系数,/>表示尺度函数,ψ(t)表示小波函数;
使用固定阈值算法对第一期气体信号f(t)进行去噪,其中,所述阈值取值如下:
其中,
其中,λ表示阈值,ωj,k表示小波系数,即第j层第k个系数,σ表示噪声水平估计值,N表示固定长度系数。
气体分子可吸收特定波长范围的红外光,因此可通过确定气体的特征吸收峰峰值来计算气体的浓度范围。由于谐波次数升高时吸收谱线的幅值也会随之降低,因此,在选择谐波计算浓度时需选择次数合适的谐波,奇次谐波在中心吸收位置处幅值为0,在存在基线干扰时不利于寻找中心吸收峰峰值,而偶次谐波在利于寻找中心吸收峰峰值,且抗干扰性更强。在偶次谐波中,二次谐波信号可能受到光源的稳定性、环境温度、压力变化等因素的影响,使得二次谐波信号产生漂移导致产生的信号不准确,当乙炔气体的测量量程较大时,也会产生较严重的误差,从而影响气体浓度的精度,因而,在一优选的实施例中,所述谐波信号选取四次谐波信号进行计算气体浓度要优于传统的二次谐波;所测乙炔气体信号的四次谐波中吸收峰的峰值及其长度、波峰位置均取所述乙炔气体浓度最高时吸收峰的分子及其长度、波峰位置,从图3中可知,在同等测量量程内,二次谐波信号只有一个吸收峰,若是受到噪声干扰,就会导致产生的结果不够准确,而四次谐波信号有两个吸收峰,在实际操作中,可根据实际情况选取最稳定的吸收峰峰值作为四次谐波气体吸收峰峰值来确定乙炔气体信号的浓度范围,大幅提高了乙炔气体信号浓度检测的灵敏度和精度。
在一些实施例中,步骤S104中所述的通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度,具有较强的抗干扰能力,能够更好地抑制其他气体噪声信号对检测结果的影响,进而提高变压器故障检测的精度,具体计算公式如下:
Iλ=I0(λ)Rn[1-S0g(λ-λ0)cL]
其中,四次谐波系数与乙炔浓度呈线性关系,表示如下:
I4f∝I0S0g0cL
其中,R表示反射率,n表示反射次数,Iλ表示输出光强,S0为乙炔气体分子在λ0处吸收线强度,g(λ-λ0)表示吸收函数;c表示乙炔浓度;L表示乙炔吸收光程,I4f表示四次谐波系数,g0表示吸收谱线的吸收函数。
在一优选的实施例中,出厂和投运前的220kv变压器中乙炔浓度应为0;运行中的变压器中,当变压器内部绝缘材料老化时,会导致放电,从而产生乙炔气体,当变压器出现电弧故障时,乙炔气体信号的浓度范围应占总烃的18%~65%;当变压器内部温度过高时,绝缘油的性能出现下降,从而加速绝缘油的分解产生乙炔气体,当变压器出现过热故障时,乙炔型号的浓度范围应占总烃的5.5%以下;当变压器出现过热兼电弧故障时,乙炔气体信号的浓度范围应占总烃的5.5%~18%。
在一些实施例中,步骤S105中所述的将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集,具体包括:
若所述乙炔气体信号的浓度范围属于变压器正常状态范围,则将峰值图片标注为变压器正常;
若所述乙炔气体信号的浓度范围属于变压器发生电弧故障时的状态范围,则将峰值图片标注为变压器电弧故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热故障时的状态范围,则将峰值图片标注为变压器过热故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热兼电弧故障时的状态范围,则将峰值图片标注为变压器过热兼电弧故障;
根据标注的内容将所述峰值图片进行分类,形成输入数据集。
在一些实施例中,通过深度学习网络模型对输入数据集进行训练,获取相应的乙炔气体信号的浓度范围,进而确定乙炔气体信号的故障信息,自动准确地确定变压器的故障检测信息;步骤S106中所述的深度学习网络模型,具体为VGGNet模型,其采用16个卷积层,在每个卷积层中使用3×3的卷积核,卷积步长为1,在每两个卷积层之间,使用2×2的卷积核在最大池化层进行下采样,以此提高计算效率及减少过拟合的风险。
在一优选的实施例中,深度学习训练时设定初始学习率为0.001,设置最多训练轮数为60,在训练轮数达到60或连续5轮训练准确率都不再提升时,结束训练,通过调整权重,更新参数,已达到模型准确率最优的效果。
在一些实施例中,通过获取待检测的变压器中乙炔气体信号,将所获取的乙炔气体信号经过去噪处理后,提取四次谐波气体吸收峰峰值图片并输入预测模型中,通过吸收峰峰值图片得到相应的乙炔气体信号的浓度范围和故障信息,节省了每一次计算的中间环节,通过图片结合深度学习技术,即完成了对变压器的故障检测,提高了变压器故障检测的效率和精度。
实施例2
本发明提供一种基于乙炔气体信号的变压器故障检测系统,如图4所示,包括以下模块:
气体采集模块,被配置成,用于通过集气装置采集变压器中的气体;将红外气体传感器与集气装置连接,以获取乙炔气体信号;
计算模块,被配置成,用于对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度范围;
模型训练模块,被配置成,用于根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;利用深度学习网络模型对输入数据集进行训练,得到预测模型;
故障检测模块,被配置成,用于获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
实施例3
本发明实施例还提供一种计算机可读存储介质,如图5所示,其上存储有程序指令,程序指令被执行时实现如上述实施例1中记载的基于乙炔气体信号的变压器故障检测方法。
其中,程序指令存储于一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上,包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
实施例4
一种电子设备,如图6所示,包括:存储器,其上存储有程序代码;处理器,其与所述存储器联接,并且但所述程序代码被所述处理器执行时,实现如上述实施例1中记载的基于乙炔气体信号的变压器故障检测方法。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (10)
1.一种基于乙炔气体信号的变压器故障检测方法,其特征在于,具体包括以下步骤:
通过集气装置采集变压器中的气体;
将红外气体传感器与集气装置连接,以获取乙炔气体信号;
对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);
通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值来确定乙炔气体信号的浓度范围;
根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;
利用深度学习网络模型对输入数据集进行训练,得到预测模型;
获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
2.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述通过集气装置采集变压器气体信号,包括:
通过集气装置分别采集变压器正常状态时的变压器气体、变压器发生电弧故障时的变压器气体、变压器发生过热故障时的变压器气体、变压器发生过热兼电弧故障时的变压器气体。
3.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述红外气体传感器设置波长为3.3μm。
4.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述去噪处理为使用固定阈值算法进行去噪,包括:
获取第一气体信号f(t)的关系式:
f(t)=s(t)+σe(t),1≤t≤M
其中,s(t)表示乙炔实际有效信号,e(t)表示噪声信号,σ表示噪声系数,M表示采样序列长度;
将第一气体信号f(t)分解为低频信号和高频信号的叠加:
其中,表示逼近系数,/>表示小波系数,/>表示尺度函数,/>表示小波函数;
使用固定阈值算法对第一期气体信号f(t)进行去噪,其中,所述阈值取值如下:
其中,
其中,λ表示阈值,ωi,k表示小波系数,即第j层第k个系数,σ表示噪声水平估计值,N表示固定长度系数。
5.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述通过集气装置,包括采样单元、过滤单元、收集单元。
6.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度,计算公式如下:
Iλ=I0(λ)Rn[1-S0g(λ-λ0)cL]
其中,四次谐波系数与乙炔浓度呈线性关系,表示如下:
I4f∝I0S0g0cL
其中,R表示反射率,n表示反射次数,Iλ表示输出光强,S0为乙炔气体分子在λ0处吸收线强度,g(λ-λ0)表示吸收函数;c表示乙炔浓度;L表示乙炔吸收光程,I4f表示四次谐波系数,g0表示吸收谱线的吸收函数。
7.根据权利要求1所述的一种基于乙炔气体信号的变压器故障检测方法,其特征在于,所述将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集,包括:
若所述乙炔气体信号的浓度范围属于变压器正常状态范围,则将峰值图片标注为变压器正常;
若所述乙炔气体信号的浓度范围属于变压器发生电弧故障时的状态范围,则将峰值图片标注为变压器电弧故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热故障时的状态范围,则将峰值图片标注为变压器过热故障;
若所述乙炔气体信号的浓度范围属于变压器发生过热兼电弧故障时的状态范围,则将峰值图片标注为变压器过热兼电弧故障;
根据标注的内容将所述峰值图片进行分类,形成输入数据集。
8.一种基于乙炔气体信号的变压器故障检测系统,其特征在于,包括以下模块:
气体采集模块,被配置成,用于通过集气装置采集变压器中的气体;将红外气体传感器与集气装置连接,以获取乙炔气体信号;
计算模块,被配置成,用于对所述乙炔气体信号进行去噪处理,得到第一气体信号f(t);通过计算第一气体信号f(t)的四次谐波气体吸收峰峰值确定乙炔气体信号的浓度范围;
模型训练模块,被配置成,用于根据乙炔气体信号的浓度范围确定变压器的检测信息,并将第一气体信号f(t)的四次谐波气体吸收峰峰值图片根据所述检测信息标注分类后形成输入数据集;利用深度学习网络模型对输入数据集进行训练,得到预测模型;
故障检测模块,被配置成,用于获取待检测的变压器中乙炔气体信号的四次谐波气体吸收峰峰值图片输入预测模型中进行识别,得到乙炔气体信号的浓度范围及故障信息,完成对所述变压器的故障检测。
9.一种可读存储介质,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如权利要求1-7任一项所述的基于乙炔气体信号的变压器故障检测方法。
10.一种电子设备,其特征在于,包括:存储器,其上存储有程序代码;处理器,其与所述存储器联接,当所述程序代码被所述处理器执行时,实现如权利要求1-7中任一项基于乙炔气体信号所述的变压器故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311681694.5A CN117763391A (zh) | 2023-12-08 | 2023-12-08 | 基于乙炔气体信号的变压器故障检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311681694.5A CN117763391A (zh) | 2023-12-08 | 2023-12-08 | 基于乙炔气体信号的变压器故障检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117763391A true CN117763391A (zh) | 2024-03-26 |
Family
ID=90315483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311681694.5A Pending CN117763391A (zh) | 2023-12-08 | 2023-12-08 | 基于乙炔气体信号的变压器故障检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763391A (zh) |
-
2023
- 2023-12-08 CN CN202311681694.5A patent/CN117763391A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034127B (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN108108889A (zh) | 一种水质监测数据在线处理方法及装置 | |
CN107301617B (zh) | 一种评估废气监测数据质量的方法及设备 | |
CN109507554A (zh) | 一种电气设备绝缘状态评估方法 | |
CN103543132B (zh) | 一种基于小波变换的煤质特性测量方法 | |
CN104034690A (zh) | 一种宽带太赫兹时域光谱的分析方法及便携式分析装置 | |
CN116933044A (zh) | 一种供电数据智能处理方法及系统 | |
CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
CN109308225A (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
Guodong et al. | A feature selection method combined with ridge regression and recursive feature elimination in quantitative analysis of laser induced breakdown spectroscopy | |
Sun et al. | Data-driven fault diagnosis method based on second-order time-reassigned multisynchrosqueezing transform and evenly mini-batch training | |
Yuan et al. | Bearing fault diagnosis using a speed-adaptive network based on vibro-speed data fusion and majority voting | |
Sheng et al. | Bearing performance degradation assessment and remaining useful life prediction based on data-driven and physical model | |
CN107301285A (zh) | 基于剩余寿命预测的非电子产品序贯验证试验方法 | |
CN117805542A (zh) | 一种矿用隔爆本质安全型变频器运行监控系统 | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN117763391A (zh) | 基于乙炔气体信号的变压器故障检测方法、系统及存储介质 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN113740294B (zh) | 基于近红外建模的汽油/柴油检测分析方法及装置 | |
CN113092447B (zh) | 一种基于循环变量筛选非线性pls的libs定量分析方法 | |
CN115047294A (zh) | 配电线路的故障检测方法、装置、设备及存储介质 | |
CN114742103A (zh) | 基于物联网的城市监测数据处理方法、装置及存储介质 | |
Xi et al. | Classification of multiple power quality disturbances based on continuous wavelet transform and lightweight convolutional neural network |
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 |