CN118035943A - 一种变压器状态监测方法、系统、电子设备及存储介质 - Google Patents

一种变压器状态监测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN118035943A
CN118035943A CN202410438363.7A CN202410438363A CN118035943A CN 118035943 A CN118035943 A CN 118035943A CN 202410438363 A CN202410438363 A CN 202410438363A CN 118035943 A CN118035943 A CN 118035943A
Authority
CN
China
Prior art keywords
transformer
data
monitoring
image
state
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
Application number
CN202410438363.7A
Other languages
English (en)
Inventor
毛玉旭
刘故帅
孙磊
刘兴华
巩方伟
李垚
刘顺华
张扬
张晶
罗光凯
罗兵
刘菁
吕红
于磊
高健翔
殷鸣
李增峰
闫磊
单亦波
成晓俊
吕越群
杨庆勇
王欣
魏文震
杨志文
李强
吴晓明
杨增健
谢同平
孙帝
王泽龙
阎学雨
常达
杜文
陈朝迁
崔珠峰
阚兴宸
董彦辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Zibo Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202410438363.7A priority Critical patent/CN118035943A/zh
Publication of CN118035943A publication Critical patent/CN118035943A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供一种变压器状态监测方法、系统、电子设备及存储介质，属于变电运维安全生产领域。该方法包括：通过传感器和音频采集器采集变压器的多模态数据以及通过摄像头采集视觉图像；并对多模态数据进行处理转换为图像，与视觉图像在同一维度逐像素融合，获得融合后的数据图像；将融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况。不仅使用视频图像，也融合温度、气体、音频多类型数据，并利用基于多模态神经网络构建的监测模型综合分析后监测变压器运行状况，不仅监测精度高，而且变压器数据采集利用率高，可信度高，能够极大提高运维人员和监控人员对设备的掌握程度，保障变压器安全稳定运行。

Description

一种变压器状态监测方法、系统、电子设备及存储介质
技术领域
本发明涉及变电运维安全生产技术领域，具体地涉及一种变压器状态监测方法、系统、电子设备及存储介质。
背景技术
变压器作为变电站中核心设备之一，担负着将高电压变送为低电压，或者将低电压转换为高电压的重要任务，是整个电力系统中不可或缺的重要组成部件。
在很长一段时间内，变压器状态监测信息主要通过内置传感器及外置摄像机采集，通过光纤传输，在运行主站或集控站/调控中心远程监视变压器的运行工况，这些数据通常都是独立分散的，相互之间缺乏关联性，只能通过单一数据或人工凭借经验判断变压器运行是否正常。
近几年，主要采用综合分析设备状态，但大都基于模糊综合评判法、采用半梯形与半岭形相结合的传统方法实现，这些方法需要人工设置权重参数，自学习能力差，而且仅依据单一数据进行监测其实际监测效果差，进而致使变压器数据采集利用率低，可信度差，无法有效掌握设备的实际运行状态。
发明内容
本发明实施例的目的是提供一种变压器状态监测方法、系统、电子设备及存储介质，用于全部或至少部分的解决上述现有技术中存在的监测效果差，进而致使变压器数据采集利用率低，可信度差，无法有效掌握设备的实际运行状态的问题。
为了实现上述目的，本发明实施例提供一种变压器状态监测方法，在变压器内、外部安装传感器，在变压器所处环境安装摄像头，所述变压器状态监测方法包括：
通过传感器和音频采集器采集变压器的多模态数据以及通过摄像头采集视觉图像；并对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的数据图像；
将所述融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况，其中，所述预先构建的监测模型是基于多模态神经网络构建的。
可选的，在变压器内部安装的传感器包括温度传感器和气体采集器，在变压器外部安装传感器包括安装在变压器外壁的音频采集器；
所述变压器的多模态数据包括温度数据、气体数据和音频数据。
可选的，对所述多模态数据进行处理转换为图像的过程包括：
所述温度数据利用热成像原理生成温度图像；
气体数据利用光在被测流场中的折射率梯度正比于流场的气流密度原理，将流场中密度梯度的变化转变为记录平面上相对光强变化，生成可分辨气体图像；
音频数据经过格式转换后，通过傅里叶变换生成音频图像。
可选的，所述监测模型的构建过程包括：
所述多模态神经网络包含频域图神经网络、长短时记忆网络、全连接层、归一化层、Dropout层、非线性激活LeakyReLU层；
在模型训练阶段，将正常运行状态下的变压器的多模态数据输入到所述多模态神经网络，基于误差反向传播与梯度下降机制更新监测模型的参数，获得初始监测模型；
在模型优化阶段，将被变压器运行状态异常下的多模态数据输入所述初始监测模型，根据所述初始监测模型的预测输出与真实值的均方根误差，优化所述初始监测模型，获得所述监测模型。
可选的，将所述融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况，包括：
预先设定状态监测阈值；
将所述融合后的数据图像输入至预先构建的监测模型，输出监测结果；
将所述监测结果与所述预先设定状态监测阈值进行对比，若所述监测结果未超过所述预先设定状态监测阈值，则表示变压器运行状态正常，若所述监测结果超过所述预先设定状态监测阈值，则表示变压器运行状态异常。
可选的，所述变压器状态监测方法还包括：
若变压器运行状态正常，则不间断采集多模态数据和视觉图像进行分析；
若变压器运行状态异常，则发出报警信息，以使监控员通过远程摄像头或去现场查看变压器。
另一方面，本发明还提供一种变压器状态监测系统，包括：
数据采集模块，用于通过在变压器内部装设的温度传感器和气体采集器，以及在外壁装设的音频采集器，采集变压器的多模态数据，通过外部装设的摄像头采集视觉图像；
数据融合模块，用于对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的图像数据；
数据分析模块，用于将所述融合后的图像数据输入基于多模态深度神经网络构建的监测模型，监测变压器的运行状态；
状态反馈模块，用于将所述监测模型输出的变压器的运行状态反馈至监控员。
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的变压器状态监测方法的步骤。
另一方面，本发明还提供一种非暂态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上述所述的变压器状态监测方法的步骤。
通过上述技术方案，不仅使用了视频图像，也融合了温度、气体、音频等多种类型数据，并利用基于多模态神经网络构建的监测模型综合分析后监测变压器运行状况，不仅监测精度高，而且变压器数据采集利用率高，可信度高，能够极大提高运维人员和监控人员对设备的掌握程度，保障变压器安全稳定运行。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的一种变压器状态监测方法的实施流程图；
图2是本发明实施例提供的一种变压器状态监测方法的详细实施流程图；
图3是本发明实施例提供的一种变压器状态监测系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
参阅图1所示，为本发明实施例提供的一种变压器状态监测方法的实施流程图，在变压器内、外部安装传感器，在变压器所处环境安装摄像头，具体执行步骤如下：
步骤100：通过传感器和音频采集器采集变压器的多模态数据以及通过摄像头采集视觉图像；并对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的数据图像。
具体的，在变压器内部安装的传感器包括温度传感器和气体采集器，在变压器外部安装传感器包括安装在变压器外壁的音频采集器；
所述变压器的多模态数据包括温度数据、气体数据和音频数据。
在一些实施方式中，执行步骤100中对所述对所述多模态数据进行处理转换为图像的过程包括以下执行步骤：
S1：所述温度数据利用热成像原理生成温度图像。
S2：气体数据利用光在被测流场中的折射率梯度正比于流场的气流密度原理，将流场中密度梯度的变化转变为记录平面上相对光强变化，生成可分辨气体图像。
S3：音频数据经过格式转换后，通过傅里叶变换生成音频图像。
在一些实施方式中，通过傅里叶变换生成音频图像的过程如下：对原始音频数据进行傅里叶变换，得到N路傅里叶数据组成的N*K维复数矩阵X'；设定频率范围，该频率范围为50HZ-20000HZ；按照设定频率范围，从复数矩阵X '中抽取部分数据组成N*k维复数矩阵X，其中，k≤K/2；K表示每个通道在一个采样周期内有K个离散的原始音频数据，K为正整数，将同一频率点的傅里叶数据抽取出来组成频率点的音频矩阵，然后通过连续抽取设定频率范围内不同频率点的数据组成一组连续的音频矩阵，实现对这一频率范围的覆盖；根据麦克风阵列的阵型以及目标分辨率得到波束形成计算矩阵M，目标分辨率为显示屏的分辨率，显示屏的分辨率已知；将设定频率范围内每一个频率点的音频矩阵与波束形成计算矩阵M进行波束形成计算，得到设定频率范围内每一个频率点的声源强度矩阵；对各频率点声源强度矩阵分别进行变换，得到各频率点的声源强度分布图；找出空间上每点在各声源强度分布图中的最大强度，选择对应频率作为该点声源频率，得到声源频率分布图；将声源频率分布图的声音信号频率对应转化为可见光波长；依据可见光波长，找出每个声音信号所对应的颜色；将摄像机拍摄的图片转为黑白图像，然后根据声源频率分布图上声源频率的不同，对图像的每个区域涂上对应颜色，并在显示屏上显示。
步骤101：将所述融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况。
其中，所述预先构建的监测模型是基于多模态神经网络构建的。
在一些实施方式中，执行步骤101之前，还执行所述监测模型的构建过程步骤：
SA：所述多模态神经网络包含频域图神经网络、长短时记忆网络、全连接层、归一化层、Dropout层、非线性激活LeakyReLU层。
SB：在模型训练阶段，将正常运行状态下的变压器的多模态数据输入到所述多模态神经网络，基于误差反向传播与梯度下降机制更新监测模型的参数，获得初始监测模型。
SC：在模型优化阶段，将被变压器运行状态异常下的多模态数据输入所述初始监测模型，根据所述初始监测模型的预测输出与真实值的均方根误差，优化所述初始监测模型，获得所述监测模型。
在一些实施方式中，可以将优化结束的监测模型嵌入在线监测装置的芯片上，这样仅需在变压器设备区装设在线监测装置即可对变压器的运行状况进行监测，简单好用，而且监测精度高。
在一些实施方式中，前期的多模态神经网络训练过程使用如表1所示的硬件平台：
表1 多模态神经网络训练平台配置
在一些实施方式中，执行步骤101时，具体执行以下步骤：
S1010：预先设定状态监测阈值。
S1011：将所述融合后的数据图像输入至预先构建的监测模型，输出监测结果。
S1012：将所述监测结果与所述预先设定状态监测阈值进行对比，若所述监测结果未超过所述预先设定状态监测阈值，则表示变压器运行状态正常，若所述监测结果超过所述预先设定状态监测阈值，则表示变压器运行状态异常。
具体的，若变压器运行状态正常，则不间断采集多模态数据和视觉图像进行分析；若变压器运行状态异常，则发出报警信息，以使监控员通过远程摄像头或去现场查看变压器。
在一些实施方式中，参阅图2所示，为本发明实施例提供的一种变压器状态监测方法的详细实施流程图，包括以下执行步骤：首先进行变压器信息采集，包括采集音频、采集气体以及采集温度，将采集的音频、气体以及温度进行多数据融合，利用现场摄像机采集图像，将融合后的多数据以及现场采集的图像送入多模态神经网络（MMNN），输出状态结果，并对该结果进行判断，若正常则继续进行变压器信息采集和利用现场摄像机采集图像，若不正常则进行报警。
为充分利用变压器监测中的不同类型数据，使得运维人员在变压器运行时也能掌握变压器这个“黑盒子”的内部运行状态，提出一种融合多模态数据和图像识别的变压器状态监测方法，摒弃了传统多数据计算方式，采用多模态神经网络（MMNN），将来自不同感知模态（图像、音频、气体、温度等）的信息进行整合，让它们在同一个维度计算，从而进行更加全面的学习和分析，高效并准确地掌握变压器运行工况。
参阅图3所示，为本发明实施例提供的一种变压器状态监测系统的结构示意图，包括：
数据采集模块300，用于通过在变压器内部装设的温度传感器和气体采集器，以及在外壁装设的音频采集器，采集变压器的多模态数据，通过外部装设的摄像头采集视觉图像；
数据融合模块301，用于对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的图像数据；
数据分析模块302，用于将所述融合后的图像数据输入基于多模态深度神经网络构建的监测模型，监测变压器的运行状态；
状态反馈模块303，用于将所述监测模型输出的变压器的运行状态反馈至监控员。
另一方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述任一项实施例所述的变压器状态监测方法的步骤。
另一方面，本发明实施例还提供一种非暂态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上述任意一项实施例所述的变压器状态监测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
存储器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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种变压器状态监测方法，其特征在于，在变压器内、外部安装传感器，在变压器所处环境安装摄像头，所述变压器状态监测方法包括：
通过传感器和音频采集器采集变压器的多模态数据以及通过摄像头采集视觉图像；并对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的数据图像；
将所述融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况，其中，所述预先构建的监测模型是基于多模态神经网络构建的。
2.根据权利要求1所述变压器状态监测方法，其特征在于，在变压器内部安装的传感器包括温度传感器和气体采集器，在变压器外部安装传感器包括安装在变压器外壁的音频采集器；
所述变压器的多模态数据包括温度数据、气体数据和音频数据。
3.根据权利要求2所述的变压器状态监测方法，其特征在于，对所述多模态数据进行处理转换为图像的过程包括：
所述温度数据利用热成像原理生成温度图像；
气体数据利用光在被测流场中的折射率梯度正比于流场的气流密度原理，将流场中密度梯度的变化转变为记录平面上相对光强变化，生成可分辨气体图像；
音频数据经过格式转换后，通过傅里叶变换生成音频图像。
4.根据权利要求1所述的变压器状态监测方法，其特征在于，所述监测模型的构建过程包括：
所述多模态神经网络包含频域图神经网络、长短时记忆网络、全连接层、归一化层、Dropout层、非线性激活LeakyReLU层；
在模型训练阶段，将正常运行状态下的变压器的多模态数据输入到所述多模态神经网络，基于误差反向传播与梯度下降机制更新监测模型的参数，获得初始监测模型；
在模型优化阶段，将被变压器运行状态异常下的多模态数据输入所述初始监测模型，根据所述初始监测模型的预测输出与真实值的均方根误差，优化所述初始监测模型，获得所述监测模型。
5.根据权利要求1所述的变压器状态监测方法，其特征在于，将所述融合后的数据图像输入至预先构建的监测模型，以监测变压器的运行状况，包括：
预先设定状态监测阈值；
将所述融合后的数据图像输入至预先构建的监测模型，输出监测结果；
将所述监测结果与所述预先设定状态监测阈值进行对比，若所述监测结果未超过所述预先设定状态监测阈值，则表示变压器运行状态正常，若所述监测结果超过所述预先设定状态监测阈值，则表示变压器运行状态异常。
6.根据权利要求4所述的变压器状态监测方法，其特征在于，所述变压器状态监测方法还包括：
若变压器运行状态正常，则不间断采集多模态数据和视觉图像进行分析；
若变压器运行状态异常，则发出报警信息，以使监控员通过远程摄像头或去现场查看变压器。
7.一种变压器状态监测系统，其特征在于，包括：
数据采集模块，用于通过在变压器内部装设的温度传感器和气体采集器，以及在外壁装设的音频采集器，采集变压器的多模态数据，通过外部装设的摄像头采集视觉图像；
数据融合模块，用于对所述多模态数据进行处理转换为图像，与所述视觉图像在同一维度逐像素融合，获得融合后的图像数据；
数据分析模块，用于将所述融合后的图像数据输入基于多模态深度神经网络构建的监测模型，监测变压器的运行状态；
状态反馈模块，用于将所述监测模型输出的变压器的运行状态反馈至监控员。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的变压器状态监测方法的步骤。
9.一种非暂态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如权利要求1-6任意一项所述的变压器状态监测方法的步骤。
CN202410438363.7A 2024-04-12 2024-04-12 一种变压器状态监测方法、系统、电子设备及存储介质 Pending CN118035943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410438363.7A CN118035943A (zh) 2024-04-12 2024-04-12 一种变压器状态监测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410438363.7A CN118035943A (zh) 2024-04-12 2024-04-12 一种变压器状态监测方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN118035943A true CN118035943A (zh) 2024-05-14

Family

ID=90991764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410438363.7A Pending CN118035943A (zh) 2024-04-12 2024-04-12 一种变压器状态监测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118035943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362943A (zh) * 2024-06-19 2024-07-19 国网山东省电力公司聊城供电公司 一种基于非电量综合特征信息的变压器监测装置及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112857560A (zh) * 2021-02-06 2021-05-28 河海大学 一种基于声音频率的声学成像方法
CN113124929A (zh) * 2021-04-13 2021-07-16 国网陕西省电力公司铜川供电公司 一种变电站多参数信号采集综合分析系统和方法
CN114544551A (zh) * 2020-11-24 2022-05-27 南京南智芯光科技有限公司 一种基于纹影成像的气体检测装置
CN115831830A (zh) * 2023-02-23 2023-03-21 泓浒(苏州)半导体科技有限公司 一种用于半导体晶圆传送的环境检测预警系统
WO2023087525A1 (zh) * 2021-11-19 2023-05-25 中国华能集团清洁能源技术研究院有限公司 多模态深度学习的发电设备异常一体化识别方法及设备
CN116522274A (zh) * 2023-03-23 2023-08-01 贵州电网有限责任公司 一种智能配电房多模态监控方法及装置
CN116700206A (zh) * 2023-05-24 2023-09-05 浙江大学 基于多模态神经网络的工业控制系统异常检测方法及装置
CN117332330A (zh) * 2023-09-06 2024-01-02 贵州电网有限责任公司 基于多源数据图融合模型的变压器故障评估方法及系统
CN117809164A (zh) * 2023-12-29 2024-04-02 国网山东省电力公司聊城供电公司 基于多模态融合的变电站设备故障检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114544551A (zh) * 2020-11-24 2022-05-27 南京南智芯光科技有限公司 一种基于纹影成像的气体检测装置
CN112857560A (zh) * 2021-02-06 2021-05-28 河海大学 一种基于声音频率的声学成像方法
CN113124929A (zh) * 2021-04-13 2021-07-16 国网陕西省电力公司铜川供电公司 一种变电站多参数信号采集综合分析系统和方法
WO2023087525A1 (zh) * 2021-11-19 2023-05-25 中国华能集团清洁能源技术研究院有限公司 多模态深度学习的发电设备异常一体化识别方法及设备
CN115831830A (zh) * 2023-02-23 2023-03-21 泓浒(苏州)半导体科技有限公司 一种用于半导体晶圆传送的环境检测预警系统
CN116522274A (zh) * 2023-03-23 2023-08-01 贵州电网有限责任公司 一种智能配电房多模态监控方法及装置
CN116700206A (zh) * 2023-05-24 2023-09-05 浙江大学 基于多模态神经网络的工业控制系统异常检测方法及装置
CN117332330A (zh) * 2023-09-06 2024-01-02 贵州电网有限责任公司 基于多源数据图融合模型的变压器故障评估方法及系统
CN117809164A (zh) * 2023-12-29 2024-04-02 国网山东省电力公司聊城供电公司 基于多模态融合的变电站设备故障检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
康丽杰;李雅丽;张晓博;马媛;: "基于S3C6410电力变压器故障监测系统的研究", 电源技术, no. 01, 20 January 2016 (2016-01-20) *
董家豪;徐乾;余智君;王思慧;周惠君;: "纹影成像法与密度可视化", 物理实验, no. 03, 20 March 2020 (2020-03-20) *
陈志;许红盛;高博;马理想;王海波;: "变电站设备状态智能感知系统研究与应用", 电气开关, no. 05, 15 October 2020 (2020-10-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118362943A (zh) * 2024-06-19 2024-07-19 国网山东省电力公司聊城供电公司 一种基于非电量综合特征信息的变压器监测装置及方法

Similar Documents

Publication Publication Date Title
CN118035943A (zh) 一种变压器状态监测方法、系统、电子设备及存储介质
EP4141786A1 (en) Defect detection method and apparatus, model training method and apparatus, and electronic device
CN116345698A (zh) 储能电站运维管控方法、系统、设备及介质
CN113656938A (zh) 配电网变压器的监管方法、控制装置、及存储介质
CN111815000A (zh) 一种电力场景的重现方法、系统及计算机可读存储介质
CN114491931A (zh) 数字孪生智能变电站系统故障的诊断方法及系统
CN118171920B (zh) 基于llm模型的园区安全应急响应方法、设备及介质
CN114065969A (zh) 基于Lora前端感知终端的全息感知故障分析诊断方法及系统
CN115877993A (zh) 一种基于数字孪生的三维视图展示方法及装置
CN117458721A (zh) 一种变电站全域机器替代巡视装置及系统
Gomes Jr et al. Augmented visualization using homomorphic filtering and haar-based natural markers for power systems substations
CN116415819B (zh) 一种基于虚拟现实的风险管控场景编排及展示应用方法
Tran et al. A low-cost online health assessment system for oil-immersed service transformers using real-time grid energy monitoring
CN100491547C (zh) 高温环形退火炉信息控制系统及信息控制中心服务器
CN113884130A (zh) 基于电缆井道环境监控的电缆老化预测方法、装置和设备
Loggia et al. Electrical Safety Enhanced with BIM, SCADA and Digital Twin Integration: A Case Study of a MV-LV Substation
Zhang et al. Early warning method and system of building environmental security based on TinyML and CloudML technology
CN221380620U (zh) 一种变电站全域机器替代巡视装置及系统
Liu et al. Design of electric power monitoring and early warning system based on Beidou
Cai et al. Research on convolutional neural network method for transmission line abnormal sound identification
CN118332932B (zh) 一种数字孪生实现方法及装置、电子设备、存储介质
Song [Retracted] Application of Internet of Things Technology in Optimization of Electronic Assembly Process Parameters
Li et al. Power plant fan fault warning based on bidirectional feature compression and state estimation
Xiao et al. Image Processing and Multi‐Instance Learning‐Based Recognition of Abnormal Behavior in Integrated Pipe Corridors
Uzdiaev et al. Autonomous UAV trajectory planning for corona discharge in inspection electric power lines in ultraviolet spectrum

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