CN118050040A - 一种基于三比值特征量的变压器故障诊断方法及系统 - Google Patents

一种基于三比值特征量的变压器故障诊断方法及系统 Download PDF

Info

Publication number
CN118050040A
CN118050040A CN202410035203.8A CN202410035203A CN118050040A CN 118050040 A CN118050040 A CN 118050040A CN 202410035203 A CN202410035203 A CN 202410035203A CN 118050040 A CN118050040 A CN 118050040A
Authority
CN
China
Prior art keywords
transformer
fault
ratio
characteristic quantity
fault diagnosis
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.)
Withdrawn
Application number
CN202410035203.8A
Other languages
English (en)
Inventor
张镱议
梁学诚
夏小飞
潘绍明
张炜
俸波
覃歆然
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202410035203.8A priority Critical patent/CN118050040A/zh
Publication of CN118050040A publication Critical patent/CN118050040A/zh
Withdrawn legal-status Critical Current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
    • 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
    • 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
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • G01K13/028—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow for use in total air temperature [TAT] probes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明公开了一种基于三比值特征量的变压器故障诊断方法及系统，本发明涉及电气工程技术领域，包括：采集变压器原始运行数据；基于变压器原始运行数据提取三比值特征量；基于三比值特征量识别潜在故障以及根据三比值特征量的变化判断变压器的故障类型并采取相应措施。本发明的基于三比值特征量的变压器故障诊断方法，通过实时监测和综合分析电流、温度和电压比值，结合机器学习技术，显著提升了故障诊断的准确性和预测能力。这不仅使得故障诊断过程更加迅速和准确，而且大大降低了因故障导致的运维成本和风险，同时，简化了操作过程，提高了变压器维护的效率和可靠性。

Description

一种基于三比值特征量的变压器故障诊断方法及系统
技术领域
本发明涉及电气工程技术领域，具体为一种基于三比值特征量的变压器故障诊断方法及系统。
背景技术
变压器作为电力系统的关键组成部分，其稳定运行对于保障电网的可靠性和安全性至关重要。由于变压器在长期运行中易受到各种内外因素的影响，其故障率相对较高，这些故障如果不能及时检测和处理，可能导致严重的电力供应中断和经济损失。因此，实时准确地监测变压器的运行状态，及时诊断出可能的故障，并采取相应的维护措施，是电力系统运行管理的重要任务。
传统的变压器故障诊断方法主要依赖于定期的物理检查和运行数据的简单分析。这些方法虽然在一定程度上有效，但存在着延时性高、准确度不足、无法实时监控等局限性。近年来，随着传感器技术和数据处理能力的发展，基于数据驱动的故障诊断方法逐渐成为研究和应用的热点。
在这种背景下，本发明提出了一种基于三比值特征量的变压器故障诊断方法。这种方法利用先进的数据采集技术收集变压器的运行数据，如电流、电压和温度，然后通过计算这些数据的特定比值来分析变压器的运行状态。这三个比值特征量分别反映了变压器在不同方面的运行特性，可以用于更准确地判断变压器是否存在故障以及故障的类型。
此外，本发明还结合了机器学习技术，通过构建趋势分析模型，能够预测变压器故障的发展趋势，从而实现对故障的早期预警。这种基于数据驱动和智能分析的方法，相较于传统方法，能够提供更为准确、高效的故障诊断，大大提高了变压器故障处理的及时性和有效性。
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：如何解决传统变压器故障诊断方法中存在的延时性高、准确度不足和无法实时监控的技术问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于三比值特征量的变压器故障诊断方法，其包括如下步骤，
采集变压器原始运行数据；基于变压器原始运行数据提取三比值特征量；基于三比值特征量识别潜在故障以及根据三比值特征量的变化判断变压器的故障类型并采取相应措施。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述采集变压器原始运行数据包括，通过传感器监测变压器的输入和输出电流、使用温度传感器分别监测变压器油温和周围环境温度、测量并记录变压器的输入和输出电压。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述提取三比值特征量包括，计算输入电流和输出电流的比值、计算变压器油温与环境温度的比值、计算输入电压和输出电压的比值。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述基于三比值特征量识别潜在故障包括，实时分析采集的变压器运行数据，并实时计算三比值特征量。
所述三比值特征量包括电流比值温度比值/>以及电压比值
若I比值＞I阈值时，则表示变压器电流存在异常。
若U比值＞U阈值时，则表示变压器电压存在异常。
若T比值＞T阈值时，则表示变压器温度存在异常。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述根据三比值特征量的变化判断变压器的故障类型包括，构建集合数学模型，将异常的电流比值、温度比值以及电压比值输入集合数学模型中，基于集合数学模型输出变压器的综合风险评分。
所述集合数学模型表示为，
其中，α、β、γ表示模型参数。
若综合风险评分F低于一级阈值F1，则表示变压器处于轻微故障。
若综合风险评分F位于一级阈值F1和二级阈值F2之间，则表示变压器处于中等故障。
若综合风险评分F位于二级阈值F2和三级阈值F3之间，则表示变压器处于严重故障。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述采取相应措施包括，当变压器处于轻微故障时，则增加数据采集点，加强对变压器的监测频率，记录变压器的运行数据，利用人工智能进行趋势分析，通过趋势分析快速响应任何恶化的迹象，提前规划维护活动。
当变压器处于中等故障时，则运用诊断技术，精确定位故障源，降低未故障变压器的运行负载，平衡整个系统负荷，对变压器进行全面检查，对检查到的问题立即进行修复，包括替换损坏的部件和调整设备配置，更新运行参数和维护策略。
当变压器处于严重故障时，则立即关闭变压器，启用备用变压器，对变压器进行安全风险评估，确定故障原因和潜在的安全隐患，执行事先准备好的应急预案，确保变压器和相关区域的安全隔离，并做风险评估，根据风险评估进行彻底修复，包括重建和更换严重损坏的部分。
作为本发明所述的一种基于三比值特征量的变压器故障诊断方法的一种优选方案，其中：所述利用人工智能进行趋势分析包括，实时收集变压器的运行数据以及历史故障数据，根据机器学习算法构建趋势分析模型，使用历史故障数据训练趋势分析模型，通过趋势分析模型判断轻微故障是否向中度故障或严重故障发展的趋势。
所述机器学习算法表示为，
其中，W、b表示模型参数，X表示特征向量，表示为X＝[x1,x2,...xn]，xi表示电流、电压或温度的测量值，P(Y＝1X)表示轻微故障向中等故障或严重故障发展的趋势。
若P(Y＝1X)≤0.3，则表示变压器将维持在轻微故障。
若0.3＜P(Y＝1X)≤0.5，则表示变压器将发展成中等故障。
若P(Y＝1X)＞0.5，则表示变压器将发展成严重故障。
当预测显示变压器维持在轻微故障时，则按照轻微故障的措施进行处理。
当预测显示变压器将发展成中等故障时，则暂时降低变压器的运行负载，减轻压力，立即进行全面的设备检查，对检查中发现的问题进行及时的修复，开始准备应急的响应计划。
当预测显示变压器将发展成严重故障时，则立即停止变压器运行，安排紧急维修工作，全面检查和修复变压器关键部件，在进行任何维修工作前，进行彻底的安全评估。
本发明的另外一个目的是提供一种基于三比值特征量的变压器故障诊断系统，其能通过实时监测关键运行参数、综合分析电流、温度和电压比值，并运用先进的机器学习算法进行故障趋势预测，解决了现有技术中故障诊断反应时间长、故障预测准确性不足以及故障防控能力有限的问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于三比值特征量的变压器故障诊断系统，包括数据采集模块、三比值特征量计算模块以及故障诊断模块。
所述数据采集模块负责实时收集变压器的运行数据。
所述三比值特征量计算模块负责根据采集的数据计算三比值特征量。
所述故障诊断模块负责利用机器学习算法对提取的特征量进行分析，判断变压器的故障类型。
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如上所述一种基于三比值特征量的变压器故障诊断方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述一种基于三比值特征量的变压器故障诊断方法的步骤。
本发明的有益效果：本发明的基于三比值特征量的变压器故障诊断方法，通过实时监测和综合分析电流、温度和电压比值，结合机器学习技术，显著提升了故障诊断的准确性和预测能力。这不仅使得故障诊断过程更加迅速和准确，而且大大降低了因故障导致的运维成本和风险，同时，简化了操作过程，提高了变压器维护的效率和可靠性。
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为本发明第一个实施例提供的一种基于三比值特征量的变压器故障诊断方法的整体流程图。
图2为本发明第二个实施例提供的一种基于三比值特征量的变压器故障诊断系统的整体框架图。
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。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于三比值特征量的变压器故障诊断方法，其特征在于：
S1：采集变压器原始运行数据。
采集变压器原始运行数据包括，通过传感器监测变压器的输入和输出电流、使用温度传感器分别监测变压器油温和周围环境温度、测量并记录变压器的输入和输出电压。
S2：基于变压器原始运行数据提取三比值特征量。
提取三比值特征量包括，计算输入电流和输出电流的比值、计算变压器油温与环境温度的比值、计算输入电压和输出电压的比值。
S3：基于三比值特征量识别潜在故障以及根据三比值特征量的变化判断变压器的故障类型并采取相应措施。
基于三比值特征量识别潜在故障包括，实时分析采集的变压器运行数据，并实时计算三比值特征量。
三比值特征量包括电流比值温度比值/>以及电压比值
若I比值＞I阈值时，则表示变压器电流存在异常。
若U比值＞U阈值时，则表示变压器电压存在异常。
若T比值＞T阈值时，则表示变压器温度存在异常。
进一步补充的是，传统发明关注单一指标，忽视不同参数间的相互关系，本发明通过计算电流、电压和温度的比值特征量，不仅单独分析每个参数，还考虑了它们之间的相互作用。这种方法在故障诊断中提供了更高的灵敏度和准确性，正如本发明达到95％的准确性，这得益于本发明的三比值特征量分析。
根据三比值特征量的变化判断变压器的故障类型包括，构建集合数学模型，将异常的电流比值、温度比值以及电压比值输入集合数学模型中，基于集合数学模型输出变压器的综合风险评分。
集合数学模型表示为，
其中，α、β、γ表示模型参数。
进一步需要说明的是，本发明采取的是集合数学模型，优势在于综合考虑所有因素：电流、电压和温度的变化都在一个模型中被考虑，可以更全面地评估故障的严重程度，简化决策流程：只需通过一个模型就能得出故障的严重程度，减少了决策的复杂性。
若综合风险评分F低于一级阈值F1，则表示变压器处于轻微故障。
若综合风险评分F位于一级阈值F1和二级阈值F2之间，则表示变压器处于中等故障。
若综合风险评分F位于二级阈值F2和三级阈值F3之间，则表示变压器处于严重故障。
采取相应措施包括，当变压器处于轻微故障时，则增加数据采集点，加强对变压器的监测频率，记录变压器的运行数据，利用人工智能进行趋势分析，通过趋势分析快速响应任何恶化的迹象，提前规划维护活动。
当变压器处于中等故障时，则运用诊断技术，精确定位故障源，降低未故障变压器的运行负载，平衡整个系统负荷，对变压器进行全面检查，对检查到的问题立即进行修复，包括替换损坏的部件和调整设备配置，更新运行参数和维护策略。
当变压器处于严重故障时，则立即关闭变压器，启用备用变压器，对变压器进行安全风险评估，确定故障原因和潜在的安全隐患，执行事先准备好的应急预案，确保变压器和相关区域的安全隔离，并做风险评估，根据风险评估进行彻底修复，包括重建和更换严重损坏的部分。
进一步说明的是，本发明为了避免“一刀切”的维护和修复策略。根据故障的严重程度，提供了不同等级的应对措施。
利用人工智能进行趋势分析包括，实时收集变压器的运行数据以及历史故障数据，根据机器学习算法构建趋势分析模型，使用历史故障数据训练趋势分析模型，通过趋势分析模型判断轻微故障是否向中度故障或严重故障发展的趋势。
机器学习算法表示为，
其中，W、b表示模型参数，X表示特征向量，表示为X＝[x1,x2,...xn]，xi表示电流、电压或温度的测量值，P(Y＝1X)表示轻微故障向中等故障或严重故障发展的趋势。
若P(Y＝1X)≤0.3，则表示变压器将维持在轻微故障。
若0.3＜P(Y＝1X)≤0.5，则表示变压器将发展成中等故障。
若P(Y＝1X)＞0.5，则表示变压器将发展成严重故障。
当预测显示变压器维持在轻微故障时，则按照轻微故障的措施进行处理；
当预测显示变压器将发展成中等故障时，则暂时降低变压器的运行负载，减轻压力，立即进行全面的设备检查，对检查中发现的问题进行及时的修复，开始准备应急的响应计划。
当预测显示变压器将发展成严重故障时，则立即停止变压器运行，安排紧急维修工作，全面检查和修复变压器关键部件，在进行任何维修工作前，进行彻底的安全评估。
通过上述的机器学习算法，对故障的发展趋势进行预测，这种预测能力能够使本发明能够提前识别故障发展的趋势，正得益于本发明的故障趋势分析，使得本发明具有90％的预测准确率，从而实现提前预警和预防性维护。
实施例2
参照图2，为本发明的一个实施例，提供了一种基于三比值特征量的变压器故障诊断方法的系统，一种基于三比值特征量的变压器故障诊断系统包括数据采集模块、三比值特征量计算模块以及故障诊断模块。
数据采集模块负责实时收集变压器的运行数据。
三比值特征量计算模块负责根据采集的数据计算三比值特征量。
故障诊断模块负责利用机器学习算法对提取的特征量进行分析，判断变压器的故障类型。
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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、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3
本实施例中，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。
数据收集：从某电力系统的一个变压器上收集运行数据，包括电流、电压和温度。
特征量计算：根据收集的数据，计算电流比值、温度比值和电压比值。
故障诊断：应用本发明的方法和传统的方法对收集到的数据进行故障诊断。
评估比较：对比两种方法在故障诊断的准确性和及时性上的表现，如表1所示。
表1实验效果对比图
评价指标 传统方法 我方发明方法
故障诊断准确率 75％ 95％
故障预测准确率 60％ 90％
反应时间 30分钟 1分钟
数据处理时间 10分钟 2分钟
故障诊断及时性 低 高
综上，本发明方法通过综合分析三比值特征量，显著提高了故障诊断的准确性。利用机器学习算法，本发明方法在故障预测方面的表现远超传统方法。本发明方法凭借自动化和智能化的优势，在反应和处理时间上大幅领先于传统方法。本发明方法的高效数据处理和快速反应能力确保了故障诊断的高及时性。
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 (10)

1.一种基于三比值特征量的变压器故障诊断方法，其特征在于，包括：
采集变压器原始运行数据；
基于变压器原始运行数据提取三比值特征量；
基于三比值特征量识别潜在故障以及根据三比值特征量的变化判断变压器的故障类型并采取相应措施。
2.如权利要求1所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述采集变压器原始运行数据包括，通过传感器监测变压器的输入和输出电流、使用温度传感器分别监测变压器油温和周围环境温度、测量并记录变压器的输入和输出电压。
3.如权利要求2所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述提取三比值特征量包括，计算输入电流和输出电流的比值、计算变压器油温与环境温度的比值、计算输入电压和输出电压的比值。
4.如权利要求3所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述基于三比值特征量识别潜在故障包括，实时分析采集的变压器运行数据，并实时计算三比值特征量；
所述三比值特征量包括电流比值温度比值/>以及电压比值
若I比值＞I阈值时，则表示变压器电流存在异常；
若U比值＞U阈值时，则表示变压器电压存在异常；
若T比值＞T阈值时，则表示变压器温度存在异常。
5.如权利要求4所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述根据三比值特征量的变化判断变压器的故障类型包括，构建集合数学模型，将异常的电流比值、温度比值以及电压比值输入集合数学模型中，基于集合数学模型输出变压器的综合风险评分；
所述集合数学模型表示为，
其中，α、β、γ表示模型参数；
若综合风险评分F低于一级阈值F1，则表示变压器处于轻微故障；
若综合风险评分F位于一级阈值F1和二级阈值F2之间，则表示变压器处于中等故障；
若综合风险评分F位于二级阈值F2和三级阈值F3之间，则表示变压器处于严重故障。
6.如权利要求5所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述采取相应措施包括，当变压器处于轻微故障时，则增加数据采集点，加强对变压器的监测频率，记录变压器的运行数据，利用人工智能进行趋势分析，通过趋势分析快速响应任何恶化的迹象，提前规划维护活动；
当变压器处于中等故障时，则运用诊断技术，精确定位故障源，降低未故障变压器的运行负载，平衡整个系统负荷，对变压器进行全面检查，对检查到的问题立即进行修复，包括替换损坏的部件和调整设备配置，更新运行参数和维护策略；
当变压器处于严重故障时，则立即关闭变压器，启用备用变压器，对变压器进行安全风险评估，确定故障原因和潜在的安全隐患，执行事先准备好的应急预案，确保变压器和相关区域的安全隔离，并做风险评估，根据风险评估进行彻底修复，包括重建和更换严重损坏的部分。
7.如权利要求6所述的一种基于三比值特征量的变压器故障诊断方法，其特征在于：所述利用人工智能进行趋势分析包括，实时收集变压器的运行数据以及历史故障数据，根据机器学习算法构建趋势分析模型，使用历史故障数据训练趋势分析模型，通过趋势分析模型判断轻微故障是否向中度故障或严重故障发展的趋势；
所述机器学习算法表示为，
其中，X表示特征向量，表示为X＝[x1,x2,...xn]，xi表示电流、电压或温度的测量值，P(Y＝1X)表示轻微故障向中等故障或严重故障发展的趋势，W、b表示模型参数，模型参数可用历史数据进行训练；
若P(Y＝1X)≤0.3，则表示变压器将维持在轻微故障；
若0.3＜P(Y＝1X)≤0.5，则表示变压器将发展成中等故障；
若P(Y＝1X)＞0.5，则表示变压器将发展成严重故障；
当预测显示变压器维持在轻微故障时，则按照轻微故障的措施进行处理；
当预测显示变压器将发展成中等故障时，则暂时降低变压器的运行负载，减轻压力，立即进行全面的设备检查，对检查中发现的问题进行及时的修复，开始准备应急的响应计划；
当预测显示变压器将发展成严重故障时，则立即停止变压器运行，安排紧急维修工作，全面检查和修复变压器关键部件，在进行任何维修工作前，进行彻底的安全评估。
8.一种采用如权利要求1～7任一所述的一种基于三比值特征量的变压器故障诊断方法的系统，其特征在于：包括数据采集模块、三比值特征量计算模块以及故障诊断模块；
所述数据采集模块负责实时收集变压器的运行数据；
所述三比值特征量计算模块负责根据采集的数据计算三比值特征量；
所述故障诊断模块负责利用机器学习算法对提取的特征量进行分析，判断变压器的故障类型。
9.一种计算机设备，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7中任一项所述的一种基于三比值特征量的变压器故障诊断方法的步骤。
10.一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7中任一项所述一种基于三比值特征量的变压器故障诊断方法的步骤。
CN202410035203.8A 2024-01-10 2024-01-10 一种基于三比值特征量的变压器故障诊断方法及系统 Withdrawn CN118050040A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410035203.8A CN118050040A (zh) 2024-01-10 2024-01-10 一种基于三比值特征量的变压器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410035203.8A CN118050040A (zh) 2024-01-10 2024-01-10 一种基于三比值特征量的变压器故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN118050040A true CN118050040A (zh) 2024-05-17

Family

ID=91052896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410035203.8A Withdrawn CN118050040A (zh) 2024-01-10 2024-01-10 一种基于三比值特征量的变压器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN118050040A (zh)

Similar Documents

Publication Publication Date Title
CN117808456B (zh) 一种基于智慧运营管理的设备故障预警方法及装置
CN117973902A (zh) 一种基于保电平台故障处置智能决策方法及系统
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
CN114721336A (zh) 一种仪控系统工艺参数的信息安全事件预警方法
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
CN117791585A (zh) 一种基于台区智慧画像的供电管理方法及系统
CN117933447A (zh) 一种基于数据分析的故障预测方法及系统
CN117040111A (zh) 一种用于辅助水电站智慧运行的方法及系统
CN118033266A (zh) 一种考虑不均匀老化的变压器故障预测方法及系统
CN117114248B (zh) 一种水质监测系统健康度评价方法、计算机设备及介质
CN113919546A (zh) 一种设备寿命可视化预测系统
CN117665467A (zh) 一种换流变阀侧套管壳体破损在线监测方法及系统
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN105741184A (zh) 一种变压器状态评估方法及装置
CN118050040A (zh) 一种基于三比值特征量的变压器故障诊断方法及系统
US11339763B2 (en) Method for windmill farm monitoring
CN114091811A (zh) 一种核电厂循环水泵维修决策系统及设计方法
Kumar et al. An expert system for predictive maintenance of mining excavators and its various forms in open cast mining
CN114066163A (zh) 一种基于三层架构模式的电力设备状态分析方法及装置
Kumar et al. Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach
CN118197589B (zh) 一种用于医疗护理设备的实时监测优化方法及设备
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
RU2791597C1 (ru) Система мониторинга, диагностирования и управления техническим состоянием силовых трансформаторов
Pham et al. Prognostic Health Monitoring System: Component Selection Based on Risk Criteria and Economic Benefit Assessment

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240517