CN112114215A - 基于误差反向传播算法的变压器老化评估的方法及*** - Google Patents
基于误差反向传播算法的变压器老化评估的方法及*** Download PDFInfo
- Publication number
- CN112114215A CN112114215A CN202010977524.1A CN202010977524A CN112114215A CN 112114215 A CN112114215 A CN 112114215A CN 202010977524 A CN202010977524 A CN 202010977524A CN 112114215 A CN112114215 A CN 112114215A
- Authority
- CN
- China
- Prior art keywords
- transformer
- signal
- running time
- acoustic signal
- neural network
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003878 thermal aging Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及基于误差反向传播算法的变压器老化评估的方法及***,具体涉及设备检测领域。本申请通过对获取到的声学信号进行预处理;将预处理的声学信号输入到预设的神经网络模型中,预测得到待测变压器的运行时间;根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度。变压器在运行期间传播的噪声信号中包含着丰富的内部机械状态信息,分析变压器噪声信号可以及时、有效地对变压器内部机械缺陷或故障进行准确评估和诊断。变压器内部结构老化程度不同,传递出来的噪声信号特征也不同,基于此在不与变压器进行电气连接和停机检测的情况下反映变压器内部结构运行状态,降低了监测和维修的成本,提高了电力设备运行的完备率。
Description
技术领域
本申请涉及设备检测领域,具体涉及一种基于误差反向传播算法的变压器老化评估的方法及***。
背景技术
变压器是电力***中最关键的设备之一。这些装置在长期运行过程中,由于机械老化和热老化,逐渐形成缺陷,严重时会影响整个电力***的稳定运行。
现有技术中,许多变压器在达到设计使用年限前内部会产生机械缺陷甚至严重故障。根据变压器长期的统计,事故的主要来源与铁芯和绕组有关。即使变压器继续运行,它也可能含有降低短路电阻的某些固有缺陷。
但是,现有技术的检测方法很少有利用变压器向四周传播的噪声信号来进行老化评估,并且传统方法中几乎没有采用神经网络预测的方法对变压器运行时间进行预测,而且检测效率较低,安全性不足,不能及时有效地反映变压器内部老化程度。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种基于误差反向传播算法的变压器老化评估的方法及***,以解决现有技术中很少有利用变压器向四周传播的噪声信号来进行老化评估,并且几乎没有采用神经网络预测的方法对变压器运行时间来进行预测,而且检测效率较低,安全性不足,不能及时有效地反映变压器内部老化程度的问题。为实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本申请提供一种基于误差反向传播算法的变压器老化评估的方法,方法包括:
获取待测变压器的声学信号;
对获取到的声学信号进行预处理,得到声学信号的特征信息,其中,预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;
将声学信号的特征信息输入到预设的神经网络模型中,计算得到待测变压器的预测运行时间;
根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度。
可选地,该获取待测变压器的声学信号的步骤之前包括:
确定神经网络预测模型的输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组电压等级相同的变压器的相同时间段的多通道声学信号,并通过声学信号得到时域特征以及时域特征对应的变压器的运行时间输入神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,完成训练的神经网络模型包括声学信号与待测变压器的预测运行时间的对应关系。
可选地,该对获取到的声学信号进行预处理的步骤还包括:对获取的声学信号进行归一化处理,其中,归一化处理采用公式为:
其中,其中xi为某段噪声信号中第i时刻的声压值,形式为数值,单位为Pa;xmin表示这段信号中的最小声压值,形式为数值,单位为Pa;xmax表示这段信号中的最大声压值,形式为数值,单位为Pa;xi’表示声信号经过归一化计算后获得的第i时刻的声压值,形式为数值,单位为Pa。
可选地,该对获取到的声学信号进行预处理的步骤具体包括:
使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波;
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
可选地,该根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度的步骤具体包括:
将预测运行时间与实际运行时间做差,得到运行时间差值;
将运行时间差值与预设运行阈值进行匹配;
根据匹配结果,输出变压器的老化程度。
第二方面,本申请提供一种基于误差反向传播算法的变压器老化评估的***,***包括:获取模块、预处理模块、计算模块和输出模块;
获取模块,用于获取待测变压器的声学信号,每台变压器的四周设立八个传声器,同步采集变压器运行时传播出来的噪声信号;
预处理模块,用于对获取到的声学信号进行预处理,得到声学信号的特征信息,其中,预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;
计算模块,用于将声学信号的特征信息和该变压器对应的运行时间输入到预设的神经网络模型中,完成网络训练后将待研究变压器的声学信号特征输入到已完成训练的网络模型中,计算得到待研究变压器的预测运行时间;
输出模块,用于根据预测运行时间与实际运行时间进行对比,根据两者之间的误差输出变压器的老化程度。
可选地,该***还包括建模模块,建模模块用于确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组电压等级相同的变压器的相同时间段的声学信号,并通过声学信号得到时域特征以及时域特征对应的变压器的运行时间输入神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,神经网络模型包括声学信号与待测变压器的预测运行时间的对应关系。
可选地,该预处理模块还用于对获取的声学信号进行归一化处理,其中,归一化处理采用公式为:
其中,其中xi为某段噪声信号中第i时刻的声压值,形式为数值,单位为Pa;xmin表示这段信号中的最小声压值,形式为数值,单位为Pa;xmax表示这段信号中的最大声压值,形式为数值,单位为Pa;xi’表示声信号经过归一化计算后获得的第i时刻的声压值,形式为数值,单位为Pa。
可选地,该预处理模块具体用于使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波;
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
可选地,该输出模块具体用于将预测运行时间与实际运行时间做差,得到运行时间差值;
将运行时间差值与预设运行阈值进行匹配;
根据匹配结果,输出变压器的老化程度。
本发明的有益效果是:
本申请通过获取待测变压器的声学信号;对获取到的声学信号进行预处理,其中,预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;将预处理的声学信号输入到预设的神经网络模型中,计算得到待测变压器的预测运行时间;根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度。由于变压器在运行期间,向空气中传播的噪声信号中包含着丰富的内部机械状态信息,分析变压器外部的噪声信号可以及时、有效地对变压器内部机械缺陷或故障进行准确评估和诊断。变压器内部结构老化程度不同,传递出来的噪声信号特征也不同,本申请通过对待测变压器的声学信息进行采集,分析和处理,在通过和预设的神经网络模型中的数据进行对比,得到该变压器的预测运行时间,并将预测运行时间与实际运行时间进行对比,得到该待测变压器的老化程度,不仅不用该待测变压器停机检测,并且可以排除一些隐性故障,还在检测的过程中降低危险性,继而使得本期可以在不与变压器进行电气连接和停机检测的情况下反映变压器内部结构运行状态,降低了监测和维修的成本,提高了电力设备运行的完备率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请提供的一种应用场景示意图;
图2为本申请提供的一种基于误差反向传播算法的变压器老化评估的方法的流程示意图;
图3为本申请提供的另一种基于误差反向传播算法的变压器老化评估的方法的流程示意图;
图4为本申请提供的一种基于误差反向传播算法的变压器老化评估的***的模块示意图;
图5为本申请提供的另一种基于误差反向传播算法的变压器老化评估的***的模块示意图。
具体实施方式
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请提供的一种应用场景示意图,如图1所示,本申请中的方法可以应用于图1所示的电子设备10。如图1所示,电子设备10可以包括:存储器11、处理器12、网络模块13和声学信号采集器14。
存储器11、处理器12、网络模块13和声学信号采集器14相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有至少一个可以软件或固件(firmware)的形式存储于所述存储器11中的功能模块,所述处理器12通过运行存储在存储器11内的软件或硬件形式的功能模块,从而执行各种功能应用以及数据处理,即实现本申请中由电子设备10执行的方法。
其中,所述存储器11可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)、磁盘或固态硬盘等。其中,存储器11用于存储程序,所述处理器12在接收到执行指令后,执行所述程序。
所述处理器12可能是一种集成电路芯片,具有数据的处理能力。上述的处理器12可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
网络模块13用于通过网络建立电子设备10与外部通信终端之间的通信连接,实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。
声学信号采集器14可以是传声器,且该声学信号采集器14可以是传声器,且具体设置位置根据实际需要而定,在此不做具体要求,一般的,声学信号采集器14可以是PCB603C01型号的传声器,该传声器灵敏度为40mV/Pa,量程为16-134dB,频带为20-20kHz,适用温度为-30℃~+80℃。一台变压器上可以对称设置多个传声器,每个传声器的采样频率为10240Hz,每个传声器与变压器的水平间距为0.1m,高度约为变压器高度的1/3。
可以理解,图1所示的结构仅为示意,电子设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在上述基础上,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在电子设备10执行下述的方法。
图2为本申请提供的一种基于误差反向传播算法的变压器老化评估的方法的流程示意图;如图2所示,本申请提供一种基于误差反向传播算法的变压器老化评估的方法,方法包括:
S101、获取待测变压器的声学信号,
为了全面、同步地进行多通道噪声数据的采集,选择每台变压器的四周作为噪声采集的区域,信号采集仪器距离油箱表面0.1m,高度为变压器高度的三分之一。在实际应用中,将声学信号采集器14设置在变压器噪声采集区域内,用于采集该变压器的声学信号,一般的,该声学信号采集器14的数量根据实际需要而定,在此不做具体限定,为了方便说明,本实施例以该声学信号采集器14的数量为四个进行举例说明,四个声学信号采集器14分别设置在该变压器的四周,且每个声学信号采集器14距离变压器油箱表面0.1米,四个声学信号采集器14获取该待测变压器的声学信号。
S102、对获取到的声学信号进行预处理,得到声学信号的特征信息。
对获取到的声学信号进行预处理,即将该获取到的声学信号处理为能得到该声学信号的特征信息的数据,且将该声学信号内的杂质信息和干扰信息去除,首先,去除杂质信息和干扰信息的方法是滤波,去除掉阈值较大或者较小的样本数据,然后进行信号消噪,进一步降低声学信号中的噪音,之后将去除杂质的声学信号进行绘图,可以绘制为折线图或者柱状图均可,将绘制成图的声学信号进行特征提取,获取到该声学信号的特征信息,之后将该声学信号进行降维处理,即将高维数据化为低维度数据,可选的,也可以将噪声数据归一化之后的声压信息直接输入进神经网络中。
S103、将声学信号的特征信息输入到预设的神经网络模型中,计算得到待测变压器的预测运行时间。
将该声学信号的特征信息和变压器运行时间输入到预设的神经网络模型中,每一次迭代都会经历一次从输入层到隐藏层,再到输出层的计算,即式(2)和式(3),计算结果为变压器运行时间的实际输出yk(i),并通过式(4)计算得到误差,该误差会与误差阈值相比较,若该误差不小于误差阈值,则会进行权重值和偏置的更新,接着进行下一次迭代;若该误差小于误差阈值,则当前权重值和偏置取值最佳,网络训练结束,当前输出的值为最终预测结果,该当前输出的值为预测运行时间。
具体的,将包含多台变压器的声学信号和投运时间的训练集输入到神经网络中,神经网络在第一次迭代之前进行各神经元的权重值和偏置初始化,网络模型每次迭代会进行如下计算:
其中,Wij (l)为从l-1层第j个神经元与l层第i个神经元之间的连接权重;bi (l)为第l层第i个神经元的偏置,neti (l)为l层第i个神经元的输入,f为神经元的激活函数,每一层的神经元通过被激活函数激活后再成为下一层神经元的输入,最终该预设的神经网络模型输出为变压器的预测运行时间。在从输入层到隐藏层计算的过程中,式(2)中的hj (l-1)为输入神经网络的噪声信号,再从最后一层隐藏层到输出层的计算过程中,式(3)中的hi (l)为神经网络的输出结果。
当网络最终输出的结果与理想结果之间的误差小于误差阈值时,网络停止训练,计算网络输出结果与理想结果的误差函数为:
其中,dk(i)为网络的第i个期望输出,yk(i)表示网络的第i个实际输出,i表示不同变压器对应的编号,一般的,一个变压器因对应一个期望输出和实际输出。
将该声学信号的特征信息和变压器运行时间输入到预设的神经网络模型中,每一次迭代都会经历一次从输入层到隐藏层,再到输出层的计算,即式(2)和式(3),计算结果为变压器运行时间的实际输出yk(i),并通过式(4)计算得到误差,该误差会与误差阈值相比较,若该误差不小于误差阈值,则会进行权重值和偏置的更新,接着进行下一次迭代;若该误差小于误差阈值,则当前权重值和偏置取值最佳,网络训练结束,当前输出的值为最终预测结果,将待研究变压器的声学信号输入经过训练的神经网络中,再次通过式(3)和式(4)可以得到该变压器的预测运行时间。
S104、根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度。
根据预设的神经网络模型输出的预测运行时间与实际的运行时间做差,得到该预测运行时间与实际运行时间的相差时间,根据该相差时间得到该变压器的老化程度,一般的,该预测运行时间与实际运行时间差距越大,该变压器的老化程度越严重。
可选地,该获取待测变压器的声学信号的步骤之前包括:
确定神经网络预测模型的输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组电压等级相同的变压器的相同时间段的多通道声学信号,并通过声学信号得到时域特征以及时域特征对应的变压器的运行时间输入神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,完成训练的神经网络模型包括声学信号与待测变压器的预测运行时间的对应关系。
上述为建立神经网络模型的过程,为了方便说明,以输入层神经元个数为103,输出层神经元个数为1,隐藏层层数为3,隐藏层神经元个数分别为30、20、10进行举例说明。输入层神经元结合相应权重值输入隐藏层,隐藏层神经元再结合其相应权重值输入到输出层,最终得到输出结果。
可选地,该对获取到的声学信号进行预处理的步骤还包括:对获取的声学信号进行归一化处理,其中,归一化处理采用公式为:
其中,其中xi为某段噪声信号中第i时刻的声压值,形式为数值,单位为Pa;xmin表示这段信号中的最小声压值,形式为数值,单位为Pa;xmax表示这段信号中的最大声压值,形式为数值,单位为Pa;xi’表示声信号经过归一化计算后获得的第i时刻的声压值,形式为数值,单位为Pa。
可选地,该该对获取到的声学信号进行预处理的步骤具体包括:
使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波。
低通滤波中使用的巴特沃斯低通数字滤波器的阶数N=8,通带截止频率f p=1000Hz,阻带截起始频率f s=1200Hz,通带内波动最小衰减R p=1dB,阻带内最小衰减R s=50dB。
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
第一步、小波分解。设经步骤处理后的变压器的声音为S(n),使用db4小波对S(n)进行5层小波分解;第二部、小波系数阈值处理,上述第一步小波分解对声音信号进行小波分解后得到的小波系数,设经第二步小波系数阈值处理后的小波系数为设定阈值。
图3为本申请提供的另一种基于误差反向传播算法的变压器老化评估的方法的流程示意图;如图3所示,可选地,该根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度的步骤具体包括:
S201、将预测运行时间与实际运行时间做差,得到运行时间差值。
将通过预设的神经网络模型输出的预测运行时间与时间运行时间做差,求得运行时间的差值。
S202、将运行时间差值与预设运行阈值进行匹配。
将运行时间差值与预设运行阈值进行匹配,该阈值可以是之一的值,也可以是范围,该阈值可以是一个,也可以是多个,例如多个阈值分别为10、12、15、多个阈值分别对应不同的老化程度,其中10、12、15的老化程度依次增大。
S203、根据匹配结果,输出变压器的老化程度。
根据该计算得到的运行时间差值与预设运行阈值的匹配结果,输出该变压器的老化程度,若该变压器程度较大,则对该变压器进行报警处理。
本申请通过获取待测变压器的声学信号;对获取到的声学信号进行预处理,其中,预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;将预处理的声学信号输入到预设的神经网络模型中,计算得到待测变压器的预测运行时间;根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度,通过对待测变压器的声学信号进行采集,分析和处理,在通过和预设的神经网络模型中的数据进行对比,得到该变压器的预测运行时间,并将预测运行时间与实际运行时间进行对比,得到该待测变压器的老化程度,不仅不用该待测变压器停机检测,并且可以排除一些隐性故障,还在检测的过程中降低危险性。
图4为本申请提供的一种基于误差反向传播算法的变压器老化评估的***的模块示意图;如图4所示,本申请提供一种基于误差反向传播算法的变压器老化评估的***,***包括:获取模块31、预处理模块32、计算模块33和输出模块34;
获取模块31,用于获取待测变压器的声学信号;
预处理模块32,用于对获取到的声学信号进行预处理,其中,预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;
计算模块33,用于将预处理的声学信号输入到预设的神经网络模型中,计算得到待测变压器的预测运行时间;
输出模块34,用于根据预测运行时间与实际运行时间进行对比,输出变压器的老化程度。
图5为本申请提供的另一种基于误差反向传播算法的变压器老化评估的***的模块示意图,如图5所示,可选地,该***还包括建模模块35,建模模块用于确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组等级相同的变压器的不同时间段的声学信号,并通过声学信号得到时域特征以及时域特征对应的变压器的状态的数据输入神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,神经网络模型包括声学信号与待测变压器的预测运行时间的对应关系。
可选地,该预处理模块32还用于对获取的声学信号进行归一化处理,其中,归一化处理采用公式为:
其中,其中xi为某段噪声信号中某时刻的声压值,形式为数值,单位为Pa;xmin表示一段信号中的最小声压值,形式为数值,单位为Pa;xmax表示一段信号中的最小声压值,形式为数值,单位为Pa;xi’表示声信号经过归一化计算后获得的值,形式为数值,单位为Pa。
可选地,该预处理模块32具体用于使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波;
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
可选地,该输出模块34具体用于将预测运行时间实际运行时间做差,得到运行时间差值;
将运行时间差值与预设运行阈值进行匹配;
根据匹配结果,输出变压器的老化程度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于误差反向传播算法的变压器老化评估的方法,其特征在于,所述方法包括:
获取待测变压器的声学信号;
对获取到的所述声学信号进行预处理,得到所述声学信号的特征信息,其中,所述预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;
将所述声学信号的所述特征信息输入到预设的神经网络模型中,计算得到所述待测变压器的预测运行时间;
根据所述预测运行时间与实际运行时间进行对比,输出所述变压器的老化程度。
2.根据权利要求1所述的基于误差反向传播算法的变压器老化评估的方法,其特征在于,所述获取待测变压器的声学信号的步骤之前包括:
确定神经网络预测模型的输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组电压等级相同的变压器的相同时间段的多通道声学信号,并通过所述声学信号得到时域特征以及时域特征对应的变压器的运行时间输入所述神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,所述完成训练的神经网络模型包括声学信号与所述待测变压器的预测运行时间的对应关系。
4.根据权利要求1所述的基于误差反向传播算法的变压器老化评估的方法,其特征在于,所述对获取到的所述声学信号进行预处理的步骤具体包括:
使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波;
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
5.根据权利要求1所述的基于误差反向传播算法的变压器老化评估的方法,其特征在于,所述根据所述预测运行时间与实际运行时间进行对比,输出所述变压器的老化程度的步骤具体包括:
将所述预测运行时间与实际运行时间做差,得到运行时间差值;
将所述运行时间差值与预设运行阈值进行匹配;
根据匹配结果,输出所述变压器的老化程度。
6.一种基于误差反向传播算法的变压器老化评估的***,其特征在于,所述***包括:获取模块、预处理模块、计算模块和输出模块;
所述获取模块,用于获取待测变压器的声学信号;
所述预处理模块,用于对获取到的所述声学信号进行预处理,得到所述声学信号的特征信息,其中,所述预处理包括:滤波、信号消噪、特征提取和数据降维处理中的至少一种;
所述计算模块,用于将所述声学信号的所述特征信息输入到预设的神经网络模型中,计算得到所述待测变压器的预测运行时间;
所述输出模块,用于根据所述预测运行时间与实际运行时间进行对比,输出所述变压器的老化程度。
7.根据权利要求6所述的基于误差反向传播算法的变压器老化评估的***,其特征在于,所述***还包括建模模块,所述建模模块用于确定输入层和输出层神经元个数、确定隐含层个数以及每个隐含层包括的神经元节点个数、权重初始化以及神经网络训练;
获取多组电压等级相同的变压器的相同时间段的声学信号,并通过所述声学信号得到时域特征以及时域特征对应的变压器的运行时间输入所述神经网络训练中;
经过多次迭代训练得到神经网络模型,其中,所述神经网络模型包括声学信号与所述待测变压器的预测运行时间的对应关系。
9.根据权利要求6所述的基于误差反向传播算法的变压器老化评估的***,其特征在于,所述预处理模块具体用于使用巴特沃斯低通数字滤波器对采集获取变压器处于各状态时的声学信号进行低通滤波;
对变压器的声学信号进行小波分解,对小波分解后的小波系数进行阈值处理,使用阈值处理后的小波系数重构获得信号消噪后的电力变压器的声音信号。
10.根据权利要求6所述的基于误差反向传播算法的变压器老化评估的***,其特征在于,所述输出模块具体用于将所述预测运行时间与实际运行时间做差,得到运行时间差值;
将所述运行时间差值与预设运行阈值进行匹配;
根据匹配结果,输出所述变压器的老化程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977524.1A CN112114215A (zh) | 2020-09-17 | 2020-09-17 | 基于误差反向传播算法的变压器老化评估的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977524.1A CN112114215A (zh) | 2020-09-17 | 2020-09-17 | 基于误差反向传播算法的变压器老化评估的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112114215A true CN112114215A (zh) | 2020-12-22 |
Family
ID=73803408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010977524.1A Pending CN112114215A (zh) | 2020-09-17 | 2020-09-17 | 基于误差反向传播算法的变压器老化评估的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114215A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002175107A (ja) * | 2000-12-05 | 2002-06-21 | Sharp Corp | 工程制御方法および装置とそのためのプログラム記録媒体 |
CN106921158A (zh) * | 2017-02-09 | 2017-07-04 | 国网福建省电力有限公司 | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2020
- 2020-09-17 CN CN202010977524.1A patent/CN112114215A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002175107A (ja) * | 2000-12-05 | 2002-06-21 | Sharp Corp | 工程制御方法および装置とそのためのプログラム記録媒体 |
CN106921158A (zh) * | 2017-02-09 | 2017-07-04 | 国网福建省电力有限公司 | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114252731B (zh) * | 2021-12-13 | 2024-04-05 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和*** | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN110398647B (zh) | 变压器状态监测方法 | |
CN105606977B (zh) | 基于分层规则推理的局部放电prps图谱识别方法及*** | |
CN111912519B (zh) | 基于声纹频谱分离的变压器故障诊断方法及装置 | |
CN111625763A (zh) | 一种基于数学模型的运行风险预测方法和预测*** | |
CN112599134A (zh) | 一种基于声纹识别的变压器声音事件检测方法 | |
CN112182490B (zh) | 一种电抗器状态诊断方法及*** | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及*** | |
CN113740635A (zh) | 电气设备故障诊断方法、终端和多探头传感装置 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及*** | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及*** | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN114157023A (zh) | 一种配变预警信息获取方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测***、方法、终端、介质 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及*** | |
CN113933658B (zh) | 基于可听声分析的干式变压器放电检测方法及*** | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及*** | |
CN117909668B (zh) | 基于卷积神经网络的轴承故障诊断方法及*** | |
CN114878674B (zh) | 基于融合算法的绕组应力与漏磁参量综合特征的变压器绕组缺陷诊断方法 | |
CN112560674B (zh) | 一种声音信号质量的检测方法及*** | |
CN117894317B (zh) | 基于声纹分析的箱式变压器在线监测方法及*** | |
CN117074870A (zh) | 一种电缆诊断方法及*** |
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 |