CN113205127A - 一种基于边缘计算的变压器自我诊断评估装置及方法 - Google Patents
一种基于边缘计算的变压器自我诊断评估装置及方法 Download PDFInfo
- Publication number
- CN113205127A CN113205127A CN202110460696.6A CN202110460696A CN113205127A CN 113205127 A CN113205127 A CN 113205127A CN 202110460696 A CN202110460696 A CN 202110460696A CN 113205127 A CN113205127 A CN 113205127A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- diagnosis
- module
- source data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 46
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 3
- 238000003745 diagnosis Methods 0.000 claims description 32
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000013501 data transformation Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 238000013021 overheating Methods 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000013144 data compression Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000016507 interphase Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000013307 optical fiber Substances 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009421 internal insulation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于边缘计算的变压器自我诊断评估装置,它包括数据采集模块、数据预处理模块、数据融合模块和规则推理模块,采用光纤传感、深度学***,提高监测精度以及实现对变压器运行状态的实时感知。
Description
技术领域
本发明涉及电气设备的智能化技术领域,尤其涉及一种基于边缘计算的变压器自我诊断评估装置及方法。
背景技术
电力变压器是电网中能量传输和转换最为核心,应用最广泛的枢纽设备之一,它运行的稳定性能密切关系着电力***的安全可靠运行,因此提高变压器运行的可靠性及智能化水平一直是电力行业研究的重要课题。
提高变压器运行的可靠性关键在于实现变压器状态自我感知、自我诊断和评估以及自适应自动化调节。之前在线监测装置、带电检测装置、机器人巡检等都是在变压器安装完成后,再添加的,并没有从变压器设计之初开始考虑,并没有和变压器进行充分的融合成一个整体。目前电力变压器普遍存在内部工作状态监测手段缺乏,监测能力不够的问题,电力变压器状态监测的重点是运行管理人员所关心的变压器运行状态及变压器内部可能的故障,内部故障从性质上主要有绝缘故障、过热故障和机械故障三种类型。若能够在不影响变压器内部绝缘及整体结构的情况下,在进行变压器设计的时候就能够考虑对变压器内部绝缘、机械、过热状态进行综合监测,考虑自我诊断过程中需要的各类状态量信息,考虑自我调节需要的各类装置,对保障变压器的安全运行具有极其重要的意义。
目前许多人工智能的变压器故障分析算法主要都是基于变压器油色谱数据,部分还基于局部放电数据,还没有基于新型光纤传感变压器内部温度、压力、振动、局放检测技术以及基于物联技术在变压器电量和非电量传感技术,有鉴于此,有必要针对新型传感器技术,结合专家经验,准确模拟人脑故障分析过程分析变压器故障及工作状态。
发明内容
本发明的目的就是要解决传统变压器故障分析无法对变压器内部温度、压力、振动、局放检测数据进行分析的不足,提供一种基于边缘计算的变压器自我诊断评估装置及方法,该***采用光纤传感、深度学***,提高监测精度以及实现对变压器运行状态的实时感知。
为实现此目的,本发明所设计的基于边缘计算的变压器自我诊断评估装置,它包括数据采集模块、数据预处理模块、数据融合模块和规则推理模块,所述数据采集模块用于变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;所述数据预处理模块采用数据预处理方法对数据采集模块采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换和数据规约;所述数据融合模块用于对数据预处理模块输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;所述规则推理模块结合数据融合模块输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
一种基于边缘计算的变压器自我诊断评估方法,其特征在于:它包括如下步骤:
步骤1:数据采集模块进行变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;
步骤2:数据预处理模块采用数据预处理方法对数据采集模块采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换,数据规约;
步骤3:数据融合模块对数据预处理模块输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;
步骤4:规则推理模块结合数据融合模块输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
本发明的有益效果为:本发明不仅可以获得传统变压器电量和非电量信息,还可以获得变压器内部温度、压力、振动、局部放电信号,得到的诊断和评估结果比传统方法得到的结果更加准确;本发明将变压器图像数据、非电量数据、工频电量数据、高频电量数据等多源信息进行综合分析,进行本地边缘数据与云端数据信息交互、存储、计算,提高了计算和数据传输效率,防止了资源浪费与经济损失;本发明通过分析研究变压器内部温度及实时状态感知数据,结合云端同型号设备历史运行数据,实现变压器冷却***的智能控制。
附图说明
图1为本发明装置结构示意图;
图2为本发明装置工作流程图;
图3为本发明装置与变压器故障诊断大数据中心的关系图;
图4为本发明装置与其他物联设备的关系图;
其中,1-数据采集模块、2-数据预处理模块、3-数据融合模块、4-规则推理模块、5-自适应调节模块和6-云边协同模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
本发明所设计一种基于边缘计算的变压器自我诊断评估装置,如图1所示,它包括数据采集模块1、数据预处理模块2、数据融合模块3和规则推理模块4,所述数据采集模块1用于变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;所述数据预处理模块2采用数据预处理方法对数据采集模块1采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换和数据规约;所述数据融合模块3用于对数据预处理模块2输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;所述规则推理模块4结合数据融合模块3输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
一种基于边缘计算的变压器自我诊断评估装置,如图1所示,它还包括自适应调节模块5和云边协同模块6,所述自适应调节模块5通过分析变压器内部状态数据,结合云端同型号设备历史运行数据和变压器过负荷能力动态预测模型,实现变压器冷却***的智能控制;所述云边协同模块6通过物联网及其他通讯方式实现变压器故障诊断大数据中心与变压器自我诊断及评估装置的数据交互技术。
上述技术方案中,所述数据采集模块1支持不同接口类型变压器数据的统一接入,支持现有的主流现场通信网络接口;所述主流现场通信网络接口包括RS485、以太网、光口、ZigBee和WiFi;所述变压器内部状态数据包括内部温度、压力、振动和局部放电信号;所述变压器外部状态数据包括外部可见光图像、红外图像,套管介质损耗和套管局部放电信号;所述变压器运行数据包括变压器运行时电压、电流信息和环境温度信息;所述变压器基础数据包括变压器台账信息和历史运行数据。
上述技术方案中,变压器内部温度、压力、振动、局部放电信号由光纤传感器采集得到;利用红外和可见光摄像头实时监控变压器本体及相关部件状态,实时对变压器外观状态自我感知,对变压器箱体渗漏油、套管及表计等部件破损、呼吸器硅胶变色、金属部件锈蚀、异物入侵等变压器异常运行状态的自我感知;利用基于磁感应原理的变压器套管末屏测量传感器,开展套管介损、电容量、局部放电状态参量的监测;从变压器已有的传感器和信息***,导入变压器运行时电压、电流信息,环境温度信息、台账信息、历史运行数据。
上述技术方案中,所述数据预处理方法是指在主要的处理以前对数据进行的一些处理。在诊断和评估整体过程中,海量的原始数据中存在着大量复杂的,重复的,不完整的数据,严重影响到诊断和评估算法的执行效率,甚至可能导致计算结果的偏差,为此,在诊断和评估算法执行之前,必须对收集到的原始数据进行预处理,以改进数据的质量,提高数据挖掘过程中的效率,精度,性能。
上述技术方案中,所述数据清理是删除所述数据采集模块1采集到的变压器多源数据中的离群点数据、超量程数据和重复数据,如果变压器多源数据存在缺失值,对缺失值进行插值,获得清理后的变压器多源数据;所述数据集成是将清理后的变压器多源数据结合起来并统一存储,获得集成后的变压器多源数据并建立数据仓库;所述数据变换是指对集成后的变压器多源数据放电幅值进行单位统一化,对变压器的缺陷部件数据项的内容进行编码,对振动平稳性、振动相关性和能量相似度进行归一化,获得变换后的变压器多源数据;所述数据规约是对变换后的变压器多源数据中的振动信号和局部放电信号进行数据压缩。
上述技术方案中,所述数据融合模块3对变压器多源数据的关键参数进行提取的方法具体为:首先,提取半结构化数据和结构化数据的关键内容,将关键内容存入关系库中;其次,提取非结构化大体积数据的特征量和关键数据进行规范化存储。
上述技术方案中,所述数据融合模块3对变压器多源数据的关键参数进行整合的方法具体为:对于变压器内部温度、压力和套管介质损耗数据,采用决策树进行分析,获得基于内部温度、压力、套管介质损耗的评估结果,所述基于内部温度、压力、套管介质损耗的评估结果是一个0至100之间的分值;对于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号,采用人工神经网络算法进行分析,获得基于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号的评估结果,所述基于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号的评估结果是变压器对应每种故障的可能性,如A类故障的概率为80%,B类故障的概率10%,C类故障的概率10%,最后,将每个状态的评估结果整合得到变压器整体状态的评估结果。
上述技术方案中,所述规则推理模块4对变压器故障进行综合故障诊断的方法具体为:在专家经验、案例库的基础上建立变压器故障树以及相应的故障推理规则;在获取到的变压器多源数据状态量的基础上运用故障推理规则进行综合故障诊断,不但在建立的故障树的节点上以判断是否发生该故障,也建立在整个故障树上以判断发生何种故障的可能性高,结合案例库获取诊断结论以获得最终结论;若结论不够明确可在数据融合阶段再输入未获取到的其他变压器多源数据状态量进行进一步诊断,也可参考人工诊断的结果,进一步更新规则库,提升后续诊断准确率。
上述技术方案中,所述变压器多源数据状态量包括变压器内部温度、压力、振动、局部放电信号、红外信号、可见光信号、套管介损、电容量和套管局部放电。
上述技术方案中,所述变压器故障包括内部故障和外部故障;所述内部故障包括相间短路,匝间短路,局部放电,局部过热和绝缘油异常;所述外部故障包括油箱或套管渗漏油,套管闪络和引出线故障;所述内部故障根据常见的故障易发部位分为绝缘故障、铁心故障、分接开关故障和绕组故障;所述变压器故障树包括建立绕组、铁心、套管、冷却***、有载分接开关和非电量保护六种故障模式。
上述技术方案中,所述自适应调节模块5通过变压器多源数据状态量,利用云端同型号设备历史运行数据结合深度学习技术构建变压器过负荷能力动态预测模型,实现基于边缘计算及云端数据融合的变压器过负荷能力动态预测功能,实现变压器冷却***的智能控制;所述智能控制是通过变压器内部温度、运行时电压和电流信息,结合环境温度信息、变压器历史运行数据、变压器台账信息,进行智能分析评估,计算出变压器在不同过负荷倍数下最大的过负荷时间,从而按照策略来自动调节冷却器的开启数量。
上述技术方案中,所述过负荷倍数是指相对于变压器额定负荷的倍数。在某些情况下,变压器可能不是满负荷运行,也可能是过负荷运行,可能是额定负荷的0.1倍、0.2倍、…、2倍。在外界环境温度较高,负荷倍数较大的情况下,变压器发热量大,不能长时间运行,需要尽量开启多组冷却器。在外界环境温度较低,负荷倍数较小的情况下,变压器可以长期运行,不需要开启很多冷却器。该方法可以计算出变压器在0.1倍、0.2倍、…、2倍不同倍数负荷运行下,开启不同组数冷却器的最长运行时间。按照能满足变压器长期运行的条件下,尽量选择开启最少的冷却器数量的策略进行调节。
上述技术方案中,边端将变压器多源数据状态量进行边缘计算和处理后,上传到云端的变压器故障诊断大数据中心,实现数据的共享,本发明装置与变压器故障诊断大数据中心的关系图如图3所示;云端结合大量数据对所述数据融合模块3对变压器多源数据的关键参数进行整合的方法和所述规则推理模块4对变压器故障进行综合故障诊断的方法进行训练,获得优化后的参数设置,并将参数设置下载到边端的变压器自我诊断及评估装置,实现诊断评估算法的更新和共享;边端的变压器自我诊断及评估装置与巡检和试验人员、巡检机器人等其它的物联网设备进行交互,提升变压器区域自治能力和自我诊断效率,本发明装置与其他物联设备的关系图如图4所示。
一种基于边缘计算的变压器自我诊断评估方法,如图2所示,它包括如下步骤:
步骤1:数据采集模块1进行变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;
步骤2:数据预处理模块2采用数据预处理方法对数据采集模块1采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换,数据规约;
步骤3:数据融合模块3对数据预处理模块2输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;
步骤4:规则推理模块4结合数据融合模块3输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于边缘计算的变压器自我诊断评估装置,其特征在于:它包括数据采集模块(1)、数据预处理模块(2)、数据融合模块(3)和规则推理模块(4),所述数据采集模块(1)用于变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;所述数据预处理模块(2)采用数据预处理方法对数据采集模块(1)采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换和数据规约;所述数据融合模块(3)用于对数据预处理模块(2)输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;所述规则推理模块(4)结合数据融合模块(3)输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
2.根据权利要求1所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:它还包括自适应调节模块(5)和云边协同模块(6),所述自适应调节模块(5)通过分析变压器内部状态数据,结合云端同型号设备历史运行数据和变压器过负荷能力动态预测模型,实现变压器冷却***的智能控制;所述云边协同模块(6)通过物联网实现变压器故障诊断大数据中心与变压器自我诊断及评估装置的数据交互技术。
3.根据权利要求1所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述变压器内部状态数据包括内部温度、压力、振动和局部放电信号;所述变压器外部状态数据包括外部可见光图像、红外图像,套管介质损耗和套管局部放电信号;所述变压器运行数据包括变压器运行时电压、电流信息和环境温度信息;所述变压器基础数据包括变压器台账信息和历史运行数据。
所述数据清理是删除所述数据采集模块(1)采集到的变压器多源数据中的离群点数据、超量程数据和重复数据,如果变压器多源数据存在缺失值,对缺失值进行插值,获得清理后的变压器多源数据;所述数据集成是将清理后的变压器多源数据结合起来并统一存储,获得集成后的变压器多源数据并建立数据仓库;所述数据变换是指对集成后的变压器多源数据放电幅值进行单位统一化,对变压器的缺陷部件数据项的内容进行编码,对振动平稳性、振动相关性和能量相似度进行归一化,获得变换后的变压器多源数据;所述数据规约是对变换后的变压器多源数据中的振动信号和局部放电信号进行数据压缩。
4.根据权利要求1所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述数据融合模块(3)对变压器多源数据的关键参数进行提取的方法具体为:首先,提取半结构化数据和结构化数据的关键内容,将关键内容存入关系库中;其次,提取非结构化数据的特征量和关键数据进行规范化存储。
5.根据权利要求1所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述数据融合模块(3)对变压器多源数据的关键参数进行整合的方法具体为:对于变压器内部温度、压力和套管介质损耗数据,采用决策树进行分析,获得基于内部温度、压力、套管介质损耗的评估结果,所述基于内部温度、压力、套管介质损耗的评估结果是一个0至100之间的分值;对于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号,采用人工神经网络算法进行分析,获得基于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号的评估结果,所述基于振动、局部放电信号,外部可见光图像、红外图像,套管局部放电信号的评估结果是变压器对应每种故障的可能性,最后,将每个状态的评估结果整合得到变压器整体状态的评估结果。
6.根据权利要求1所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述规则推理模块(4)对变压器故障进行综合故障诊断的方法具体为:在专家经验、案例库的基础上建立变压器故障树以及相应的故障推理规则;在获取到的变压器多源数据状态量的基础上运用故障推理规则进行综合故障诊断,不但在建立的故障树的节点上以判断是否发生该故障,也建立在整个故障树上以判断发生何种故障的可能性高,结合案例库获取诊断结论以获得最终结论。
所述变压器多源数据状态量包括变压器内部温度、压力、振动、局部放电信号、红外信号、可见光信号、套管介损、电容量和套管局部放电。
7.根据权利要求1或6所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述变压器故障包括内部故障和外部故障;所述内部故障包括相间短路,匝间短路,局部放电,局部过热和绝缘油异常;所述外部故障包括油箱或套管渗漏油,套管闪络和引出线故障;所述内部故障根据常见的故障易发部位分为绝缘故障、铁心故障、分接开关故障和绕组故障;所述变压器故障树包括建立绕组、铁心、套管、冷却***、有载分接开关和非电量保护六种故障模式。
8.根据权利要求2所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:所述自适应调节模块(5)通过变压器多源数据状态量,利用云端同型号设备历史运行数据结合深度学习技术构建变压器过负荷能力动态预测模型,实现基于边缘计算及云端数据融合的变压器过负荷能力动态预测功能,实现变压器冷却***的智能控制;所述智能控制是通过变压器内部温度、运行时电压和电流信息,结合环境温度信息、变压器历史运行数据、变压器台账信息,进行智能分析评估,计算出变压器在不同过负荷倍数下最大的过负荷时间,从而按照策略来自动调节冷却器的开启数量。
9.根据权利要求2所述的基于边缘计算的变压器自我诊断评估装置,其特征在于:边端将变压器多源数据状态量进行边缘计算和处理后,上传到云端的变压器故障诊断大数据中心,实现数据的共享;云端结合大量数据对所述数据融合模块(3)对变压器多源数据的关键参数进行整合的方法和所述规则推理模块(4)对变压器故障进行综合故障诊断的方法进行训练,获得优化后的参数设置,并将参数设置下载到边端的变压器自我诊断及评估装置,实现诊断评估算法的更新和共享;边端的变压器自我诊断及评估装置与巡检和试验人员、巡检机器人等其它的物联网设备进行交互,提升变压器区域自治能力和自我诊断效率。
10.一种基于边缘计算的变压器自我诊断评估方法,其特征在于:它包括如下步骤:
步骤1:数据采集模块(1)进行变压器多源数据的采集与通信,所述变压器多源数据包括变压器内部状态数据、变压器外部状态数据、变压器运行数据和变压器基础数据;
步骤2:数据预处理模块(2)采用数据预处理方法对数据采集模块(1)采集到的变压器多源数据进行预处理获得预处理后的变压器多源数据,所述预处理方法包括数据清理,数据集成,数据变换,数据规约;
步骤3:数据融合模块(3)对数据预处理模块(2)输出的变压器多源数据的关键参数进行提取和整合,获得融合后的变压器多源数据;
步骤4:规则推理模块(4)结合数据融合模块(3)输出的变压器多源数据运用故障诊断规则对变压器故障进行综合故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110460696.6A CN113205127A (zh) | 2021-04-27 | 2021-04-27 | 一种基于边缘计算的变压器自我诊断评估装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110460696.6A CN113205127A (zh) | 2021-04-27 | 2021-04-27 | 一种基于边缘计算的变压器自我诊断评估装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205127A true CN113205127A (zh) | 2021-08-03 |
Family
ID=77029289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110460696.6A Pending CN113205127A (zh) | 2021-04-27 | 2021-04-27 | 一种基于边缘计算的变压器自我诊断评估装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205127A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252110A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变电设备智能评估***与评估方法 |
CN114283821A (zh) * | 2021-12-24 | 2022-04-05 | 国网陕西省电力公司铜川供电公司 | 基于全声波列的变压器检测方法、***、装置及终端设备 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN114705928A (zh) * | 2022-03-09 | 2022-07-05 | 天纳能源科技(上海)有限公司 | 一种变压器数据管理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012062037A1 (zh) * | 2010-11-12 | 2012-05-18 | 江西省电力科学研究院 | 基于电子式互感器的输电线路行波故障测距方法 |
CN111650540A (zh) * | 2020-06-18 | 2020-09-11 | 国网湖南省电力有限公司 | 一种基于多源数据的主变压器智能状态监测装置及方法 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
CN112564272A (zh) * | 2020-10-22 | 2021-03-26 | 国网浙江省电力有限公司嘉兴供电公司 | 一种融合多维度监测及故障信息的变电站健康管控方法 |
-
2021
- 2021-04-27 CN CN202110460696.6A patent/CN113205127A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012062037A1 (zh) * | 2010-11-12 | 2012-05-18 | 江西省电力科学研究院 | 基于电子式互感器的输电线路行波故障测距方法 |
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检*** |
CN111650540A (zh) * | 2020-06-18 | 2020-09-11 | 国网湖南省电力有限公司 | 一种基于多源数据的主变压器智能状态监测装置及方法 |
CN112564272A (zh) * | 2020-10-22 | 2021-03-26 | 国网浙江省电力有限公司嘉兴供电公司 | 一种融合多维度监测及故障信息的变电站健康管控方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283821A (zh) * | 2021-12-24 | 2022-04-05 | 国网陕西省电力公司铜川供电公司 | 基于全声波列的变压器检测方法、***、装置及终端设备 |
CN114444734A (zh) * | 2022-01-27 | 2022-05-06 | 山东电工电气集团有限公司 | 一种基于边缘计算的变压器多模态故障诊断方法 |
CN114252110A (zh) * | 2022-03-02 | 2022-03-29 | 山东和兑智能科技有限公司 | 变电设备智能评估***与评估方法 |
CN114705928A (zh) * | 2022-03-09 | 2022-07-05 | 天纳能源科技(上海)有限公司 | 一种变压器数据管理方法及*** |
CN114705928B (zh) * | 2022-03-09 | 2023-02-10 | 天纳能源科技(上海)有限公司 | 一种变压器数据管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205127A (zh) | 一种基于边缘计算的变压器自我诊断评估装置及方法 | |
CN112910094B (zh) | 基于泛在电力物联网的变电站远方自动巡检***及方法 | |
CN111650451B (zh) | 一种换流变故障原因辨识方法及*** | |
CN101149416B (zh) | 电力电缆绝缘状态监测与寿命管理*** | |
CN104362736B (zh) | 一种智能组件柜及其用于智能变压器的监测方法 | |
CN111143447B (zh) | 一种电网薄弱环节动态监测预警决策***及方法 | |
CN212207592U (zh) | 一种人工智能高压断路器在线监测装置 | |
CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及*** | |
CN113656938A (zh) | 配电网变压器的监管方法、控制装置、及存储介质 | |
CN111898092A (zh) | 一种电缆运行状态评估决策分析方法及*** | |
CN113537415A (zh) | 基于多信息融合的换流站巡检方法、装置和计算机设备 | |
CN116207845B (zh) | 一种用于电力设备保护的自动化监控方法及*** | |
CN112630562A (zh) | 一种基于深度神经网络的开关柜故障识别方法及其装置 | |
CN115248402A (zh) | 油浸变压器在线监测***及方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息***及运维方法 | |
CN111830438A (zh) | 一种变压器故障检测方法及变压器 | |
CN112329821A (zh) | 电力互感器智能诊断***及基于决策树分类的诊断方法 | |
CN114720809A (zh) | 一种车载双向充电机测试***及其控制方法 | |
CN114462692A (zh) | 一种电网老旧设备技改策略优化调整方法 | |
Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
CN117791562A (zh) | 变电设备状态管理方法、装置、管理服务器及存储介质 | |
Li et al. | On-Line Monitoring and Fault Diagnosis of Box Transformer Substation Based on VPRS-RBFNN | |
Zhou et al. | An intelligent monitoring and diagnosis system for 330kV oil-immersed power transformer | |
CN116736048A (zh) | 一种新型智能干变与数据分析*** | |
Sathish et al. | Auto Operation and Monitoring of Transformer using IoT Applications |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |