CN113701684B - 变压器绕组状态检测方法、装置、设备及存储介质 - Google Patents
变压器绕组状态检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113701684B CN113701684B CN202110898223.4A CN202110898223A CN113701684B CN 113701684 B CN113701684 B CN 113701684B CN 202110898223 A CN202110898223 A CN 202110898223A CN 113701684 B CN113701684 B CN 113701684B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- transformer winding
- modal
- mode
- target
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/04—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring the deformation in a solid, e.g. by vibrating string
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种变压器绕组状态检测方法、装置、设备及存储介质,所述方法包括:根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;根据特征标签,确定目标变压器绕组的状态。本申请实施例提供的技术方案可以提高检测变压器绕组状态的灵活性。
Description
技术领域
本申请涉及高压直流输电技术领域,特别是涉及一种变压器绕组状态检测方法、装置、设备及存储介质。
背景技术
变压器是高压直流输电工程中的核心设备之一,其运行状态直接影响到整个电力***的运行。在变压器产生短路电流的情况下,容易导致变压器绕组发生变形,从而使得变压器出现机械故障。若不能及时发现并处理变压器的该机械故障,将对整个电力***造成极大的威胁。在实际应用中,通过检测变压器绕组的状态可以有效的诊断变压器是否出现故障。
相关技术中在检测变压器绕组的状态时,通常是在变压器断电状态下,采集变压器的电压信号,再对采集到的电压信号进行处理,并将处理结果与正常值进行比较,从而根据比较结果判断变压器绕组是否发生变形。
但是,相关技术中检测变压器绕组状态的灵活性较差。
发明内容
基于此,本申请实施例提供了一种变压器绕组状态检测方法、装置、设备及存储介质,可以提高检测变压器绕组状态的灵活性。
第一方面,提供了一种变压器绕组状态检测方法,该方法包括:
根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;根据特征标签,确定目标变压器绕组的状态。
在其中一个实施例中,根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵,包括:
根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度;基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
在其中一个实施例中,获取振动信号的模态能量占比,包括:
对振动信号进行经验模态分解,得到振动信号的模态分解结果;模态分解结果包括多个本征模态分量和一个残差分量;对振动信号的模态分解结果进行重构,得到重构模态;重构模态包括高频模态、中频模态及低频模态;计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
在其中一个实施例中,对振动信号对应的模态进行重构,得到模态对应的重构模态,包括:
获取振动信号的模态分解结果中各分量的过零率;将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
在其中一个实施例中,获取振动信号的欧式距离,包括:
获取正常变压器绕组的振动信号的参考模态能量占比;根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
在其中一个实施例中,获取振动信号的频谱复杂度,包括:
获取振动信号的频率比重;频率比重用于表征振动信号在目标频率处的谐波分量所占比重;基于振动信号的频率比重,计算振动信号的频谱复杂度;频谱复杂度用于表征目标频率的复杂性。
在其中一个实施例中,上述方法还包括:
获取训练样本集;训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签;将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签;基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。
第二方面,提供了一种变压器绕组状态检测装置,该装置包括:
特征提取模块,用于根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;
第一输入模块,用于将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;
确定模块,用于根据特征标签,确定目标变压器绕组的状态。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述变压器绕组状态检测方法、装置、设备及存储介质,通过根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;根据特征标签,确定目标变压器绕组的状态。在本申请实施例提供的技术方案中,与传统方法相比,由于可以通过实时对采集到的压器绕组振动信号进行分析,并根据预先训练好的机器学习模型对振动信号对应的特征矩阵进行计算,从而判断出变压器绕组是否发生变形,进而提高了检测变压器绕组状态的灵活性。
附图说明
图1为本申请实施例提供的一种计算机设备的框图;
图2为本申请实施例提供的一种变压器绕组状态检测方法的流程图;
图3为本申请实施例提供的一种生成特征矩阵的流程图;
图4为本申请实施例提供的一种确定振动信号的模态能量占比的流程图;
图5为本申请实施例提供的一种确定重构模态的流程图;
图6为本申请实施例提供的一种计算振动信号的欧式距离的流程图;
图7为本申请实施例提供的一种计算振动信号的频谱复杂度的流程图;
图8为本申请实施例提供的一种生成预设的机器学习模型的流程图;
图9为本申请实施例提供的一种变压器绕组状态检测方法的流程图;
图10为本申请实施例提供的一种变压器绕组状态检测装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的变压器绕组状态检测方法可以应用于计算机设备中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例,图1示出了一种服务器的框图,如图1所示,服务器可以包括通过***总线连接的处理器和存储器。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种变压器绕组状态检测方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,可选地服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是变压器绕组状态检测装置,下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中,如图2所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,该方法可以包括以下步骤:
步骤220、根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵。
其中,变压器在运行过程中,变压器绕组由于受到辐向电磁力和轴向电磁力的作用会产生振动,通过变压器绕组的振动信号可以判断变压器绕组是否发生变形。目标变压器绕组的振动信号可以通过设置于变压器油箱表面的传感器采集到,振动信号可以是实时采集的,也可以是按照固定时间间隔采集到的。
采集到目标变压器绕组的振动信号后,可以根据预设的特征提取算法对该振动信号进行特征提取,从而得到目标变压器绕组的振动信号对应的特征矩阵。特征矩阵是由振动信号的多个特征参量组成的矩阵,振动信号的特征参量可以包括模态能量占比、欧式距离、频谱复杂度等参量,当然还可以包括其他特征参量,例如,振动信号的功率、奇偶次谐波比等参量,本实施例对此不作具体限定。
步骤240、将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级。
其中,预设的机器学习模型是用于对特征矩阵进行计算的模型,并且是通过振动信号的特征矩阵及对应的特征标签预先训练好的。特征标签用于表征变压器绕组的变形等级,不同特征标签表征了变压器绕组的不同变形等级,变压器绕组的变形等级也就是变压器绕组的变形程度,可以用变压器绕变形位置的数量来区分变形程度,也可以用其他条件来区分变形程度。特征标签可以用数字来表示,也可以用字母、符号或其他方式来表示,本实施例对此不作具体限定。例如,特征标签以数字来表示,随着变形等级的增高,表示特征标签的数字可以增大。
步骤260、根据特征标签,确定目标变压器绕组的状态。
其中,目标变压器绕组的状态可以包括正常状态和变形状态,在通过预设的机器学习模型对振动信号的特征矩阵进行计算后,得到目标变压器绕组的特征标签。特征标签可以有多个,而特征标签对应的变压器绕组的状态为正常状态和变形状态两种,从而就可以根据根据特征标签确定目标变压器绕组的状态。例如,特征标签以数字1、2、...、m+1来表示,其中,“1”表示变形程度为零的变压器绕组,若目标变压器绕组的特征标签为1,那么就可以确定该目标变压器绕组的状态为正常状态;若目标变压器绕组的特征标签为2至m+1中的任一值,那么就可以确定该目标变压器绕组的状态为异常状态。
本实施例中,通过根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;根据特征标签,确定目标变压器绕组的状态。与传统方法相比,由于可以通过实时对采集到的压器绕组振动信号进行分析,并根据预先训练好的机器学习模型对振动信号对应的特征矩阵进行计算,从而判断出变压器绕组是否发生变形,进而提高了检测变压器绕组状态的灵活性。
在一个实施例中,如图3所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是生成特征矩阵的一种可能的过程,该方法可以包括以下步骤:
步骤320、根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度。
步骤340、基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
其中,振动信号的模态能量占比用于表征不同频率的模态能量与总模态能量的比值,在计算模态能量之前,需要先对采集到的振动信号采用预设的分解算法进行分解,从而得到多个模态,预设的分解算法可以是经验模态分解算法(Empirical ModeDecomposition,EMD)、小波分解算法等,还可以是其他分解算法,本实施例对此不作具体限定。欧式距离用于表征目标变压器绕组的振动信号的模态能量占比,与正常变压器绕组的振动信号的模态能量占比之间的距离。频谱复杂度用于表征振动信号的频率中频率成分的复杂性,频率复杂度的值越低,则表示振动信号的频谱中能量越集中在某些特定的频率;频率复杂度的值越高,则表示振动信号的频谱中能量越分散。获取到振动信号的模态能量占比、欧式距离及频谱复杂度,可以将模态能量占比、欧式距离及频谱复杂度作为振动信号的特征参量,从而基于特征参量生成特征矩阵。
本实施例中,通过根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度;基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。由于模态能量占比、欧式距离及频谱复杂度能够准确的反映出振动信号的振动特性,基于这些值生成的特征矩阵能够准确确定出目标变压器绕组的状态。
在一个实施例中,如图4所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是确定振动信号的模态能量占比的一种可能的过程,该方法可以包括以下步骤:
步骤420、对振动信号进行经验模态分解,得到振动信号的模态分解结果;模态分解结果包括多个本征模态分量和一个残差分量。
步骤440、对振动信号的模态分解结果进行重构,得到重构模态;重构模态包括高频模态、中频模态及低频模态。
步骤460、计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
其中,可以对采集到的振动信号采用经验模态分解算法进行分解,从而得到振动信号的模态分解结果,模态分解结果包括多个本征模态分量和一个残差分量,本征模态分量也称作IMF分量。对振动信号进行经验模态分解的具体过程如下:
先确定振动信号x(t)的所有极大值点与极小值点;采用三次样条插值函数拟合极大值点形成振动信号的上包络线,拟合极小值点形成振动信号的下包络线,并计算上包络线与下包络线的均值a1(t);计算振动信号与该均值的差值d1(t)=x(t)-a1(t);再判断得到的差值是否满足IMF要求,若满足IMF要求,则将该差值d1(t)作为第一个IMF分量,同时将残差分量记作r1(t)=x(t)-d1(t),若不满足IMF要求,则使用该差值d1(t)代替振动信号x(t),并重复前面的步骤,直至差值满足IMF要求,这里的IMF要求包括两个,一是在整个数据段内,极值点的个数和过零点的个数必须相等或相差最多不能超过一个,二是在任意时刻,由极大值点形成的上包络线和由极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴对称;继续分解残差分类r1(t),并重复前面的步骤,直至最终残差分量满足预设条件为止,该预设条件可以是最终残差分量为单调函数,或是其最大幅值与最小幅值之差小于预设值,最终将振动信号分解为n个IMF分量与一个残差分量的和,其形式可以通过公式(1)表示:
其中,x(t)为振动信号;di(t)为IMF分量;rn(t)为最终残差分量。
再对振动信号的模态分解结果进行重构,得到重构模态,重构模态可以包括高频模态、中频模态及低频模态。可选地,可以采用过零率方法重构振动信号的模态分解结果,如图5所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是确定重构模态的一种可能的过程,该方法可以包括以下步骤:
步骤520、获取振动信号的模态分解结果中各分量的过零率。
步骤540、将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
其中,过零率用于表征各分量穿越x轴的次数与分量长度的比值,可以采用公式(2)表示:
其中,nzero为过零率;Nzero为分量穿越x轴的次数;N为分量长度。
计算得到各分量的过零率后,可以将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。可选地,第一过零率阈值、第二过零率阈值可以根据经验人工设定,例如,第一过零率阈值可以设定为0.01,第二过零率阈值可以设定为0.005。重构得到的模态可以采用公式(3)表示:
其中,d1、d2、d3分别为重构后得到的高频模态、中频模态、低频模态;t、m、l表示模态数量。
得到重构模态后,可以通过公式(4)计算重构模态的能量,在计算重构模态的能量时,由于高频模态、中频模态、低频模态均是一个时间序列,可以是对时间序列中的值平方后再求和得到重构模态的能量,再根据重构模态的能量通过公式(5)确定振动信号的模态能量占比。
其中,E1、E2、E3分别为高频模态、中频模态、低频模态的能量;Q1、Q2、Q3分别为高频模态、中频模态、低频模态的模态能量占比。
本实施例中,通过对振动信号进行经验模态分解,得到振动信号的模态分解结果;采用过零率方法对振动信号的模态分解结果进行重构,得到重构模态;计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。采用经验模态分解方法对振动信号能够有效的分解,从而准确的得到多个分量,进而提高了确定振动信号的模态能量占比的准确性。
在一个实施例中,如图6所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是计算振动信号的欧式距离的一种可能的过程,该方法可以包括以下步骤:
步骤620、获取正常变压器绕组的振动信号的参考模态能量占比。
步骤640、根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
其中,正常变压器绕组的振动信号的参考模态能量占比也可以通过上述实施例计算模态能量占比的过程得到,在此不再赘述。从而根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,采用公式(6)计算振动信号的欧式距离。
其中,L为欧式距离;Q′为正常变压器绕组的振动信号的参考模态能量占比。
本实施例中,通过获取正常变压器绕组的振动信号的参考模态能量占比;根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离,计算方式简单易于实现,提高了获取振动信号特征参量的效率。
在一个实施例中,如图7所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是计算振动信号的频谱复杂度的一种可能的过程,该方法可以包括以下步骤:
步骤720、获取振动信号的频率比重;频率比重用于表征振动信号在目标频率处的谐波分量所占比重。
步骤740、基于振动信号的频率比重,计算振动信号的频谱复杂度;频谱复杂度用于表征目标频率的复杂性。
其中,振动信号的频率比重表征振动信号在目标频率处的谐波分量所占比重,可以通过对振动信号进行傅里叶变换后,先计算振动信号的振动功率谱密度,再根据振动信号各频点的振动幅值与振动功率谱密度计算得到振动信号的频率比重。再基于振动信号的频率比重,通过公式(7)计算得到振动信号的频谱复杂度。
其中,H为频谱复杂度;pf为振动信号的频率比重;f为目标频率,可以在50-5000中自定义取值,例如,f可以取值50、100、150、200、...。
本实施例中,通过获取振动信号的频率比重;基于振动信号的频率比重,计算振动信号的频谱复杂度,计算方式简单且能够准确计算得到振动信号的频谱复杂度。
在一个实施例中,如图8所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,具体涉及的是生成预设的机器学习模型的一种可能的过程,该方法可以包括以下步骤:
步骤820、获取训练样本集;训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签。
步骤840、将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签。
步骤860、基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。
其中,训练样本集为历史数据,可以存储在绕组机械状态指纹库中,训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签,多个变压器绕组的振动信号可以包括一个正常变压器绕组的振动信号及多个不同变形程度的变压器绕组的振动信号。将振动信号对应的特征矩阵及各变压器绕组对应的目标特征标签输入至初始机器学习模型中,得到各变压器绕组的预测特征标签,将该预测特征标签与目标特征标签代入至预设的损失函数中对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。预设的收敛条件可以是预测特征标签与目标特征标签的差值小于预设值,也可以是达到预设迭代次数,还可以是其他收敛条件,本实施例对此不作具体限定。
本实施例中,通过获取训练样本集;将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签;基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型,基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,提高了对机器学习模型训练的准确性,从而跳过了预设机器学习模型进行计算的准确性。
在一个实施例中,如图9所示,其示出了本申请实施例提供的一种变压器绕组状态检测方法的流程图,该方法可以包括以下步骤:
步骤901、对振动信号进行经验模态分解,得到振动信号的模态分解结果。
步骤902、获取振动信号的模态分解结果中各分量的过零率。
步骤903、将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
步骤904、计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
步骤905、获取正常变压器绕组的振动信号的参考模态能量占比。
步骤906、根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
步骤907、获取振动信号的频率比重。
步骤908、基于振动信号的频率比重,计算振动信号的频谱复杂度。
步骤909、基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
步骤910、将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签。
步骤911、根据特征标签,确定目标变压器绕组的状态。
本实施例提供的变压器绕组状态检测方法中各步骤,其实现原理和技术效果与前面各变压器绕组状态检测方法实施例中类似,在此不再赘述。图9实施例中各步骤的实现方式只是一种举例,对各实现方式不作限定,各步骤的顺序在实际应用中可进行调整,只要可以实现各步骤的目的即可。
在本申请实施例提供的技术方案中,由于可以通过实时对采集到的压器绕组振动信号进行分析,并根据预先训练好的机器学习模型对振动信号对应的特征矩阵进行计算,从而判断出变压器绕组是否发生变形,进而提高了检测变压器绕组状态的灵活性。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图10,其示出了本申请实施例提供的一种变压器绕组状态检测装置1000的框图。如图10所示,该变压器绕组状态检测装置1000可以包括:特征提取模块1002、第一输入模块1004和确定模块1006,其中:
特征提取模块1002,用于根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;
第一输入模块1004,用于将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;
确定模块1006,用于根据特征标签,确定目标变压器绕组的状态。
在一个实施例中,上述特征提取模块1002包括获取单元和生成单元,其中,获取单元用于根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度;生成单元用于基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
在一个实施例中,上述获取单元具体用于对振动信号进行经验模态分解,得到振动信号的模态分解结果;模态分解结果包括多个本征模态分量和一个残差分量;对振动信号的模态分解结果进行重构,得到重构模态;重构模态包括高频模态、中频模态及低频模态;计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
在一个实施例中,上述获取单元还用于获取振动信号的模态分解结果中各分量的过零率;将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
在一个实施例中,上述获取单元还用于获取正常变压器绕组的振动信号的参考模态能量占比;根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
在一个实施例中,上述获取单元还用于获取振动信号的频率比重;频率比重用于表征振动信号在目标频率处的谐波分量所占比重;基于振动信号的频率比重,计算振动信号的频谱复杂度;频谱复杂度用于表征目标频率的复杂性。
在一个实施例中,上述变压器绕组状态检测装置1000还包括获取模块1008、第二输入模块1010和生成模块1012,其中:
获取模块1008,用于获取训练样本集;训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签;
第二输入模块1010,用于将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签;
生成模块1012,用于基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。
关于变压器绕组状态检测装置的具体限定可以参见上文中对于变压器绕组状态检测方法的限定,在此不再赘述。上述变压器绕组状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;根据特征标签,确定目标变压器绕组的状态。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度;基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
对振动信号进行经验模态分解,得到振动信号的模态分解结果;模态分解结果包括多个本征模态分量和一个残差分量;对振动信号的模态分解结果进行重构,得到重构模态;重构模态包括高频模态、中频模态及低频模态;计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取振动信号的模态分解结果中各分量的过零率;将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取正常变压器绕组的振动信号的参考模态能量占比;根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取振动信号的频率比重;频率比重用于表征振动信号在目标频率处的谐波分量所占比重;基于振动信号的频率比重,计算振动信号的频谱复杂度;频谱复杂度用于表征目标频率的复杂性。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本集;训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签;将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签;基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据目标变压器绕组的振动信号进行特征提取,得到目标变压器绕组的振动信号对应的特征矩阵;将特征矩阵输入至预设的机器学习模型中,得到目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;根据特征标签,确定目标变压器绕组的状态。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标变压器绕组的振动信号,分别获取振动信号的模态能量占比、欧式距离及频谱复杂度;基于模态能量占比、欧式距离及频谱复杂度,生成目标变压器绕组的振动信号对应的特征矩阵。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对振动信号进行经验模态分解,得到振动信号的模态分解结果;模态分解结果包括多个本征模态分量和一个残差分量;对振动信号的模态分解结果进行重构,得到重构模态;重构模态包括高频模态、中频模态及低频模态;计算重构模态的能量,并根据重构模态的能量确定振动信号的模态能量占比。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取振动信号的模态分解结果中各分量的过零率;将各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为高频模态;将各分量的过零率中,过零率小于或等于第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为中频模态;将各分量的过零率中,过零率小于第二过零率阈值的各分量之和确定为低频模态。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取正常变压器绕组的振动信号的参考模态能量占比;根据目标变压器绕组的振动信号的模态能量占比与参考模态能量占比,计算振动信号的欧式距离。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取振动信号的频率比重;频率比重用于表征振动信号在目标频率处的谐波分量所占比重;基于振动信号的频率比重,计算振动信号的频谱复杂度;频谱复杂度用于表征目标频率的复杂性。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本集;训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各变压器绕组对应的目标特征标签;将训练样本集输入至初始机器学习模型中,得到各变压器绕组的预测特征标签;基于预测特征标签、目标特征标签对初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成预设的机器学习模型。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种变压器绕组状态检测方法,其特征在于,所述方法包括:
根据目标变压器绕组的振动信号,分别获取所述振动信号的模态能量占比、欧式距离及频谱复杂度,基于所述模态能量占比、所述欧式距离及所述频谱复杂度,生成所述目标变压器绕组的振动信号对应的特征矩阵,所述振动信号的模态能量占比用于表征不同频率的模态能量与总模态能量的比值,所述欧式距离用于表征所述目标变压器绕组的振动信号的模态能量占比与参考模态能量占比之间的距离,所述参考模态能量占比为正常变压器绕组的振动信号的模态能量占比;
将所述特征矩阵输入至预设的机器学习模型中,得到所述目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;
根据所述特征标签,确定所述目标变压器绕组的状态。
2.根据权利要求1所述的方法,其特征在于,所述获取所述振动信号的模态能量占比,包括:
对所述振动信号进行经验模态分解,得到所述振动信号的模态分解结果;所述模态分解结果包括多个本征模态分量和一个残差分量;
对所述振动信号的模态分解结果进行重构,得到重构模态;所述重构模态包括高频模态、中频模态及低频模态;
计算所述重构模态的能量,并根据所述重构模态的能量确定所述振动信号的模态能量占比。
3.根据权利要求2所述的方法,其特征在于,所述对所述振动信号对应的模态进行重构,得到所述模态对应的重构模态,包括:
获取所述振动信号的模态分解结果中各分量的过零率;
将所述各分量的过零率中,过零率大于第一过零率阈值的各分量之和确定为所述高频模态;
将所述各分量的过零率中,过零率小于或等于所述第一过零率阈值,且大于或等于第二过零率阈值的各分量之和确定为所述中频模态;
将所述各分量的过零率中,过零率小于所述第二过零率阈值的各分量之和确定为所述低频模态。
4.根据权利要求1-3任一项所述的方法,其特征在于,获取所述振动信号的欧式距离,包括:
获取所述正常变压器绕组的振动信号的参考模态能量占比;
根据所述目标变压器绕组的振动信号的模态能量占比与所述参考模态能量占比,计算所述振动信号的欧式距离。
5.根据权利要求1-3任一项所述的方法,其特征在于,获取所述振动信号的频谱复杂度,包括:
获取所述振动信号的频率比重;所述频率比重用于表征所述振动信号在目标频率处的谐波分量所占比重;
基于所述振动信号的频率比重,计算所述振动信号的频谱复杂度;所述频谱复杂度用于表征所述目标频率的复杂性。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
获取训练样本集;所述训练样本集包括多个变压器绕组的振动信号对应的特征矩阵,及各所述变压器绕组对应的目标特征标签;
将所述训练样本集输入至初始机器学习模型中,得到各所述变压器绕组的预测特征标签;
基于所述预测特征标签、所述目标特征标签对所述初始机器学习模型的参数进行更新,直至达到预设的收敛条件,并基于更新后的参数生成所述预设的机器学习模型。
7.一种变压器绕组状态检测装置,其特征在于,所述装置包括:
特征提取模块,用于根据目标变压器绕组的振动信号,分别获取所述振动信号的模态能量占比、欧式距离及频谱复杂度,基于所述模态能量占比、所述欧式距离及所述频谱复杂度,生成所述目标变压器绕组的振动信号对应的特征矩阵,所述振动信号的模态能量占比用于表征不同频率的模态能量与总模态能量的比值,所述欧式距离用于表征所述目标变压器绕组的振动信号的模态能量占比与参考模态能量占比之间的距离,所述参考模态能量占比为正常变压器绕组的振动信号的模态能量占比;
第一输入模块,用于将所述特征矩阵输入至预设的机器学习模型中,得到所述目标变压器绕组的特征标签;不同特征标签表征变压器绕组的不同变形等级;
确定模块,用于根据所述特征标签,确定所述目标变压器绕组的状态。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块在获取所述振动信号的模态能量占比时,具体用于:
对所述振动信号进行经验模态分解,得到所述振动信号的模态分解结果;所述模态分解结果包括多个本征模态分量和一个残差分量;
对所述振动信号的模态分解结果进行重构,得到重构模态;所述重构模态包括高频模态、中频模态及低频模态;
计算所述重构模态的能量,并根据所述重构模态的能量确定所述振动信号的模态能量占比。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,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如权利要求1至6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898223.4A CN113701684B (zh) | 2021-08-05 | 2021-08-05 | 变压器绕组状态检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110898223.4A CN113701684B (zh) | 2021-08-05 | 2021-08-05 | 变压器绕组状态检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113701684A CN113701684A (zh) | 2021-11-26 |
CN113701684B true CN113701684B (zh) | 2022-10-14 |
Family
ID=78651660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110898223.4A Active CN113701684B (zh) | 2021-08-05 | 2021-08-05 | 变压器绕组状态检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113701684B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105547465A (zh) * | 2015-12-08 | 2016-05-04 | 华北电力大学(保定) | 一种变压器振动信号绕组状态特征提取方法 |
CN107132451A (zh) * | 2017-05-31 | 2017-09-05 | 广州供电局有限公司 | 变压器的绕组状态检测方法和*** |
CN108169583B (zh) * | 2017-11-17 | 2020-11-20 | 国网湖南省电力有限公司 | 中性点经电容接地的自耦变压器直流偏磁判别方法及*** |
CN108693437B (zh) * | 2018-03-22 | 2020-12-25 | 国网湖南省电力有限公司 | 一种判断变压器绕组变形的方法及*** |
CN110458248B (zh) * | 2019-09-18 | 2022-08-30 | 华北电力大学(保定) | 基于多测点振动信号的变压器异常状态检测方法 |
CN111273100B (zh) * | 2020-02-20 | 2021-04-27 | 浙江大学 | 一种基于振动相位的电力变压器绕组状态评估方法 |
-
2021
- 2021-08-05 CN CN202110898223.4A patent/CN113701684B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113701684A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110926782B (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
JP6971514B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Wang et al. | DAMER: A novel diagnosis aggregation method with evidential reasoning rule for bearing fault diagnosis | |
CN113516340A (zh) | 一种智能工单的推送方法和装置 | |
CN113284001A (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
CN110570487B (zh) | 欠采样模型生成方法、图像重建方法、装置和计算机设备 | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
Lee et al. | A feature selection approach hybrid grey wolf and heap-based optimizer applied in bearing fault diagnosis | |
CN116106672A (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
CN113701684B (zh) | 变压器绕组状态检测方法、装置、设备及存储介质 | |
CN113850305A (zh) | 一种发电机故障诊断与健康状态评估方法和电子设备 | |
US11727109B2 (en) | Identifying adversarial attacks with advanced subset scanning | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及*** | |
CN113239171B (zh) | 对话管理***更新方法、装置、计算机设备及存储介质 | |
CN112287751B (zh) | 励磁涌流识别方法、装置、计算机设备和存储介质 | |
EP3816805A1 (en) | Analysis of anomalies in a facility | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及*** | |
CN114814659A (zh) | 一种短路冲击下变压器绕组状态监测方法及装置 | |
CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
Zheng et al. | Short-term load forecasting based on Gaussian wavelet SVM | |
Aggarwal et al. | Recognition of voltage sag causes using vector quantization based orthogonal wavelet | |
CN115510925B (zh) | 一种机械故障诊断方法、装置、介质 | |
CN114139766A (zh) | 基于cnn与lstm方法的光伏组串电流预测方法和*** | |
Santos et al. | Two-stage binary image operator design: An approach based on interaction information |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |