CN113948159B - 一种变压器的故障检测方法、装置及设备 - Google Patents
一种变压器的故障检测方法、装置及设备 Download PDFInfo
- Publication number
- CN113948159B CN113948159B CN202111565768.XA CN202111565768A CN113948159B CN 113948159 B CN113948159 B CN 113948159B CN 202111565768 A CN202111565768 A CN 202111565768A CN 113948159 B CN113948159 B CN 113948159B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- transformer
- gas
- sequence
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明的实施例提供一种变压器的故障检测方法、装置及设备,方法包括:获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;将所述浓度数据序列和所述时间序列数据形成的数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率。本发明的实施例能够在油色谱数据存在噪声的情况下,对变压器故障进行精准识别。
Description
技术领域
本发明涉及变压器检测技术领域,特别是指一种变压器的故障检测方法、装置及设备。
背景技术
变压器是电力***中的核心设备,用于转换不同等级的电压,是电力***运行稳定性、可靠性的重要保证。虽然目前电力***都有专门的运检人间对设备进行维护,但是随着技术的发展和电力***的复杂性性不断提高,使得变压器设备故障发生的频率明显加快,同时对生产的影响也显著的增加。因此给运检任务带来巨大的困难。现有技术无法有效判断变压器的故障,也不能有效的对故障进行预防。
发明内容
本发明提供了一种变压器的故障检测方法、装置及设备。能够在油色谱数据存在噪声的情况下,对变压器故障进行精准识别。
为解决上述技术问题,本发明的实施例提供以下方案:
一种变压器的故障检测方法,包括:
获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;
获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
将所述浓度数据序列和所述时间序列数据形成的第一数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率。
可选的,变压器的故障检测方法,还包括:
将所述时间序列数据输入预设预测模型进行处理,得到预测时间序列数据;
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集,输入所述预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的预测概率。
可选的,所述预设故障分类模型通过以下过程进行训练:
将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型。
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量,形成所述特征集F2。
可选的,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型,包括:
将所述训练集F输入分类模型的至少两个弱分类器,
将所有弱训练器按照训练顺序排列,分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练;
将训练好的弱分类器结果进行加权求合处理,得到所述预设故障分类模型的分类结果。
可选的,所述预设预测模型通过以下过程进行训练:
将所述第一输出和第二输出,输入预测模型的训练实例采样器进行处理,得到第三输出;
将所述第三输出输入图像聚合模块进行处理,得到第四输出;
将所述第二输出和所述第四输出,输入预测模块进行处理,得到所述预设预测模型的预测结果。
本发明的实施例还提供一种变压器的故障检测装置,所述装置包括:
获取模块,用于获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
处理模块,用于将所述浓度数据序列和所述时间序列数据形成的数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率。
本发明的实施例还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上所述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;将所述浓度数据序列和所述时间序列数据形成的数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率,并可进一步形成故障告警。能够在油色谱数据存在噪声的情况下,对变压器故障进行精准识别。
附图说明
图1为本发明实施例的变压器的故障检测方法的流程示意图;
图2为本发明实施例的分类模型的示意图;
图3为本发明实施例的预测模型的示意图;
图4为本发明实施例的变压器的故障检测方法的一具体实现流程示意图;
图5为本发明实施例的变压器的故障检测装置的模块示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本发明提供一种变压器的故障检测方法,包括:
步骤11,获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;
步骤12,获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
步骤13,将所述浓度数据序列和所述时间序列数据形成的第一数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率。
该实施例中,浓度数据序列包括不限于以下气体:H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2;
本发明的该实施例,通过获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;获得所述浓度数据序列中各子序列前一时间段的时序浓度数据形成的时间序列数据;将所述浓度数据序列和所述时间序列数据形成的数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率,并可进一步形成故障告警。预设故障分类模型通过已经确诊的各类典型故障的变压器的油中溶解气体的浓度数据以及中各个样本对应确诊时间前时间段的时序浓度数据进行训练,能够在油色谱数据存在噪声的情况下,对变压器故障进行精准识别。
本发明的一可选的实施例中,变压器的故障检测方法,还可以包括:
步骤14,将所述时间序列数据输入预设预测模型进行处理,得到预测时间序列数据;
步骤15,将所述浓度数据序列和所述预测时间序列数据形成的第二数据集,输入所述预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的预测概率,并可进一步形成故障预警。
本发明的一可选的实施例中,所述预设故障分类模型通过以下过程进行训练:
这里,浓度数据序列X包括不限于以下气体:H2、CH4、C2H2、C2H4、C2H6、CO、CO2、O2;
在得到上述数据后,对相应数据进行缺失值填补和归一化,其中缺失值填补方法如下:假设第个时刻的第种气体存在缺失,且样本故障类型为,其中,则用如下方法对其进行填补:,其中表示所有故障标签为的样本集合。文字描述为:所有故障标签为的样本集合的第种气体浓度的均值作为缺失值填补。
数据归一化采用如下方式:
这里,由原始数据集X构造出衍生特征变量集,包括不限于KA、TH、H2/CH4、H2/C2H6、H2/C2H4、H2/C2H2、H2/CO、H2/CO2、H2/KA、H2/TH、CH4/C2H6、CH4/C2H4、CH4/C2H2、CH4/CO、CH4/CO2、CH4/KA、CH4/TH、C2H6/C2H4、C2H6/C2H2、C2H6/CO、C2H6/CO2、C2H6/KA、C2H6/TH、C2H4/C2H2、C2H4/CO、C2H4/CO2、C2H4/KA、C2H4/TH、C2H2/CO、C2H2/CO2、C2H2/KA、C2H2/TH、CO/CO2、CO/KA、CO/ TH、CO2/KA、CO2/TH、KA/TH、CH4/THD、C2H6/THD、C2H2/THD、H2/THH、C2H4/THH、C2H2/THH、TCG,其中KA= CH4+C2H6,TH= CH4+C2H6+C2H4+C2H2,THD=CH4+C2H2+C2H4,THH=H2+C2H2+C2H4,TCG=H2+ CH4+C2H6+C2H4+C2H2+CO。
这里,该步骤具体可以包括:
步骤233,根据各气体的气体浓度的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量,形成所述特征集F2。
步骤25,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型。
该偏度能够反应分布的对称情况;m3表示三阶中心矩; s表示标准差;
该峰度反应的是图像的尖锐程度;m4表示四阶中心矩;m2表示二阶中心矩。
用于描述时序数据的离原点的平方波动情况(能量)。
用于描述时序数据相邻观测值之间的绝对波动情况
本发明的一可选的实施例,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型,包括:
步骤31,将所述训练集F输入分类模型的至少两个弱分类器,将所有弱训练器按照训练顺序排列,分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练;
步骤32,将训练好的弱分类器结果进行加权求合处理,得到所述预设故障分类模型的分类结果。
如图2所示,融合特征集和,得到特征集,并对故障标签集合进行编码,并划分80%的样本作为训练集,剩下20%作为测试集。这里,采用Xgboost模型作为整个模型的分类器,其中模型参数'objective'设置为'multi:softprob',使得Xgboost变为一个多分类模型且能输出测试样本属于每类故障的概率。
本发明的一可选的实施例中,所述预设预测模型通过以下过程进行训练:
具体的,该步骤43可以包括:
步骤433,将所述第一输出和第二输出,输入预测模型的训练实例采样器进行处理,得到第三输出;
步骤434,将所述第三输出输入图像聚合模块进行处理,得到第四输出;
步骤435,将所述第二输出和所述第四输出,输入预测模块进行处理,得到所述预设预测模型的预测结果。
如图3所示,构建多变量时间序列的预测模型,对油色谱数据X的发展趋势进行预测,具体包括:
定义实例图是一个以序列实例为节点,边是不同序列实例之间的相似性组成的图。
整体流程如下:
(1)训练实例编码器
训练实例编码器旨在学习训练集中序列实例的表示,其中,是训练集中的时间戳数。在每个训练时期或模型推理开始时,对中所有实例的特征进行编码,由于每个实例的特征是一个变量的历史值,需要对每个实例的历史信息进行编码。将中训练实例的特征输入(Gated Recurrent Unit),同时将的输出输入3层的,那么的输出是训练实例嵌入,其中,为的输出维度。
小批量实例编码器旨在学习小批量中系列实例的表示。每个是同一时间戳的所有实例,因此中的实例数m等于数据集中的样本数。每一个,将时间戳的个实例的特征输入到训练实例编码器中的相同中。还将输出的最后一个隐藏层提供给训练实例编码器中的相同以进行投影。在小批量实例编码器中,和处于训练模式。他们会生成梯度来更新和中的参数。的输出是,是实例嵌入。
(3)训练实例采样器
由于训练实例的数量巨大,并且将来自训练实例的信息直接聚合到小批量实例需要大量的计算成本,因此利用训练实例采样器为每个小批量从中采样最相关的训练实例。首先计算每个时间戳的训练实例嵌入的平均值:,和平均值小批量实例嵌入。
(4)图聚合模块
在图聚合模块中,捕获采样训练实例和小批量实例之间的相互依赖关系。首先使用和中的实例作为节点来构建训练批次实例图。在这个实例图中,每个采样的训练实例和小批量实例都与一条边相连。给定m个采样训练实例嵌入和个小批量实例嵌入,将来自采样训练实例的信息聚合到实例图上的小批量实例。由于实例图不是预定义的,不知道采样训练实例和小批量实例之间的权重,使用采样训练实例嵌入和小批量实例嵌入之间的余弦相似度作为聚合门控权重。
(5)预测模块
如图4所示,本发明的上述实施例的一具体实现流程包括:
采用Xgboost模型作为整个分类模型的分类器;
在进行分类模型进行训练时,可以同时进行预测模块的训练,构建多变量时间序列预测模型,对油色谱数据X的发展趋势进行预测;
给定待检测变压器的待测样本;
待测样本以及待测样本的时间序列数据构成的数据集输入分类模型的分类器,得到变压器的归属故障的概率,从而可以实现对变压器的故障的概率的告警;
进一步地,可以将待测样本的时间序列数据输入预测模块进行预测,得到预测结果;
将预测结果和待测样本构成的数据集输入分类模型的分类器进行处理,可以预测变压器的归属故障的概率,从而实现了对变压器可能出现故障的预警。
本发明的上述实施例,通过提取气体检测时刻的气体的各种特征指标,基于时间序列特征工程,提取各种气体指定的过去一段时间窗口序列的时序特征,结合两类特征获得数据样本。这样数据样本不仅包含已有样本信息,同时也新增气体时间内的时序特征,能有效识别噪声数据。在对油色谱实时数据进行故障检测时,不仅基于实时数据构建特征,而且还结合历史油色谱数据,生成一系列时间序列特征,有效的去掉实时油色谱数据的噪声,使得故障类别判断更加精准。此外,还基于油色谱历史数据,引入基于实例图框架的深度学习多变量时间序列预测算法,能精准预测未来一段时间各种气体的浓度,基于预测的浓度数据,带入故障判别模型,能有效对未来变压器可能发生的故障类型进行预警,提早预防,有效降低故障的发生频率,减少故障发生到来的损失。
如图5所示,本发明的实施例还提供一种装置50,所述装置50包括:
获取模块51,获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
处理模块52,将所述浓度数据序列和所述时间序列数据形成的数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率。
可选的,所述处理模块52还用于将所述时间序列数据输入预设预测模型进行处理,得到预测时间序列数据;
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集,输入所述预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的预测概率。
可选的,所述预设故障分类模型通过以下过程进行训练:
将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型。
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量,形成所述特征集F2。
可选的,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型,包括:
将所述训练集F输入分类模型的至少两个弱分类器,将所有弱训练器按照训练顺序排列,分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练;
将训练好的弱分类器结果进行加权求合处理,得到所述预设故障分类模型的分类结果。
可选的,所述预设预测模型通过以下过程进行训练:
将所述第一输出和第二输出,输入预测模型的训练实例采样器进行处理,得到第三输出;
将所述第三输出输入图像聚合模块进行处理,得到第四输出;
将所述第二输出和所述第四输出,输入预测模块进行处理,得到所述预设预测模型的预测结果。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述的方法对应的操作。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上所述的方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种变压器的故障检测方法,其特征在于,包括:
获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;
获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
将所述浓度数据序列和所述时间序列数据形成的第一数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率;
其中,所述预设故障分类模型通过以下过程进行训练:
根据所述X,得到衍生特征变量集F1;
根据所述F1和F2,获得训练集F=[F1,F2];
将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型;
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量,形成所述特征集F2;
其中,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型,包括:
将所述训练集F输入分类模型的至少两个弱分类器,将所有弱训练器按照训练顺序排列,分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练;
将训练好的弱分类器结果进行加权求合处理,得到所述预设故障分类模型的分类结果。
2.根据权利要求1所述的变压器的故障检测方法,其特征在于,还包括:
将所述时间序列数据输入预设预测模型进行处理,得到预测时间序列数据;
将所述浓度数据序列和所述预测时间序列数据形成的第二数据集,输入所述预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的预测概率。
5.一种变压器的故障检测装置,其特征在于,所述装置包括:
获取模块,用于获得待检测变压器的油色谱数据,所述油色谱数据包括待检测变压器的油中溶解气体的浓度数据序列;以及获得所述浓度数据序列中各气体子序列前一时间段的时序浓度数据形成的时间序列数据;
处理模块,用于将所述浓度数据序列和所述时间序列数据形成的第一数据集,输入预设故障分类模型进行处理,输出所述待检测变压器属于目标类型故障的概率;
其中,所述预设故障分类模型通过以下过程进行训练:
根据所述X,得到衍生特征变量集F1;
根据所述F1和F2,获得训练集F=[F1,F2];
将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型;
根据各气体的气体浓度的均值、标准差、中位数以及分位数、偏度、气体浓度的峰度、气体浓度的绝对能量值、气体浓度的一阶差分绝对能量值和气体浓度的非线性度量,形成所述特征集F2;
其中,将所述训练集F输入分类模型进行训练,得到所述预设故障分类模型,包括:
将所述训练集F输入分类模型的至少两个弱分类器,将所有弱训练器按照训练顺序排列,分别将前一个弱分类器训练输出的残差输入到后一个弱分类器中辅助训练;
将训练好的弱分类器结果进行加权求合处理,得到所述预设故障分类模型的分类结果。
6.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-4中任一项所述的方法对应的操作。
7.一种计算机可读存储介质,其特征在于,存储有指令,所述指令在计算机上运行时,使得计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565768.XA CN113948159B (zh) | 2021-12-21 | 2021-12-21 | 一种变压器的故障检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565768.XA CN113948159B (zh) | 2021-12-21 | 2021-12-21 | 一种变压器的故障检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113948159A CN113948159A (zh) | 2022-01-18 |
CN113948159B true CN113948159B (zh) | 2022-03-04 |
Family
ID=79339434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565768.XA Active CN113948159B (zh) | 2021-12-21 | 2021-12-21 | 一种变压器的故障检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113948159B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115406839B (zh) * | 2022-11-02 | 2023-01-24 | 国电南京自动化股份有限公司 | 变压器油中溶解气体在线监测装置 |
CN115951002B (zh) * | 2023-03-10 | 2023-05-16 | 山东省计量科学研究院 | 一种气质联用仪故障检测装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730378B (zh) * | 2015-02-13 | 2017-12-22 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
CN110441500A (zh) * | 2019-08-15 | 2019-11-12 | 昆明理工大学 | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN111562358B (zh) * | 2020-05-06 | 2021-03-16 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及*** |
CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
-
2021
- 2021-12-21 CN CN202111565768.XA patent/CN113948159B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113948159A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220237060A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN113948159B (zh) | 一种变压器的故障检测方法、装置及设备 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
CN111178456A (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
Kim et al. | RNN-Based online anomaly detection in nuclear reactors for highly imbalanced datasets with uncertainty | |
CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及*** | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN113359682B (zh) | 设备故障预测方法、装置、设备故障预测平台及介质 | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
US20230213924A1 (en) | Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program | |
Pan et al. | Fault detection with improved principal component pursuit method | |
CN114595113A (zh) | 应用***中的异常检测方法和装置、异常检测功能设置方法 | |
Willi et al. | Recurrent neural processes | |
CN117074961A (zh) | 一种变分自编码器动力电池异常检测方法、***、装置及存储介质 | |
CN114741369A (zh) | 一种基于自注意力机制的图网络的***日志检测方法 | |
Dix et al. | Anomaly detection in the time-series data of industrial plants using neural network architectures | |
EP4160341A1 (en) | Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN115329565B (zh) | 一种用于复杂电磁场环境的综合评价方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |