CN114169245A - 一种变压器故障诊断方法、装置及设备 - Google Patents
一种变压器故障诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN114169245A CN114169245A CN202111516619.4A CN202111516619A CN114169245A CN 114169245 A CN114169245 A CN 114169245A CN 202111516619 A CN202111516619 A CN 202111516619A CN 114169245 A CN114169245 A CN 114169245A
- Authority
- CN
- China
- Prior art keywords
- transformer
- image
- dimensional
- sample
- dimensional image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000004804 winding Methods 0.000 claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 32
- 239000012535 impurity Substances 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 55
- 238000011176 pooling Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开一种变压器故障诊断方法、装置及设备,本申请通过获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号,将所述变压器的动态数据信息转化为二维图像,将所述二维图像进行除杂处理,得到目标二维图像,基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。本申请方案通过除杂后的动态数据信息中的变压器油温、可燃气体含量、绕组振动信号和检修信息确定待测变压器的故障类型,相比于现有技术通过测量少数故障特征参量来判断变压器的故障类型,提高了变压器故障诊断的准确率。
Description
技术领域
本申请涉及电力设备测试领域,特别是一种变压器故障诊断方法、装置及设备。
背景技术
随着社会科学技术的发展,社会用电需求也呈逐年上升的趋势,变压器作为电力***中重要的电压变换设备,当变压器出现故障时,将会带来巨大的经济损失,因此,需要对变压器进行有效维护,以提高电力***运行的稳定性及经济性。
油中溶解气体分析是目前对变压器进行故障检测与诊断时常采用的方法,其中主要包括特征气体法、IEC三比值法、Rogers比值法。但这些方法本身的诊断准确率不高且在应用中存在编码不全、编码过界等缺陷,如何提高变压器故障诊断准确率是人们关注的问题。
发明内容
有鉴于此,本申请提供了一种变压器故障诊断方法、装置及设备,用于提高变压器故障诊断的准确率。
为了实现上述目的,现提出的方案如下:
一种变压器故障诊断方法,包括:
获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
将所述变压器的动态数据信息转化为二维图像;
将所述二维图像进行除杂处理,得到目标二维图像;
基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
可选的,所述将所述变压器的动态数据信息转化为二维图像,包括:
利用如下算法,将所述待测变压器的动态数据信息转化成二维图像:
其中,P(a,b)表示坐标为(a,b)的像素点的灰度等级,round表示舍入函数,Li表示动态数据信息的第i个时序片段,M表示二维图像的维度。
可选的,将所述二维图像进行除杂处理,得到目标二维图像,包括:
利用高斯滤波器对所述二维图像进行滤波除杂处理,得到目标二维图像,高斯滤波函数如下:
其中,设定高斯滤波器的高斯滤波窗口模板的大小为(2k+1)*(2k+1),k为设定值,Hc,d表示高斯滤波函数,c、d为高斯滤波窗口坐标维度。
可选的,所述基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型,包括:
将所述目标二维图像及所述检修信息输入故障检测模型,得到所述故障检测模型输出的所述待测变压器的故障类型;
所述故障检测模型,以样本变压器的二维样本图像及样本检修信息作为训练样本,以所述样本变压器的故障类型为训练标签训练得到。
可选的,所述故障检测模型包括:
输入层、卷积层、池化层、全连接层和输出层:
所述故障检测模型的训练过程,包括:
通过输入层,获取二维样本图像及样本检修信息;
通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征;
通过池化层,利用池化函数,对所述油温、可燃气体含量、绕组振动信号的图像特征进行池化处理,得到处理后的第一目标图像特征;
通过全连接层,将所述第一目标图像特征与所述样本检修信息拼接,得到第二目标图像特征;
通过输出层,基于所述第二目标图像特征,输出所述样本变压器的故障类型;
利用损失函数对确定的样本变压器的故障类型与所述样本变压器对应的故障类型标签的差值进行计算,得到故障类型损失值;
根据所述故障类型损失值,更新故障检测模型。
可选的,所述通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征,包括:
利用线性整流函数对所述二维样本图像的图像特征进行筛选,得到所述油温、可燃气体含量、绕组振动信号的图像特征;
利用激励函数将所述油温、可燃气体含量、绕组振动信号的图像特征传递给池化层。
可选的,所述激励函数如下:
可选的,所述池化函数如下:
其中,Ai(i,j)表示池化函数,x、y表示表示二维样本图像坐标维度,i、j表示图像特征坐标维度,m表示二维样本图像的维度,s0表示卷积步长,p是预设参数。
一种变压器故障诊断装置,包括:
信息获取单元,用于获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
图像转化单元,用于将所述变压器的动态数据信息转化为二维图像;
除杂单元,用于将所述二维图像进行除杂处理,得到目标二维图像;
故障确定单元,用于基于所述目标二维图像中的压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
一种变压器故障诊断设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现前述变压器故障诊断方法的各个步骤。
从上述的技术方案可以看出,本申请实施例提供的一种变压器故障诊断方法、装置及设备,本申请方案通过除杂后的动态数据信息中的变压器油温、可燃气体含量、绕组振动信号和检修信息确定待测变压器的故障类型,相比于现有技术通过测量少数故障特征参量来判断变压器的故障类型,提高了变压器故障诊断的准确率。
附图说明
图1为本申请实施例提供的一种变压器故障诊断方法流程图;
图2为本申请实施例提供的一种可选的故障检测模型的训练方法流程图;
图3为本申请实施例提供的一种变压器故障诊断装置结构示意图;
图4为本申请实施例公开的一种变压器故障诊断设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例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。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
图1为本申请实施例提供的一种变压器故障诊断方法流程图,该方法可以包括以下步骤:
步骤S100、获取待测变压器的动态数据信息及检修信息。
具体的,动态数据信息可以包括变压器油温、可燃气体含量、绕组振动信号,可以通过传感器获取待测变压器的动态数据信息,检修信息可以是对待测变压器的历史的检修测量数据,可以获取待测变压器的动态数据信息及检修信息。
步骤S110、将所述变压器的动态数据信息转化为二维图像。
具体的,变压器的动态数据信息可以是二维数据,可以将变压器的动态数据信息的二维数据转化为二维图像。
步骤S120、将所述二维图像进行除杂处理,得到目标二维图像。
具体的,由于变压器的动态数据中参数复杂、监测数据量大、运行环境多样,为了提高图像处理的准确率,可以去除二维图像中不需要的干扰图像,得到目标二维图像。
步骤S130、基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
具体的,故障类型可以包括设备正常、灭弧-高能量放电、低能量密度灭弧、低温过热过载、过热<700℃、过热>700℃,故障类型可以根据需求设定,可以基于目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定待测变压器的故障类型。
在本申请实施例中,通过除杂后的动态数据信息中的变压器油温、可燃气体含量、绕组振动信号和检修信息确定待测变压器的故障类型,相比于现有技术通过测量少数故障特征参量来判断变压器的故障类型,提高了变压器故障诊断的准确率。
在本申请的一些实施例中,为了便于卷积神经网络自动提取信号中包含的深层次故障特征,对步骤S110、将所述变压器的动态数据信息转化为二维图像的过程进行介绍,该过程可以包括以下步骤:
利用如下算法,将所述待测变压器的动态数据信息转化成二维图像:
具体的,可以采用滑动窗口的方式将待测变压器的时序信息划分为M*M个片段,P(a,b)可以表示坐标为(a,b)的像素点的灰度等级,round可以表示舍入函数,Li可以表示动态数据信息的第i个时序片段,M可以表示二维图像的维度,可以通过该灰度等级算法将待测变压器的动态数据信息转化成二维图像,示例如将待测变压器的M*M个动态数据信息的片段转化成M*M维度的二维图像。
在本申请的一些实施例中,由于高斯滤波器的作用原理和均值滤波器类似,即取滤波器窗口内的像素的均值作为输出,高斯滤波器的窗口模板系数和均值滤波器不同,均值滤波器的模板系数都是相同的为1,而高斯滤波器的模板系数,则随着距离模板中心的增大而系数减小,所以,高斯滤波器相比于均值滤波器对图像模糊程度的影响较小。下面对步骤S120、将所述二维图像进行除杂处理,得到目标二维图像的过程进行介绍,该过程可以包括以下步骤:
利用高斯滤波器对所述二维图像进行滤波除杂处理,得到目标二维图像,高斯滤波函数如下:
具体的,高斯滤波器可对变压器油温、可燃气体含量、绕组振动信号三种二维图像信息进行滤波处理,达到抑制图像噪声、平滑图像的目的,可以设定高斯滤波器的高斯滤波窗口模板的大小为(2k+1)*(2k+1),k为设定值,Hc,d可以表示高斯滤波函数,c、d可以为高斯滤波窗口坐标维度,可以通过带有该高斯滤波函数的高斯滤波器对二维图像进行滤波除杂处理,得到目标二维图像。
在本申请的一些实施例中,对步骤S130、基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型的过程进行介绍,该过程可以包括:
将所述目标二维图像及所述检修信息输入故障检测模型,得到所述故障检测模型输出的所述待测变压器的故障类型。
具体的,故障检测模型,以样本变压器的二维样本图像及样本检修信息作为训练样本,以所述样本变压器的故障类型为训练标签训练得到,故障检测模型可以采用神经网络模型,所采用的神经网络模型的结构可以有多种,如卷积神经网络(CNN,ConvolutionalNeural Network)、反向传播网络(BP,Back Propagation Net-work)、循环注意力神经网络(RA-CNN,Recurrent Attention Convolutional Neural Network)和CenterNet网络等,或者是对现有的网络进行改进后的网络结构。
进一步的,在本申请的一些实施例中,如图2所示,对本申请实施例提供的一种可选的故障检测模型的训练过程进行说明,训练过程可以包括以下步骤:
S200、通过输入层,获取二维样本图像及样本检修信息。
具体的,可以通过输入层获取二维样本图像及样本检修信息,二维样本图像可以包括样本变压器的各种运行检测参数,样本检修信息可以包括样本变压器的各种检修参数。
S210、通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征。
具体的,卷积层可以提取二维样本图像中的油温、可燃气体含量、绕组振动信号的图像特征,以便后续对油温、可燃气体含量、绕组振动信号的图像特征的处理。
进一步的,步骤S210、通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征的过程具体可以包括:
步骤S211、利用线性整流函数对所述二维样本图像的图像特征进行筛选,得到所述油温、可燃气体含量、绕组振动信号的图像特征。
具体的,为了滤除二维样本图像中的次要的原始特征,可以利用ReLU(RectifiedLinear Unit)线性整流函数对二维样本图像的图像特征进行筛选,得到油温、可燃气体含量、绕组振动信号的图像特征。
步骤S212、利用激励函数将所述油温、可燃气体含量、绕组振动信号的图像特征传递给池化层。
具体的,可以利用激励函数协助表达油温、可燃气体含量、绕组振动信号的图像特征,通过激励函数的形式将油温、可燃气体含量、绕组振动信号的图像特征传递给池化层。
进一步的,激励函数可以如下所示:
S220、通过池化层,利用池化函数,对所述油温、可燃气体含量、绕组振动信号的图像特征进行池化处理,得到处理后的第一目标图像特征。
具体的,池化层可以将卷积层输出的油温、可燃气体含量、绕组振动信号的图像特征中,单个点的结果替换为其相邻区域的特征图,提高模型的泛化能力,可以利用池化函数,对油温、可燃气体含量、绕组振动信号的图像特征进行池化处理,得到处理后的第一目标图像特征。
进一步的,池化函数可以如下所示:
其中,Al(i,j)表示池化函数,x、y表示表示二维样本图像坐标维度,i、j表示图像特征坐标维度,m表示二维样本图像的维度,s0表示卷积步长,p是预设参数,卷积步长可以定义卷积核相邻两次扫过图像特征的位置距离,卷积步长为1时,卷积核会逐个扫过图像特征的元素,步长为n时会在下一次扫描跳过n-1个像素,示例如本申请实施例中的卷积步长可以设为1。
S230、通过全连接层,将所述第一目标图像特征与所述样本检修信息拼接,得到第二目标图像特征。
具体的,全连接层可以对卷积层和池化层提取的图像特征进行非线性组合,可以将第一目标图像特征与样本检修信息拼接,得到第二目标图像特征,可以将拼接后的第二目标图像特征输入到输出层中。
S240、通过输出层,基于所述第二目标图像特征,输出所述样本变压器的故障类型。
具体的,可以通过输出层的逻辑函数输出故障类型的标签,可以基于第二目标图像特征,输出样本变压器的故障类型。
S250、利用损失函数对确定的样本变压器的故障类型与所述样本变压器对应的故障类型标签的差值进行计算,得到故障类型损失值。
具体的,计算样本变压器的故障类型损失值,可以计算确定的样本变压器的故障类型与所述样本变压器对应的故障类型标签的差值,在将得到的差值带入损失函数,计算得到样本变压器的故障类型损失值。
S260、根据所述故障类型损失值,更新故障检测模型。
具体的,可以预先设定阈值,判断故障类型损失值是否小于预设阈值,若是,则完成故障检测模型的训练;若否,则根据故障类型损失值,更新故障检测模型的参数。由于损失值越大,则表示确定的样本变压器的故障类型与样本变压器对应的故障类型标签的差值越大,也就可以说明模型得到的预测结果与训练标签相差越大,所以设定一个较小的阈值,可以保证得到的故障检测模型得到的预测结果的准确性。
下面对本申请实施例提供的变压器故障诊断装置进行描述,下文描述的变压器故障诊断装置与上文描述的变压器故障诊断方法可相互对应参照。
如图3所示,其公开了一种变压器故障诊断装置的结构示意图,该变压器故障诊断装置可以包括:
信息获取单元11,用于获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
图像转化单元12,用于将所述变压器的动态数据信息转化为二维图像;
除杂单元13,用于将所述二维图像进行除杂处理,得到目标二维图像;
故障确定单元14,用于基于所述目标二维图像中的压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
可选的,所述图像转化单元12,可以包括:
第一图像转化子单元,用于利用如下算法,将所述待测变压器的动态数据信息转化成二维图像:
其中,P(a,b)表示坐标为(a,b)的像素点的灰度等级,round表示舍入函数,Li表示动态数据信息的第i个时序片段,M表示二维图像的维度。
可选的,所述除杂单元13,可以包括:
第一除杂子单元,用于利用高斯滤波器对所述二维图像进行滤波除杂处理,得到目标二维图像,高斯滤波函数如下:
其中,设定高斯滤波器的高斯滤波窗口模板的大小为(2k+1)*(2k+1),k为设定值,Hc,d表示高斯滤波函数,c、d为高斯滤波窗口坐标维度。
可选的,所述故障确定单元14,可以包括:
第一故障确定子单元,用于将所述目标二维图像及所述检修信息输入故障检测模型,得到所述故障检测模型输出的所述待测变压器的故障类型;
所述故障检测模型,以样本变压器的二维样本图像及样本检修信息作为训练样本,以所述样本变压器的故障类型为训练标签训练得到。
可选的,本变压器故障诊断装置,还可以包括:
模型训练模块,用于训练得到所述故障检测模型,其中,所述故障检测模型包括:输入层、卷积层、池化层、全连接层和输出层;
所述故障检测模型的训练过程,可以包括:
通过输入层,获取二维样本图像及样本检修信息;
通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征;
通过池化层,利用池化函数,对所述油温、可燃气体含量、绕组振动信号的图像特征进行池化处理,得到处理后的第一目标图像特征;
通过全连接层,将所述第一目标图像特征与所述样本检修信息拼接,得到第二目标图像特征;
通过输出层,基于所述第二目标图像特征,输出所述样本变压器的故障类型;
利用损失函数对确定的样本变压器的故障类型与所述样本变压器对应的故障类型标签的差值进行计算,得到故障类型损失值;
根据所述故障类型损失值,更新故障检测模型。
可选的,所述通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征,可以包括:
利用线性整流函数对所述二维样本图像的图像特征进行筛选,得到所述油温、可燃气体含量、绕组振动信号的图像特征;
利用激励函数将所述油温、可燃气体含量、绕组振动信号的图像特征传递给池化层。
可选的,所述激励函数如下:
可选的,所述池化函数如下:
其中,Al(i,j)表示池化函数,x、y表示表示二维样本图像坐标维度,i、j表示图像特征坐标维度,m表示二维样本图像的维度,s0表示卷积步长,p是预设参数。
可选的,根据所述故障类型损失值,更新故障检测模型,可以包括:
判断所述故障类型损失值是否满足预设截止条件;
若是,则完成故障检测模型的训练;
若否,执行根据所述故障类型损失值,更新故障检测模型的参数的步骤。
本申请实施例提供的变压器故障诊断装置可应用于变压器故障诊断设备。变压器故障诊断设备可以是终端。图4示出了变压器故障诊断设备的硬件结构框图,参照图4,变压器故障诊断设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
将所述变压器的动态数据信息转化为二维图像;
将所述二维图像进行除杂处理,得到目标二维图像;
基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
将所述变压器的动态数据信息转化为二维图像;
将所述二维图像进行除杂处理,得到目标二维图像;
基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以相互组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种变压器故障诊断方法,其特征在于,包括:
获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
将所述变压器的动态数据信息转化为二维图像;
将所述二维图像进行除杂处理,得到目标二维图像;
基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标二维图像中的变压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型,包括:
将所述目标二维图像及所述检修信息输入故障检测模型,得到所述故障检测模型输出的所述待测变压器的故障类型;
所述故障检测模型,以样本变压器的二维样本图像及样本检修信息作为训练样本,以所述样本变压器的故障类型为训练标签训练得到。
5.根据权利要求4所述的方法,其特征在于,所述故障检测模型包括:
输入层、卷积层、池化层、全连接层和输出层:
所述故障检测模型的训练过程,包括:
通过输入层,获取二维样本图像及样本检修信息;
通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征;
通过池化层,利用池化函数,对所述油温、可燃气体含量、绕组振动信号的图像特征进行池化处理,得到处理后的第一目标图像特征;
通过全连接层,将所述第一目标图像特征与所述样本检修信息拼接,得到第二目标图像特征;
通过输出层,基于所述第二目标图像特征,输出所述样本变压器的故障类型;
利用损失函数对确定的样本变压器的故障类型与所述样本变压器对应的故障类型标签的差值进行计算,得到故障类型损失值;
根据所述故障类型损失值,更新故障检测模型。
6.根据权利要求5所述的方法,其特征在于,所述通过卷积层,对所述二维样本图像进行处理,得到油温、可燃气体含量、绕组振动信号的图像特征,包括:
利用线性整流函数对所述二维样本图像的图像特征进行筛选,得到所述油温、可燃气体含量、绕组振动信号的图像特征;
利用激励函数将所述油温、可燃气体含量、绕组振动信号的图像特征传递给池化层。
9.一种变压器故障诊断装置,其特征在于,包括:
信息获取单元,用于获取待测变压器的动态数据信息及检修信息,所述动态数据信息包括变压器油温、可燃气体含量、绕组振动信号;
图像转化单元,用于将所述变压器的动态数据信息转化为二维图像;
除杂单元,用于将所述二维图像进行除杂处理,得到目标二维图像;
故障确定单元,用于基于所述目标二维图像中的压器油温、可燃气体含量、绕组振动信号及所述检修信息,确定所述待测变压器的故障类型。
10.一种变压器故障诊断设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-8任一项的变压器故障诊断方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516619.4A CN114169245A (zh) | 2021-12-10 | 2021-12-10 | 一种变压器故障诊断方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111516619.4A CN114169245A (zh) | 2021-12-10 | 2021-12-10 | 一种变压器故障诊断方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114169245A true CN114169245A (zh) | 2022-03-11 |
Family
ID=80486049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111516619.4A Pending CN114169245A (zh) | 2021-12-10 | 2021-12-10 | 一种变压器故障诊断方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169245A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及*** |
WO2024000764A1 (zh) * | 2022-06-29 | 2024-01-04 | 南方电网科学研究院有限责任公司 | 变压器健康状态评估方法、装置、设备及可读存储介质 |
-
2021
- 2021-12-10 CN CN202111516619.4A patent/CN114169245A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024000764A1 (zh) * | 2022-06-29 | 2024-01-04 | 南方电网科学研究院有限责任公司 | 变压器健康状态评估方法、装置、设备及可读存储介质 |
CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN111627015B (zh) | 小样本缺陷识别方法、装置、设备及存储介质 | |
CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估***及方法 | |
CN110751642A (zh) | 一种绝缘子裂缝检测方法和*** | |
CN112164086A (zh) | 一种精细化的图像边缘信息确定方法、***及电子设备 | |
CN112037223A (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN117191816B (zh) | 基于多光谱融合的电子元器件表面缺陷检测方法和装置 | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN116523888B (zh) | 路面裂缝的检测方法、装置、设备及介质 | |
CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN115564709A (zh) | 一种对抗场景下电力算法模型鲁棒性的评估方法和*** | |
CN113554611B (zh) | 一种绝缘子自爆缺陷检测方法、装置、终端和存储介质 | |
CN115331081A (zh) | 图像目标检测方法与装置 | |
CN114648736A (zh) | 基于目标检测的鲁棒工程车辆识别方法及*** | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及*** | |
CN117474915B (zh) | 一种异常检测方法、电子设备及存储介质 | |
CN117739289B (zh) | 基于声图融合的泄漏检测方法及*** | |
CN113657214B (zh) | 一种基于Mask RCNN的建筑损伤评估方法 | |
WO2023037494A1 (ja) | モデル訓練装置、制御方法、及び非一時的なコンピュータ可読媒体 | |
CN114882292B (zh) | 基于跨样本关注机制图神经网络的遥感影像海洋目标识别方法 |
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 |