CN114238368A - 变压器故障诊断方法、装置、计算机设备和可读存储介质 - Google Patents
变压器故障诊断方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN114238368A CN114238368A CN202111485317.5A CN202111485317A CN114238368A CN 114238368 A CN114238368 A CN 114238368A CN 202111485317 A CN202111485317 A CN 202111485317A CN 114238368 A CN114238368 A CN 114238368A
- Authority
- CN
- China
- Prior art keywords
- transformer
- actual
- operation data
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000012545 processing Methods 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种变压器故障诊断方法和装置，所述方法的步骤包括：通过获取各无故障变压器的目标运行数据；将目标运行数据内置于无故障模型数据库；获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息，不需要耗费大量的时间与精力，仅通过变压器发出的噪声即可诊断该变压器是否有故障，检测效率高，检测结果准确，对保障电力***运行的安全性、可靠性与经济性具有重要的意义。
Description
技术领域
本申请涉及故障诊断技术领域，特别是涉及一种变压器故障诊断方法、装置、计算机设备和可读存储介质。
背景技术
随着电力***的发展，电力***的安全越来越多地受到人们的关注。电力变压器是电力***的主要设备之一，直接影响着电力***的生产安全与经济效益。因此，电力变压器故障的及时检测并对其采取有效的维护措施，对保障电力***运行的安全性、可靠性与经济性具有重要的意义。
然而，传统的处理方法是需要人工前往待排除地点，并依靠人工经验，根据变压器发出的噪声诊断该变压器是否有故障。该方法不仅需要耗费大量的时间与精力，而且会受到人为因素的干扰，有可能故障诊断错误。
发明内容
基于此，有必要针对上述技术问题，提供一种变压器故障诊断方法、装置、计算机设备和可读存储介质。
一种变压器故障诊断方法，包括步骤：
获取各无故障变压器的目标运行数据；
将目标运行数据内置于无故障模型数据库；
获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
在其中一个实施例中，获取待检测变压器的实际运行数据的步骤包括：
将待检测变压器等比例缩放为虚拟模型；
对虚拟模型进行轻量化处理，得到轻量化模型；
对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型；
监测数字孪生模型，得到实际运行数据。
在其中一个实施例中，获取各无故障变压器的目标运行数据的步骤，包括：
获取各无故障变压器的目标负载频率和音频数据；
根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据；
处理分布特征数据，得到目标运行数据。
在其中一个实施例中，根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据的步骤，包括：
对各目标负载频率下的音频数据进行分割，得到分割数据；
对各分割数据进行傅里叶变换，得到频域数据；
处理频域数据，得到互谱密度矩阵；
处理互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
根据信号子空间矩阵和噪声子空间矩阵，得到MUSIC空间谱；
对MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
对波达方向角进行波束形成处理，得到分布特征数据。
在其中一个实施例中，处理分布特征数据，得到目标运行数据的步骤，包括：
对分布特征数据进行无量纲化处理，得到无量纲数据；
对无量纲数据进行标准化处理，得到标准化矩阵；
根据标准化矩阵，得到相关系数矩阵；
处理相关系数矩阵，得到主特征值；
将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。
在其中一个实施例中，目标运行数据包括目标负载频率、目标发声点和目标声强特征；根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息的步骤，包括：
计算实际发声点的数量与目标发声点的数量的第一比例值；
计算实际声强特征与目标声强特征的第二比例值；
在第一比例值大于第一预设比例值和/或第二比例值大于第一预设比例值的情况下，输出故障信息。
在其中一个实施例中，根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息的步骤，还包括：
在第一比例值大于第一预设比例值和/或第二比例值大于第二预设比例值的情况下，输出报警信息；其中，第二预设比例值小于第一预设比例值。
一种变压器故障诊断装置，包括：
目标运行数据获取模块，用于获取各无故障变压器的目标运行数据；
数据库建立模块，用于将目标运行数据内置于无故障模型数据库；
实际运行数据获取模块，用于获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
目标运行数据搜索模块，用于基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
故障检测模块，用于根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
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，处理器执行计算机程序时实现上述方法的步骤。
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方法的步骤。
上述变压器故障诊断方法，通过获取各无故障变压器的目标运行数据；将目标运行数据内置于无故障模型数据库；获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。该方法能够实时对待检测变压器的实际发声点和实际声强特征进行监测，通过和目标运行数据的比较得到检测结果，不需要耗费大量的时间与精力，仅通过变压器发出的噪声即可诊断该变压器是否有故障，检测效率高，检测结果准确，对保障电力***运行的安全性、可靠性与经济性具有重要的意义。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为一个实施例中变压器故障诊断方法的流程示意图；
图2为一个实施例中获取待检测变压器的实际运行数据的步骤的流程示意图；
图3为一个实施例中获取各无故障变压器的目标运行数据的步骤的流程示意图；
图4为一个实施例中根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据的步骤的流程示意图；
图5为一个实施例中处理分布特征数据，得到目标运行数据的步骤的流程示意图；
图6为一个实施例中根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息的步骤的流程示意图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
可以理解，本申请所使用的术语“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
近年来随着电力事业的发展，振动噪声所带来的危害越来越多地受到人们的关注。变压器发生故障会产生振动，振动会产生噪声，噪声中蕴含着工作状态的重要信息。通过采集噪声信号，并对噪声信号进行时域、频域处理等一系列故障诊断方法，能够很好地反映变压器的故障及预测变压器的健康状况。现阶段我国对变压器故障诊断的研究还处于起步阶段，且由于在不同运行状态下噪声信号也表现出不同的特征，理论计算很难准确分析噪声的分布规律。
早期的噪声成像技术大多按照振动测试思想，采用单通道的数据采集方法，运用振动测试分析手段和思路处理噪声信号。这些方法对简单故障进行分析和处理能够有一定效果，但是实际中多个噪声源互相干扰，这种情况下很难产生良好的效果。
鉴于此，本发明提出了一种变压器故障诊断方法、诊断装置、计算机设备和可读存储介质，能够直观的显示故障点的分布，简单实用，用于带电检测能够很好的发现变压器的潜在缺陷及故障，避免设备事故的发生。
在一个实施例中，如图1所示，提供了一种变压器故障诊断方法，包括步骤：
S110，获取各无故障变压器的目标运行数据；
具体而言，无故障变压器为正常运行的变压器，变压器的参数在合理范围内；目标运行数据为无故障变压器的运行数据，例如，无故障变压器的负载频率、发声点和声强特征等运行数据。
具体地，首先，获取无故障变压器的负载频率和噪声音频数据，由于无故障变压器的负载频率不同，其噪声音频数据也不同，因此，需要获取多个无故障变压器的目标运行数据，即目标运行数据为所有无故障变压器的运行数据，可采用本领域中任意一种方法获取目标运行数据，在此不做限定。其次，对噪声音频数据进行处理，得到目标运行数据，优选地，可以采用均值、方差等方法处理噪声音频数据，得到目标运行数据。
S120，将目标运行数据内置于无故障模型数据库；
具体而言，无故障模型数据库中，各无故障变压器的目标运行数据一一对应存储，例如，变压器1的负载频率与变压器1的噪声数据相对应存储，变压器2的负载频率与变压器2的噪声数据相对应存储；无故障模型数据库为关系数据库管理***(Microsoft OfficeAccess，简称Access数据库)，实现了把数据库引擎的图形用户界面和软件开发工具结合在一起，方便用户查看。具体地，将提取后的目标运行数据存入主机中，利用SQL语言内置到无故障模型数据库中即可，简单方便，提高了变压器故障诊断的效率。
无故障模型数据库还可以为SQLite数据库，在实际应用中，不同地区的电力设备监测***各异，SQLite数据库能够支持Windows/Linux/Unix等主流的操作***，适应于不同的现场环境。具体地，可利用C#、PHP和Java等编程语言将目标运行数据存入SQLite数据库，利用SQLite数据库的高处理速度提升变压器诊断的效率。
S130，获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
具体而言，实际运行数据为待检测变压器正常工作时的数据；具体地，可以采用音频传感器获取待检测变压器的实际运行数据，也可以采用数字孪生的方法获取待检测变压器的实际运行数据，只要能获取到待检测变压器的运行数据即可。
S140，基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
具体而言，获取待检测变压器的实际负载率，由于故障模型数据库中，各无故障变压器的目标负载频率和其他目标运行数据一一对应存储，则找到无故障变压器的目标负载频率和实际负载频率相等时的目标运行数据，即为待检测变压器的实际负载频率对应的目标运行数据。
具体地，根据无故障模型数据库的不同，采用相应的编程语言搜索无故障模型数据库。例如，当无故障模型数据库为Access数据库时，采用SQL编程语言搜索无故障模型数据库，得到实际负载频率对应的目标运行数据。
S150，根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
具体而言，基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据以后，比较目标运行数据和待检测变压器的实际发声点和实际声强特征，得到比较结果，可以根据实际发声点与目标运行数据的比较结果输出故障信息，也可以根据实际声强特征与目标运行数据的比较结果输出故障信息，还可以根据比较结果输出报警信息，提醒工作人员待检测变压器出现故障。
上述变压器故障诊断方法，通过获取各无故障变压器的目标运行数据；将目标运行数据内置于无故障模型数据库；获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。该方法能够实时对待检测变压器的实际发声点和实际声强特征进行监测，通过和目标运行数据的比较得到检测结果，不需要耗费大量的时间与精力，仅通过变压器发出的噪声即可诊断该变压器是否有故障，检测效率高，检测结果准确。
在一个实施例中，如图2所示，获取待检测变压器的实际运行数据的步骤包括：
S160，将待检测变压器等比例缩放为虚拟模型；
S170，对虚拟模型进行轻量化处理，得到轻量化模型；
S180，对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型；
S190，监测数字孪生模型，得到实际运行数据。
具体而言，虚拟模型为三维模型。这里提供一种使用数字孪生的方法对待检测变压器的运行数据进行监测的方法。具体地，使用SolidWorks软件将待检测变压器等比例缩放为虚拟模型并对虚拟模型进行轻量化处理，得到轻量化模型，再利用3DMax软件对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型，监测数字孪生模型，得到实际运行数据。该方法能够在虚拟空间构建的表征实体变压器的实时运行状态的虚拟实体，具备融合几何建模、仿真模拟、数据分析的全方位功能，能够通过实时连接、映射、分析、反馈物理世界的变压器的运行状况。数字孪生在集成融合工业数据的过程中依赖于数字线程。数字线程是连接物理世界和数字孪生体的通道，也是多类数字孪生体间连接的通道，具备“在正确的时间，将正确的信息，以正确的方式，推送到正确的地方”的功能。总而言之，数字孪生方法能够将物理层面的变压器，准确地连接、映射到数字层面，便于对变压器故障的诊断和分析。
在一个实施例中，如图3所示，获取各无故障变压器的目标运行数据的步骤，包括：
S200，获取各无故障变压器的目标负载频率和音频数据；
具体而言，变压器在工作过程中会产生振动，振动会产生噪声，噪声中蕴含着工作状态的重要信息，音频数据即为无故障变压器在工作过程中由于振动产生的噪声数据。目标负载率即为无故障变压器在正常工作过程中的负载频率。
S210，根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据；
具体而言，由于不同负载频率的变压器的音频数据不同，因此，需要在不同负载频率下，对音频数据进行处理，建立各无故障变压器噪声的分布特征数据。分布特征数据为包括发声点和声强特征的数据。
具体地，音频数据在采集的过程中，通常会受到环境中其他噪声干扰，夹杂其他噪声干扰信号。变压器运行发出的声信号一般是一维信号且通常表现为较为平稳的低频信号，而环境中的噪声干扰主要是一些近似于脉冲状高频不稳定信号。因此，需要选择合适的方法对音频数据进行降噪处理，排除环境中的噪声干扰对音频数据的影响，使故障诊断结果更准确。
S220，处理分布特征数据，得到目标运行数据。
具体而言，目标运行数据包括发声点和声强特征，具体地，可以特征分解的方法，提取分布特征数据中的目标运行数据。
在一个实施例中，如图4所示，根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据的步骤，包括：
S230，对各目标负载频率下的音频数据进行分割，得到分割数据；
S240，对各分割数据进行傅里叶变换，得到频域数据；
S250，处理频域数据，得到互谱密度矩阵；
S260，处理互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
S270，根据信号子空间矩阵和噪声子空间矩阵，得到MUSIC空间谱；
S280，对MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
具体而言，这里使用MUSIC(Multiple Signal Classification)算法对音频数据进行去噪处理，MUSIC算法是一类空间谱估计算法，是对接收数据的协方差矩阵进行特征分解，分离出信号子空间和噪声子空间，利用信号方向向量与噪声子空间的正交性来构成MUSIC空间谱，进一步对MUSIC空间谱进行谱峰搜索，实现对信号的波达方向角的估计。MUSIC算法测向分辨率高，对声音信号的波达方向可以进行渐近无偏估计，保证了变压器故障诊断结果的准确性。
S290，对波达方向角进行波束形成处理，得到分布特征数据。
具体而言，这里使用线性约束最小方差(LCMV)准则对波达方向角进行波束形成的优化处理，具体地，利用线性约束最小方差准则求取波达方向角搜索范围内的权值w，然后画出谱函数N(w)＝wHRw，R为协方差矩阵，再对其进行谱峰搜索，得到分布特征数据。
在一个实施例中，如图5所示，处理分布特征数据，得到目标运行数据的步骤，包括：
S300，对分布特征数据进行无量纲化处理，得到无量纲数据；
具体而言，通过极值法处理分布特征数据，得到无量纲数据。例如，基于以下公式得到无量纲数据：
还可以基于以下公式得到无量纲评估指标：
式中，Yk为分布特征数据，k表示第k项数据，Ykmax和Ykmin分别为数据的最大值和最小值，
即为无量纲数据。
S310，对无量纲数据进行标准化处理，得到标准化矩阵B＝(bij)n×p；
S320，根据标准化矩阵，得到相关系数矩阵；
具体而言，相关系数矩阵由矩阵标准化后的相关系数构成，相关系数矩阵R为：
其中，rij为相关系数，Cov为协方差。
S330，处理相关系数矩阵，得到主特征值；
S340，将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。
具体而言，对相关系数矩阵R进行特征方程的求解，可以得到所对应的p个特征值以及特征值对应的特征向量。计算特征值的累计贡献率，将贡献率达到85％以上的特征值确定为主特征值。进一步地，将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。
上述变压器故障诊断方法采用主成分分析法处理分布特征数据，得到目标运行数据。例如，当目标数据包括发声点和声强特征时，该方法能够消除发声点和声强特征之间的相关影响，提高故障诊断的结果的准确度。
在一个实施例中，如图6所示，目标运行数据包括目标负载频率、目标发声点和目标声强特征；根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息的步骤，包括：
S350，计算实际发声点的数量与目标发声点的数量的第一比例值；
S360，计算实际声强特征与目标声强特征的第二比例值；
S370，在第一比例值大于第一预设比例值和/或第二比例值大于第一预设比例值的情况下，输出故障信息。
具体而言，实际发声点为待测变压器的发声点；实际声强特征为待测变压器的声强特征；可选地，第一比例值和第二比例值均设为1.2，具体地，当待测变压器的实际发声点的数量超过目标发声点的数量的20％时，表示待测变压器故障，此时输出故障信息；当待测变压器的实际声强特征超过目标声强特征20％时，表示待测变压器故障，此时输出故障信息。
在一个实施例中，根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息的步骤，还包括：
在第一比例值大于第一预设比例值和/或第二比例值大于第二预设比例值的情况下，输出报警信息；其中，第二预设比例值小于第一预设比例值。
具体而言，第二预设比例值根据实际环境对变压器的精度要求设定，例如，在精度要求高的环境中，第二预设比例值相对较小；在精度要求低的环境中，第二预设比例值相对较大，需要注意的是，第二预设比例值始终小于第一预设比例值。可选地，第二预设比例值为1.1，具体地，当待测变压器的实际发声点的数量超过目标发声点的数量的10％时，输出报警信息，提醒工作人员注意该变压器；当待测变压器的实际声强特征超过目标声强特征10％时，输出报警信息，提醒工作人员注意该变压器。
应该理解的是，虽然图1-图6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1-图6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。
在一个实施例中，提供了一种变压器故障诊断装置，包括：
目标运行数据获取模块，用于获取各无故障变压器的目标运行数据；
数据库建立模块，用于将目标运行数据内置于无故障模型数据库；
实际运行数据获取模块，用于获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
目标运行数据搜索模块，用于基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
故障检测模块，用于根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
在一个实施例中，实际运行数据获取模块包括：
缩放模块，用于将待检测变压器等比例缩放为虚拟模型；
轻量化模块，用于对虚拟模型进行轻量化处理，得到轻量化模型；
渲染模块，用于对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型；
监测模块，用于监测数字孪生模型，得到实际运行数据。
在一个实施例中，目标运行数据获取模块包括：
音频数据获取模块，用于获取各无故障变压器的目标负载频率和音频数据；
分布特征数据获取模块，用于根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据；
分布特征数据处理模块，用于处理分布特征数据，得到目标运行数据。
在一个实施例中，分布特征数据获取模块包括：
分割模块，用于对各目标负载频率下的音频数据进行分割，得到分割数据；
变换模块，用于对各分割数据进行傅里叶变换，得到频域数据；
频域数据处理模块，用于处理频域数据，得到互谱密度矩阵；
互谱密度矩阵处理模块，用于处理互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
MUSIC空间谱获取模块，用于根据信号子空间矩阵和噪声子空间矩阵，得到MUSIC空间谱；
波达获取模块，用于对MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
波达处理模块，用于对波达方向角进行波束形成处理，得到分布特征数据。
在一个实施例中，分布特征数据处理模块包括：
无量纲数据获取模块，用于对分布特征数据进行无量纲化处理，得到无量纲数据；
标准化模块，用于对无量纲数据进行标准化处理，得到标准化矩阵；
相关系数矩阵获取模块，用于根据标准化矩阵，得到相关系数矩阵；
相关系数矩阵处理模块，用于处理相关系数矩阵，得到主特征值；
乘积模块，用于将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。
在一个实施例中，目标运行数据包括目标负载频率、目标发声点和目标声强特征；故障检测模块包括：
第一比例值计算模块，用于计算实际发声点的数量与目标发声点的数量的第一比例值；
第二比例值计算模块，用于计算实际声强特征与目标声强特征的第二比例值；
故障信息输出模块，用于在第一比例值大于第一预设比例值和/或第二比例值大于第一预设比例值的情况下，输出故障信息。
在一个实施例中，故障检测模块还包括：
报警信息输出模块，用于在第一比例值大于第一预设比例值和/或第二比例值大于第二预设比例值的情况下，输出报警信息；其中，第二预设比例值小于第一预设比例值。
关于变压器故障诊断装置的具体限定可以参见上文中对于变压器故障诊断方法的限定，在此不再赘述。上述变压器故障诊断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对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，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。
在一个实施例中，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，处理器执行计算机程序时实现以下步骤：
获取各无故障变压器的目标运行数据；
将目标运行数据内置于无故障模型数据库；
获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将待检测变压器等比例缩放为虚拟模型；
对虚拟模型进行轻量化处理，得到轻量化模型；
对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型；
监测数字孪生模型，得到实际运行数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取各无故障变压器的目标负载频率和音频数据；
根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据；处理分布特征数据，得到目标运行数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各目标负载频率下的音频数据进行分割，得到分割数据；
对各分割数据进行傅里叶变换，得到频域数据；
处理频域数据，得到互谱密度矩阵；
处理互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
根据信号子空间矩阵和噪声子空间矩阵，得到MUSIC空间谱；
对MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
对波达方向角进行波束形成处理，得到分布特征数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对分布特征数据进行无量纲化处理，得到无量纲数据；
对无量纲数据进行标准化处理，得到标准化矩阵；
根据标准化矩阵，得到相关系数矩阵；
处理相关系数矩阵，得到主特征值；
将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。在一个实施例中，目标运行数据包括目标负载频率、目标发声点和目标声强特征；处理器执行计算机程序时还实现以下步骤：
计算实际发声点的数量与目标发声点的数量的第一比例值；
计算实际声强特征与目标声强特征的第二比例值；
在第一比例值大于第一预设比例值和/或第二比例值大于第一预设比例值的情况下，输出故障信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在第一比例值大于第一预设比例值和/或第二比例值大于第二预设比例值的情况下，输出报警信息；其中，第二预设比例值小于第一预设比例值。
在一个实施例中，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：
获取各无故障变压器的目标运行数据；
将目标运行数据内置于无故障模型数据库；
获取待检测变压器的实际运行数据；实际运行数据包括实际负载频率、实际发声点和实际声强特征；
基于实际负载频率搜索无故障模型数据库，得到实际负载频率对应的目标运行数据；
根据实际负载频率对应的目标运行数据、实际发声点和实际声强特征输出待检测变压器的故障信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将待检测变压器等比例缩放为虚拟模型；
对虚拟模型进行轻量化处理，得到轻量化模型；
对轻量化模型进行渲染处理，得到待检测变压器的数字孪生模型；
监测数字孪生模型，得到实际运行数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各无故障变压器的目标负载频率和音频数据；
根据音频数据建立各目标负载频率下无故障变压器噪声的分布特征数据；
处理分布特征数据，得到目标运行数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各目标负载频率下的音频数据进行分割，得到分割数据；
对各分割数据进行傅里叶变换，得到频域数据；
处理频域数据，得到互谱密度矩阵；
处理互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
根据信号子空间矩阵和噪声子空间矩阵，得到MUSIC空间谱；
对MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
对波达方向角进行波束形成处理，得到分布特征数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对分布特征数据进行无量纲化处理，得到无量纲数据；
对无量纲数据进行标准化处理，得到标准化矩阵；
根据标准化矩阵，得到相关系数矩阵；
处理相关系数矩阵，得到主特征值；
将主特征值和主特征值对应的特征向量的乘积，确定为目标运行数据。
在一个实施例中，目标运行数据包括目标负载频率、目标发声点和目标声强特征；计算机程序被处理器执行时还实现以下步骤：
计算实际发声点的数量与目标发声点的数量的第一比例值；
计算实际声强特征与目标声强特征的第二比例值；
在第一比例值大于第一预设比例值和/或第二比例值大于第一预设比例值的情况下，输出故障信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在第一比例值大于第一预设比例值和/或第二比例值大于第二预设比例值的情况下，输出报警信息；其中，第二预设比例值小于第一预设比例值。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
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。
以上所述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发明专利范围的限制。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)
1.一种变压器故障诊断方法，其特征在于，包括步骤：
获取各无故障变压器的目标运行数据；
将所述目标运行数据内置于无故障模型数据库；
获取待检测变压器的实际运行数据；所述实际运行数据包括实际负载频率、实际发声点和实际声强特征；
基于所述实际负载频率搜索所述无故障模型数据库，得到所述实际负载频率对应的目标运行数据；
根据所述实际负载频率对应的目标运行数据、所述实际发声点和所述实际声强特征输出所述待检测变压器的故障信息。
2.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述获取待检测变压器的实际运行数据的步骤包括：
将所述待检测变压器等比例缩放为虚拟模型；
对所述虚拟模型进行轻量化处理，得到轻量化模型；
对所述轻量化模型进行渲染处理，得到所述待检测变压器的数字孪生模型；
监测所述数字孪生模型，得到所述实际运行数据。
3.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述获取各无故障变压器的目标运行数据的步骤，包括：
获取各所述无故障变压器的目标负载频率和音频数据；
根据所述音频数据建立各所述目标负载频率下所述无故障变压器噪声的分布特征数据；
处理所述分布特征数据，得到所述目标运行数据。
4.根据权利要求3所述的变压器故障诊断方法，其特征在于，所述根据所述音频数据建立各所述目标负载频率下所述无故障变压器噪声的分布特征数据的步骤，包括：
对各所述目标负载频率下的所述音频数据进行分割，得到分割数据；
对各所述分割数据进行傅里叶变换，得到频域数据；
处理所述频域数据，得到互谱密度矩阵；
处理所述互谱密度矩阵，得到信号子空间矩阵和噪声子空间矩阵；
根据所述信号子空间矩阵和所述噪声子空间矩阵，得到MUSIC空间谱；
对所述MUSIC空间谱进行谱峰搜索，得到信号的波达方向角；
对所述波达方向角进行波束形成处理，得到所述分布特征数据。
5.根据权利要求3所述的变压器故障诊断方法，其特征在于，所述处理所述分布特征数据，得到所述目标运行数据的步骤，包括：
对所述分布特征数据进行无量纲化处理，得到无量纲数据；
对所述无量纲数据进行标准化处理，得到标准化矩阵；
根据所述标准化矩阵，得到相关系数矩阵；
处理所述相关系数矩阵，得到主特征值；
将所述主特征值和所述主特征值对应的特征向量的乘积，确定为所述目标运行数据。
6.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述目标运行数据包括目标负载频率、目标发声点和目标声强特征；所述根据所述实际负载频率对应的目标运行数据、所述实际发声点和所述实际声强特征输出所述待检测变压器的故障信息的步骤，包括：
计算所述实际发声点的数量与所述目标发声点的数量的第一比例值；
计算所述实际声强特征与所述目标声强特征的第二比例值；
在所述第一比例值大于第一预设比例值和/或所述第二比例值大于第一预设比例值的情况下，输出所述故障信息。
7.根据权利要求6所述的变压器故障诊断方法，其特征在于，所述根据所述实际负载频率对应的目标运行数据、所述实际发声点和所述实际声强特征输出所述待检测变压器的故障信息的步骤，还包括：
在所述第一比例值大于第一预设比例值和/或所述第二比例值大于第二预设比例值的情况下，输出报警信息；其中，所述第二预设比例值小于所述第一预设比例值。
8.一种变压器故障诊断装置，其特征在于，包括：
目标运行数据获取模块，用于获取各无故障变压器的目标运行数据；
数据库建立模块，用于将所述目标运行数据内置于无故障模型数据库；
实际运行数据获取模块，用于获取待检测变压器的实际运行数据；所述实际运行数据包括实际负载频率、实际发声点和实际声强特征；
目标运行数据搜索模块，用于基于所述实际负载频率搜索所述无故障模型数据库，得到所述实际负载频率对应的目标运行数据；
故障检测模块，用于根据所述实际负载频率对应的目标运行数据、所述实际发声点和所述实际声强特征输出所述待检测变压器的故障信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485317.5A CN114238368A (zh) | 2021-12-07 | 2021-12-07 | 变压器故障诊断方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485317.5A CN114238368A (zh) | 2021-12-07 | 2021-12-07 | 变压器故障诊断方法、装置、计算机设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114238368A true CN114238368A (zh) | 2022-03-25 |
Family
ID=80753670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111485317.5A Pending CN114238368A (zh) | 2021-12-07 | 2021-12-07 | 变压器故障诊断方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114238368A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194900A (zh) * | 2023-09-25 | 2023-12-08 | 中国铁路成都局集团有限公司成都供电段 | 一种基于自适应感知的设备运行轻量化监测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412368A (zh) * | 2019-06-27 | 2019-11-05 | 安徽继远软件有限公司 | 基于声纹识别的电力设备在线监测方法及*** |
| CN111175698A (zh) * | 2020-01-18 | 2020-05-19 | 国网山东省电力公司菏泽供电公司 | 一种基于声振结合的变压器噪声源定位方法、***和装置 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及*** |
| CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断***及其方法 |
-
2021
- 2021-12-07 CN CN202111485317.5A patent/CN114238368A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110412368A (zh) * | 2019-06-27 | 2019-11-05 | 安徽继远软件有限公司 | 基于声纹识别的电力设备在线监测方法及*** |
| CN111175698A (zh) * | 2020-01-18 | 2020-05-19 | 国网山东省电力公司菏泽供电公司 | 一种基于声振结合的变压器噪声源定位方法、***和装置 |
| CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及*** |
| CN112684379A (zh) * | 2020-11-25 | 2021-04-20 | 江苏科技大学 | 一种基于数字孪生的变压器故障诊断***及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑倩: "《人脑磁共振图像的数据智能分析方法研究》", vol. 978, 30 November 2020, 中国铁道出版社有限公司, pages: 82 - 84 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117194900A (zh) * | 2023-09-25 | 2023-12-08 | 中国铁路成都局集团有限公司成都供电段 | 一种基于自适应感知的设备运行轻量化监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220146462A1 (en) | Method for predicting remaining life of numerical control machine tool | |
| US9909863B2 (en) | Determination of a room dimension estimate | |
| CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及*** | |
| JP2020071624A (ja) | 異常診断装置、異常診断方法、及びプログラム | |
| CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
| CN116861544B (zh) | 一种基于边云协同的建筑异常振动源定位方法及相关设备 | |
| CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| CN114238368A (zh) | 变压器故障诊断方法、装置、计算机设备和可读存储介质 | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
| CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN117473338B (zh) | 一种核电用泵机运行监测方法及*** | |
| CN115222727A (zh) | 一种输电线路防外破目标识别方法 | |
| KR101803119B1 (ko) | 웨이퍼 검사 또는 계측 구성을 위한 데이터 섭동 | |
| CN113553319A (zh) | 基于信息熵加权的lof离群点检测清洗方法、装置、设备及存储介质 | |
| CN112801135A (zh) | 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备 | |
| CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
| JP7347303B2 (ja) | 監視装置、監視システム、監視方法及び監視プログラム | |
| Agrawal et al. | Induction motor bearing fault classification using WPT, PCA and DSVM | |
| CN113704942A (zh) | 供水管网未知节点压力估计方法、装置及计算机*** | |
| CN116664950B (zh) | 极光图像自动分类方法、装置、计算机设备和存储介质 | |
| Eslami et al. | Statistical modeling and monitoring of image data in the presence of temporal and spatial correlations | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 | |
| CN116086596B (zh) | 一种噪声智能检测方法、装置、计算机设备及存储介质 | |
| CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及*** |
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 |