CN116736048A - 一种新型智能干变与数据分析*** - Google Patents
一种新型智能干变与数据分析*** Download PDFInfo
- Publication number
- CN116736048A CN116736048A CN202310378586.4A CN202310378586A CN116736048A CN 116736048 A CN116736048 A CN 116736048A CN 202310378586 A CN202310378586 A CN 202310378586A CN 116736048 A CN116736048 A CN 116736048A
- Authority
- CN
- China
- Prior art keywords
- data
- dry
- server
- type transformer
- sensor
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000007418 data mining Methods 0.000 claims description 9
- 238000010187 selection method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004804 winding Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1209—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using acoustic measurements
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种能够实现干式变压器运行信息获取、实时监控、故障诊断、故障预警的一种新型智能干变与数据分析***，A相线圈、B相线圈和C相线圈处设有分别至少设有一个温度传感器；A相线圈、B相线圈和C相线圈分别设有一个电流传感器；A相线圈、B相线圈和C相线圈分别设有一个电压传感器；温控仪能够通过工业网关将温度传感器采集到的数据上传给服务器，噪音控制器能够通过工业网关将噪音传感器采集到的数据上传给服务器，所述服务器能够对接收到的数据进行分析处理。优点：一是***能够提升干式变压器的智能化水平；二是***能够基于深度学习提升干式变压器故障预测准确率和智能预警精确率。
Description
技术领域
本发明属于干式变压器制造技术领域，具体涉及一种新型智能干变与数据分析***。
背景技术
常规干式变压器主要由铁芯和绕组组成，铁芯是干式变压器中主要的磁路部分，绕组是干式变压器的电路部分。通过利用电磁感应原理，实现对不同类型的电器设备进行稳定供电。由于具有占用空间小、噪音低和无污染等优点，干式变压器被广泛应用于国民经济、工业生产中的电力***和配电网络中，尤其是对防火性能要求较高的地方。
随着经济快速发展和供电需求的大幅增加，干式变压器的安全性问题受到了进一步的关注。干式变压器的故障一般由内部绕组和铁芯造成，比如由铁损和铜损引起的变压器热损耗，由环境潮湿程度影响绕组和铁芯的绝缘性能进而引发的绝缘故障。
目前电力***中对干式变压器的运维管理仍然是粗放式管理模式，干式变压器的故障检测和故障预警主要依赖于定期的人工巡检监测；这种传统的粗放式管理方法存在几大弊端：其一，人工巡检无法保证实时性，用户无法及时掌握变压器的运行状态包括电流电压、功率、绕组温度等信号，导致变压器运行异常时不能及时断电检修，长期运行中往往出现设备损坏或者事故扩大；其二，人工巡检不够全面，干式变压器多安装在工厂、楼宇或地下室等空间有限场所，大多没有长期驻守的运维人员，一旦设备出现故障，运维人员往往无法及时获取故障信息；其三，预防性检修带有盲目性，不仅会造成人力，物力，财力的损失，同时增加运行人员误操作的概率；其四，预防性检修所导致的过度检修，会缩短变压器的使用寿命；其五，停电检修等事后检修方式不仅增加了维修成本还会对供电侧造成影响。
发明内容
设计目的：为避免背景技术中的不足，设计一种能够实现干式变压器运行信息获取、实时监控、故障诊断、故障预警的一种新型智能干变与数据分析***。
设计方案：为实现上述设计目的。
一种新型智能干变与数据分析***，包括干式变压器、多个温度传感器、温控仪、噪音传感器、噪音控制器、多个电流传感器、多个电压传感器、多功能表、烟感传感器、智能工业网关和服务器，所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈处设有分别至少设有一个温度传感器且温度传感器的信号输出端通过数据线与温控仪中对应的信号输入端连接；所述干式变压器中的外壳上设有噪音传感器且噪音传感器的信号输出端通过数据线与噪音控制器的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个低压电流传感器且电流传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个电压传感器且电压传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述温控仪能够通过工业网关将温度传感器采集到的数据上传智能工业网关，再由智能工业网关统一上传给服务器，所述噪音控制器能够通过工业网关将噪音传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述多功能表能够通过工业网关将电流传感器采集到的数据和电压传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述烟感传感器能够通过工业网关将采集到的数据上传给服务器，所述服务器能够对接收到的数据进行分析处理。
优选的，还包括开门跳闸行程开关，所述干式变压器中的外壳的高低压侧对应的柜门上设有开门跳闸行程开关，所述开门跳闸行程开关的信号输出端通过数据线与多功能表中的开入量接点对应的信号输入端连接且多功能表能够通过工业网关将柜门的开闭信息数据上传给服务器。
优选的，所述服务器能够通过对接收到的电信号、声信号以及温度信号进行数据挖掘、分析实现干式变压器故障诊断和预警。
优选的，所述干式变压器故障诊断包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器能够根据汇聚的多维传感信息数据库建立干式变压器的运行日志，所述服务器在对日志监控过程中能够开展的数据预处理操作且数据预处理包括数据清理、数据集成、数据变换和数据归约，并给出干式变压器的运行数据样本库，为深度学习算法提供数据样本，步骤二，服务器在对数据样本库中的样本数据进行特征提取和模型训练后得到的干式变压器故障网络模型，之后服务器利用训练好的模型对验证数据进行推理，从而实现对干式变压器实时运行故障诊断。
优选的，所述服务器利用经验模态分解特征选择方法或经验小波变换特征选择方法或主成分分析特征选择方法实现对样本数据的特征提取；所述服务器利用深度学习算法进行模型训练，所述深度学习算法为卷积神经网络或记忆神经网络或深度神经网络。
优选的，所述干式变压器故障预警包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器通过对多维传感信息数据库中的干式变压器历史状态数据进行时间序列分析并建立时间序列上的干式变压器多因素滚动故障趋势预测模型，步骤二，服务器利用每次单步预测模型的预测值替换下一步预测模型时间最老的一个值，依次迭代得到未来一段时刻的预测值，所述服务器通过预测值和故障设定值进行比对实现干式变压器故障状况的预测报警。
优选的，所述时间序列分析利用隐马尔科夫模型或贝叶斯网络实现。
优选的，所述干式变压器的静态数据利用关系型数据库MySql存储；干式变压器的实时数据和近期数据采用分布式时序数据库InfluxDb存储和查询利用；远期数据通过Hadoop 分布式文件***，并将HDFS同历史数据库文件***相结合，实现历史数据的快速存储与数据索引；通过Spark和Hadoop中的MapReduce对积累的基础数据进行快速的并行数据处理；所述关系型数据库的数据和Hadoop中的分析统计结果采用ELK搜索引擎技术栈 进行索引化构建检索查询平台。
本发明与背景技术相比，一是一种新型智能干变与数据分析***能够实现干式变压器运行信息获取、实时监控、故障诊断、故障预警，从而提升干式变压器的智能化水平；二是一种新型智能干变与数据分析***提出了一种基于深度学习的干式变压器故障诊断和预警技术，将有效实现时间序列上干式变压器多因素故障趋势的滚动预测，提升干式变压器故障预测准确率和智能预警精确率。
附图说明
图1是一种新型智能干变与数据分析***的结构示意图。
图2是一种新型智能干变与数据分析***的数据挖掘流程图。
图3是一种新型智能干变与数据分析***的干式变压器寿命预测流程图。
具体实施方式
实施例1：参照附图1-图3。一种新型智能干变与数据分析***，包括干式变压器、多个温度传感器、温控仪、噪音传感器、噪音控制器、多个电流传感器、多个电压传感器、多功能表（带多个开入量、485通信功能）、烟感传感器、工业网关和服务器，所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈处设有分别至少设有一个温度传感器且温度传感器的信号输出端通过数据线与温控仪中对应的信号输入端连接；所述干式变压器中的外壳上设有噪音传感器且噪音传感器的信号输出端通过数据线与噪音控制器的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个低压电流传感器且电流传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个电压传感器且电压传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述温控仪能够通过工业网关将温度传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述噪音控制器能够通过工业网关将噪音传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述多功能表能够通过工业网关将电流传感器采集到的数据和电压传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述烟感传感器能够通过工业网关将采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述服务器能够对接收到的数据进行分析处理。所述噪音传感器型号为RS-ZS-NO1-2；电流传感器为BH-0.66、
1200/5A、0.5级、80II；多功能表为KR-3D3、380/220V 、1200/5A、电源AC220V、带RS485通讯；烟感传感器型号为RS-YG-NO1和智能工业网关（TU2052）。
一种新型智能干变与数据分析***能够实现对变压器实时的数据采集与控制,通过电流、电压、温度等感知传感器采集模块，数据通过工业网关上传到数字化分析***，控制真空有载分接开关的切换，使输出电压稳定在规定的精度范围内；另外，一种新型智能干变与数据分析***基于干式变压器多维传感信息多元汇聚技术，通过对干式变压器传感信号信噪比低、信号间多重共线性、存在无效值和缺失值等问题的预处理，有效确保干式变压器传感数据的真实有效，提高数据处理的效率。
还包括开门跳闸行程开关（YBLK-19/K型），所述干式变压器中的外壳的柜门上设有开门跳闸行程开关，所述开门跳闸行程开关的开入量信号输出端通过数据线与多功能表中对应的信号输入端连接且多功能表能够通过工业网关将柜门的开闭信息数据上传给服务器。
所述服务器能够通过对接收到的电信号、声信号以及温度信号进行数据挖掘、分析实现干式变压器故障诊断和预警。在进行数据挖掘时，在后台数据库上，首先通过滤波算法与主成分分析法进行多维传感信息数据库中的多维度数据降维处理，得到干式变压器的运行状态随时间变化逻辑趋势，并利用小波分解进行低维度干式变压器数据的挖掘。
所述干式变压器故障诊断包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器能够根据汇聚的多维传感信息数据库建立干式变压器的运行日志，所述服务器在对日志监控过程中能够开展的数据预处理操作且数据预处理包括数据清理、数据集成、数据变换和数据归约，并给出干式变压器的运行数据样本库，为深度学习算法提供数据样本，步骤二，服务器在对数据样本库中的样本数据进行特征提取和模型训练后得到的干式变压器故障网络模型，之后服务器利用训练好的模型对验证数据进行推理，从而实现对干式变压器实时运行故障诊断。
所述服务器利用经验模态分解特征选择方法或经验小波变换特征选择方法或主成分分析特征选择方法实现对样本数据的特征提取；所述服务器利用深度学习算法进行模型训练，所述深度学习算法为卷积神经网络或记忆神经网络或深度神经网络。
所述干式变压器故障预警包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器通过对多维传感信息数据库中的干式变压器历史状态数据进行时间序列分析并建立时间序列上的干式变压器多因素滚动故障趋势预测模型，步骤二，服务器利用每次单步预测模型的预测值替换下一步预测模型时间最老的一个值，依次迭代得到未来一段时刻的预测值，所述服务器通过预测值和故障设定值进行比对实现干式变压器故障状况的预测报警，提高电网运行的可靠性。
所述时间序列分析利用隐马尔科夫模型或贝叶斯网络实现。
所述干式变压器的静态数据（例如设备分类库、测点信息、设备基础信息等）利用关系型数据库MySql存储；干式变压器的实时数据和近期数据采用分布式时序数据库InfluxDb存储和查询利用；远期数据通过 Hadoop 分布式文件***，并将HDFS同历史数据库文件***相结合，实现历史数据的快速存储与数据索引；通过Spark和Hadoop中的MapReduce对积累的基础数据进行快速的并行数据处理；所述关系型数据库的数据和Hadoop中的分析统计结果采用ELK搜索引擎技术栈 (ElasticSearch + LogStash+Kibana)进行索引化构建检索查询平台。这种数据存储利用方案，可以实现动静数据分离，实时数据、分析数据、检索数据各有其所。利用时序数据库、大数据平台和搜索引擎实现大规模海量实时和历史数据的高效存储与精准利用。由于一种新型智能干变与数据分析***所感知的干式变压器的信号具有种类繁多，数据量大、数据冗余、信噪比低等特点，需要在获取数据后进行数据预处理，以提高数据处理效率。首先，通过插值转换技术规则化量测数据，并利用线性回归拟合函数平滑数据，提高信噪比。考虑到干式变压器感知信号的多样性及信号之间可能存在多重共线性，可采用多元线性回归技术。此外，由于智能传感设备故障或是人为因素造成的无效值和缺失值可通过数据清洗的方式解决。
所述数据挖掘的过程包括以下几个步骤：步骤一，知识抽取和知识融合；步骤二，建立数据仓库；步骤三，数据预处理；步骤四，建立挖掘模型；步骤五，用测试集对挖掘模型进行评估、预测；步骤六，挖掘模型的应用。在知识抽取和知识融合这一步，需要明确装备运维与管理的目的和需求；在建立数据仓库的过程中，则需要对原有的历史数据进行分类，形成训练数据集、测试数据集和评估数据集。在数据预处理过程中，主要对数据源中数据进行清洗，消除噪声和重复的观测值，选择与之前定义的数据挖掘任务相关的记录和特征。建立挖掘模型是数据挖掘的核心步骤，包括学习算法的选择及算法参数的确定等。本项目拟采用深度神经网络模型作为该步骤的核心学习算法，在对挖掘模型进行评估步骤中，把测试集导入到之前建立的挖掘模型中，对模型进行训练和测试，并对数据挖掘的结果进行解释和评价，转化成能够最终被运维人员理解的语言。最后，在深度数据挖掘基础之上，生成干式变压器运维管理排序***，推送可靠性最高的装备信息给电力行业相关从业人员，实现精准服务功能。
干式变压器在整个服役期限内，故障发生的次数和使用寿命虽然各不相同，但其发展规律都是一致的。根据运行年份不同，干式变压器的使用寿命和故障率呈现出“浴盆曲线”，且变压器的故障率随时间的变化可以大致划分为磨合期、有效寿命期和老化期。磨合期出现在设备新投入的前几年，通常由于设计、制造和安装的缺陷伴随较高的故障率。有效寿命期是变压器运行相对稳定的时期，具有故障率低且稳定的特性。进入老化期后，由于变压器内部的物理变化、化学变化或生物变化会引起绝缘材料的劣化、极化，导致介质损耗和阻抗增大。此外，根据故障率的变化情况，可进一步将变压器老化期分为耗损老化期、注意期和危险期。当变压器进入注意期，甚至危险期时需要及时更换，从而避免由于变压器老化所导致的绝缘故障。因此，亟需研究干式变压器剩余寿命智能预测技术。通过实时采集干式变压器的基本运行状态信息，结合预防性实验参数、性能参数等性能指标，实现对干式变压器工作状态的实施评估。进一步的，构建干式变压器历年健康等级与剩余寿命之间的预测模型，结合信息融合方法，实现对干式变压器剩余寿命的组合预测。
一种新型智能干变与数据分析***能够采用交叉熵函数建立干式变压器寿命组合预测模型。每种单一预测方法，都可以得到一个基于样本的概率密度函数，然后建立不同预测方法的最小交叉熵目标函数，将每种预测方法所占的权重作为参数，进行迭代求解，得出该变压器目前的运行状况，并给出其剩余寿命的估算值及下一步使用过程的指导意见。
需要理解到的是：上述实施例虽然对本发明的设计思路作了比较详细的文字描述，但是这些文字描述，只是对本发明设计思路的简单文字描述，而不是对本发明设计思路的限制，任何不超出本发明设计思路的组合、增加或修改，均落入本发明的保护范围内。
Claims (8)
1.一种新型智能干变与数据分析***，包括干式变压器、多个温度传感器、温控仪、噪音传感器、噪音控制器、多个电流传感器、多个电压传感器、多功能表、烟感传感器、智能工业网关和服务器，其特征是：所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈处分别至少设有一个温度传感器且温度传感器的信号输出端通过数据线与温控仪中对应的信号输入端连接；所述干式变压器中的外壳上设有噪音传感器且噪音传感器的信号输出端通过数据线与噪音控制器的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个低压电流传感器且电流传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述干式变压器低压侧中的A相线圈、B相线圈和C相线圈分别设有一个电压传感器且电压传感器的信号输出端通过数据线与多功能表中对应的信号输入端连接；所述温控仪能够通过工业网关将温度传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述噪音控制器能够通过工业网关将噪音传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传到服务器，所述多功能表能够通过工业网关将电流传感器采集到的数据和电压传感器采集到的数据上传给智能工业网关，再由智能工业网关统一上传给服务器，所述烟感传感器能够通过工业网关将采集到的数据上传给智能工业网关，再由智能工业网关统一上传服务器，所述服务器能够对接收到的数据进行分析、处理。
2.根据权利要求1所述的一种新型智能干变与数据分析***，其特征是：还包括开门跳闸行程开关，所述干式变压器中的外壳的柜门上设有开门跳闸行程开关，所述开门跳闸行程开关的信号输出端通过数据线与多功能表中的对应的信号输入端连接且多功能表能够通过工业网关将柜门的开闭信息数据上传给服务器。
3.根据权利要求1所述的一种新型智能干变与数据分析***，其特征是：所述服务器能够通过对接收到的电信号、声信号以及温度信号进行数据挖掘、分析实现干式变压器运行状态、故障诊断和预警。
4.根据权利要求3所述的一种新型智能干变与数据分析***，其特征是：所述干式变压器故障诊断包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器能够根据汇聚的多维传感信息数据库建立干式变压器的运行日志，所述服务器在对日志监控过程中能够开展的数据预处理操作且数据预处理包括数据清理、数据集成、数据变换和数据归约，并给出干式变压器的运行数据样本库，为深度学习算法提供数据样本，步骤二，服务器在对数据样本库中的样本数据进行特征提取和模型训练后得到的干式变压器故障网络模型，之后服务器利用训练好的模型对验证数据进行推理，从而实现对干式变压器实时运行故障诊断。
5.根据权利要求4所述的一种新型智能干变与数据分析***，其特征是：所述服务器利用经验模态分解特征选择方法或经验小波变换特征选择方法或主成分分析特征选择方法实现对样本数据的特征提取；所述服务器利用深度学习算法进行模型训练，所述深度学习算法为卷积神经网络或记忆神经网络或深度神经网络。
6.根据权利要求3所述的一种新型智能干变与数据分析***，其特征是：所述干式变压器故障预警包括以下步骤，步骤一，服务器将接收到的电信号、声信号以及温度信号实时上传到多维传感信息数据库且服务器通过对多维传感信息数据库中的干式变压器历史状态数据进行时间序列分析并建立时间序列上的干式变压器多因素滚动故障趋势预测模型，步骤二，服务器利用每次单步预测模型的预测值替换下一步预测模型时间最老的一个值，依次迭代得到未来一段时刻的预测值，所述服务器通过预测值和故障设定值进行比对实现干式变压器故障状况的预测报警。
7.根据权利要求6所述的一种新型智能干变与数据分析***，其特征是：所述时间序列分析利用隐马尔科夫模型或贝叶斯网络实现。
8.根据权利要求3所述的一种新型智能干变与数据分析***，其特征是：所述干式变压器的静态数据利用关系型数据库MySql存储；干式变压器的实时数据和近期数据采用分布式时序数据库InfluxDb存储和查询利用；远期数据通过 Hadoop 分布式文件***，并将HDFS同历史数据库文件***相结合，实现历史数据的快速存储与数据索引；通过Spark和Hadoop中的MapReduce对积累的基础数据进行快速的并行数据处理；所述关系型数据库的数据和Hadoop中的分析统计结果采用ELK搜索引擎技术栈 进行索引化构建检索查询平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378586.4A CN116736048A (zh) | 2023-03-31 | 2023-03-31 | 一种新型智能干变与数据分析*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378586.4A CN116736048A (zh) | 2023-03-31 | 2023-03-31 | 一种新型智能干变与数据分析*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116736048A true CN116736048A (zh) | 2023-09-12 |
Family
ID=87901886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310378586.4A Pending CN116736048A (zh) | 2023-03-31 | 2023-03-31 | 一种新型智能干变与数据分析*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116736048A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030013894A (ko) * | 2001-08-10 | 2003-02-15 | 주식회사 젤파워 | 변압기 모니터링 시스템 및 방법 |
| CN108427986A (zh) * | 2018-02-26 | 2018-08-21 | 中车青岛四方机车车辆股份有限公司 | 一种生产线电机故障预测方法及装置 |
| CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
| 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*** |
| WO2022193661A1 (zh) * | 2021-03-18 | 2022-09-22 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于gic监测装置的变压器无功扰动计算方法 |
| CN115549314A (zh) * | 2022-11-24 | 2022-12-30 | 江苏安世朗智能科技有限公司 | 一种基于物联网的干式变压器故障远程预警*** |
-
2023
- 2023-03-31 CN CN202310378586.4A patent/CN116736048A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030013894A (ko) * | 2001-08-10 | 2003-02-15 | 주식회사 젤파워 | 변압기 모니터링 시스템 및 방법 |
| CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
| CN108427986A (zh) * | 2018-02-26 | 2018-08-21 | 中车青岛四方机车车辆股份有限公司 | 一种生产线电机故障预测方法及装置 |
| 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*** |
| WO2022193661A1 (zh) * | 2021-03-18 | 2022-09-22 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于gic监测装置的变压器无功扰动计算方法 |
| CN115549314A (zh) * | 2022-11-24 | 2022-12-30 | 江苏安世朗智能科技有限公司 | 一种基于物联网的干式变压器故障远程预警*** |
Non-Patent Citations (1)
| Title |
|---|
| 阿卜杜勒哈密特• 苏巴西: "《机器学习实践-基于Python进行数据分析》", 31 January 2022, 机械工业出版社, pages: 36 - 38 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101149416B (zh) | 电力电缆绝缘状态监测与寿命管理*** | |
| CN102221651B (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
| CN103245861B (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
| CN110763929A (zh) | 一种换流站设备智能监测预警***及方法 | |
| Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
| Li et al. | Condition assessment of power transformers using a synthetic analysis method based on association rule and variable weight coefficients | |
| Abu-Elanien et al. | Survey on the transformer condition monitoring | |
| CN113466597A (zh) | 一种轨道交通供电***设备状态智能检测方法 | |
| 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 | |
| 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 | |
| CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
| CN117094705B (zh) | 一种应用于高压开关柜缺陷预测的方法、***及设备 | |
| Wang et al. | Research of transformer intelligent evaluation and diagnosis method based on DGA | |
| CN117575247A (zh) | 一种省地站调度管理方法及*** | |
| CN116736048A (zh) | 一种新型智能干变与数据分析*** | |
| GU et al. | Research on intelligent early warning algorithm for distribution network considering extreme climate conditions | |
| Wu et al. | A method of prediction for transformer malfunction based on oil chromatography | |
| Wu et al. | A Digital Twin System and Modeling Method for All-in-one Station Grounding System | |
| Quan et al. | The application of Bayesian network theory in transformer condition assessment | |
| Wang et al. | Research on multi-label classification method of transformer based on DBSCAN (Density-Based Spatial Clustering of Applications with Noise) clustering algorithm | |
| Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
| Guo et al. | Construction of Power Equipment Running Status Monitoring System Based on Infrared Temperature Measurement Technology and Big Data Algorithm | |
| Wang et al. | Diagnosis for loose switching contact fault of on-load tap-changer in transformer | |
| Wang et al. | Fault diagnostic of power transformer by CFS-GA Case-Based Reasoning model | |
| Zhang et al. | Status of power equipment in 10kV distribution network based on digital twin technology |
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 |