CN117407679A - 智能末屏传感器的数据采集方法及*** - Google Patents
智能末屏传感器的数据采集方法及*** Download PDFInfo
- Publication number
- CN117407679A CN117407679A CN202311727900.1A CN202311727900A CN117407679A CN 117407679 A CN117407679 A CN 117407679A CN 202311727900 A CN202311727900 A CN 202311727900A CN 117407679 A CN117407679 A CN 117407679A
- Authority
- CN
- China
- Prior art keywords
- sleeve
- transformer
- data
- bushing
- evaluation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000011156 evaluation Methods 0.000 claims abstract description 192
- 238000012544 monitoring process Methods 0.000 claims abstract description 108
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 230000005856 abnormality Effects 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 66
- 238000010586 diagram Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009413 insulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了智能末屏传感器的数据采集方法及***,具体涉及变压器套管监测技术领域,包括采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;根据所述套管监测数据与外环境因素生成套管运行评估系数;对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;本发明处理过程相对较短且有利于对异常运行变压器套管进行快速判断,确定套管异常原因以及地理位置,便于电力维护人员采取对应的维护措施,进一步确保变压器套管的可靠性和安全性。
Description
技术领域
本发明涉及变压器套管监测技术领域,更具体地说,本发明涉及智能末屏传感器的数据采集方法及***。
背景技术
变压器套管为变压器内部高、低压引线到邮箱外部的绝缘套管,不但作为引线对地绝缘,而且担负着固定引线的作用,变压器套管是变压器的重要组成部分,在套管运行过程中,同时承受着电、热以及机械应力的作用,此外还承受着由外界的雨、雪等高湿度和温差变化的影响;套管一旦出现故障,会直接导致变压器停运,严重时造成变压器故障甚至引起火灾,扩大事故范围。为了解变压器套管的运行状况,通过智能末屏传感器进行监测。
目前,现有的末屏传感器的监测方法主要包括两类,一是通过管理人员人为使用离线的末屏传感器对变压器套管进行监测,该方法需要在停电状态下进行,周期长且工作量大;二是在线监测的方式,如申请公开号为CN115453290A的申请文件,公开了一种变压器套管在线监测***及方法,通过所述泄漏电流采集单元采集所述主变套管中的电流,并将所述电流传输至所述套管绝缘监测设备;通过所述电压采集单元采集PT参考信号,并将所述PT参考信号传输至所述套管绝缘监测设备;其中,所述PT参考信号包括所述主变套管中的频率、电压和相角;所述套管绝缘监测设备根据所述电流、所述频率、所述电压和所述相角,获得所述主变套管的套管介质损耗正切角;比较所述套管介质损耗正切角和预设判断指标的大小,则可以在运行电压下判断所述主变套管的绝缘状态是否正常,该方法虽然在一定程度上判断出套管是否处于损坏或老化而导致的电流泄漏,但是该方法在实际使用时存在的问题,例如:
1.在变压器套管运行时,除了变压器套管自身的影响因素外还受到外环境变化的影响,例如,温度过高或湿度增大均会导致变压器套管有电流泄漏,且无法确定套管异常原因,使得维护人员无法及时采取应对措施,进而增加了变压器套管损坏率;
2.采集变压器套管的数据均为实时采集,未综合考虑变压器套管的综合数据进行预测,存在预警判断的滞后性,无法进一步确保变压器套管的可靠性和安全性。
为此,提供了智能末屏传感器的数据采集方法及***。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供智能末屏传感器的数据采集方法及***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:智能末屏传感器的数据采集方法,包括:
采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;
根据所述套管监测数据与外环境因素生成套管运行评估系数;
对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因。
进一步地,所述套管监测数据包括泄漏电流值、振幅值以及频率;所述套管监测数据阈值包括泄漏电流预设值、振幅预设值以及频率预设值;外环境因素包括温度和湿度。
进一步地,生成套管运行评估系数的方法包括:
将所述泄漏电流值与泄漏电流预设值进行对比,计算出低频泄漏电流评估系数,其计算公式为,式中,/>表示第n组低频泄漏电流评估系数,/>表示第n组泄漏电流值,/>表示第n组泄漏电流预设值;
将所述振幅值与振幅预设值进行对比,计算出振幅评估系数,其计算公式为,式中,/>表示第n组振幅评估系数,/>表示第n组振幅值,/>表示第n组振幅预设值;
将所述频率与频率预设值进行对比,计算出频率评估系数,其计算公式为,式中,/>表示第n组频率评估系数,/>表示第n组频率,/>表示第n组频率预设值;
基于温度和湿度,将低频泄漏电流评估系数、振幅评估系数以及频率评估系数进行关联,生成套管运行评估系数,其计算公式为:
;
式中,表示第n组套管运行评估系数,/>为第n组温度和湿度的权重因子,/>为第n组温度,/>为第n组湿度。
进一步地,对所述变压器套管的套管运行评估系数进行判断的方法包括:
预设第一评估阈值;
将所述套管运行评估系数与第一评估阈值进行对比;
若所述套管运行评估系数大于等于第一评估阈值,则将所述变压器套管标记为异常运行变压器套管;
若所述套管运行评估系数小于第一评估阈值,则将所述变压器套管不标记为异常运行变压器套管,继续对变压器套管进行数据采集分析。
进一步地,所述套管异常基本信息包括每个套管异常原因对应的异常运行变压器套管的地理位置和对应的异常运行变压器套管的编号。
进一步地,所述实测介损数据和实测电容量数据通过预设在变压器套管的监测传感器采集,所述监测传感器包括介质损耗测试仪、电容检测仪;
所述介损运行图是以时间的延伸方向为横轴,以实测介损数据为纵轴,建立二维坐标系得到;所述电容量运行图是以时间的延伸方向为横轴,以实测电容量数据为纵轴,建立二维坐标系得到;
预警指令包括第一预警指令、第二预警指令与第三预警指令,生成第一预警指令、第二预警指令与第三预警指令的方法包括:
基于相似度算法比较介损运行图与异常介损运行图的介损相似度;
若介损相似度大于等于预设介损相似度阈值,则生成第一预警指令,根据第一预警指令提取对应的异常介损运行图相应的套管异常基本信息和对应的套管异常原因;
若介损相似度小于预设介损相似度阈值,则不生成第一预警指令,基于相似度算法比较电容量运行图与异常电容量运行图的电容量相似度;
若电容量相似度大于等于预设电容量相似度阈值,则生成第二预警指令,根据第二预警指令提取对应的异常电容量运行图对应的套管异常基本信息和对应的套管异常原因;
若电容量相似度小于预设电容量相似度阈值,则生成第三预警指令,第三预警指令包括提示对应的异常运行套管的地理位置,进行现场维护。
进一步地,还包括提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合,套管系数时间序列集合包括i个历史套管运行评估系数,i个历史套管运行评估系数采集的时间间隔相等,i个历史套管运行评估系数对应一个变压器套管运行周期。
进一步地,将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数,机器学习模型的训练方法包括:
预设滑动步长W以及滑动窗口长度U;将套管系数时间序列集合内的历史套管运行评估系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的套管运行评估系数作为输出,每个训练样本的后续套管运行评估系数作为预测目标,以预设准确率作为训练目标,对循环神经网络模型进行训练;生成根据套管系数时间序列集合内的历史套管运行评估系数预测未来T时刻套管运行评估系数;其中,所述循环神经网络模型为RNN神经网络模型。
进一步地,调取未来T时刻套管运行评估系数,标记为,并与预设第二评估阈值进行比较,包括:
预设第二评估阈值,并将其标记为E;其中第二评估阈值小于第一评估阈值;
将与E对比分析,判定是否对T时刻的变压器套管标记为异常运行变压器套管;
若大于等于E时,则将T时刻的变压器套管标记为异常运行变压器套管,并生成套管异常指令;
若小于E时,则将T时刻的变压器套管不标记为异常运行变压器套管,继续对未来T时刻的变压器套管进行监测。
第二方面,本发明提供智能末屏传感器的数据采集***,用于实施上述的智能末屏传感器的数据采集方法,包括:
监测数据采集模块,采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;
套管评估模块,用于根据所述套管监测数据与外环境因素生成套管运行评估系数;
套管异常判断模块,用于对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
套管异常信息模块,用于根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
异常原因分析模块,异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因。
进一步地,还包括历史监测模块,提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合;
模型训练模块,将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数;
二次判断模块,监测预测的未来T时刻套管运行评估系数,并与预设第二评估阈值进行比较,判定是否对未来T时刻的变压器套管进行提前预警。
第三方面,本发明提供一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的智能末屏传感器的数据采集方法。
第四方面,本发明提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的智能末屏传感器的数据采集方法。
本发明的技术效果和优点:
1.本发明通过采集目标监测区域中智能末屏传感器的变压器套管监测数据,并对变压器套管监测数据进行分析,基于外环境因素生成对应监测区域的套管运行评估系数,接着对套管运行评估系数进行判断,获取异常运行变压器套管,根据异常运行变压器套管并基于预设套管监测数据与套管异常信息的对应关系,确定套管异常信息,然后提取实测介损数据和实测电容量数据生成介损运行图和电容量运行图;根据介损运行图和电容量运行图进一步确定异常运行变压器套管的套管异常原因;本发明处理过程相对较短且有利于对异常运行变压器套管进行快速判断,确定套管异常原因以及地理位置,便于电力维护人员采取对应的维护措施,进一步确保变压器套管的可靠性和安全性。
2.本发明通过采集变压器套管的历史运行过程中的套管运行评估系数,使用采集的套管运行评估系数建立套管系数时间序列集合,基于套管系数时间序列集合,训练出预测未来时刻套管运行评估系数的机器学习模型,实时监测变压器套管运行过程,计算出对应的未来时刻套管运行评估系数,并与预设第二评估阈值进行对比,当变压器套管标记为异常套管时,则提前通知电力维护人员前往异常套管的地理位置进行检修,解决预警的滞后性,进而保证变压器套管的稳定性,减少变压器套管的进一步损坏的概率。
附图说明
图1为实施例1、2的智能末屏传感器的数据采集方法流程图;
图2为实施例1的介损运行图示意图;
图3为实施例3的智能末屏传感器的数据采集***示意图;
图4为实施例4的智能末屏传感器的数据采集***示意图;
图5为实施例5的一种电子设备示意图;
图6为实施例6的一种计算机可读存储介质示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似的第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
实施例1
请参阅图1所示,本实施例提供了智能末屏传感器的数据采集方法,应用于智能末屏传感器,包括:
步骤1.采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;
具体地,目标监测区域为设有变压器的电力***中,布置有n组智能末屏传感器的区域,每组智能末屏传感器对应一个变压器套管,n为大于零的正整数;每组智能末屏装置至少包括低频泄漏电流传感器和高频局放脉冲传感器,用于采集变压器套管监测数据;将目标监测区域按照变压器套管个数进行唯一编号,并基于唯一编号记录对应的地理位置,将变压器套管依次编号为a=1,2,3...A,A为总变压器套管数,a为大于零的正整数,所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值。
其中,需要说明的是,所述套管监测数据包括低频泄漏电流数据和高频局放脉冲数据;其中,低频泄漏电流数据为通过低频泄漏电流传感器在低频范围内(50Hz—60Hz)测量的泄漏电流值,所述高频局放脉冲数据为通过高频局放脉冲传感器记录变压器套管出现局部放电事件的振幅值和频率;
其中,振幅值为局部放电事件的振幅或强度,反映了局部放电事件的荷电释放量或放电能量;
频率为局部放电事件的发生频率,即在预设时间内发生的局部放电事件的数量;所述外环境因素包括温度和湿度。
步骤2.根据套管监测数据与外环境因素生成套管运行评估系数;
具体地,基于变压器套管监测数据与外环境因素生成套管运行评估系数方法包括:
201.基于变压器套管监测数据获取预设时间段内第n组智能末屏传感器的套管监测数据;
在一个优选的实施例中,所述套管监测数据包括泄漏电流值、振幅值以及频率;
具体地,获取预设时间段内第n组智能末屏传感器的套管监测数据以及套管监测数据阈值,所述套管监测数据阈值包括泄漏电流预设值、振幅预设值以及频率预设值;所述套管监测数据阈值为预设的套管监测数据阈值。
202.将所述泄漏电流值与泄漏电流预设值进行对比,计算出低频泄漏电流评估系数,其计算公式为,式中,/>表示第n组低频泄漏电流评估系数,/>表示第n组泄漏电流值,/>表示第n组泄漏电流预设值。
需要说明的是,所述泄漏电流值与泄漏电流预设值的差值越小,则说明变压器套管越正常,反之则说明变压器套管出现泄漏的电流也就越大,则变压器套管运行越异常;即所述低频泄漏电流评估系数越大,则说明变压器套管运行越异常;
203.将所述振幅值与振幅预设值进行对比,计算出振幅评估系数,其计算公式为,式中,/>表示第n组振幅评估系数,/>表示第n组振幅值,/>表示第n组振幅预设值。
需要说明的是,所述振幅值与振幅预设值的差值越小,则说明变压器套管越正常,反之则说明变压器套管运行越异常;即所述低频泄漏电流评估系数越大,则说明变压器套管运行越异常;
204.将所述频率与频率预设值进行对比,计算出频率评估系数,其计算公式为,式中,/>表示第n组频率评估系数,/>表示第n组频率,/>表示第n组频率预设值。
205.基于温度和湿度,将低频泄漏电流评估系数、振幅评估系数以及频率评估系数进行关联,生成套管运行评估系数,其计算公式为:
;
式中,表示第n组套管运行评估系数,/>为第n组温度和湿度的权重因子,/>为第n组温度,/>为第n组湿度。
需要说明的是温度和湿度分别通过温度传感器和湿度传感器获取。
上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;权重因子的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
步骤3.对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
具体地,对所述变压器套管的套管运行评估系数进行判断方法包括:
预设第一评估阈值;
将所述套管运行评估系数与第一评估阈值进行对比;
若所述套管运行评估系数大于等于第一评估阈值,则将所述变压器套管标记为异常运行变压器套管;
若所述套管运行评估系数小于第一评估阈值,则将所述变压器套管不标记为异常运行变压器套管;继续对变压器套管进行数据采集分析。
可以理解的是,变压器套管异常运行是指变压器套管的绝缘部分损坏或老化导致电流从电路中不受控制地流出或泄漏;
本实施例中,通过将低频泄漏电流数据和高频局放脉冲数据中的泄漏电流值、振幅值以及频率进行数据采集,并与温度和湿度等外环境影响因素进行关联,生成套管运行评估系数;预设第一评估阈值,将套管运行评估系数与预设第一评估阈值进行对比,从变压器套管自身以及外环境影响因素综合分析判断变压器套管是否出现异常;通过将低频泄漏电流传感器和高频局放脉冲传感器采集的数据相互结合,并分析和及时发现异常运行变压器套管任何潜在的问题,可以更准确地了解变压器套管的绝缘状态和健康状况。
步骤4.根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
具体地,所述套管异常基本信息包括每个套管异常原因对应的异常运行变压器套管的地理位置和对应的异常运行变压器套管的编号。
需要说明的是,预设套管监测数据与套管异常信息的对应关系通过实验分析确定,每个套管异常信息包括M个套管异常原因,即每个套管异常信息对应M个套管异常原因,且每个套管异常原因包括对应的套管异常基本信息,以及包括每个套管异常原因对应的数据运行图。
本步骤中,当所述套管运行评估系数大于等于第一评估阈值时,则说明此时的变压器套管发生了早发性故障,此时通过基于预设套管监测数据与套管异常信息的对应关系,可以确定M个套管异常原因,缩小了变压器套管异常运行的排查范围,为进一步确定套管异常原因奠定了基础。
步骤5.异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因;
需要说明的是,所述实测介损数据和实测电容量数据通过预设在变压器套管的监测传感器采集,在一个优选的实施例中,所述监测传感器包括介质损耗测试仪、电容检测仪;
进一步地,所述介损运行图和电容量运行图基于实测介损数据和实测电容量数据生成,具体地来说,如图2所示,所述介损运行图是以时间的延伸方向为横轴,以实测介损数据为纵轴,建立二维坐标系得到;所述电容量运行图是以时间的延伸方向为横轴,以实测电容量数据为纵轴,建立二维坐标系得到;
预警指令包括第一预警指令、第二预警指令与第三预警指令,生成第一预警指令、第二预警指令与第三预警指令的方法包括:
基于相似度算法比较介损运行图与异常介损运行图的介损相似度;
若介损相似度大于等于预设介损相似度阈值,则生成第一预警指令,根据第一预警指令提取对应的异常介损运行图相应的套管异常基本信息和对应的套管异常原因;
若介损相似度小于预设介损相似度阈值,则不生成第一预警指令,基于相似度算法比较电容量运行图与异常电容量运行图的电容量相似度;
若电容量相似度大于等于预设电容量相似度阈值,则生成第二预警指令,根据第二预警指令提取对应的异常电容量运行图对应的套管异常基本信息和对应的套管异常原因;
若电容量相似度小于预设电容量相似度阈值,则生成第三预警指令,第三预警指令包括提示对应的异常运行套管的地理位置,进行现场维护;
生成第三预警指令时,说明可以排除变压器套管内部干扰因素,确定由外界干扰导致的变压器套管异常,此时,提示电力维护人员根据对应的异常运行套管的地理位置,进行现场维护。
需要说明的是,相似度算法包括但不限于曼哈顿距离算法或余弦相似度算法;所述介损运行图和电容量运行图在与异常介损运行图和异常电容量运行图对比前进行预处理,所述预处理包括但不限于图像去噪、图像增强或图像分割处理等,图像预处理为现有技术;此外,所述预设介损相似度阈值与预设电容量相似度阈值通过多次实验总结后人为设定确定,对此本实施例不做过多赘述。
本步骤中,当套管运行评估系数大于等于第一评估阈值时,基于预设套管监测数据与套管异常信息的对应关系,确定M个套管异常原因,缩小了变压器套管发生套管异常原因的排查范围,并基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,再将介损运行图和电容量运行图确定变压器套管与异常介损运行图和异常电容量运行图分别进行比较,进一步确定了套管异常原因,从而采取对应的维护措施,以避免继续运行可能导致变压器套管损坏或事故的状态,确保变压器套管的可靠性和安全性。
本实施例中,通过采集目标监测区域中智能末屏传感器的变压器套管监测数据,并对变压器套管监测数据进行分析,基于外环境数据生成对应监测区域的套管运行评估系数,接着对套管运行评估系数进行判断,获取异常运行变压器套管,根据异常运行变压器套管并基于预设套管监测数据与套管异常信息的对应关系,确定套管异常信息,然后提取实测介损数据和实测电容量数据生成介损运行图和电容量运行图;根据介损运行图和电容量运行图进一步确定异常运行变压器套管的套管异常原因;本实施例处理过程相对较短且有利于对异常运行变压器套管进行快速判断,确定套管异常原因以及地理位置,便于电力维护人员采取对应的维护措施,进一步确保变压器套管的可靠性和安全性。
实施例2
请参阅图1所示,本实施例在实施例1的基础上做进一步改进,本实施例提供了智能末屏传感器的数据采集方法,所述方法还包括:
步骤6.提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合,套管系数时间序列集合包括i个历史套管运行评估系数,i个历史套管运行评估系数采集的时间间隔相等,i个历史套管运行评估系数对应一个变压器套管运行周期;
其中,变压器套管运行周期可以是分钟、小时或天,也可以由电力维护人员根据实际经验设定,在此不做具体限定。
步骤7.将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数,机器学习模型的训练方法包括:
根据工作人员实际经验预设滑动步长W以及滑动窗口长度U;将套管系数时间序列集合内的历史套管运行评估系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的套管运行评估系数作为输出,每个训练样本的后续套管运行评估系数作为预测目标,以预设准确率作为训练目标,对循环神经网络模型进行训练;生成根据套管系数时间序列集合内的历史套管运行评估系数预测未来T时刻套管运行评估系数;其中,所述循环神经网络模型可以为RNN神经网络模型;
示例性的:
将套管系数时间序列集合划分为m个大小相等的滑动窗口,将每个窗口内的套管运行评估系数作为一个样本,将该窗口未来T时刻的套管运行评估系数作为数字标签,需要说明的是,一个样本对应一个数字标签,且一个样本和对应的数字标签构成一个训练数据,将多组数据构成训练集;
假设套管系数时间序列集合包含10组历史套管运行评估系数,/>={/>.../>},/>为第/>组历史套管运行评估系数,使用滑动窗口构建多个训练样本,定义滑动窗口的长度为5,滑动步长L为1,每个训练样本包含连续的5个历史套管运行评估系数,将连续的5个历史套管运行评估系数的下一个套管运行评估系数作为预测目标;例如:
{}作为训练数据,与其对应的预测目标为/>;
{}作为训练数据,与其对应的预测目标为/>;
以此类推,用于训练出预测未来时刻的套管运行评估系数的预测模型。
步骤8.监测预测的未来T时刻套管运行评估系数,并与预设第二评估阈值进行比较,判定是否对未来T时刻的变压器套管进行提前预警;
进一步说明的是,机器学习模型预测的未来T时刻套管运行评估系数,即未实际产生的套管运行评估系数,此时调取未来T时刻套管运行评估系数,标记为,并与预设第二评估阈值进行比较;包括:
预设第二评估阈值,并将其标记为E;其中第二评估阈值小于第一评估阈值;
将与E对比分析,判定是否对未来T时刻的变压器套管进行提前预警;
若大于等于E时,则将未来T时刻的变压器套管标记为提前异常套管,并生成提前异常套管指令;说明在未来T时刻的变压器套管可能发生运行异常,提前通知电力维护人员前往异常套管的地理位置进行检修;
若小于E时,则将T时刻的变压器套管不标记为提前异常套管,继续对未来T时刻的变压器套管进行监测。
本实施例中,本发明通过采集变压器套管的历史运行过程中的套管运行评估系数,使用采集的套管运行评估系数建立套管系数时间序列集合,基于套管系数时间序列集合,训练出预测未来时刻套管运行评估系数的机器学习模型,实时监测变压器套管运行过程,计算出对应的未来时刻套管运行评估系数,并与预设第二评估阈值进行对比,当变压器套管标记为异常套管时,则提前通知电力维护人员前往异常套管的地理位置进行检修,解决预警的滞后性,进而保证变压器套管的稳定性,减少变压器套管的进一步损坏的概率。
实施例3
请参阅图3所示,本实施例提供了智能末屏传感器的数据采集***,包括:
监测数据采集模块,采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;
套管评估模块,用于根据所述套管监测数据与外环境因素生成套管运行评估系数;
套管异常判断模块,用于对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
套管异常信息模块,用于根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
异常原因分析模块,异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因。
实施例4
请参阅图4所示,本实施例提供了智能末屏传感器的数据采集***,还包括:
历史监测模块,提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合;
模型训练模块,将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数;
二次判断模块,监测预测的未来T时刻套管运行评估系数,并与预设第二评估阈值进行比较,判定是否对未来T时刻的变压器套管进行提前预警。
实施例5
请参阅图5所示,一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的智能末屏传感器的数据采集方法。
实施例6
请参阅图6所示,一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的智能末屏传感器的数据采集方法。
上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;权重因子的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
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申请的范围。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。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,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,机械或其他的形式。
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,在本申请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,本申请的技术方案本质上或者说对现有技术作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)执行本申请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、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.智能末屏传感器的数据采集方法,其特征在于,包括:
采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;
根据所述套管监测数据与外环境因素生成套管运行评估系数;
对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因。
2.根据权利要求1所述的智能末屏传感器的数据采集方法,其特征在于,所述套管监测数据包括泄漏电流值、振幅值以及频率;所述套管监测数据阈值包括泄漏电流预设值、振幅预设值以及频率预设值;所述外环境因素包括温度和湿度。
3.根据权利要求2所述的智能末屏传感器的数据采集方法,其特征在于,生成套管运行评估系数的方法包括:
将所述泄漏电流值与泄漏电流预设值进行对比,计算出低频泄漏电流评估系数,其计算公式为,式中,/>表示第n组低频泄漏电流评估系数,/>表示第n组泄漏电流值,/>表示第n组泄漏电流预设值;
将所述振幅值与振幅预设值进行对比,计算出振幅评估系数,其计算公式为,式中,/>表示第n组振幅评估系数,/>表示第n组振幅值,/>表示第n组振幅预设值;
将所述频率与频率预设值进行对比,计算出频率评估系数,其计算公式为,式中,/>表示第n组频率评估系数,/>表示第n组频率,/>表示第n组频率预设值;
基于温度和湿度,将低频泄漏电流评估系数、振幅评估系数以及频率评估系数进行关联,生成套管运行评估系数,其计算公式为:
;
式中,表示第n组套管运行评估系数,/>为第n组温度和湿度的权重因子,/>为第n组温度,/>为第n组湿度。
4.根据权利要求3所述的智能末屏传感器的数据采集方法,其特征在于,对所述变压器套管的套管运行评估系数进行判断的方法包括:
预设第一评估阈值;
将所述套管运行评估系数与第一评估阈值进行对比;
若所述套管运行评估系数大于等于第一评估阈值,则将所述变压器套管标记为异常运行变压器套管;
若所述套管运行评估系数小于第一评估阈值,则将所述变压器套管不标记为异常运行变压器套管,继续对变压器套管进行数据采集分析。
5.根据权利要求4所述的智能末屏传感器的数据采集方法,其特征在于,所述套管异常基本信息包括每个套管异常原因对应的异常运行变压器套管的地理位置和对应的异常运行变压器套管的编号。
6.根据权利要求5所述的智能末屏传感器的数据采集方法,其特征在于,所述实测介损数据和实测电容量数据通过预设在变压器套管的监测传感器采集,所述监测传感器包括介质损耗测试仪、电容检测仪;
所述介损运行图是以时间的延伸方向为横轴,以实测介损数据为纵轴,建立二维坐标系得到;所述电容量运行图是以时间的延伸方向为横轴,以实测电容量数据为纵轴,建立二维坐标系得到;
预警指令包括第一预警指令、第二预警指令与第三预警指令,生成第一预警指令、第二预警指令与第三预警指令的方法包括:
基于相似度算法比较介损运行图与异常介损运行图的介损相似度;
若介损相似度大于等于预设介损相似度阈值,则生成第一预警指令,根据第一预警指令提取对应的异常介损运行图相应的套管异常基本信息和对应的套管异常原因;
若介损相似度小于预设介损相似度阈值,则不生成第一预警指令,基于相似度算法比较电容量运行图与异常电容量运行图的电容量相似度;
若电容量相似度大于等于预设电容量相似度阈值,则生成第二预警指令,根据第二预警指令提取对应的异常电容量运行图对应的套管异常基本信息和对应的套管异常原因;
若电容量相似度小于预设电容量相似度阈值,则生成第三预警指令,第三预警指令包括提示对应的异常运行套管的地理位置,进行现场维护。
7.根据权利要求6所述的智能末屏传感器的数据采集方法,其特征在于,还包括提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合,套管系数时间序列集合包括i个历史套管运行评估系数,i个历史套管运行评估系数采集的时间间隔相等,i个历史套管运行评估系数对应一个变压器套管运行周期。
8.根据权利要求7所述的智能末屏传感器的数据采集方法,其特征在于,将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数,机器学习模型的训练方法包括:
预设滑动步长W以及滑动窗口长度U;将套管系数时间序列集合内的历史套管运行评估系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的套管运行评估系数作为输出,每个训练样本的后续套管运行评估系数作为预测目标,以预设准确率作为训练目标,对循环神经网络模型进行训练;生成根据套管系数时间序列集合内的历史套管运行评估系数预测未来T时刻套管运行评估系数;其中,所述循环神经网络模型为RNN神经网络模型。
9.根据权利要求8所述的智能末屏传感器的数据采集方法,其特征在于,调取未来T时刻套管运行评估系数,标记为,并与预设第二评估阈值进行比较,包括:
预设第二评估阈值,并将其标记为E;其中第二评估阈值小于第一评估阈值;
将与E对比分析,判定是否对T时刻的变压器套管标记为异常运行变压器套管;
若大于等于E时,则将T时刻的变压器套管标记为异常运行变压器套管,并生成套管异常指令;
若小于E时,则将T时刻的变压器套管不标记为异常运行变压器套管,继续对未来T时刻的变压器套管进行监测。
10.智能末屏传感器的数据采集***,用于实施权利要求1-9任一项所述的智能末屏传感器的数据采集方法,其特征在于,包括:
监测数据采集模块,采集目标监测区域中智能末屏传感器收集的变压器套管监测数据;所述变压器套管监测数据包括套管监测数据、外环境因素和套管监测数据阈值;
套管评估模块,用于根据所述套管监测数据与外环境因素生成套管运行评估系数;
套管异常判断模块,用于对所述套管运行评估系数进行判断,以获取异常运行的变压器套管;
套管异常信息模块,用于根据异常运行的变压器套管,并基于预设套管监测数据与套管异常信息的对应关系,确定对应的套管异常信息;所述套管异常信息包括M个套管异常原因、套管异常基本信息以及每个套管异常原因对应的数据运行图,所述数据运行图包括异常介损运行图和异常电容量运行图;其中M为大于零的正整数;
异常原因分析模块,异常运行的变压器套管的标记时间为k时刻,提取预设监测传感器在k时刻之前预设时间段内的实测介损数据和实测电容量数据,基于实测介损数据和实测电容量数据生成介损运行图和电容量运行图,依次将介损运行图与异常介损运行图进行对比,电容量运行图与异常电容量运行图进行对比,根据比对结果判定是否生成预警指令,根据预警指令提取套管异常原因。
11.根据权利要求10所述的智能末屏传感器的数据采集***,其特征在于,还包括:
历史监测模块,提取变压器套管的历史运行过程中的套管运行评估系数,并标记为历史套管运行评估系数,使用提取的历史套管运行评估系数建立套管系数时间序列集合;
模型训练模块,将套管系数时间序列集合内的历史套管运行评估系数输入机器学习模型,预测出未来T时刻套管运行评估系数;
二次判断模块,监测预测的未来T时刻套管运行评估系数,并与预设第二评估阈值进行比较,判定是否对未来T时刻的变压器套管进行提前预警。
12.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1-9任一项所述的智能末屏传感器的数据采集方法。
13.一种计算机可读存储介质,其特征在于,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-9任一项所述的智能末屏传感器的数据采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727900.1A CN117407679B (zh) | 2023-12-15 | 2023-12-15 | 智能末屏传感器的数据采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727900.1A CN117407679B (zh) | 2023-12-15 | 2023-12-15 | 智能末屏传感器的数据采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407679A true CN117407679A (zh) | 2024-01-16 |
CN117407679B CN117407679B (zh) | 2024-03-12 |
Family
ID=89498430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311727900.1A Active CN117407679B (zh) | 2023-12-15 | 2023-12-15 | 智能末屏传感器的数据采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407679B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639282A (zh) * | 2024-01-26 | 2024-03-01 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
CN117742224A (zh) * | 2024-02-20 | 2024-03-22 | 瑞熙(苏州)智能科技有限公司 | Pad终端实时异常监控与智能处理方法 |
CN117808052A (zh) * | 2024-03-01 | 2024-04-02 | 泓浒(苏州)半导体科技有限公司 | 基于真空环境机械臂负载自适应方法及*** |
CN117828512A (zh) * | 2024-03-04 | 2024-04-05 | 天津通安变压器有限公司 | 一种用于油浸式变压器的运行风险快速评估预测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015072359A (ja) * | 2013-10-03 | 2015-04-16 | 株式会社リコー | トナー、現像剤、画像形成装置、及び画像形成方法 |
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
US20170094746A1 (en) * | 2014-09-28 | 2017-03-30 | Jiaxing Super Lighting Electric Appliance Co., Ltd. | Led tube lamp with two operating modes compatible with electrical ballasts |
US20170115335A1 (en) * | 2015-05-04 | 2017-04-27 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN108225568A (zh) * | 2017-12-26 | 2018-06-29 | 国网河北省电力有限公司衡水供电分公司 | 变压器高压侧套管故障检测方法 |
US20180335713A1 (en) * | 2017-05-19 | 2018-11-22 | Canon Kabushiki Kaisha | Image forming apparatus |
CN109871660A (zh) * | 2019-03-26 | 2019-06-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种主变压器发热故障的预警方法及故障定位方法 |
CN109996622A (zh) * | 2016-11-29 | 2019-07-09 | 里弗雷克特里知识产权两合公司 | 用于检测在冶金的容器的注出部中的参量的方法以及机构 |
CN110879339A (zh) * | 2019-12-04 | 2020-03-13 | 国网江苏省电力有限公司南通供电分公司 | 一种高压电力设备绝缘检测***及其检测方法 |
CN113466589A (zh) * | 2021-07-02 | 2021-10-01 | 成都高斯电子技术有限公司 | 一种设备故障缺陷的诊断消除方法 |
WO2021207557A1 (en) * | 2020-04-09 | 2021-10-14 | Flir Commercial Systems, Inc. | Multispectral imaging for thermal and electrical detection systems and methods |
CN115128447A (zh) * | 2022-07-14 | 2022-09-30 | 华能罗源发电有限责任公司 | 火电储能***的gis之中套管状态量检测方法 |
CN115792724A (zh) * | 2022-07-08 | 2023-03-14 | 国网陕西省电力有限公司电力科学研究院 | 一种变压器套管故障不停电诊断方法 |
CN116026389A (zh) * | 2023-03-07 | 2023-04-28 | 湖南科技学院 | 一种基于数据分析的智能传感器运行检测*** |
CN116245499A (zh) * | 2022-12-16 | 2023-06-09 | 华电电力科学研究院有限公司 | 一种变压器高压套管缺陷全过程跟踪处理方法 |
KR20230105547A (ko) * | 2022-01-04 | 2023-07-11 | 한국전력공사 | 전력설비 이상징후 감지 시스템 및 감지 방법 |
CN116593811A (zh) * | 2023-07-17 | 2023-08-15 | 南京欧陆电气股份有限公司 | 一种集成型变频器运行状态监测***及监测方法 |
WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、***、设备及介质 |
-
2023
- 2023-12-15 CN CN202311727900.1A patent/CN117407679B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015072359A (ja) * | 2013-10-03 | 2015-04-16 | 株式会社リコー | トナー、現像剤、画像形成装置、及び画像形成方法 |
US20170094746A1 (en) * | 2014-09-28 | 2017-03-30 | Jiaxing Super Lighting Electric Appliance Co., Ltd. | Led tube lamp with two operating modes compatible with electrical ballasts |
US20170115335A1 (en) * | 2015-05-04 | 2017-04-27 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN105353256A (zh) * | 2015-11-30 | 2016-02-24 | 上海交通大学 | 一种输变电设备状态异常检测方法 |
CN109996622A (zh) * | 2016-11-29 | 2019-07-09 | 里弗雷克特里知识产权两合公司 | 用于检测在冶金的容器的注出部中的参量的方法以及机构 |
US20180335713A1 (en) * | 2017-05-19 | 2018-11-22 | Canon Kabushiki Kaisha | Image forming apparatus |
CN108225568A (zh) * | 2017-12-26 | 2018-06-29 | 国网河北省电力有限公司衡水供电分公司 | 变压器高压侧套管故障检测方法 |
CN109871660A (zh) * | 2019-03-26 | 2019-06-11 | 国网江苏省电力有限公司扬州供电分公司 | 一种主变压器发热故障的预警方法及故障定位方法 |
CN110879339A (zh) * | 2019-12-04 | 2020-03-13 | 国网江苏省电力有限公司南通供电分公司 | 一种高压电力设备绝缘检测***及其检测方法 |
WO2021207557A1 (en) * | 2020-04-09 | 2021-10-14 | Flir Commercial Systems, Inc. | Multispectral imaging for thermal and electrical detection systems and methods |
CN113466589A (zh) * | 2021-07-02 | 2021-10-01 | 成都高斯电子技术有限公司 | 一种设备故障缺陷的诊断消除方法 |
KR20230105547A (ko) * | 2022-01-04 | 2023-07-11 | 한국전력공사 | 전력설비 이상징후 감지 시스템 및 감지 방법 |
WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
CN115792724A (zh) * | 2022-07-08 | 2023-03-14 | 国网陕西省电力有限公司电力科学研究院 | 一种变压器套管故障不停电诊断方法 |
CN115128447A (zh) * | 2022-07-14 | 2022-09-30 | 华能罗源发电有限责任公司 | 火电储能***的gis之中套管状态量检测方法 |
CN116245499A (zh) * | 2022-12-16 | 2023-06-09 | 华电电力科学研究院有限公司 | 一种变压器高压套管缺陷全过程跟踪处理方法 |
CN116026389A (zh) * | 2023-03-07 | 2023-04-28 | 湖南科技学院 | 一种基于数据分析的智能传感器运行检测*** |
CN116593811A (zh) * | 2023-07-17 | 2023-08-15 | 南京欧陆电气股份有限公司 | 一种集成型变频器运行状态监测***及监测方法 |
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、***、设备及介质 |
Non-Patent Citations (1)
Title |
---|
赵航: "" 换流变压器网侧套管末屏电流传感器的研制及应用"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 February 2023 (2023-02-15), pages 042 - 1242 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639282A (zh) * | 2024-01-26 | 2024-03-01 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
CN117639282B (zh) * | 2024-01-26 | 2024-04-19 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及*** |
CN117742224A (zh) * | 2024-02-20 | 2024-03-22 | 瑞熙(苏州)智能科技有限公司 | Pad终端实时异常监控与智能处理方法 |
CN117742224B (zh) * | 2024-02-20 | 2024-05-07 | 瑞熙(苏州)智能科技有限公司 | Pad终端实时异常监控与智能处理方法 |
CN117808052A (zh) * | 2024-03-01 | 2024-04-02 | 泓浒(苏州)半导体科技有限公司 | 基于真空环境机械臂负载自适应方法及*** |
CN117808052B (zh) * | 2024-03-01 | 2024-04-26 | 泓浒(苏州)半导体科技有限公司 | 基于真空环境机械臂负载自适应方法及*** |
CN117828512A (zh) * | 2024-03-04 | 2024-04-05 | 天津通安变压器有限公司 | 一种用于油浸式变压器的运行风险快速评估预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117407679B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117407679B (zh) | 智能末屏传感器的数据采集方法及*** | |
US20210241544A1 (en) | Platform for analyzing health of heavy electric machine and analysis method using the same | |
EP2082246B1 (en) | Cable fault detection | |
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
Liu et al. | Prognosis of underground cable via online data-driven method with field data | |
EP0909390A2 (en) | Statistical pattern analysis methods of partial discharge measurments in high voltage insulation | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
CN108051364A (zh) | 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析*** | |
CN117725541B (zh) | 退火炉运行状态智能监控与故障诊断*** | |
JP2019191142A (ja) | 回転機の巻線絶縁劣化診断装置 | |
Ginart et al. | Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures | |
CN117212055A (zh) | 一种风力发电***及发电机绕组的异常识别预警方法 | |
CN115986918A (zh) | 一种输电线智能监测*** | |
CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
WO2022105285A1 (zh) | 一种基于冲击事件来监测异常状态的***及方法 | |
CN117554752A (zh) | 电力电缆故障在线检测***及方法 | |
CN117708523A (zh) | 户内环氧树脂绝缘设备电气绝缘特性分析管理*** | |
CN111103487A (zh) | 一种非侵入式的基于功耗分析的pst异常监测方法 | |
CN111256932A (zh) | 一种基于LabVIEW平台的GIS振动信号连续采集方法及*** | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及*** | |
CN113721086B (zh) | 用于监视mv或hv电气***的装备件的电气绝缘状况的方法 | |
RU2814857C1 (ru) | Система мониторинга и диагностирования состояния турбогенератора | |
CN117421587A (zh) | 基于典型相关系数的旋转类设备健康状态在线评估方法 | |
Yadav et al. | Modelling Component Failure Rates Utilizing Sensor-Based Degradation Data |
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 |