CN117783732A - 变压器异常的监测方法以及装置 - Google Patents
变压器异常的监测方法以及装置 Download PDFInfo
- Publication number
- CN117783732A CN117783732A CN202311802342.0A CN202311802342A CN117783732A CN 117783732 A CN117783732 A CN 117783732A CN 202311802342 A CN202311802342 A CN 202311802342A CN 117783732 A CN117783732 A CN 117783732A
- Authority
- CN
- China
- Prior art keywords
- transformer
- abnormal
- voltage
- current
- primary side
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 127
- 230000005236 sound signal Effects 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 8
- 239000003921 oil Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种变压器异常的监测方法以及装置。变压器异常的监测方法包括:获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;根据变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,确定变压器是否异常。通过变压器的电压、电流、温度、音频信号等多维度数据,可以避免仅通过电压电流简单判断变压器是否异常的准确度低的问题,通过变压器异常时油温的变化、工作时声音变化等多个维度对变压器监测,准确度高。
Description
技术领域
本发明涉及变压器状态监测技术领域,尤其涉及变压器异常的监测方法以及装置。
背景技术
变压器具备电压调整、功率分配、隔离等作用,因此变压器是否正常工作在配电网中至关重要。
现有技术中,对变压器监测主要是采集变压器的电流和电压,通过将电流、电压与预先设置的阈值比较后,判断变压器是否存在过压、欠压、过载等异常。
然而,电流和电压的扰动因素较多,比如一次侧电压、电流异常也会导致变压器二次侧电压、电流异常,变压器二次侧之后的下级线路异常也会导致变压器电压和电流异常,通过电流和电压对变压器进行监测无法准确识别变压器异常。
发明内容
本发明提供了一种变压器异常的监测方法以及装置,以通过多维度的数据监测变压器是否异常,提高电压监测的准确性及灵敏度。
根据本发明的一方面,提供了一种变压器异常的监测方法,包括:
获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;
根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常。
可选的,根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常,包括:
根据在设定时间内获取的多组所述变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器的温度,生成温度曲线图,根据在所述设定时间内获取的多组所述变压器的音频信号,生成音频曲线图;
根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图;
将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中,得到所述变压器的异常识别结果;所述变压器的异常识别结果包括变压器正常和变压器异常;
根据所述变压器的异常识别结果确定所述变压器是否异常。
可选的,根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图,包括:
根据在所述设定时间内获取的多组所述变压器一次侧的电压和电流,计算多个变压器一次侧的功率;
根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,计算多个变压器二次侧的功率;
根据多个所述变压器一次侧的功率以及对应的多个所述变压器二次侧的功率,计算多个损耗功率;
根据多个所述损耗功率,生成所述损耗功率曲线图。
可选的,在所述变压器的异常识别结果为变压器异常时,生成异常提示信息;其中,所述异常提示信息包括:异常检测的时间、变压器的名称、变压器的坐标、所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号。
可选的,在生成一次侧电气曲线图、生成二次侧电气曲线图,生成温度曲线图,生成音频曲线图,生成损耗功率曲线图之前,还包括:
对在所述设定时间内获取的多组所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度、所述变压器的音频信号进行去噪处理。
可选的,获取变压器的音频信号包括:
通过在所述变压器的绝缘油箱外壁上设置的第一麦克风,获取所述变压器在工作状态下发出的声音信号,并将所述声音信号作为所述变压器的音频信号;
或者,通过在所述变压器的绝缘油箱外壁上设置的第一麦克风,获取所述变压器在工作状态下发出的声音的第一声音信号,通过在所述变压器的绝缘油箱预设距离内设置的第二麦克风,获取环境声音的第二声音信号,根据所述第一声音信号和所述第二声音信号,生成所述变压器的音频信号。
可选的,在将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中之前,包括:
对所述变压器异常识别模型进行训练;
所述对所述变压器异常识别模型进行训练,包括:
将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图输入所述变压器异常识别模型中进行训练,得到变压器的状态预测值;变压器状态包括正常状态和异常状态;
根据所述变压器的状态预测值和标注的状态的标注值,计算损失率;
在所述损失率大于精度阈值时,通过设定算法调整所述变压器异常识别模型的参数,再次进行训练;
在所述损失率小于精度阈值时,得到训练好的所述变压器异常识别模型。
可选的,将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图输入所述变压器异常识别模型中进行训练,得到变压器的状态预测值,包括:
将标注了变压器状态的多条音频曲线图、一次侧电气曲线图、二次侧电气曲线图、温度曲线图和损耗功率曲线图输入特征提取融合模块中得到第一识别结果;所述第一识别结果包括表征变压器为正常的第一概率、表征变压器为异常的第二概率;
将标注了变压器状态的多条所述音频曲线图输入特征提取检测模块中,得到第二识别结果;所述第二识别结果包括表征变压器为正常的第三概率、表征变压器为异常的第四概率;
通过结果预测模块对所述第一概率和所述第三概率进行计算,得到所述变压器为正常的正常概率;
通过所述结果预测模块对所述第二概率和所述第四概率进行计算,得到所述变压器为异常的异常概率;
将所述正常概率和所述异常概率中的较大值作为所述变压器的状态预测值。
根据本发明的另一方面,提供了一种变压器异常的监测装置,包括:
采集模块,用于获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;
故障判定模块,用于根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常。
可选的,所述故障判定模块包括:
曲线生成单元,根据在设定时间内获取的多组所述变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器的温度,生成温度曲线图,根据在所述设定时间内获取的多组所述变压器的音频信号,生成音频曲线图;
损耗曲线生成单元,用于根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图;
结果生成单元,用于将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中,得到所述变压器的异常识别结果;所述变压器的异常识别结果包括变压器正常和变压器异常;
判定单元,用于根据所述变压器的异常识别结果确定所述变压器是否异常。
本发明实施例的技术方案,每间隔设定时间采集一次变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,根据变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,综合判定变压器是否异常。通过变压器的电压、电流、温度、音频信号等多维度数据,可以避免仅通过电压电流简单判断变压器是否异常的准确度低的问题,通过变压器异常时油温的变化、工作时声音变化等多个维度对变压器监测,准确度高。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例一提供的一种变压器异常的监测方法的流程图;
图2为本发明实施例二提供的一种变压器异常的监测方法的流程图;
图3为本发明实施例二提供的一种变压器异常识别模型的结构示意图;
图4为本发明实施例三提供的一种变压器异常的监测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种变压器异常的监测方法的流程图,本实施例可适用于监测变压器状态的情况,该方法可以由变压器异常的监测装置来执行,该变压器异常的监测装置可以采用硬件和/或软件的形式实现。如图1所示,该方法包括:
S110:获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号。
可以通过电压传感器按照预设周期如每隔0.2S每次的频率,采集变压器一次侧的电压和二次侧的电压,通过电流传感器按照预设周期采集变压器一次侧的电流和二次侧的电流。其中一次侧是指变压器的输入侧,二次侧是指变压器的输出侧。
通过温度传感器按照预设周期采集变压器的绝缘油箱的温度,以获取变压器的温度。
通过麦克风获取变压器在工作状态下发出的声音的信号,以获取到变压器的音频信号。
S120:根据变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号,确定变压器是否异常。
可以根据变压器的多维度的数据以及与多维度的数据相关的模型,识别变压器是否异常,或者,在变压器一次侧的电压和电流、二次侧的电压和电流、变压器的温度、以及变压器的音频信号中至少三者异常时,确定变压器异常。
本发明实施例的技术方案,每间隔预设周期采集一次变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,根据变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,综合判定变压器是否异常。通过变压器的电压、电流、温度、音频信号等多维度数据,可以避免仅通过电压电流简单判断变压器是否异常的准确度低的问题,通过变压器异常时油温的变化、工作时声音变化等多个维度对变压器监测,准确度高。
实施例二
图2为本发明实施例二提供的一种变压器异常的监测方法的流程图,本实施例为对上述实施例各步骤的细化,如图2所示,该方法包括:
S111:获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号。
获取变压器的音频信号包括两种方式:
方式一:通过在变压器的绝缘油箱外壁上设置的第一麦克风,获取变压器在工作状态下发出的声音信号,并将声音信号作为变压器的音频信号。
在变压器的绝缘油箱外壁上设置第一麦克风,通过第一麦克风采集变压器工作时所发出的声音的声音信号,并将声音信号作为变压器的音频信号。
方式二:通过在变压器的绝缘油箱外壁上设置的第一麦克风,获取变压器在工作状态下发出的声音的第一声音信号,通过在变压器的绝缘油箱预设距离内设置的第二麦克风,获取环境声音的第二声音信号,根据第一声音信号和第二声音信号,生成变压器的音频信号。
在间隔变压器的绝缘油箱预设距离的位置设置第二麦克风,通过第二麦克风采集环境的第二声音信号,并从第一声音信号中去除第二声音信号,以进行除噪处理后得到变压器所发出的声音的音频信号,比如,第一声音信号和第二声音信号做差处理,当然,还可以参考现有技术中从第一声音信号中去除第二声音信号的方法,在此不再详述。
S121:根据在设定时间内获取的多组变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在设定时间内获取的多组变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在设定时间内获取的多组变压器的温度,生成温度曲线图,根据在设定时间内获取的多组变压器的音频信号,生成音频曲线图。
可以每间隔预设周期获取一次变压器一次侧的电压和电流、二次侧的电压和电流、变压器的温度、变压器的音频信号。将多组变压器一次侧的电压和电流以时间顺序为横坐标拟合生成一次侧电气曲线图。将多组变压器二次侧的电压和电流以时间顺序为横坐标拟合生成二次侧电气曲线图。将多组变压器的温度以时间顺序为横坐标拟合生成温度曲线图。将多组变压器的音频信号以时间顺序为横坐标拟合生成音频曲线图。其中,一次侧电气曲线图可以包括一次侧电压曲线图和一次侧电流曲线图,则在生成一次侧电气曲线图时,分别根据多组变压器一次侧的电压生成一次侧电压曲线图,根据多组变压器一次侧的电流生成一次侧电流曲线图,二次侧电气曲线图同理不再赘述。或者,一次侧电气曲线图仅包括一张图,将一次侧的电压和电流的量纲归一化后,根据归一化后的一次侧的电压和电流生成一次侧电气曲线图,二次侧电气曲线图的生成方式与一次侧电气曲线图类似,不再赘述。
S131:根据变压器一次侧的电压和电流、变压器二次侧的电压和电流,生成损耗功率曲线图。
具体的,根据在设定时间内获取的多组变压器一次侧的电压和电流,计算多个变压器一次侧的功率。可选的,根据在同一采样时刻下采集的变压器一次侧的电压和电流计算变压器一次侧的功率。根据多个采样时刻下采集的变压器一次侧的电压和电流,可以得到多个变压器一次侧的功率。
根据在设定时间内获取的多组变压器二次侧的电压和电流,计算多个变压器二次侧的功率。可选的,根据在同一采样时刻下采集的变压器二次侧的电压和电流计算变压器二次侧的功率。根据多个采样时刻下采集的变压器二次侧的电压和电流,可以得到多个变压器二次侧的功率。
根据多个变压器一次侧的功率以及对应的多个变压器二次侧的功率,计算多个损耗功率。可选的,根据在同一采样时刻下变压器一次侧的功率和变压器二次侧的功率的差值,计算损耗功率。
根据多个损耗功率,生成损耗功率曲线图。可选的,将多个损耗功率以时间顺序为横坐标拟合生成损耗功率曲线图。
可选的,在生成一次侧电气曲线图,生成二次侧电气曲线图,生成温度曲线图,生成音频曲线图,生成损耗功率曲线图之前,还包括:
对在设定时间内获取的多组变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、变压器的音频信号进行去噪处理。具体去噪处理可以参考现有技术中的补充缺失值、均值滤波、中值滤波等处理。
S141:将在同一时间段内的一次侧电气曲线图、二次侧电气曲线图、温度曲线图、损耗功率曲线图以及音频曲线图,输入预先训练好的变压器异常识别模型中,得到变压器的异常识别结果;变压器的异常识别结果包括变压器正常和变压器异常。
在将上述多个曲线图输入预先训练好的变压器异常识别模型之前,需对变压器异常识别模型进行训练。可选的,对变压器异常识别模型进行训练,包括:
将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图,输入变压器异常识别模型中进行训练,得到变压器的状态预测值。具体的,变压器状态包括正常状态和异常状态。在标注变压器状态时,标注值0表征变压器为正常状态,标注值为1表征变压器为异常状态。输入变压器异常识别模型中进行训练的多条曲线包括变压器为正常状态下的多条一次侧电气曲线图、二次侧电气曲线图、温度曲线图、音频曲线图和损耗功率曲线图,还包括变压器为异常状态下的多条一次侧电气曲线图、二次侧电气曲线图、温度曲线图、音频曲线图和损耗功率曲线图。示例性的,采集变压器异常状态时的音频信号,生成变压器为异常状态下的音频曲线图。其中变压器异常状态时的音频信号可以是变压器在一次侧或二次侧出现短路时发生的熔断声音的音频信号、变压器内部绕组发生短路时的放电声音的音频信号、变压器一次侧电压、电流过高时发出的异响的音频信号,还可以是变压器顶盖螺栓松动后发生振动所发生振动的音频信号、变压器铁芯为夹紧造成硅钢片振动所发出的声音的音频信号、绝缘油箱固定螺栓松动后在振动作用下所发出的声音的音频信号等。
将标注了变压器状态的多条音频曲线图、一次侧电气曲线图、二次侧电气曲线图、温度曲线图和损耗功率曲线图输入特征提取融合模块中得到第一识别结果;第一识别结果包括表征变压器为正常的第一概率、表征变压器为异常的第二概率;将标注了变压器状态的多条音频曲线图输入特征提取检测模块中,得到第二识别结果;第二识别结果包括表征变压器为正常的第三概率、表征变压器为异常的第四概率;通过结果预测模块对第一概率和第三概率进行计算,得到变压器为正常的正常概率;通过结果预测模块对第二概率和第四概率进行计算,得到变压器为异常的异常概率;将正常概率和异常概率中的较大值作为变压器的状态预测值。
图3为本发明实施例二提供的一种变压器异常识别模型的结构示意图,参考图3,变压器异常识别模型包括特征提取融合模块、特征提取检测模块和结果预测模块1,其中,特征提取融合模块包括一次侧电气特征提取子模型2、二次侧电气特征提取子模型3、损耗特征提取子模型4、温度特征提取子模型5、特征融合子模型6和第一检测头7,特征提取检测模块包括音频信号特征提取子模型8、第二检测头9。其中,一次侧电气特征提取子模型2、二次侧电气特征提取子模型3、损耗特征提取子模型4、温度特征提取子模型5的输出层与特征融合子模型6的输入层连接,特征融合子模型6的输出层与第一检测头7的输入层连接,音频信号特征提取子模型8的输出层与第二检测头9的输入层连接,第一检测头7和第二检测头9的输出层与结果预测模块1的输入层连接。
在训练时,一次侧电气曲线图、二次侧电气曲线图、温度曲线图、损耗功率曲线图分别输入一次侧电气特征提取子模型2、二次侧电气特征提取子模型3、损耗特征提取子模型4、温度特征提取子模型5中提取一次侧电气特征图、二次侧电气特征图、温度特征图以及损耗功率特征图,在特征融合子模型6中将一次侧电气特征图、二次侧电气特征图、温度特征图以及损耗功率特征图进行拼接融合,得到融合特征图,将融合特征图输入第一检测头7中得到第一识别结果。同时,通过音频信号特征提取子模型8对输入的音频曲线图进行特征提取,得到音频特征图,将音频特征图输入第二检测头9中得到第二识别结果。
第一识别结果包括变压器为正常的第一概率p1,为异常的第二概率p2,第二识别结果包括变压器为正常的第三概率p3,为异常的第四概率p4,在结果预测模块1中,计算变压器为正常的正常概率为p1*w1+p3*w2,计算变压器为异常的异常概率为p2*w1+p4*w2,将正常概率和异常概率中较大值作为变压器的状态预测值。也即,若正常大概大于异常概率时,将正常概率作为变压器的状态预测值,若正常大概小于异常概率时,将异常概率作为变压器的状态预测值。
根据变压器的状态预测值和标注的状态的标注值,计算损失率。
在损失率大于精度阈值时,通过设定算法调整变压器异常识别模型的参数,再次进行训练。在损失率大于精度阈值时,确定变压器异常识别模型精度不足,通过该损失率调整模型参数后,继续对变压器异常识别模型训练,直到损失率小于精度阈值为止,得到训练好的变压器异常识别模型。损失率可以采用现有技术的交叉熵损失函数、均方差损失函数计算。调整变压器异常识别模型中的参数的设定算法可以采用批量梯度下降算法(BGD)、随机梯度下降算法(SGD)、小批量梯度下降算法(MBGD)等,具体训练过程可参考现有技术中各种模型或神经网络的训练方法。其中,变压器异常识别模型的参数可以包括结果预测模块中的权重w1和w2。采用损失率计算梯度后对结果预测子模型中的权重w1和w2进行调整,以使得整个模型学习到从音频曲线图、一次侧电气曲线图、二次侧电气曲线图、温度曲线图、损耗功率曲线图识别变压器的状态的能力,实现了通过多个维度的数据识别变压器的状态。
在损失率小于精度阈值时,得到训练好的变压器异常识别模型。
S151:根据变压器的异常识别结果确定变压器是否异常。
变压器的异常识别结果包括变压器正常和变压器异常,根据结果即可确定出变压器是正常还是异常。
在变压器的异常识别结果为变压器异常时,生成异常提示信息;其中,异常提示信息包括:异常检测的时间、变压器的名称、变压器的坐标、变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号。以便维护人员查看电压、电流、绝缘油箱的温度,以及播放音频信号后再次确认变压器是否异常,并及时通过变压器名称、坐标确定变压器位置后进行维护、检修。
本实施例通过变压器的电压、电流、绝缘油箱的温度、音频信号等多维度数据以及变压器异常识别模型进行变压器的状态监测,可以避免仅通过电压电流简单判断异常准确度低的问题,通过变压器异常时油温的变化、工作时声音变化等多个维度对变压器监测,准确度高。
实施例三
图4为本发明实施例三提供的一种变压器异常的监测装置的结构示意图。如图4所示,该装置包括:
采集模块100,用于获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;
故障判定模块200,用于根据变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号,确定变压器是否异常。
异常提示信息生成模块,用于在变压器的异常识别结果为变压器异常时,生成异常提示信息;其中,异常提示信息包括:异常检测的时间、变压器的名称、变压器的坐标、变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度以及变压器的音频信号。
本发明实施例所提供的变压器异常的监测装置可执行本发明任意实施例所提供的变压器异常的监测方法,具备执行方法相应的功能模块和有益效果。
可选的,故障判定模块包括:
去噪单元,用于对在设定时间内获取的多组变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、变压器的音频信号进行去噪处理;
曲线生成单元,根据在设定时间内获取的多组变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在设定时间内获取的多组变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在设定时间内获取的多组变压器的温度,生成温度曲线图,根据在设定时间内获取的多组变压器的音频信号,生成音频曲线图;
损耗曲线生成单元,用于根据变压器一次侧的电压和电流、变压器二次侧的电压和电流,生成损耗功率曲线图;
模型训练单元,用于对变压器异常识别模型进行训练以得到训练好的变压器异常识别模型。
结果生成单元,用于将在同一时间段内的一次侧电气曲线图、二次侧电气曲线图、温度曲线图、损耗功率曲线图以及音频曲线图,输入预先训练好的变压器异常识别模型中,得到变压器的异常识别结果;变压器的异常识别结果包括变压器正常和变压器异常;
判定单元,用于根据变压器的异常识别结果确定变压器是否异常。
可选的,损耗曲线生成单元,包括:
一次侧功率计算子单元,用于根据在设定时间内获取的多组变压器一次侧的电压和电流,计算多个变压器一次侧的功率;
二次侧功率计算子单元,用于根据在设定时间内获取的多组变压器二次侧的电压和电流,计算多个变压器二次侧的功率;
损耗功率计算子单元,用于根据多个变压器一次侧的功率以及对应的多个变压器二次侧的功率,计算多个损耗功率;
损耗功率曲线生成子单元,用于根据多个损耗功率,生成损耗功率曲线图。
模型训练单元包括:
预测值生成子单元,用于将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图输入变压器异常识别模型中进行训练,得到变压器的状态预测值;变压器状态包括正常状态和异常状态;
损失率生成子单元,用于根据变压器的状态预测值和标注的状态的标注值,计算损失率;
参数调整子单元,在损失率大于精度阈值时,通过设定算法调整变压器异常识别模型的参数,再次进行训练;
模型生成子单元,用于在损失率小于精度阈值时,得到训练好的变压器异常识别模型。
预测值生成子单元包括:
第一结果生成子单元,用于将标注了变压器状态的多条音频曲线图、一次侧电气曲线图、二次侧电气曲线图、温度曲线图和损耗功率曲线图输入特征提取融合模块中得到第一识别结果;第一识别结果包括表征变压器为正常的第一概率、表征变压器为异常的第二概率;
第二结果生成子单元,用于将标注了变压器状态的多条所述音频曲线图输入特征提取检测模块中,得到第二识别结果;第二识别结果包括表征变压器为正常的第三概率、表征变压器为异常的第四概率;
正常概率生成子单元,用于通过结果预测模块对第一概率和第三概率进行计算,得到变压器为正常的正常概率;
异常概率生成子单元,用于通过结果预测模块对第二概率和第四概率进行计算,得到变压器为异常的异常概率;
结果预测子单元,用于将正常概率和异常概率中的较大值作为变压器的状态预测值。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种变压器异常的监测方法,其特征在于,包括:
获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;
根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常。
2.根据权利要求1所述的变压器异常的监测方法,其特征在于,根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常,包括:
根据在设定时间内获取的多组所述变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器的温度,生成温度曲线图,根据在所述设定时间内获取的多组所述变压器的音频信号,生成音频曲线图;
根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图;
将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中,得到所述变压器的异常识别结果;所述变压器的异常识别结果包括变压器正常和变压器异常;
根据所述变压器的异常识别结果确定所述变压器是否异常。
3.根据权利要求2所述的变压器异常的监测方法,其特征在于,根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图,包括:
根据在所述设定时间内获取的多组所述变压器一次侧的电压和电流,计算多个变压器一次侧的功率;
根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,计算多个变压器二次侧的功率;
根据多个所述变压器一次侧的功率以及对应的多个所述变压器二次侧的功率,计算多个损耗功率;
根据多个所述损耗功率,生成所述损耗功率曲线图。
4.根据权利要求2所述的变压器异常的监测方法,其特征在于,在所述变压器的异常识别结果为变压器异常时,生成异常提示信息;其中,所述异常提示信息包括:异常检测的时间、变压器的名称、变压器的坐标、所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号。
5.根据权利要求2所述的变压器异常的监测方法,其特征在于,在生成一次侧电气曲线图、生成二次侧电气曲线图,生成温度曲线图,生成音频曲线图,生成损耗功率曲线图之前,还包括:
对在所述设定时间内获取的多组所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度、所述变压器的音频信号进行去噪处理。
6.根据权利要求1所述的变压器异常的监测方法,其特征在于,获取变压器的音频信号包括:
通过在所述变压器的绝缘油箱外壁上设置的第一麦克风,获取所述变压器在工作状态下发出的声音信号,并将所述声音信号作为所述变压器的音频信号;
或者,通过在所述变压器的绝缘油箱外壁上设置的第一麦克风,获取所述变压器在工作状态下发出的声音的第一声音信号,通过在所述变压器的绝缘油箱预设距离内设置的第二麦克风,获取环境声音的第二声音信号,根据所述第一声音信号和所述第二声音信号,生成所述变压器的音频信号。
7.根据权利要求2所述的变压器异常的监测方法,其特征在于,在将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中之前,包括:
对所述变压器异常识别模型进行训练;
所述对所述变压器异常识别模型进行训练,包括:
将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图输入所述变压器异常识别模型中进行训练,得到变压器的状态预测值;变压器状态包括正常状态和异常状态;
根据所述变压器的状态预测值和标注的状态的标注值,计算损失率;
在所述损失率大于精度阈值时,通过设定算法调整所述变压器异常识别模型的参数,再次进行训练;
在所述损失率小于精度阈值时,得到训练好的所述变压器异常识别模型。
8.根据权利要求7所述的变压器异常的监测方法,其特征在于,将在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的一次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的二次侧电气曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的温度曲线图、在变压器正常状态下和异常状态下得到的多条标注了变压器状态的音频曲线图和在变压器正常状态下和异常状态下得到的多条标注了变压器状态的损耗功率曲线图输入所述变压器异常识别模型中进行训练,得到变压器的状态预测值,包括:
将标注了变压器状态的多条音频曲线图、一次侧电气曲线图、二次侧电气曲线图、温度曲线图和损耗功率曲线图输入特征提取融合模块中得到第一识别结果;所述第一识别结果包括表征变压器为正常的第一概率、表征变压器为异常的第二概率;
将标注了变压器状态的多条所述音频曲线图输入特征提取检测模块中,得到第二识别结果;所述第二识别结果包括表征变压器为正常的第三概率、表征变压器为异常的第四概率;
通过结果预测模块对所述第一概率和所述第三概率进行计算,得到所述变压器为正常的正常概率;
通过所述结果预测模块对所述第二概率和所述第四概率进行计算,得到所述变压器为异常的异常概率;
将所述正常概率和所述异常概率中的较大值作为所述变压器的状态预测值。
9.一种变压器异常的监测装置,其特征在于,包括:
采集模块,用于获取变压器一次侧的电压和电流、变压器二次侧的电压和电流、变压器的温度、以及变压器的音频信号;
故障判定模块,用于根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流、所述变压器的温度以及所述变压器的音频信号,确定所述变压器是否异常。
10.根据权利要求9所述的变压器异常的监测装置,其特征在于,所述故障判定模块包括:
曲线生成单元,根据在设定时间内获取的多组所述变压器一次侧的电压和电流,生成一次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器二次侧的电压和电流,生成二次侧电气曲线图,根据在所述设定时间内获取的多组所述变压器的温度,生成温度曲线图,根据在所述设定时间内获取的多组所述变压器的音频信号,生成音频曲线图;
损耗曲线生成单元,用于根据所述变压器一次侧的电压和电流、所述变压器二次侧的电压和电流,生成损耗功率曲线图;
结果生成单元,用于将在同一时间段内的所述一次侧电气曲线图、所述二次侧电气曲线图、所述温度曲线图、所述损耗功率曲线图以及所述音频曲线图,输入预先训练好的变压器异常识别模型中,得到所述变压器的异常识别结果;所述变压器的异常识别结果包括变压器正常和变压器异常;
判定单元,用于根据所述变压器的异常识别结果确定所述变压器是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311802342.0A CN117783732A (zh) | 2023-12-25 | 2023-12-25 | 变压器异常的监测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311802342.0A CN117783732A (zh) | 2023-12-25 | 2023-12-25 | 变压器异常的监测方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117783732A true CN117783732A (zh) | 2024-03-29 |
Family
ID=90390341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311802342.0A Pending CN117783732A (zh) | 2023-12-25 | 2023-12-25 | 变压器异常的监测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783732A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118245954A (zh) * | 2024-05-21 | 2024-06-25 | 广东电网有限责任公司东莞供电局 | 变压器异常检测方法、装置、电子设备和存储介质 |
-
2023
- 2023-12-25 CN CN202311802342.0A patent/CN117783732A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118245954A (zh) * | 2024-05-21 | 2024-06-25 | 广东电网有限责任公司东莞供电局 | 变压器异常检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aubert et al. | Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators | |
CN117783732A (zh) | 变压器异常的监测方法以及装置 | |
JP2007123007A (ja) | 燃料電池システムの診断方法および診断装置 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及*** | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及*** | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及*** | |
CN113777434A (zh) | 一种故障监测方法、装置及供配电*** | |
El Chamie et al. | Physics-based features for anomaly detection in power grids with micro-pmus | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 | |
US20140095087A1 (en) | Method for generating a fault signal | |
JP7437584B2 (ja) | 送電線の外乱分類のための機械学習ベースの方法および装置 | |
CN112327218A (zh) | 一种变压器在线监测与故障诊断方法 | |
CN112116235B (zh) | 一种电网中电压脉冲影响力评估方法 | |
CN115130550A (zh) | 一种基于梯度提升决策树的配电变压器故障识别方法 | |
CN110135021B (zh) | 基于多源信号和rbf神经网络的atru***故障分级诊断方法 | |
CN112834959A (zh) | 基于高频特征提取的直流配电***故障检测方法 | |
CN113721116A (zh) | 基于局部放电、油压检测的故障识别方法、*** | |
CN112421586A (zh) | 基于Hankel矩阵奇异值分解的保护启动判定方法及装置 | |
CN112083267A (zh) | 一种配电网线路故障识别方法、装置及*** | |
CN112470013A (zh) | 电动车辆充电监测装置和方法 | |
CN117409816B (zh) | 一种基于声音信号的设备故障检测方法及*** | |
CN115792417B (zh) | 一种用于高空作业设备的近电检测方法及*** | |
CN115660478B (zh) | 基于变压器的健康状态监测方法、装置、设备及存储介质 | |
CN103389448B (zh) | Gis设备运行状态在线检测方法与*** |
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 |