异常变压器运行状态远程综合诊断方法与流程

1.本技术涉及变压器智能监测技术领域，特别涉及异常变压器运行状态远程综合诊断方法。


背景技术：

2.本部分的陈述仅仅是提供了与本技术相关的背景技术信息，不必然构成在先技术。
3.现有的变压器监测装置一般都是用于进行专项监测，难以对变压器的运行状态做出准确的评估和诊断，若不能及时发现变压器故障，容易造成大型设备损坏事故和影响电网安全可靠运行。将机器识别算法引入变压器故障识别，成为变压器监测领域的大势所趋。现有的机器识别算法较多，识别效果不稳定，但若引入多种识别算法又容易造成识别速度缓慢。


技术实现要素：

4.本技术为了解决上述问题提出了异常变压器运行状态远程综合诊断方法，通过多种神经网络算法对变压器运行状态进行智能识别。
5.本技术提供了异常变压器运行状态远程综合诊断方法，包括如下步骤：
6.s1：根据历史传感数据生成训练集，通过训练集结合不同训练算法分别生成第一识别模型、第二识别模型、第三识别模型；
7.s2：接收实时传感数据，根据实时传感数据提取特征样本，将特征样本分别导入第一识别模型、第二识别模型、第三识别模型，生成第一识别证据体、第二识别证据体、第三识别证据体；
8.s3：根据ds证据组合规则对第一识别证据体、第二识别证据体、第三识别证据体进行证据组合，生成最终识别结果。
9.优选地，所述步骤s1中，所述第一识别模型为bp神经网络模型，第二识别模型为rbf模型，第三识别模型为svm支持向量机。
10.优选地，所述步骤s1和步骤s2中，历史传感数据和实时传感数据包括局部放电数据、振动传感数据、接地电流信号、温度传感数据、红外传感数据。
11.优选地，所述步骤s1中，提取同时段的传感数据和变压器状态信息生成训练样板，所述训练样本包括样本特征和变压器状态标签。
12.优选地，所述步骤s2中，分时段提取实时传感数据并对数据进行预处理，生成根据时间排序的特征样本集。
13.优选地，所述预处理步骤包括：滤波降噪，排出奇异值，分时段划分实时传感数据，提取同时段的各传感数据生成特征样本并按时间排序。
14.优选地，所述步骤s2中，所述第一识别证据体、第二识别证据体、第三识别证据体包括变压器状态标签和对应的识别概率。
15.优选地，所述变压器状态标签包括一级状态标签和二级状态标签，所述二级状态标签为一级状态标签的细分标签，任一一级状态标签包括至少一个二级状态标签。
16.优选地，所述一级状态标签包括正常、隐患、故障标签。
17.优选地，所述步骤s3中，证据组合的具体步骤为：
18.s301：设θ为识别框架，由一完备且互不相容的命题集合组成幂集2
θ
，在其上定义基本概率分配函数bpa：m(a)∈(0,1)，并且满足：
19.(1)
20.(2)
21.其中，a代表识别框架中任一命题，m(a)称为a的基本概率赋值，表示证据支持命题a发生的程度；若m(a)≠0，则a称为一个焦元；设有两个推理系统，它们的概率赋值分别是m1，m2，即m1，m2为识别框架上的两个独立的证据，对于命题a，将这两个证据组合的规则为：
[0022][0023]
其中，k为归一化常数，a1和a2为幂集中的元素；
[0024][0025]
对于命题a，信任函数定义为：bel(a)＝∑m(b),表示命题a中所有子集b的基本概率分配之和，即对a的总的信任度；当a是单元素命题时，be l(a)＝m(a)；
[0026]
s302：通过第一识别模型、第二识别模型、第三识别模型对同一特征样本进行识别，得到p
ij
和r
ij
，其中i表示识别模块编号，j表示一级状态标签编号，p
ij
表示识别模型i将特征样本识别为一级状态标签j，r
ij
表示p
ij
的识别概率；
[0027]
一级标签集作为识别框架θ中的命题，p
ij
作为证据，r
ij
作为基本概率赋值，运用步骤s301中的合成规则将各个证据合并成一个新的证据体，即由合并规则将不同证据体的基本可信度分配合并产生一个总体的可信度分配，根据最大信任值法，计算各命题的信任函数值，选择具有最大信任值的结果pk作为常规识别结果；
[0028]
s303：周期性地进行步骤s302并对第一识别结果pk进行判断，若pk标示变压器状态异常，则通过第一识别模型、第二识别模型、第三识别模型对对应特征样本进行精确识别，得到p
ijn
和r
ijn
，n表示一级状态标签j下的二级状态标签编号，p
ijn
表示识别模型i将特征样本识别为二级状态标签n，r
ijn
表示p
ijn
的识别概率；
[0029]
二级状态标签集作为识别框架θ中的命题，p
ijn
作为证据，r
ijn
作为基本概率赋值，运用步骤s301中的合成规则将各个证据合并成一个新的证据体，即由合并规则将不同证据体的基本可信度分配合并产生一个总体的可信度分配，根据最大信任值法，计算各命题的信任函数值，选择具有最大信任值的结果作为异常识别结果。
[0030]
与现有技术相比，本技术的有益效果为：
[0031]
(1)本技术通过多种神经网络算法识别变压器运行状态，别通过ds证据理论对识别结果进行数据融合，提升了智能识别的准确率。
[0032]
(2)本技术通对运行状态分级识别，提高了识别速度。
附图说明
[0033]
构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
[0034]
图1是本技术一种实施例的方法流程示意图，
[0035]
图2是本技术一种实施例的实施原理图。
具体实施方式：
[0036]
下面结合附图与实施例对本技术作进一步说明。
[0037]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0038]
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
[0039]
如图1至图2所示，异常变压器运行状态远程综合诊断方法，包括如下步骤：
[0040]
s1：根据历史传感数据生成训练集，通过训练集结合不同训练算法分别生成第一识别模型、第二识别模型、第三识别模型；
[0041]
s2：接收实时传感数据，根据实时传感数据提取特征样本，将特征样本分别导入第一识别模型、第二识别模型、第三识别模型，生成第一识别证据体、第二识别证据体、第三识别证据体；
[0042]
s3：根据ds证据组合规则对第一识别证据体、第二识别证据体、第三识别证据体进行证据组合，生成最终识别结果。
[0043]
本技术基于一种变压器状态监测系统，包括超声波传感器，该超声波传感器设置于待监测的变压器，用于对该变压器放电产生的超声波信号进行采集；射频信号接收天线，该射频信号接收天线设置于所述变压器，用于采集该变压器放电时从该变压器的套管辐射出的电磁波信号；多个高频脉冲电流传感器，该多个高频脉冲电流传感器分别设置于所述变压器的升高座、等位线、铁芯、夹件和油箱的接地位置，用于采集该接地位置的放电脉冲信号；多个电流互感器，该多个电流互感器分别设置于所述变压器的铁芯和夹件的接地线上，用于采集该接地线的接地电流信号；振动传感器，该振动传感器设置于所述变压器，用于对该变压器运行中产生的振动进行采集，得到振动信号；变压器油色谱仪，该变压器油色谱仪设置于所述变压器，用于感应该变压器的油箱中的变压器油生成色谱信号；温度传感器和红外传感器，设置于所述变压器，用于对该变压器的局部温度信号进行采集；监测设备，与上述各个传感器连接并根据本技术的方法对变压器运行状态进行判断。
[0044]
具体地，所述步骤s1中，所述第一识别模型为bp神经网络模型，第二识别模型为rbf模型，第三识别模型为svm支持向量机。bp神经网络模型、第二识别模型为rbf模型、svm支持向量机为应用程度较广的三大神经网络模型，其算法结构各有优劣，通过ds证据理论对三种算法的识别结果进行数据融合，提高了识别的准确率。
[0045]
所述步骤s1和步骤s2中，历史传感数据和实时传感数据包括局部放电数据、振动传感数据、接地电流信号、温度传感数据、红外传感数据。所述超声波传感器、射频信号接收天线、高频脉冲电流传感器用于采集变压器局部放电数据，所述电流互感器用于采集接地电流信号，所述振动传感器用于采集振动传感数据，所述温度传感器和红外传感器用于采集温度传感数据、红外传感数据。
[0046]
所述步骤s1中，提取同时段的传感数据和变压器状态信息生成训练样板，所述训练样本包括样本特征和变压器状态标签。例如，以1分钟为一个样本时间段，提取某日12时35分至12时36分之间的时间作为样本时段，此样本时段内的各个传感器的传感数据平均值作为样本特征，此此样本时段内的实际变压器状态作为变压器状态标签。
[0047]
所述步骤s2中，分时段提取实时传感数据并对数据进行预处理，生成根据时间排序的特征样本集。所述预处理步骤包括：滤波降噪，排出奇异值，分时段划分实时传感数据，提取同时段的各传感数据生成特征样本并按时间排序。例如：可以将传感数据一分钟为时间间隔进行分段，提取各个时间分段内的各个传感器的传感数据平均值作为特征样本。
[0048]
所述步骤s2中，所述第一识别证据体、第二识别证据体、第三识别证据体包括变压器状态标签和对应的识别概率。
[0049]
所述变压器状态标签包括一级状态标签和二级状态标签，所述二级状态标签为一级状态标签的细分标签，任一一级状态标签包括至少一个二级状态标签。
[0050]
作为一种具体地方案，所述一级状态标签包括正常、隐患、故障标签。
[0051]
所述步骤s3中，证据组合的具体步骤为：
[0052]
s301：设θ为识别框架，由一完备且互不相容的命题集合组成幂集2
θ
，在其上定义基本概率分配函数bpa：m(a)∈(0,1)，并且满足：
[0053]
(1)
[0054]
(2)
[0055]
其中，a代表识别框架中任一命题，m(a)称为a的基本概率赋值，表示证据支持命题a发生的程度；若m(a)≠0，则a称为一个焦元；设有两个推理系统，它们的概率赋值分别是m1，m2，即m1，m2为识别框架上的两个独立的证据，对于命题a，将这两个证据组合的规则为：
[0056][0057]
其中，k为归一化常数，a1和a2为幂集中的元素；
[0058][0059]
对于命题a，信任函数定义为：bel(a)＝∑m(b),表示命题a中所有子集b的基本概率分配之和，即对a的总的信任度；当a是单元素命题时，be l(a)＝m(a)；
[0060]
s302：通过第一识别模型、第二识别模型、第三识别模型对同一特征样本进行识别，得到p
ij
和r
ij
，其中i表示识别模块编号，j表示一级状态标签编号，p
ij
表示识别模型i将特征样本识别为一级状态标签j，r
ij
表示p
ij
的识别概率；
[0061]
一级标签集作为识别框架θ中的命题，p
ij
作为证据，r
ij
作为基本概率赋值，运用
步骤s301中的合成规则将各个证据合并成一个新的证据体，即由合并规则将不同证据体的基本可信度分配合并产生一个总体的可信度分配，根据最大信任值法，计算各命题的信任函数值，选择具有最大信任值的结果pk作为常规识别结果；
[0062]
s303：周期性地进行步骤s302并对第一识别结果pk进行判断，若pk标示变压器状态异常，则通过第一识别模型、第二识别模型、第三识别模型对对应特征样本进行精确识别，得到p
ijn
和r
ijn
，n表示一级状态标签j下的二级状态标签编号，p
ijn
表示识别模型i将特征样本识别为二级状态标签n，r
ijn
表示p
ijn
识别概率；
[0063]
二级状态标签集作为识别框架θ中的命题，p
ijn
作为证据，r
ijn
作为基本概率赋值，运用步骤s301中的合成规则将各个证据合并成一个新的证据体，即由合并规则将不同证据体的基本可信度分配合并产生一个总体的可信度分配，根据最大信任值法，计算各命题的信任函数值，选择具有最大信任值的结果作为异常识别结果。
[0064]
所述步骤s301提供了两个证据的合成规则，对于多个证据的组合，可以重复运用步骤s301对3个证据进行两两组合进而计算最终识别结果。
[0065]
以上仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0066]
上述虽然结合附图对本技术的具体实施方式进行了描述，但并非对本技术保护范围的限制，所属领域技术人员应该明白，在本技术的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本技术的保护范围以内。