CN118395362A - 基于数字孪生的变压器套管内部故障诊断方法 - Google Patents
基于数字孪生的变压器套管内部故障诊断方法 Download PDFInfo
- Publication number
- CN118395362A CN118395362A CN202410855761.9A CN202410855761A CN118395362A CN 118395362 A CN118395362 A CN 118395362A CN 202410855761 A CN202410855761 A CN 202410855761A CN 118395362 A CN118395362 A CN 118395362A
- Authority
- CN
- China
- Prior art keywords
- transformer bushing
- data
- transformer
- bushing
- sensing 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 106
- 238000005457 optimization Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 6
- 230000008033 biological extinction Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007654 immersion Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 229910052573 porcelain Inorganic materials 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 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
-
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了基于数字孪生的变压器套管内部故障诊断方法，属于变压器套管技术领域，包括如下步骤：S1、数据收集；S2、数据处理；S3、构建模型；S4、测试优化；S5、预警管理。本发明解决了现有的变压器套管内部故障发生迅速，不能及时地对变压器套管内部故障进行有效地诊断，不能及时地对变压器套管内部故障进行有效地检修管理，不能充分保障变压器套管的正常使用的问题，本发明通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，能及时地对变压器套管迅速发生的内部故障进行有效地诊断，能及时地对变压器套管内部故障进行有效地检修管理，可充分保障变压器套管的正常使用，提升变压器套管内部故障诊断效率。
Description
技术领域
本发明涉及变压器套管技术领域，具体为基于数字孪生的变压器套管内部故障诊断方法。
背景技术
变压器套管是变压器箱外的主要绝缘装置，变压器绕组的引出线必须穿过绝缘套管，使引出线之间及引出线与变压器外壳之间绝缘，同时起固定引出线的作用。
因电压等级不同，绝缘套管有纯瓷套管、充油套管和电容套管等形式；纯瓷套管多用于10kV及以下变压器，它是在瓷套管中穿一根导电铜杆，瓷套内为空气绝缘；充油套管多用在35kV级变压器，它是在瓷套管充油，在瓷套管内穿一根导电铜杆，铜杆外包绝缘纸；电容式套管用于100kV以上的高电压变压器上，由主绝缘电容芯子，外绝缘上下瓷件，连接套筒，油枕，弹簧装配，底座，均压球，测量端子，接线端子，橡皮垫圈，绝缘油等组成。
变压器套管在使用时，需要对变压器套管进行监测，以便于及时地了解变压器套管内部故障，从而更好地保障变压器套管的正常使用。
公开号为CN113344475B的中国专利公开了一种基于序列模态分解的变压器套管缺陷识别方法，涉及变压器套管技术领域，该方法采用图像融合算法对所获得的变压器套管红外图像与变压器套管可见光图像进行融合；采用Mask-RCNN算法对变压器套管融合图像进行分割；采用CEEMDAN方法对非线性信号自适应分解；对剔除后的本征模态函数进行重构；采用LSTM训练模型对训练集数据建模，优化网络参数；将运行功率参数输入LSTM训练模型中，得到用于判别的温度值；根据热点温度和相对温差做出变压器套管缺陷判定；能够提高变压器套管缺陷判定正确率和效率。但是该专利存在以下缺陷：
现有的变压器套管内部故障发生迅速，不能及时地对变压器套管内部故障进行有效地诊断，导致不能及时地对变压器套管内部故障进行有效地检修管理，不能充分保障变压器套管的正常使用。
发明内容
本发明的目的在于提供基于数字孪生的变压器套管内部故障诊断方法，能及时地对变压器套管迅速发生的内部故障进行有效地诊断，能及时地对变压器套管内部故障进行有效地检修管理，可充分保障变压器套管的正常使用，提升变压器套管内部故障诊断效率，解决了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：
基于数字孪生的变压器套管内部故障诊断方法，包括如下步骤：
S1、数据收集：
采集变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据，确定出变压器套管感知数据；
S2、数据处理：
对变压器套管感知数据进行检索、排序及特征提取，确定出变压器套管特征数据；
S3、构建模型：
基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型；
S4、测试优化：
对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型；
S5、预警管理：
通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理。
优选的，所述S1中，变压器套管运行数据包括变压器套管在运行过程中的相对介损、相对电容和局部放电数据；
变压器套管形态数据包括变压器套管的真实尺寸结构参数、套管损耗程度及套管的位置坐标；
变压器套管环境数据包括变压器套管周围静态环境及周围人员变动情况。
优选的，所述数据处理之前，还包括：
提取所述变压器套管运行数据中的相对介损和局部放电数据；
利用所述变压器套管运行数据中的相对介损和局部放电数据获取变压器套管运行的第一评价系数；其中，所述第一评价系数通过如下公式获取：
其中，K01表示第一评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；mi表示第i个单位时间对应的放电次数；S01i表示第i个单位时间的变压器套管运行的第一放电系数，并且，所述变压器套管运行的第一放电系数通过如下公式获取：
其中，m表示每个单位时间对应的放电次数；Ei表示第i次放电对应的视在放电量；Ei-1表示第i-1次放电对应的视在放电量；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；
当所述变压器套管运行的第一评价系数超过预设的第一评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第一评价系数未超过预设的第一评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好。
优选的，当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好，包括：
当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则提取变压器套管形态数据中的套管损耗程度对应数据；其中，所述套管损耗程度对应数据包括变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度；
提取所述变压器套管运行数据中的局部放电数据；
利用所述局部放电数据和套管损耗程度对应数据获取第二评价系数；其中，所述第二评价系数通过如下公式获取：其中，K02表示第二评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；Mx和Mh分别表示变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度对应百分比；S02i表示第i个单位时间的变压器套管运行的第二放电系数，并且，所述变压器套管运行的第二放电系数通过如下公式获取：其中，m表示每个单位时间对应的放电次数；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；Vmi表示第i次放电对应的熄灭电压；Vmc表示预设的熄灭电压参考值；
当所述变压器套管运行的第二评价系数超过预设的第二评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第二评价系数未超过预设的第二评价阈值时，则判定所述变压器套管运行不良，并对所述变压器套管进行运行不良标记；并且，所述运行不良标记的变压器套管的实时运行数据被用于后续已完成构建数字孪生模型的预测准确性验证。
优选的，所述S2中，对变压器套管感知数据进行检索、排序及特征提取，执行以下操作：
获取变压器套管在使用过程中的变压器套管感知数据；
基于顺序检索方法，对变压器套管感知数据进行检索；
确定出对变压器套管内部故障诊断有价值的变压器套管感知数据；
获取对变压器套管内部故障诊断有价值的变压器套管感知数据；
基于内部排序方法，对检索后保留的对变压器套管内部故障诊断有价值的变压器套管感知数据进行排序；
确定出具有排列次序的变压器套管感知数据；
获取具有排列次序的变压器套管感知数据；
对具有排列次序的变压器套管感知数据进行特征提取，选取关键指标，且进行归一化处理，减少特征间的差异性，确定出变压器套管特征数据。
优选的，所述S2中，基于顺序检索方法，对变压器套管感知数据进行检索，执行以下操作：
获取变压器套管感知数据，对变压器套管感知数据进行逐一提取；
对逐一提取的变压器套管感知数据进行一致性检查；
根据每个变量的合理取值范围和相互关系，检查逐一提取的变压器套管感知数据是否合乎要求；
去除变压器套管感知数据中超出正常范围、逻辑上不合理或者相互矛盾的数据，确定出具有一致性的变压器套管感知数据；
获取具有一致性的变压器套管感知数据，对具有一致性的变压器套管感知数据进行无效值和缺失值的处理；
其中，对具有一致性的变压器套管感知数据进行逐一提取，且对逐一提取的具有一致性的变压器套管感知数据进行无效值和缺失值处理；
当逐一提取的具有一致性的变压器套管感知数据为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是无价值的，则将逐一提取的具有一致性的变压器套管感知数据去除；
当逐一提取的具有一致性的变压器套管感知数据不为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是有价值的，则将逐一提取的具有一致性的变压器套管感知数据保留；
进而确定出对变压器套管内部故障诊断有价值的变压器套管感知数据。
优选的，所述S3中，基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型，包括：
获取变压器套管特征数据；
基于变压器套管特征数据，确定出变压器套管内部参数；
基于变压器套管内部故障诊断需求，根据变压器套管内部参数，选取能反映物理系统关键特性和行为的模型架构；
将变压器套管内部参数输入到选取的模型架构中进行仿真，模拟变压器套管在现实环境中的行为，且对变压器套管进行虚拟仿真，确定出数字孪生模型。
优选的，所述S4中，对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型，包括：
获取数字孪生模型；
将数字孪生模型应用于变压器套管内部故障诊断中；
基于变压器套管实验数据，对数字孪生模型进行实验测试；
通过对不同情况下的变压器套管进行测试，验证数字孪生模型预测的准确性，确定出数字孪生模型实验测试结果；
获取数字孪生模型实验测试结果，对数字孪生模型实验测试结果进行伸入挖掘及评估分析，确定出数字孪生模型调整优化方案；
获取数字孪生模型调整优化方案，基于数字孪生模型调整优化方案对数字孪生模型进行调整优化，确定出最佳的数字孪生模型。
优选的，所述S5中，通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理，执行以下操作：
获取最佳的数字孪生模型；
获取变压器套管在使用过程中的变压器套管实时数据；
将变压器套管实时数据输入到最佳的数字孪生模型中，通过最佳的数字孪生模型对变压器套管实时数据进行预测，诊断变压器套管内部故障情况，生成变压器套管实时状态信息；
对变压器套管实时状态信息进行挖掘分析，确定出变压器套管内部故障管理方法，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理。
优选的，所述S5中，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理，执行以下操作：
对变压器套管内部故障进行及时地预警，且根据变压器套管内部故障情况，准确地确定出变压器套管内部故障位置，自主生成变压器套管内部故障检修管理方案，对变压器套管内部故障进行实时远程维护。
与现有技术相比，本发明的有益效果是：
本发明通过采集变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据，确定出变压器套管感知数据，通过对变压器套管感知数据进行检索、排序及特征提取，确定出变压器套管特征数据，基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型，对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型，通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理，能及时地对变压器套管迅速发生的内部故障进行有效地诊断，能及时地对变压器套管内部故障进行有效地检修管理，可充分保障变压器套管的正常使用，提升变压器套管内部故障诊断效率。
附图说明
图1为本发明的基于数字孪生的变压器套管内部故障诊断方法的流程图。
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、完整地描述，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。
为了解决现有的变压器套管内部故障发生迅速，不能及时地对变压器套管内部故障进行有效地诊断，导致不能及时地对变压器套管内部故障进行有效地检修管理，不能充分保障变压器套管的正常使用的问题，请参阅图1，本实施例提供以下技术方案：
基于数字孪生的变压器套管内部故障诊断方法，包括如下步骤：
S1、数据收集：
采集变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据，确定出变压器套管感知数据；
变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据是通过多种传感器及摄像头感知而确定的，因此，S1中，变压器套管感知数据即为变压器套管运行数据、形态数据及环境数据；
在本实施例中，作为本发明的优选技术方案，变压器套管运行数据包括变压器套管在运行过程中的相对介损、相对电容和局部放电数据；
变压器套管形态数据包括变压器套管的真实尺寸结构参数、套管损耗程度及套管的位置坐标；
变压器套管环境数据包括变压器套管周围静态环境及周围人员变动情况。
变压器套管环境数据包括变压器套管周围静态环境及周围人员变动情况，其中，采集变压器套管周围静态环境及周围人员变动情况的目的也是为了监测变压器套管内部故障的，其中，变压器套管周围静态环境包括变压器套管周围温度、湿度、烟雾及火花情况，通过监测变压器套管周围温度、湿度、烟雾及火花情况，以及周围人员变动情况，可进一步确定变压器套管内部故障情况；
S2、数据处理：
对变压器套管感知数据进行检索、排序及特征提取，确定出变压器套管特征数据；
具体的，所述数据处理之前，还包括：
提取所述变压器套管运行数据中的相对介损和局部放电数据；
利用所述变压器套管运行数据中的相对介损和局部放电数据获取变压器套管运行的第一评价系数；其中，所述第一评价系数通过如下公式获取：
其中，K01表示第一评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；mi表示第i个单位时间对应的放电次数；S01i表示第i个单位时间的变压器套管运行的第一放电系数，并且，所述变压器套管运行的第一放电系数通过如下公式获取：
其中，m表示每个单位时间对应的放电次数；Ei表示第i次放电对应的视在放电量；Ei-1表示第i-1次放电对应的视在放电量；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；
当所述变压器套管运行的第一评价系数超过预设的第一评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第一评价系数未超过预设的第一评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好。
上述技术方案的技术效果为：该技术方案通过结合变压器套管运行数据中的相对介损和局部放电数据，以及变压器套管形态数据中的套管损耗程度，对变压器套管进行全面的运行状态评估。这种方法能够更准确地反映变压器套管的健康状态，提高评估的准确性。
通过实时监测变压器套管的相对介损和局部放电数据，并计算第一评价系数，该技术方案能够在变压器套管运行异常时及时发现，并通过预设的第一评价阈值进行预警。这有助于及时发现并解决潜在问题，提高变压器的运行可靠性和安全性。
在计算第一评价系数时，不仅考虑了相对介损和放电次数，还引入了放电系数这一参数，该参数考虑了放电的视在放电量、放电起始电压以及预设的放电起始电压参考值。这种多参数评价方法能够更全面地反映变压器套管的运行状况，提高评估的可靠性。
当第一评价系数超过预设的第一评价阈值时，该技术方案能够自动判断变压器套管运行良好，并进行运行良好标记。这有助于减轻人工判断的负担，提高工作效率。
当第一评价系数未超过预设的第一评价阈值时，该技术方案会利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据第二评价系数判定变压器套管运行是否良好。这种备用评估机制能够在第一评价系数不准确时提供额外的评估依据，确保评估结果的准确性。
综上所述，该技术方案通过综合评估变压器套管的运行状态，实时监测与预警，结合多参数评价以及自动判断与标记等功能，提高了变压器套管运行评估的准确性和可靠性，有助于及时发现并解决潜在问题，确保变压器的安全稳定运行。
具体的，当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好，包括：
当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则提取变压器套管形态数据中的套管损耗程度对应数据；其中，所述套管损耗程度对应数据包括变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度；
提取所述变压器套管运行数据中的局部放电数据；
利用所述局部放电数据和套管损耗程度对应数据获取第二评价系数；其中，所述第二评价系数通过如下公式获取：其中，K02表示第二评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；Mx和Mh分别表示变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度对应百分比；S02i表示第i个单位时间的变压器套管运行的第二放电系数，并且，所述变压器套管运行的第二放电系数通过如下公式获取：其中，m表示每个单位时间对应的放电次数；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；Vmi表示第i次放电对应的熄灭电压；Vmc表示预设的熄灭电压参考值；
当所述变压器套管运行的第二评价系数超过预设的第二评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第二评价系数未超过预设的第二评价阈值时，则判定所述变压器套管运行不良，并对所述变压器套管进行运行不良标记；并且，所述运行不良标记的变压器套管的实时运行数据被用于后续已完成构建数字孪生模型的预测准确性验证。
上述技术方案的技术效果为：该技术方案在变压器套管运行的第一评价系数未达标时，引入了变压器套管形态数据中的套管损耗程度以及局部放电数据，用于计算第二评价系数。这种多参数综合评估方法能够更全面、准确地反映变压器套管的运行状态，提高评估的可靠性。
通过实时监测变压器套管的运行数据，包括局部放电数据和套管损耗程度对应数据，该技术方案能够动态地评估变压器套管的运行状况。这种动态监测与评估方式有助于及时发现并解决潜在问题，提高变压器的运行可靠性和安全性。
当第一评价系数未超过预设的评价阈值时，该技术方案会启动备用评估机制，利用变压器套管形态数据中的套管损耗程度以及局部放电数据计算第二评价系数。这种备用评估机制能够在第一评价系数不准确时提供额外的评估依据，确保评估结果的准确性。
根据第二评价系数是否超过预设的第二评价阈值，该技术方案能够自动判断变压器套管运行是否良好，并进行相应的运行良好或不良标记。这有助于减轻人工判断的负担，提高工作效率。
对于运行不良标记的变压器套管，其实时运行数据将被用于后续已完成构建的数字孪生模型的预测准确性验证。这种验证方式能够不断优化和完善数字孪生模型，提高其在变压器套管运行状态预测和评估方面的准确性和可靠性。
通过对变压器套管运行状态的持续监测和评估，结合数字孪生模型的预测结果，该技术方案能够为变压器的预防性维护提供有力支持。通过及时发现潜在问题并采取相应措施，可以避免因变压器故障导致的生产中断和损失。
综上所述，该技术方案通过多参数综合评估、动态监测与评估、备用评估机制、自动判断与标记以及数字孪生模型验证等功能，提高了变压器套管运行评估的准确性和可靠性，为变压器的预防性维护提供了有力支持，有助于确保变压器的安全稳定运行。
在本实施例中，作为本发明的优选技术方案，对变压器套管感知数据进行检索、排序及特征提取，执行以下操作：
获取变压器套管在使用过程中的变压器套管感知数据；
基于顺序检索方法，对变压器套管感知数据进行检索；
确定出对变压器套管内部故障诊断有价值的变压器套管感知数据；
获取对变压器套管内部故障诊断有价值的变压器套管感知数据；
基于内部排序方法，对检索后保留的对变压器套管内部故障诊断有价值的变压器套管感知数据进行排序；
确定出具有排列次序的变压器套管感知数据；
获取具有排列次序的变压器套管感知数据；
对具有排列次序的变压器套管感知数据进行特征提取，选取关键指标，且进行归一化处理，减少特征间的差异性，确定出变压器套管特征数据。
在本实施例中，作为本发明的优选技术方案，基于顺序检索方法，对变压器套管感知数据进行检索，执行以下操作：
获取变压器套管感知数据，对变压器套管感知数据进行逐一提取；
对逐一提取的变压器套管感知数据进行一致性检查；
根据每个变量的合理取值范围和相互关系，检查逐一提取的变压器套管感知数据是否合乎要求；
去除变压器套管感知数据中超出正常范围、逻辑上不合理或者相互矛盾的数据，确定出具有一致性的变压器套管感知数据；
获取具有一致性的变压器套管感知数据，对具有一致性的变压器套管感知数据进行无效值和缺失值的处理；
其中，对具有一致性的变压器套管感知数据进行逐一提取，且对逐一提取的具有一致性的变压器套管感知数据进行无效值和缺失值处理；
当逐一提取的具有一致性的变压器套管感知数据为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是无价值的，则将逐一提取的具有一致性的变压器套管感知数据去除；
当逐一提取的具有一致性的变压器套管感知数据不为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是有价值的，则将逐一提取的具有一致性的变压器套管感知数据保留；
进而确定出对变压器套管内部故障诊断有价值的变压器套管感知数据。
S3、构建模型：
基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型；
在本实施例中，作为本发明的优选技术方案，基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型，包括：
获取变压器套管特征数据；
基于变压器套管特征数据，确定出变压器套管内部参数；
基于变压器套管内部故障诊断需求，根据变压器套管内部参数，选取能反映物理系统关键特性和行为的模型架构；
将变压器套管内部参数输入到选取的模型架构中进行仿真，模拟变压器套管在现实环境中的行为，且对变压器套管进行虚拟仿真，确定出数字孪生模型。
S4、测试优化：
对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型；
在本实施例中，作为本发明的优选技术方案，对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型，包括：
获取数字孪生模型；
将数字孪生模型应用于变压器套管内部故障诊断中；
基于变压器套管实验数据，对数字孪生模型进行实验测试；
通过对不同情况下的变压器套管进行测试，验证数字孪生模型预测的准确性，确定出数字孪生模型实验测试结果；
获取数字孪生模型实验测试结果，对数字孪生模型实验测试结果进行伸入挖掘及评估分析，确定出数字孪生模型调整优化方案；
获取数字孪生模型调整优化方案，基于数字孪生模型调整优化方案对数字孪生模型进行调整优化，确定出最佳的数字孪生模型。
S5、预警管理：
通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理。
在本实施例中，作为本发明的优选技术方案，通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理，执行以下操作：
获取最佳的数字孪生模型；
获取变压器套管在使用过程中的变压器套管实时数据；
将变压器套管实时数据输入到最佳的数字孪生模型中，通过最佳的数字孪生模型对变压器套管实时数据进行预测，诊断变压器套管内部故障情况，生成变压器套管实时状态信息；
对变压器套管实时状态信息进行挖掘分析，确定出变压器套管内部故障管理方法，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理。
在本实施例中，作为本发明的优选技术方案，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理，执行以下操作：
对变压器套管内部故障进行及时地预警，且根据变压器套管内部故障情况，准确地确定出变压器套管内部故障位置，自主生成变压器套管内部故障检修管理方案，对变压器套管内部故障进行实时远程维护。
因此，通过采集变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据，确定出变压器套管感知数据，通过对变压器套管感知数据进行检索、排序及特征提取，确定出变压器套管特征数据，基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型，对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型，通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理，能及时地对变压器套管迅速发生的内部故障进行有效地诊断，能及时地对变压器套管内部故障进行有效地检修管理，可充分保障变压器套管的正常使用，提升变压器套管内部故障诊断效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于数字孪生的变压器套管内部故障诊断方法，其特征在于，包括如下步骤：
S1、数据收集：
采集变压器套管在使用过程中的变压器套管运行数据、形态数据及环境数据，确定出变压器套管感知数据；
S2、数据处理：
对变压器套管感知数据进行检索、排序及特征提取，确定出变压器套管特征数据；
S3、构建模型：
基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型；
S4、测试优化：
对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型；
S5、预警管理：
通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理。
2.根据权利要求1所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S1中，变压器套管运行数据包括变压器套管在运行过程中的相对介损、相对电容和局部放电数据；
变压器套管形态数据包括变压器套管的真实尺寸结构参数、套管损耗程度及套管的位置坐标；
变压器套管环境数据包括变压器套管周围静态环境及周围人员变动情况。
3.根据权利要求2所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述数据处理之前，还包括：
提取所述变压器套管运行数据中的相对介损和局部放电数据；
利用所述变压器套管运行数据中的相对介损和局部放电数据获取变压器套管运行的第一评价系数；其中，所述第一评价系数通过如下公式获取：其中，K01表示第一评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；mi表示第i个单位时间对应的放电次数；S01i表示第i个单位时间的变压器套管运行的第一放电系数，并且，所述变压器套管运行的第一放电系数通过如下公式获取：其中，m表示每个单位时间对应的放电次数；Ei表示第i次放电对应的视在放电量；Ei-1表示第i-1次放电对应的视在放电量；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；
当所述变压器套管运行的第一评价系数超过预设的第一评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第一评价系数未超过预设的第一评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好。
4.根据权利要求3所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则利用变压器套管形态数据中的套管损耗程度获取第二评价系数，并根据所述第二评价系数判定变压器套管运行是否良好，包括：
当所述变压器套管运行的第一评价系数未超过预设的评价阈值时，则提取变压器套管形态数据中的套管损耗程度对应数据；其中，所述套管损耗程度对应数据包括变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度；
提取所述变压器套管运行数据中的局部放电数据；
利用所述局部放电数据和套管损耗程度对应数据获取第二评价系数；其中，所述第二评价系数通过如下公式获取：其中，K02表示第二评价系数；n表示变压器套管运行所经历的单位时间的个数，并且，所述单位时间的取值范围为1h-3h；Ji表示第i个单位时间的相对介损；Mx和Mh分别表示变压器套管运行前的套管损耗程度以及变压器套管运行之后对应的套管损耗程度对应百分比；S02i表示第i个单位时间的变压器套管运行的第二放电系数，并且，所述变压器套管运行的第二放电系数通过如下公式获取：其中，m表示每个单位时间对应的放电次数；Vfi表示第i次放电对应的放电起始电压；Vfc表示预设的放电起始电压参考值；Vmi表示第i次放电对应的熄灭电压；Vmc表示预设的熄灭电压参考值；
当所述变压器套管运行的第二评价系数超过预设的第二评价阈值时，则判定所述变压器套管运行良好，并对所述变压器套管进行运行良好标记；
当所述变压器套管运行的第二评价系数未超过预设的第二评价阈值时，则判定所述变压器套管运行不良，并对所述变压器套管进行运行不良标记；并且，所述运行不良标记的变压器套管的实时运行数据被用于后续已完成构建数字孪生模型的预测准确性验证。
5.根据权利要求2所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S2中，对变压器套管感知数据进行检索、排序及特征提取，执行以下操作：
获取变压器套管在使用过程中的变压器套管感知数据；
基于顺序检索方法，对变压器套管感知数据进行检索；
确定出对变压器套管内部故障诊断有价值的变压器套管感知数据；
获取对变压器套管内部故障诊断有价值的变压器套管感知数据；
基于内部排序方法，对检索后保留的对变压器套管内部故障诊断有价值的变压器套管感知数据进行排序；
确定出具有排列次序的变压器套管感知数据；
获取具有排列次序的变压器套管感知数据；
对具有排列次序的变压器套管感知数据进行特征提取，选取关键指标，且进行归一化处理，减少特征间的差异性，确定出变压器套管特征数据。
6.根据权利要求5所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S2中，基于顺序检索方法，对变压器套管感知数据进行检索，执行以下操作：
获取变压器套管感知数据，对变压器套管感知数据进行逐一提取；
对逐一提取的变压器套管感知数据进行一致性检查；
根据每个变量的合理取值范围和相互关系，检查逐一提取的变压器套管感知数据是否合乎要求；
去除变压器套管感知数据中超出正常范围、逻辑上不合理或者相互矛盾的数据，确定出具有一致性的变压器套管感知数据；
获取具有一致性的变压器套管感知数据，对具有一致性的变压器套管感知数据进行无效值和缺失值的处理；
其中，对具有一致性的变压器套管感知数据进行逐一提取，且对逐一提取的具有一致性的变压器套管感知数据进行无效值和缺失值处理；
当逐一提取的具有一致性的变压器套管感知数据为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是无价值的，则将逐一提取的具有一致性的变压器套管感知数据去除；
当逐一提取的具有一致性的变压器套管感知数据不为无效值或缺失值时，则逐一提取的具有一致性的变压器套管感知数据对于变压器套管内部故障诊断来说是有价值的，则将逐一提取的具有一致性的变压器套管感知数据保留；
进而确定出对变压器套管内部故障诊断有价值的变压器套管感知数据。
7.根据权利要求6所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S3中，基于变压器套管内部故障诊断需求，根据变压器套管特征数据，确定出数字孪生模型，包括：
获取变压器套管特征数据；
基于变压器套管特征数据，确定出变压器套管内部参数；
基于变压器套管内部故障诊断需求，根据变压器套管内部参数，选取能反映物理系统关键特性和行为的模型架构；
将变压器套管内部参数输入到选取的模型架构中进行仿真，模拟变压器套管在现实环境中的行为，且对变压器套管进行虚拟仿真，确定出数字孪生模型。
8.根据权利要求7所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S4中，对数字孪生模型进行实验测试及调整优化，确定出最佳的数字孪生模型，包括：
获取数字孪生模型；
将数字孪生模型应用于变压器套管内部故障诊断中；
基于变压器套管实验数据，对数字孪生模型进行实验测试；
通过对不同情况下的变压器套管进行测试，验证数字孪生模型预测的准确性，确定出数字孪生模型实验测试结果；
获取数字孪生模型实验测试结果，对数字孪生模型实验测试结果进行伸入挖掘及评估分析，确定出数字孪生模型调整优化方案；
获取数字孪生模型调整优化方案，基于数字孪生模型调整优化方案对数字孪生模型进行调整优化，确定出最佳的数字孪生模型。
9.根据权利要求8所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S5中，通过最佳的数字孪生模型对变压器套管实时数据进行预测预警，且对变压器套管内部故障进行管理，执行以下操作：
获取最佳的数字孪生模型；
获取变压器套管在使用过程中的变压器套管实时数据；
将变压器套管实时数据输入到最佳的数字孪生模型中，通过最佳的数字孪生模型对变压器套管实时数据进行预测，诊断变压器套管内部故障情况，生成变压器套管实时状态信息；
对变压器套管实时状态信息进行挖掘分析，确定出变压器套管内部故障管理方法，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理。
10.根据权利要求9所述的基于数字孪生的变压器套管内部故障诊断方法，其特征在于，所述S5中，基于变压器套管内部故障管理方法对变压器套管内部故障进行管理，执行以下操作：
对变压器套管内部故障进行及时地预警，且根据变压器套管内部故障情况，准确地确定出变压器套管内部故障位置，自主生成变压器套管内部故障检修管理方案，对变压器套管内部故障进行实时远程维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410855761.9A CN118395362B (zh) | 2024-06-28 | 2024-06-28 | 基于数字孪生的变压器套管内部故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410855761.9A CN118395362B (zh) | 2024-06-28 | 2024-06-28 | 基于数字孪生的变压器套管内部故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118395362A true CN118395362A (zh) | 2024-07-26 |
| CN118395362B CN118395362B (zh) | 2024-10-22 |
Family
ID=91991818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410855761.9A Active CN118395362B (zh) | 2024-06-28 | 2024-06-28 | 基于数字孪生的变压器套管内部故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118395362B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| 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系统及其方法 |
| CN117554746A (zh) * | 2023-11-16 | 2024-02-13 | 贵州电网有限责任公司 | 一种基于数字孪生的配电网故障诊断系统 |
| CN117574624A (zh) * | 2023-11-09 | 2024-02-20 | 北京天易数智科技有限公司 | 基于数字孪生技术的变压器状态监测及预警方法 |
-
2024
- 2024-06-28 CN CN202410855761.9A patent/CN118395362B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| 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系统及其方法 |
| CN117574624A (zh) * | 2023-11-09 | 2024-02-20 | 北京天易数智科技有限公司 | 基于数字孪生技术的变压器状态监测及预警方法 |
| CN117554746A (zh) * | 2023-11-16 | 2024-02-13 | 贵州电网有限责任公司 | 一种基于数字孪生的配电网故障诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118395362B (zh) | 2024-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106199305B (zh) | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 | |
| Abu-Elanien et al. | Asset management techniques for transformers | |
| CN105241497B (zh) | 一种变压器监测系统和故障诊断方法 | |
| CN105259435A (zh) | 一种变压器监测装置和故障诊断方法 | |
| CN115549094B (zh) | 一种智能电网变电设备预警评估方法及系统 | |
| CN105182161A (zh) | 一种变压器监测系统和方法 | |
| CN114417669A (zh) | 一种基于数字孪生的变电设备故障监测预警方法与装置 | |
| CN113537415A (zh) | 基于多信息融合的换流站巡检方法、装置和计算机设备 | |
| CN103513139A (zh) | 一种电力变压器故障智能诊断技术、方法及设备 | |
| CN110299758B (zh) | 一种变电站综合在线监测及诊断系统 | |
| CN108776804A (zh) | 一种基于便携式终端的变压器专业化检修方法 | |
| CN110940374A (zh) | 基于大数据融合的变压器健康等级评价系统及方法 | |
| CN112116243A (zh) | 基于ahp和远程支持的电力设备缺陷管理系统 | |
| Malik et al. | UV/VIS response based fuzzy logic for health assessment of transformer oil | |
| CN112115618A (zh) | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 | |
| CN115792724A (zh) | 一种变压器套管故障不停电诊断方法 | |
| CN118395362B (zh) | 基于数字孪生的变压器套管内部故障诊断方法 | |
| CN115345466A (zh) | 基于网架拓扑与多源数据融合的配电网在线评估系统 | |
| CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| KR20240118055A (ko) | 지능형 유입식 케이블 결함 진단 장치 | |
| CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
| Kapitsa et al. | Selecting the Parameters of The Diagnosis of Frame Insulation Condition in Electrical Machines of Locomotives | |
| CN113962062A (zh) | 一种数字孪生驱动的高压干式套管故障预测方法及系统 | |
| Gargari | Pattern recognition and knowledge extraction for on-line partial discharge monitoring with defect location | |
| CN118798427A (zh) | 基于大数据分析的电缆隐患预测与评估平台 |
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 |