变压器故障诊断方法及变压器故障诊断装置制造方法及图纸

本发明专利技术涉及变压器技术领域，提供一种变压器故障诊断方法及装置，所述方法包括：获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据；将所述当前DGA数据和所述当前运行数据输入已训练的故障诊断模型，以获得所述已训练的故障诊断模型输出的变压器故障类型；其中，所述已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得。本发明专利技术提供的技术方案，能够对变压器故障类型进行快速、准确地诊断。

【技术实现步骤摘要】
变压器故障诊断方法及变压器故障诊断装置
本专利技术涉及变压器
，特别涉及一种变压器故障诊断方法及一种变压器故障诊断装置。
技术介绍
变压器是电力系统的核心设备，在电力的生产、传输和消费中至关重要，研究电力变压器故障诊断方法对提高电力系统运行的安全性和可靠性具有决定性意义。变压器故障一般可分为过热故障和放电故障，机械性故障及内部进水受潮等故障将发展为电性故障而表现出来。通常将变压器故障类型分为低能放电、高能放电、局部放电、低温过热(温度小于300℃时)、中温过热(温度在300℃和700℃之间时)、高温过热(温度大于700℃时)、低能放电兼过热和高能放电兼过热8种故障类型。目前对于变压器故障类型的智能诊断，主要基于变压器故障发生时变压器油中溶解的气体成分来进行，即将故障发生时变压器油中溶解的气体成分作为特征向量，建立该特征向量与变压器故障类型之间的非线性映射关系，通过检测分析变压器在发生故障时变压器油中溶解的气体成分(DissolvedGassesAnalysis，DGA)来诊断相应的故障类型。但这种方式由于局限于阈值诊断的范畴，往往需要在某些特征气体的含量超过阈值时才能诊断出结果，以至于很难在故障发生初期及时诊断出故障类型。
技术实现思路
有鉴于此，本专利技术旨在提出一种变压器故障诊断方法及装置，能够对变压器故障类型进行及时、准确地诊断。为达到上述目的，本专利技术的技术方案是这样实现的：一种变压器故障诊断方法，所述方法包括：获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据；将所述当前DGA数据和所述当前运行数据输入已训练的故障诊断模型，以获得所述已训练的故障诊断模型输出的变压器故障类型；其中，所述已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得。优选地，所述预先采集的历史故障数据包括：所述目标变压器发生故障时的DGA数据、运行数据，以及与该DGA数据和该运行数据对应的故障类型，所述采用深度学习技术对预先采集的历史故障数据进行学习，获得所述已训练的故障诊断模型，包括：建立所述预先采集的历史故障数据中的DGA数据、所述预先采集的历史故障数据中的运行数据与所述预先采集的历史故障数据中的故障类型之间的关系，获得变压器故障经验池；采用深度学习技术对所述变压器故障经验池进行学习，获得所述已训练的故障诊断模型。优选地，所述采用深度学习技术对所述变压器故障经验池进行学习，获得所述已训练的故障诊断模型，包括：基于卷积神经网络采用深度学习技术对所述变压器故障经验池进行非监督学习，确定所述卷积神经网络各层的权重，获得所述已训练的故障诊断模型。进一步地，所述方法还包括：对所述已训练的故障诊断模型进行优化，获得优化的故障诊断模型；将所述当前DGA数据和所述当前运行数据输入所述优化的故障诊断模型，以获得所述优化的故障诊断模型输出的变压器故障类型。优选地，所述对所述已训练的故障诊断模型进行优化，获得优化的故障诊断模型，包括：当所述目标变压器发生实际故障，而所述已训练的故障诊断模型未输出相应的变压器故障类型时，采集该实际故障的故障类型、该实际故障发生时所述目标变压器的DGA数据和运行数据；将采集到的该实际故障的故障类型、该实际故障发生时所述目标变压器的DGA数据和运行数据添加至所述预先采集的历史故障数据中，获得更新的历史故障数据；采用深度学习技术对所述更新的历史故障数据进行学习，获得优化的故障诊断模型。进一步地，在所述获得所述已训练的故障诊断模型输出的变压器故障类型之后，所述方法还包括：进行故障报警。优选地，所述目标变压器的DGA数据包括：变压器油中溶解的气体成分、各气体成分占总烃的百分比和各气体成分占总氢烃的百分比。优选地，所述目标变压器的运行数据包括：变压器容量、运行方式和运行年限。本专利技术的另一目的在于提出一种变压器故障诊断装置，能够对变压器故障类型进行及时、准确地诊断。为达到上述目的，本专利技术的技术方案是这样实现的：一种变压器故障诊断装置，所述装置包括：数据获取单元，用于获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据；故障类型获取单元，用于将所述当前DGA数据和所述当前运行数据输入已训练的故障诊断模型，以获得所述已训练的故障诊断模型输出的变压器故障类型；其中，所述已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得。本专利技术还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项变压器故障诊断方法。本专利技术所述的变压器故障诊断方法及装置，由于综合考虑了目标变压器的当前DGA数据和目标变压器的当前运行数据，避免了只考虑DGA数据与变压器故障类型之间的关系；同时，采用已训练的故障诊断模型基于上述数据对变压器故障类型进行诊断，且该已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得，因此，能够及时、准确地诊断出变压器的故障类型。此外，本专利技术还根据变压器发生的实际故障数据不断地优化上述已训练的故障诊断模型，能够进一步提升其对故障诊断的及时性和准确性。本专利技术的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施方式及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例的方法流程图一；图2为本专利技术实施例的方法流程图二；图3为本专利技术实施例的装置结构图一；图4为本专利技术实施例的装置结构图二。具体实施方式以下结合附图对本专利技术实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术实施例，并不用于限制本专利技术实施例。本专利技术实施例提供的一种变压器故障诊断方法如图1所示，包括以下步骤：步骤S101，获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据。本实施例中，所述目标变压器即为待诊断其故障的变压器，所述目标变压器的DGA(DissolvedGassesAnalysis，溶解气体分析)数据包括：变压器油中溶解的气体成分、各气体成分占总烃的百分比和各气体成分占总氢烃的百分比等能反映变压器油中溶解气体成分情况的各类数据。对变压器DGA数据的采集和分析，可采用各种专门的在线检测分析仪器，例如，变压器高精度光声光谱检测仪等。变压器内部故障点的温度较低时，产生气体的主要成分为CH4，然而随着故障点温度的逐步上升，变压器油中的溶解气体逐步产生C2H6、C2H4以及C2H2，而C2H6及其不稳定，易分解为H2和C2H4，因此两者总是同步产生，但通常CH4的含量大于C2H6。低温过热时，变压器油中溶解气体中的H2含量占总氢烃(即CH4、C2H6、C2、C2H4、C2H2含量之和)含量的27％本文档来自技高网...

【技术保护点】
1.一种变压器故障诊断方法，其特征在于，所述方法包括：/n获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据；/n将所述当前DGA数据和所述当前运行数据输入已训练的故障诊断模型，以获得所述已训练的故障诊断模型输出的变压器故障类型；其中，所述已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得。/n

【技术特征摘要】
1.一种变压器故障诊断方法，其特征在于，所述方法包括：
获取目标变压器的当前DGA数据和所述目标变压器的当前运行数据；
将所述当前DGA数据和所述当前运行数据输入已训练的故障诊断模型，以获得所述已训练的故障诊断模型输出的变压器故障类型；其中，所述已训练的故障诊断模型采用深度学习技术对预先采集的历史故障数据进行学习而获得。


2.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述预先采集的历史故障数据包括：所述目标变压器发生故障时的DGA数据、运行数据，以及与该DGA数据和该运行数据对应的故障类型，所述采用深度学习技术对预先采集的历史故障数据进行学习，获得所述已训练的故障诊断模型，包括：
建立所述预先采集的历史故障数据中的DGA数据、所述预先采集的历史故障数据中的运行数据与所述预先采集的历史故障数据中的故障类型之间的关系，获得变压器故障经验池；
采用深度学习技术对所述变压器故障经验池进行学习，获得所述已训练的故障诊断模型。


3.根据权利要求2所述的变压器故障诊断方法，其特征在于，所述采用深度学习技术对所述变压器故障经验池进行学习，获得所述已训练的故障诊断模型，包括：
基于卷积神经网络采用深度学习技术对所述变压器故障经验池进行非监督学习，确定所述卷积神经网络各层的权重，获得所述已训练的故障诊断模型。


4.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述方法还包括：
对所述已训练的故障诊断模型进行优化，获得优化的故障诊断模型；
将所述当前DGA数据和所述当前运行数据输入所述优化的故障诊断模型，以获得所述优化的故障诊断模型输出的变压器故障类型。


5.根据权利要求4所述的变压器故障诊断方法，其特征在于...

【专利技术属性】
技术研发人员：甄岩，贺金红，霍超，白晖峰，王立城，张港红，尹志斌，高建，苑佳楠，
申请(专利权)人：北京智芯微电子科技有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11