换流变压器异常检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种换流变压器异常检测方法、装置、计算机设备和存储介质。该方法包括：分别从各信息源获取换流变压器各维度的检测数据；分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。该方法提高了换流变异常检测的可靠性。提高了换流变异常检测的可靠性。提高了换流变异常检测的可靠性。

【技术实现步骤摘要】
换流变压器异常检测方法、装置、计算机设备和存储介质


[0001]本申请涉及电力
，特别是涉及一种换流变压器异常检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]如何保证电网安稳运行一直以来都是电力行业最重要的研究课题之一。电力换流变作为电网中电压等级变换、电能分配和转移的枢纽设备，其安全稳定运行对整个电网的安稳运行至关重要。电力换流变(是由多个子系统组成的复杂高压设备)，长期运行下面临着绝缘老化等各类问题，其故障概率会逐渐升高，换流变一旦发生运行事故，会造成设备损坏、保费甚至大面积停电等重大生产事故。只有尽早发现换流变的各种潜在故障，并针对不同的故障特征制定对应的维护方案，才能避免重大事故发生。因此，开展换流变在线状态评估方法和故障诊断技术研究对提高换流变运维水平具有重要意义。
[0003]传统对换流变以定期检修为主，定期检修包括预防性试验、定期大修小修和定时巡检，虽然这种运维方式能够避免大面积停电、事后检修效率低的情况，但由于定期检需要离线进行，存在着以下不足:
[0004]大部分预防性试验需要在停机的情况下开展，而换流变不能随意停运；
[0005]停电后换流变状态(如电压、温度等)与实际运行情况不符，影响判断准确度；
[0006]定期检修不是时间上连续地监测，换流变仍然有可能在检修间期发生事故，出现“欠修”；
[0007]定期检修严格按照指定的检修周期进行检查维修，即使换流变处于良好运行状态，也要按计划进行预防性试验和维修，导致人力、物力上的巨大浪费，同时也可能因为拆卸组装过多而对换流变本体造成不必要的损害，即出现所谓的“过修”，这将会降低供电可靠性，增加隐患发生的机率。

技术实现思路

[0008]基于此，有必要针对上述技术问题，提供一种能够可靠的换流变压器异常检测方法、装置、计算机设备和存储介质。
[0009]一种换流变压器异常检测方法，所述方法包括：
[0010]分别从各信息源获取换流变压器各维度的检测数据；
[0011]分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
[0012]根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
[0013]在其中一个实施例中，所述深度置信网络由低层的多个受限玻尔兹曼机和上层的多层前馈网络组成；训练深度置信网络的方式，包括：
[0014]通过输入样本逐次对每个受限玻尔兹曼机采用无监督的方式进行正向训练，将当前层的受限玻尔兹曼机的输出作为上一层网络的输入，得到每层网络的初始参数；
[0015]将最上一层受限玻尔兹曼机的输出输入到多层前馈网络，利用输入样本的标注结果对所述多层前馈网络进行有监督的学习，进行反向传播，对各层网络参数进行调整。
[0016]在其中一个实施例中，分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果，包括：
[0017]分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征；
[0018]所述深度置信神经网络的多层前馈网络根据所述概率分布特征，得到该维度的初级诊断结果。
[0019]在其中一个实施例中，根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果，包括：
[0020]从各维度的初级诊断结果中分别获取换流变压器各部件相关的初级诊断结果；所述换流变的部件包括：本体、套管、分接开关、冷却系统和非电量保护桩子；
[0021]对每一个部件相关的初级诊断结果进行融合，得到各部件的状态；
[0022]当各部件均为正常状态时，确定所述换流变压器整体状态为正常状态。
[0023]在其中一个实施例中，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态，包括：
[0024]获取每个部件相关的初级诊断结果中各维度的权重，对每一个部件相关的初级诊断结果进行融合，得到各部件的状态。
[0025]在其中一个实施例中，所述方法还包括：利用传感器的距离，为各部件相关的传感采集的数据维度设置不同权重。
[0026]在其中一个实施例中，所述方法还包括：利用传感器采集的数据维度对融合结果的重要性和贡献度，为各部件相关的传感采集的数据维度设置不同权重。
[0027]一种换流变压器异常检测装置，包括：
[0028]数据获取模块，用于分别从各信息源获取换流变压器各维度的检测数据；
[0029]初级诊断模块，用于分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
[0030]融合诊断模块，用于根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子
[0031]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0032]分别从各信息源获取换流变压器各维度的检测数据；
[0033]分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
[0034]根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
[0035]一种计算机可读存储介质，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以下步骤：
[0036]分别从各信息源获取换流变压器各维度的检测数据；
[0037]分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；
[0038]根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。
[0039]上述的换流变压器异常检测方法、装置、计算机设备和存储介质，利用人工智能技术强大的数据搜索、处理以及决策能力引入到换流变状态评估和故障诊断系统中，能够有效的解决传统评估和故障诊断方法数据源过于片面的缺陷，可以从海量、错综复杂换流变特征数据中准确、有效地分析出换流变的真实状态和故障类型。这对提高换流变的可靠性，改善其状态评估和检修策略具有重要的理论意义和工程价值。
附图说明
[0040]图1为一个实施例中换流变压器异常检测方法的应用环境图；
[0041]图2为一个实施例中换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种换流变压器异常检测方法，所述方法包括：分别从各信息源获取换流变压器各维度的检测数据；分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果；各维度分别对应一个训练好的深度置信网络；根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果；其中，所述部件维度包括本体、套管、分接开关、冷却系统和非电量保护桩子。2.根据权利要求1所述的方法，其特征在于，所述深度置信网络由低层的多个受限玻尔兹曼机和上层的多层前馈网络组成；训练深度置信网络的方式，包括：通过输入样本逐次对每个受限玻尔兹曼机采用无监督的方式进行正向训练，将当前层的受限玻尔兹曼机的输出作为上一层网络的输入，得到每层网络的初始参数；将最上一层受限玻尔兹曼机的输出输入到多层前馈网络，利用输入样本的标注结果对所述多层前馈网络进行有监督的学习，进行反向传播，对各层网络参数进行调整。3.根据权利要求2所述的方法，其特征在于，分别将各维度的检测数据输入到对应的已训练好的深度置信网络，得到对各维度的初级诊断结果，包括：分别将各维度的检测数据输入到对应的已训练好的深度置信神经网络，通过所述深度神经网络的受限玻尔曼兹机提取所述检测数据的概率分布特征；所述深度置信神经网络的多层前馈网络根据所述概率分布特征，得到该维度的初级诊断结果。4.根据权利要求1所述的方法，其特征在于，根据多维度的初级诊断结果按换流变压器的部件维度进行决策融合，得到换流变压器的异常检测结果，包括：从各维度的初级诊断结果中分别获取换流变压器各部件相关的初级诊断结果；所述换流变的部件包括：本体、套...

【专利技术属性】
技术研发人员：石延辉，杨洋，张海凤，袁海，洪乐洲，杨阳，吴梦凡，吴桐，张朝斌，张博，黄家豪，李凯协，赖皓，廖名洋，张卓杰，林轩如，姚言超，夏杰，李金安，秦金锋，许浩强，王蒙，叶志良，袁振峰，黄兆，严伟，蔡斌，关就，廖聪，李莉，赵晓杰，孔玮琦，王越章，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司广州局，
类型：发明
国别省市：