基于振动信号的变压器运行状态检测方法及系统技术方案

本发明专利技术涉及基于振动信号的变压器运行状态检测方法及系统，包括以下步骤：获取变压器上有载调压分接开关的振动信号，基于训练完毕的识别模型和获取的振动信号实现运行状态检测；识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入，预处理后的故障振动信号和正常振动信号聚类为K个组，保留故障样本比例超过设定阈值的聚类组，向该聚类组分配要合成的样本数量，并在该聚类组内随机认定一个故障样本点作为原始样本点，以该样本点为中心，搜索离它距离最近的N个样本点，随机选择一个被搜索到的样本点，在原始样本点和搜索到的样本点之间生成一个新的样本，将生成的新样本和原始故障样本合并作为扩充后的故障数据集。障数据集。障数据集。

【技术实现步骤摘要】
基于振动信号的变压器运行状态检测方法及系统


[0001]本专利技术涉及变压器
，具体为基于振动信号的变压器运行状态检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]变压器通过配备的有载分接开关(On
‑
Load Tap
‑
Changer，OLTC)对变压器绕组分接连接位置进行改变以实现调压，在对变压器进行运行状态检测时同样需要对该开关进行状态监测，变压器运行时产生的机械冲击和电气冲击同样由有载分接开关承受，其性能下降时会引起变压器的事故，当有载分接开关发生故障时，往往引发调压失败甚至造成变压器损毁等严重事故，现有技术通过机器学习的方式训练状态监测模型时，由于故障的偶发性和随机性强，导致故障样本的数量较少，从而使得模型的识别效果不理想。
[0004]此外，部分方法采用数据扩充的方式提高故障样本的数据量，虽然能够帮助模型的识别效果得到提升，但扩充出的小样本由于是算法生成的，并非实际采集的故障数据，导致训练所需的数据可能会偏离真实的故障情况，间接的影响模型的识别效果。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供基于振动信号的变压器运行状态检测方法及系统，获取有载分接开关(OLTC)的正常振动信息和故障振动信息，通过算法将获取到故障振动信息经聚类和过滤后合成一些新的少数样本以实现样本扩充，利用扩充后的样本训练识别模型，最终利用训练完毕的识别模型实现状态检测，以识别OLTC处于正常状态还是故障状态。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供基于振动信号的变压器运行状态检测方法，包括以下步骤：
[0008]获取变压器上有载调压分接开关的振动信号，基于训练完毕的识别模型和获取的振动信号实现运行状态检测；
[0009]其中，识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入，具体为：
[0010]预处理后的故障振动信号和正常振动信号聚类为K个组，保留故障样本比例超过设定阈值的聚类组，向该聚类组分配要合成的样本数量，并在该聚类组内随机认定一个故障样本点作为原始样本点，以该样本点为中心，搜索离它距离最近的N个样本点，随机选择一个被搜索到的样本点，在原始样本点和搜索到的样本点之间生成一个新的样本，将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
[0011]每一个聚类组中，生成的故障数据所占的比例，与原始数据中故障数据所占的比
例相同。
[0012]识别模型的训练过程包括：
[0013]利用布置在有载分接开关的顶部和机箱中的振动传感器获取故障样本和正常样本，经预处理后得到故障数据集和正常数据集；
[0014]故障数据集和正常数据集依次经卷积、池化和分类处理后，输出识别结果。
[0015]预处理包括数据分割和数据扩充，数据分割具体为：对故障样本和正常样本进行分割处理，得到矩阵大小相同的样本点。
[0016]当聚类数为k时计算公式依据下式进行：
[0017][0018]其中，S
j
和C
j
分别为第j个分类的曲线和对应的聚类中心；C
k1
和C
k2
为当分类数为k个时的两个不同聚类中心；N
s
为数据集中数据的个数。
[0019]故障样本经扩充后与正常样本含有的数据量相同。
[0020]本专利技术的第二个方面提供实现上述方法所需的系统，包括：
[0021]信号采集模块，被配置为：获取变压器上有载调压分接开关的振动信号；
[0022]检测模块，被配置为：基于训练完毕的识别模型和获取的振动信号实现运行状态检测；
[0023]其中，识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入，具体为：
[0024]预处理后的故障振动信号和正常振动信号聚类为K个组，保留故障样本比例超过设定阈值的聚类组，向该聚类组分配要合成的样本数量，并在该聚类组内随机认定一个故障样本点作为原始样本点，以该样本点为中心，搜索离它距离最近的N个样本点，随机选择一个被搜索到的样本点，在原始样本点和搜索到的样本点之间生成一个新的样本，将生成的新样本和原始故障样本合并作为扩充后的故障数据集。
[0025]本专利技术的第三个方面提供一种计算机可读存储介质。
[0026]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于振动信号的变压器运行状态检测方法中的步骤。
[0027]本专利技术的第四个方面提供一种计算机设备。
[0028]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于振动信号的变压器运行状态检测方法中的步骤。
[0029]与现有技术相比，以上一个或多个技术方案存在以下有益效果：
[0030]1、由于有载分接开关发生故障时对变压器的影响巨大，因此故障样本的数据量较少，通过获取有载分接开关(OLTC)故障状态和正常状态下的振动信号，经预处理后将样本聚类，在聚类组中选择故障样本占比较高的数据，经过滤后合成一些新的样本以实现样本扩充，聚类组中，合成的故障数据所占的比例，与原始数据中故障数据所占的比例是相同的，可以尽可能的保存原始数据的信息，使得训练所需的数据在扩充后尽可能的贴近真实的故障情况，间接的提高模型的识别效果。
[0031]2、利用扩充后的样本训练检测模型，通过扩充故障样本事件数据集可以提高识别模型判别的准确性，有效提取数据的深层次特征。
附图说明
[0032]构成本专利技术的一部分的说明书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例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。
[0033]图1是本专利技术一个或多个实施例提供的人工神经网络结构示意图；
[0034]图2是本专利技术一个或多个实施例提供的识别算法的整体流程示意图。
具体实施方式
[0035]下面结合附图与实施例对本专利技术作进一步说明。
[0036]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0037]ANN(Artificial Neural Network，简称ANN)人工神经网络，是计算机领域用于处理机器学习问题的强大工具，其广泛应用于回归与分类等问题中，它模拟了生物体神经细胞的运作原理，将一个个具有层次关系，连接关系的人工神经元组成网络结构，通过数学表达的方式模拟神经元之间的信号传递，从而可建立一个具有输入与输出关系、并可通过网络方式可视化的的非线性方程，从而称之为人工神经网络。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于振动信号的变压器运行状态检测方法，其特征在于，包括以下步骤：获取变压器上有载调压分接开关的振动信号，基于训练完毕的识别模型和获取的振动信号实现运行状态检测；其中，识别模型以有载调压分接开关的故障振动信号经扩充后的数据集作为训练输入，具体为：预处理后的故障振动信号和正常振动信号聚类为K个组，保留故障样本比例超过设定阈值的聚类组，向该聚类组分配要合成的样本数量，并在该聚类组内随机认定一个故障样本点作为原始样本点，以该样本点为中心，搜索离它距离最近的N个样本点，随机选择一个被搜索到的样本点，在原始样本点和搜索到的样本点之间生成一个新的样本，将生成的新样本和原始故障样本合并作为扩充后的故障数据集。2.如权利要求1所述的基于振动信号的变压器运行状态检测方法，其特征在于，每一个聚类组中，生成的故障数据所占的比例，与原始数据中故障数据所占的比例相同。3.如权利要求1所述的基于振动信号的变压器运行状态检测方法，其特征在于，所述识别模型的训练过程包括，利用布置在有载分接开关的顶部和机箱中的振动传感器获取故障样本和正常样本，经预处理后得到故障数据集和正常数据集。4.如权利要求3所述的基于振动信号的变压器运行状态检测方法，其特征在于，所述识别模型的训练过程还包括，故障数据集和正常数据集依次经卷积、池化和分类处理后，输出识别结果。5.如权利要求3所述的基于振动信号的变压器运行状态检测方法，其特征在于，所述预处理包括数据分割和数据扩充，数据分割具体为：对故障样本和正常样本进行分割处理，得到矩阵大小相同的样本点。6.如权利要求1所述的基于振动信号的变压器运行状态检测方法，其特征在于，当聚类数为k时依据...

【专利技术属性】
技术研发人员：姜晓东，孙鹏，杨光，耿俊琪，于洋，李飞，崔川，乔恒，王龙，禹建锋，徐丽丽，尚盈，王晨，张晓磊，陶芙蓉，赵龙，孙钦诚，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：