一种基于物联网和神经网络技术的在线监测方法技术

一种基于物联网和神经网络技术的变压器油在线监测系统和方法，系统包括现场主机，现场主机与电力设备变压器连接，现场主机输出的信号经由光纤传输给监控工作站。监控工作站接收光纤传输的气体检测数据值，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。变压器油在线监测系统和方法将激光半导体技术与光谱声谱技术相结合；将电力物联网技术引入到系统中实时随时随地查看与读取油气浓度检测数据，故障能够实时反馈排除；采用神经网络技术实现了各组分定量分析的问题。析的问题。析的问题。

【技术实现步骤摘要】
一种基于物联网和神经网络技术的在线监测方法


[0001]本专利技术涉及一种在线监测系统和方法，尤其是涉及一种基于物联网和神经网络技术的的变压器油在线监测系统和方法。

技术介绍

[0002]电力系统在工作时实现动力支撑的关键是变压器，其关乎整个电力系统安全、顺利的运行，一旦发生故障，会导致电力系统局部或全部设备停止运行，产生较大的经济损失，甚至威胁人员的生命安全。这就需要针对变压器的运行情况采取相适应的监控措施，并根据故障诊断的结果采取及时的维修措施，这对避免电力系统出现突发性大规模故障有着很大意义。
[0003]对变压器故障判断的有效方法是对绝缘油中气体含量进行监测。变压器在工作中绝缘油里有很多状态特征，这些特征就是进行故障判定的重要依据之一。因为制作变压器的绝缘材料普遍是油和纸，运转时温度比较高，就会引起裂解变化产生一些有一定的特殊气体。一般情况油中的气体含量都很少，如果状态异常或者发生了故障，油一般会裂化从而出现几种烃类气体，油中气体分析根据裂解气体的种类、含量、速度等信息，能够分析得到当前的故障类型，判断状态是否正常，而气体运动的速度也随故障程度的轻微或紧急而减少或者提高，所以在故障诊断时及时关注油中气体非常必要。绝缘油中气体含量监测法从是否在线监测可分为离线式和在线监测式两种，离线式的气相色谱仪具有选择性好、分离性能高、分离时间快、灵敏度高和适用范围广等优点，但也存在一系列的不足之处，脱气作业存在人为误差，检测曲线的人工修正也会加大误差；从取油样到油气分离再到实验室分析，作业程序复杂，花费时间长；另外，绝缘劣化的发展有快有慢，预防性试验不能实时地发现故障，对电力变压器油中气体含量实施在线监测已成为迫切的需要。在线监测式的气相色谱监测系统很好地解决了离线式色谱仪的检测周期长、分析时间长等缺点。但是目前大部分在线式的监测系统，存在测量精度低、测量气体少、长期工作不稳定、数据处理难度大、后期维护量大等问题。
[0004]目前，变压器故障诊断的方法针对监测对象主要分为:特征气体判别法、特征气体成分的比值法即三比值法。特征气体判别法使用非常繁琐，实际使用中依旧存在编码不全面、误判、故障分类结果模糊等不足，而且，油色谱分析过程操作复杂运送距离远等都会对最终检测结果产生影响。随着检测技术和计算机技术的迅猛发展，多种新型的检测技术已经运用在变压器故障诊断和状态评估领域，相关学者也在这些方面做了很多尝试力求为变压器在线诊断提供新的手段和技术支持，其中主要包括光谱声谱技术、红外光谱、激光拉曼光谱、以及太赫兹时域光谱等。其中光谱声谱检测方案，此方案与气相色谱法相比，具有诸多优点
①
非接触性测量、不消耗任何标准气体；
②
不需要分离不同种类气体、直接确定气体的成分和含量、检测速度快、可实现连续测量；
③
直接测量气体吸收光能大小，探测灵敏度高，气室体积小。但市面上见到的光谱声谱油中气体检测设备以红外宽谱光源、窄带滤光片与机械斩光器为主设备的技术方案，在实际应用上因滤光带宽较宽，特征气体交叉干扰明
显，而机械斩光带来的震动和机械损耗，会导致设备测试性能逐渐下降。
[0005]物联网把各种物体通过对应的传感器及特定的监测装置接入到系统中并且连接在一起，建立物与设备信息之间的连接，通过光纤等设备将数据进行传递，再由控制站接收传递来的数据信息，控制站对数据加以整合记录，从而能够实现在线监测。在线监测更能满足信息获取智能化，使得测量的数据更加准确，大大缩减了检修时间，以上优点是变压器故障检测中急需的。
[0006]人工神经网络是较早被引入变压器故障诊断领域的人工智能算法。该算法的基本原理是通过对输入值与输出值之间的差来调节算法的阈值和权值，使算法向缩小差值的方向进行，最终实现问题的求解。随着物联网、人工智能、通信技术的高速发展，加上电力设备运行环境的特殊性，使监测数据类型和数量不断增加，对精度、模型动态优化、传输速度和诊断速度即实时性的要求也不断提高。然而，目前设备的故障诊断主要由是在基于理想运行状态条件下运行数据的基础上，对设备在动态多变运行环境下实时状态监测、诊断的精确性要求还很难满足，还需要解决故障诊断系统的模型不完善、数据不精确、数据维数多处理速度慢、设备与模型之间的交互不足、不能动态优化、故障不能实时反馈从而排除的问题。

技术实现思路

[0007]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于物联网和神经网络技术的变压器油在线监测方法和系统。
[0008]本专利技术的目的可以通过以下技术方案来实现：对应方法步骤包括：在变压器现场：对电力设备的变压器油中溶解气体进行采样和油气分离；输送油气分离后的样气；通过调制激光光源产生脉冲光，样气吸收脉冲光后产生声波，对声波强度进行检测并分析；为减少输入数据维数，对声波强度进行检测并分析后采用遗传算法对光声信号进行优化；优化后，对给定的一组N个声波强度曲线图像及其标签，其中I
i
为被深度学习数据，每个二进制标签C
i
是指示图像是否合格的位，类标签Ki表示气体的类别；提取高级特征表征：x
i
＝f(I
i
，F，b，ζ，η)，其中f(
·
)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F，b，ζ，η)表示要学习提取特征的所有参数；模型中最后一个完全连接的层提取的特征xi是在两个任务之间共享；和是气体分类的完全连接层中的权重矩阵和偏置向量，其中D
d
是不同气体的数量，生成的广泛的线性模型为：是不同气体的数量，生成的广泛的线性模型为：被传入到softmax层以计算属于训练集中的每种气体的x
i
的
概率；；其中是中的第j种气体，softmax(
·
)函数将模型输出映射到所有气体的概率分布；交叉熵损失函数为：对于给定的训练集D来说，模型是针对两个任务，最小化两个任务结合起来的所述损失函数，结合后所述损失函数为所述损失函数驱动模型同时学习提取特征参数Φ和分类任务权重W，令W＝{Wd，Wc}，α
d
和α
c
分别表示每个任务的权重；在测试阶段，首先测试输入图像是否是合格的图像；检测后的数据进行信息比对和分析，运用Apriori关联规则挖掘算法进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型，产生神经网络模型的初始权值，根据对比和分析结果，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；运用自适应免疫遗传算法优化动态神经网络模型，获得预测模型AIGA
‑
DBP，根据预测模型AIGA
‑
DBP计算气体检测数据值；将气体检测数据值通过光纤传输到监控工作站，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合物联网和神经网络技术的变压器油中气体含量的在线监测方法，该方法包括：在变压器现场：对电力设备的变压器油中溶解气体进行采样和油气分离；输送油气分离后的样气；通过调制激光光源产生脉冲光，样气吸收脉冲光后产生声波，对声波强度进行检测并分析；为减少输入数据维数，对声波强度进行检测并分析后采用遗传算法对光声信号进行优化；优化后，对给定的一组N个声波强度曲线图像及其标签，其中I
i
为被深度学习数据，每个二进制标签C
i
是指示图像是否合格的位，类标签K
i
表示气体的类别；提取高级特征表征:x
i
＝f(I
i
，F，b，ζ，η)其中f(
·
)表示在第一个完全连接的层中从输入图像到共享特征的非线性映射；F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ＝(F,b,ζ,η)表示要学习提取特征的所有参数；模型中最后一个完全连接的层提取的特征x
i
是在两个任务之间共享；和是气体分类的完全连接层中的权重矩阵和偏置向量，其中D
d
是不同气体的数量，生成的广泛的线性模型为：泛的线性模型为：被传入到softmax层以计算属于训练集中的每种气体的x
i
的概率；；其中是中的第j种气体，softmax(
·
)函数将模型输出映射到所有气体的概率分布；交叉熵损失函数为：对于给定的训练集D来说，模型是针对两个任务，最小化两个任务结合起来的所述损失函数，结合后所述损失函数为所述损失函数驱动模型同时学习提取特征参数Φ和分类任务权重W，令W＝{Wd,Wc}，α
d
和α
c
分别表示每个任务的权重；在测试阶段，首先测试输入图像是否是合格的图像；检测后的数据进行信息比对和分析，运用Apriori关联规则挖掘算法，进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型，产生神经网络模型的
初始权值，根据对比和分析结果，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；运用自适应免疫遗传算法优化动态神经网络模型，获得预测模型AIGA
‑
DBP，根据预测模型AIGA
‑
DBP计算气体检测数据值；在监控工作站端：监控工作站通过光纤传输接收气体检测数据值，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。2.如权利要求1所述的结合物联网和神经网络技术的变压器油中气体含量的在线监测方法，其特征在于，运用Apriori关联规则挖掘算法具体包括以下步骤：使用MapReduce计算模型得到频繁1项集的集合L1,产生候选k项集的集合C
k
，k≥2；在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在C
k
中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；在Reduce函数处理阶段，Reduce函数累加C
k
中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集L
k
的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入Map函数处理阶段；否则，结束运行。3.如权利要求1所述的结合物联网和神经网络技术的变压器油中气体含量的在线监测方法，其特征在于，产生神经网络模型初始权值的方法为：将权值初始化为[a，b]之间的随机数，其中a，b为以下方程的整数：其中H为网络隐含层节点数。4.如权利要求1所述的结合物联网和神经网络技术的变压器油中气体含量的在线监测方法，其特征在于，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；具体包括：调整神经网络模型隐含层与输出层之间的权值w
kj
；调整w
kj
的目的是希望输出节点j的新输出o
*pj
比当前输出o
pj
更接近目标值t
pj
，定义：其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：，其中w
kj
和w
*kj
分别为更新前后的权值，y
pk
为隐含层输出，
△
w
kj
为w
kj
的改变量；得到
△
w
kj
的求解方程：其中，，根据最小平方和误差原则得到
△
w
kj
的近似解：对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化
△
w
kj
，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；调整神经网络模型输入层与隐含层之间的权值v
ik
；调整v
ik
的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率
△
E＝0，且E>0；隐含层节点k的权值的改变通过以下方程：其中δ
pj
＝f
‑1(y
pk
+Δy
pk
)
‑
f
‑1(y
pk
)，M为自然数，则隐含层输出y
pk
求解公式为：其中
△
y
pk
为y
pk
的改变量，则有：，根据最小平方和误差原则构建的矩阵方程，得到：，计算隐含层与输出层之间权值的动态平均改变量计算隐含层与输出层之间权值的动态平均改变量计算输入层与隐含层之间权值的动态平均改变量
M取10～20之间的自然数，获得神经网络模型的动态平均权值，根据神经网络模型的动态平均权值获得动态神经网络模型。5.如权利要求1所述的结合物联网和神经网技术的变压器油中气体含量的在线监测方法，其特征在于，运用自适应免疫AIGA算法优化动态神经网络模型的权植和阈值，获得预测模型AIGA
‑
DBP具体包括以下步骤：首先进行均方误差的识别，产生初始的均方误差后，进行编码，然后计算均方误差适应度和均方误差浓度，根据计算的结果进行基于浓度的自适应均方误差选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要...

【专利技术属性】
技术研发人员：龙俞杉，王琴，孙军，
申请(专利权)人：深圳云塔物联技术有限公司，
类型：发明
国别省市：