【技术实现步骤摘要】
本专利技术涉及变压器油色谱监测，更具体的说是涉及一种光伏电站变压器故障预警及检修的方法、系统及设备。
技术介绍
1、目前，电力变压器是光伏电站中最重要的设备之一。它主要负责电力传输、分配电压及转换电压等功能，它的安全能够保障光伏电站的正常运行。因此电力工作人员必须减少电力变压器的故障发生，防止电力变压器事故。
2、关于变压器油液异常大致分为以下两种情况：
3、油温异常，变压器正常运行时，油温应控制在85℃以下。如果变压器的油温比平时高出10℃以上，或在负荷不变的情况下油温持续上升，便可确定变压器已经发生故障。变压器温度上升的原因可能是散热器发生堵塞、冷却系统发生故障、线圈匝间短路等，应停止变压器运行，根据情况进行具体分析和故障排除。
4、油位异常，电力变压器的油位应该在规定范围内。如果短时间内油位的波动较大，则可认为油位异常。如果温度正常而油位异常时，可能是由于呼吸器堵塞、防爆管的通气孔堵塞、严重漏油、油枕中的油过少等原因，当变压器处于异常运行状态时，应给出告警信号。维修时应该先检明油位异常的原因，然后再采取相应措施进行处理。
5、可见，在变压器本身存在缺陷运行、过负载运行以及冷却器不正常运行时，变压器油温可能会发生异常，影响变压器的安全运行。然而，现有的检测异常的方法大多是通过关注变压器油温或油位是否越限的策略，难以在变压器异常运行早期识别异常状态。
6、色谱图是指被分离组分的检测信号随时间分布的图象。样品流经色谱柱和检测器，所得到的信号随时间变化形成的色谱流出曲线，
7、如何提供一种精确、高效的光伏电站变压器故障预警及检修的方法、系统及设备是是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种光伏电站变压器故障预警及检修的方法、系统及设备，用以解决现有技术中存在的技术问题。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种光伏电站变压器故障预警及检修的方法，包括以下步骤：
4、s100：收集大量变压器油，包括正常运行状态下的变压器油和出现故障时的变压器油，并分别将不同变压器油进行离子淌度分离，获得对应离子色谱图；
5、s200：从离子色谱图中提取出反映物质分布和对应的物质浓度的特征，并生成训练样本集；
6、s300：构建深度学习网路模型，并根据训练样本对深度学习网路模型进行训练优化；
7、s400：获取待测变压器油色谱，并提取特征数据，将特征数据输入到训练好的深度学习网路模型中，得到待测变压器的油是否劣化；
8、s500：当待测变压器的油劣化时，进行故障预警并定位待测变压器的编号进行故障检修。
9、可选的，所述s200中反映物质分布和对应的物质浓度的特征包括：峰的位置、峰的面积、峰的高度。
10、可选的，所述s300中构建深度学习网路模型包括：输入层、输出层、隐含层，其中，所述输出层包括编码函数，所述输出层包括解码函数。
11、可选的，所述s300中构建深度学习网路模型还包括：
12、基于训练数据及维度设置深度学习网路模型的输入层以及输出层的节点个数；
13、隐含层的节点数量小于输入层的节点个数。
14、可选的，所述s300中构建深度学习网路模型还包括：设置深度学习网路模型输入层、输出层以及隐含层之间节点的前向传递激活函数，激活函数的表达式为：
15、
16、式中，u为节点的输入变量，f(u)为节点的输出变量。
17、可选的，所述输出层包括编码函数，所述编码函数的表达式为：
18、y＝f(x)＝sf(wx+by)；
19、其中，x＝{x1，x2，…，xn}是训练样本集，y＝{y1，y2，…，yn}是经过编码器函数得到的编码样本，by是编码过程中的偏移向量，sf＝f(u)，u＝x，w是权重矩阵。
20、可选的，所述编码函数的表达式为：
21、z＝g(y)＝g[f(x)]＝sg(wy+bz)；
22、其中，z是重构样本，w′是w的转置，bz是解码过程中的偏移向量，sg＝f(u)，u＝y。
23、可选的，所述s300中的所述编码器和所述解码器的各层之间采用跳跃连接，得到生成器：
24、
25、其中，g是生成器，n是生成器的数量，g_gen是生成的样本值，z是噪声标量，gi为第i个生成器。
26、可选的，所述生成器的损失函数为：
27、l＝1/2m∑(g_real-g_gen)2；
28、其中，y_real表示真实样本的目标值，g_gen表示生成器生成的样本值，m表示样本数量。
29、可选的，所述根据训练样本对深度学习网路模型进行训练优化，包括采用adam方法对深度学习网路模型进行训练优化，学习率设置为0.0001，最大训练次数取为100，训练优化过程中设置自动终止并保存最优深度学习网路模型。
30、一种光伏电站变压器故障预警及检修的系统，包括：
31、收集模块：收集大量变压器油，包括正常运行状态下的变压器油和出现故障时的变压器油，并分别将不同变压器油进行离子淌度分离，获得对应离子色谱图；
32、预处理模块：从离子色谱图中提取出反映物质分布和对应的物质浓度的特征，并生成训练样本集；
33、构建模块：构建深度学习网路模型，并根据训练样本对深度学习网路模型进行训练优化；
34、故障检测模块：获取待测变压器油色谱，并提取特征数据，将特征数据输入到训练好的深度学习网路模型中，得到待测变压器的油是否劣化；
35、预警检修模块：当待测变压器的油劣化时，进行故障预警并定位待测变压器的编号进行故障检修。
36、一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现光伏电站变压器故障预警及检修的方法的步骤。
37、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了种光伏电站变压器故障预警及检修的方法、系统及设备，利用神经网络的自学习、自组织和适应性的特点，对变压器油色谱数据进行有效分析和处理，具体有益效果如下：
38、(1)通过本专利技术建立的更加准确和可靠的深度学习网路模型诊断变压器故障，提高变压器故障诊断的准确性和效率；
39、(2)加速变压器故障诊断的速度，提高变压器故障诊断的实时性；
40、(3)对未知的变压器油色谱数据进行预测和分析，相对于单纯的比较是否越限的策略而言，能够更好地预防和监测变压器的故障。
本文档来自技高网...【技术保护点】
1.一种光伏电站变压器故障预警及检修的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述S200中反映物质分布和对应的物质浓度的特征包括：峰的位置、峰的面积、峰的高度。
3.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述S300中构建深度学习网路模型还包括：
4.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述S300中构建深度学习网路模型还包括：设置深度学习网路模型输入层、输出层以及隐含层之间节点的前向传递激活函数，激活函数的表达式为：
5.据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述S300中的所述编码器和所述解码器的各层之间采用跳跃连接，得到生成器：
6.据权利要求5所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述生成器的损失函数为：
7.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述S300中根据训练样本对深
8.一种利用权利要求1-7任一项所述的光伏电站变压器故障预警及检修的方法的光伏电站变压器故障预警及检修的系统，其特征在于，包括：
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一所述的光伏电站变压器故障预警及检修的方法的步骤。
...【技术特征摘要】
1.一种光伏电站变压器故障预警及检修的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述s200中反映物质分布和对应的物质浓度的特征包括：峰的位置、峰的面积、峰的高度。
3.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述s300中构建深度学习网路模型还包括：
4.根据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述s300中构建深度学习网路模型还包括：设置深度学习网路模型输入层、输出层以及隐含层之间节点的前向传递激活函数，激活函数的表达式为：
5.据权利要求1所述的一种光伏电站变压器故障预警及检修的方法，其特征在于，所述s300中的所述编码器和所述解码器的各层之间采用跳跃连接，得到生成器：
【专利技术属性】
技术研发人员：王斌，王飞，杨帆，方顺顺，邹云博，张福钰，王瑞林，王志刚，刘强，
申请(专利权)人：承德神源太阳能发电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。