【技术实现步骤摘要】
本专利技术涉及变压器故障诊断领域，具体涉及基于数字孪生的直流换流变压器隐性故障诊断方法及系统。
技术介绍
1、特高压直流输电系统中换流变压器由于承担着重要的角色，不仅是连接直流系统与交流系统的“桥梁”，也是直流换流站中换流单元的安全卫士。由于特高压直流换流变压器在电力传输过程中地位重要且造价昂贵，难以在其上进行相关试验，为保证特高压直流换流变压器的正常运行以及发生故障时及时、准确地诊断，企业也为特高压直流换流变压器配备了多重保护，但由于其自身原因，故障率仍然很高。
2、隐性故障是电力企业中一种非常重要的故障，其最为显著的特点是不容易被人发现，且容易发生二次损失，引起重大的人身与设备的损伤，因而其识别与防治非常重要。可见，由于隐性功能对于操作人员来说是不可见的，在不需要该功能时，即使是非常专业的熟练人员来进行故障排查，也无法发现其是否工作正常。只要不发生意外，隐性故障是不会得到体现，这是隐性故障最为明显的特点，也是区分隐性故障的关键。基于数字孪生技术，能将换流变压器物理本体映射为数字孪生体，并结合所布置的传感器，采集实时数据对换流变压器数字孪生体进行更新，保证物理实体和数字孪生体间的一致性并通过数字体反映换流变压器的运行状态，便于对其进行隐形故障诊断。因此，需要一种基于数字孪生的特高压直流换流变压器隐性故障诊断方法及系统。
3、中国专利公开号cn112684379a公开了一种基于数字孪生的变压器故障诊断系统及其方法，由物理系统模块、数字孪生模块、故障诊断模块构成，方法具体包括以下步骤；使用所述物理系统模块创
技术实现思路
1、本专利技术所要解决的技术问题在于现有技术基于数字孪生的直流换流变压器隐性故障诊断方法采用bp神经网络算法进行故障诊断，参数量大，导致网络拟合时间长，拟合精度低，影响故障诊断的效率和准确性。
2、本专利技术通过以下技术手段解决上述技术问题的：基于数字孪生的直流换流变压器隐性故障诊断方法，包括以下步骤：
3、步骤一、采集特高压直流换流变压器的运行状态数据；
4、步骤二、利用运行状态数据在虚拟空间建立换流变压器数字孪生模型并对该模型进行实时更新；
5、步骤三、通过运行状态数据和数字孪生模型数据构建信息系统s，利用粗糙集理论的数据处理方法获得信息系统s的特征参量集n；
6、步骤四、通过局部稀疏设计构建深度优化网络，并训练该网络；
7、步骤五、将实时采集的特征参量集n输入训练好的深度优化网络，得到故障诊断结果。
8、进一步地，所述步骤二包括：
9、步骤2.1：利用运行状态数据使用3dmax软件构建特高压直流换流变压器的三维模型；
10、步骤2.2：将构建的特高压直流换流变压器的三维模型加载到unity3d软件中，构建换流变压器数字孪生模型。
11、更进一步地，所述步骤二中对该模型进行实时更新，包括：
12、步骤2.3：在换流变压器数字孪生模型中添加虚拟传感器，获得在虚拟环境中换流变压器数字孪生模型运行状态数据，即仿真数据；
13、步骤2.4：将获得的换流变压器数字孪生模型的仿真数据与物理实体的运行状态数据相比较，判断出换流变压器数字孪生模型与物理实体的相似度，不断调整换流变压器数字孪生模的参数使其满足预设的精度要求。
14、进一步地，所述粗糙集理论的数据处理方法包括数据清洗、数据集成以及数据变换，所述数据清洗是对数据进行噪声和异常值的检测与处理；所述数据集成是对不同数据源的数据进行合并和整合，并消除冗余；所述数据变换是对数据进行规范化、离散化或者降维处理，转换为需要的数据形式。
15、进一步地，所述深度优化网络包括顺序连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、局部稀疏网络a、局部稀疏网络b、平均池化层以及分类器，局部稀疏网络a包括第四最大池化层、第四卷积层、第五卷积层及第六卷积层，第四最大池化层的输入端、第五卷积层的输入端以及第六卷积层的输入端均与第三最大池化层连接，第四最大池化层的输出端与第四卷积层的输入端连接，第四卷积层至第六卷积层的输出端进行叠加操作，输出第一叠加结果，局部稀疏网络b包括第七卷积层和第八卷积层，第七卷积层的输入端以及第八卷积层的输入端均接收第一叠加结果，第七卷积层的输出端及第八卷积层的输出端进行叠加操作，输出第二叠加结果，第二叠加结果输入至平均池化层。
16、更进一步地，所述第一卷积层的卷积核大小为64×1，第二卷积层的卷积核大小为3×1，第三卷积层的卷积核大小为3×1，第四卷积层的卷积核大小为1×1，第五卷积层的卷积核大小为3×1，第六卷积层的卷积核大小为1×1，第七卷积层的卷积核大小为3×1，第八卷积层的卷积核大小为1×1。
17、进一步地，所述步骤四中训练深度优化网络的过程为：
18、针对设计好的深度优化网络，基于测试数据，初始化网络参数，通过反向传播算法计算网络的输出值，并比较整个网络输出值与真实值之间的误差，再调整个网络的参数使误差逐渐变小，不断地将固定批大小的测试数据送入网络训练，直到迭代完所有的测试数据或者误差最小时停止训练；最后采用测试样本对训练好的深度优化网络进行验证。
19、本专利技术还提供基于数字孪生的直流换流变压器隐性故障诊断系统，包括：
20、数据采集单元，用于采集特高压直流换流变压器的运行状态数据；
21、孪生模型构建单元，用于利用运行状态数据在虚拟空间建立换流变压器数字孪生模型并对该模型进行实时更新；
22、数据处理单元，用于通过运行状态数据和数字孪生模型数据构建信息系统s，利用粗糙集理论的数据处理方法获得信息系统s的特征参量集n；
23、神经网络构建单元，用于通过局部稀疏设计构建深度优化网络，并训练该网络；
24、故障诊断单元，用于将实时采集的特征参量集n输入训练好的深度优化网络，得到故障诊断结果。
25、进一步地，所述孪生模型构建单元还用于：
26、步骤2.1：利用运行状态数据使用3dmax软件构建特高压直流换流变压器的三维模型；
27、步骤2.2：将构建的特高压直流换流变压器的三维模型加载到unity3d软件中，构建换流变压器数字孪生模型。
28、更进一步地，所述孪生模型构建单元中对该模型进行实时更新，包括：
本文档来自技高网...【技术保护点】
1.基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述步骤二包括：
3.根据权利要求2所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述步骤二中对该模型进行实时更新，包括：
4.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述粗糙集理论的数据处理方法包括数据清洗、数据集成以及数据变换，所述数据清洗是对数据进行噪声和异常值的检测与处理；所述数据集成是对不同数据源的数据进行合并和整合，并消除冗余；所述数据变换是对数据进行规范化、离散化或者降维处理，转换为需要的数据形式。
5.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述深度优化网络包括顺序连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、局部稀疏网络A、局部稀疏网络B、平均池化层以及分类器，局部稀疏网络A包括第四最大池化层、第四卷积层、第五卷积层及第六
6.根据权利要求5所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述第一卷积层的卷积核大小为64×1，第二卷积层的卷积核大小为3×1，第三卷积层的卷积核大小为3×1，第四卷积层的卷积核大小为1×1，第五卷积层的卷积核大小为3×1，第六卷积层的卷积核大小为1×1，第七卷积层的卷积核大小为3×1，第八卷积层的卷积核大小为1×1。
7.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述步骤四中训练深度优化网络的过程为：
8.基于数字孪生的直流换流变压器隐性故障诊断系统，其特征在于，包括：
9.根据权利要求8所述的基于数字孪生的直流换流变压器隐性故障诊断系统，其特征在于，所述孪生模型构建单元还用于：
10.根据权利要求9所述的基于数字孪生的直流换流变压器隐性故障诊断系统，其特征在于，所述孪生模型构建单元中对该模型进行实时更新，包括：
...【技术特征摘要】
1.基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述步骤二包括：
3.根据权利要求2所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述步骤二中对该模型进行实时更新，包括：
4.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述粗糙集理论的数据处理方法包括数据清洗、数据集成以及数据变换，所述数据清洗是对数据进行噪声和异常值的检测与处理；所述数据集成是对不同数据源的数据进行合并和整合，并消除冗余；所述数据变换是对数据进行规范化、离散化或者降维处理，转换为需要的数据形式。
5.根据权利要求1所述的基于数字孪生的直流换流变压器隐性故障诊断方法，其特征在于，所述深度优化网络包括顺序连接的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、局部稀疏网络a、局部稀疏网络b、平均池化层以及分类器，局部稀疏网络a包括第四最大池化层、第四卷积层、第五卷积层及第六卷积层，第四最大池化层的输入端、第五卷积层的输入端以及第六卷积层的输入端均与第三最大池化层连接，第四最大池化层的输出端与第四卷积层...
【专利技术属性】
技术研发人员：刘鑫，章海斌，葛健，马欢，李帷韬，赵小平，李奇越，孙伟，黄石磊，晏松，张倩，
申请(专利权)人：国网安徽省电力有限公司超高压分公司，
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。