【技术实现步骤摘要】
本专利技术涉及电力设备故障诊断，尤其涉及一种变电设备故障研判原型系统及方法。
技术介绍
1、受设备故障样本少、机理不明确等因素影响，故障智能诊断技术存在精度低、可靠性差等问题，变电设备故障研判仍大量依靠人工进行分析决策，难以满足故障快速处置、风险及时预警的需求。近年来，机理数据融合驱动在提升人工智能技术的可解释性、鲁棒性方面效果显著，为变电设备故障研判提供了技术参考。因此，对多物理场机理与深度学习融合建模的变电设备故障研判原型系统的研究，对指导变电设备故障诊断，具有重要的理论和实际意义。
2、如中国专利cn106708008a提供了一种输变电设备故障诊断系统，包括：输电设备数据模块、变电设备数据模块、数据加工模块、数据分析模块和展示模块，其中：输电设备数据模块，用于获取输电设备数据；变电设备数据模块，用于获取变电设备数据；数据加工模块，用于管理数据加工单元，数据加工单元用于加工输电设备数据模块和变电设备数据模块获取的数据；数据分析模块，用于根据数据加工模块处理的数据，选择处理的数据对应的电力设备进行分析；展示模块，用于展示所述数据分析模块分析的结果。通过各模块之间的数据关联，完成对电力设备故障数据的全面分析评估，从而准确的诊断用电设备的故障。
3、中国专利cn107818369a提供了一种变电设备故障处理方法及终端设备，通过获取目标电气设备的目标设备标识；根据预存的设备标识与设备信息的对应关系，获取目标设备标识对应的目标设备信息；获取目标电气设备的故障图像；对故障图像进行识别，将故障图像转化为故障信息；根
4、上述现有技术主要集中在常规输变电设备运维系统，并未涉及多物理场及深度学习技术。而如何在满足故障快速处置、风险及时预警的需求前提下，提高变电设备故障诊断精度，是亟需解决的技术问题。
技术实现思路
1、专利技术目的：针对现有技术中存在的不足之处，本专利技术提供了一种变电设备故障研判原型系统及方法，进而提高了变电设备故障诊断精度。
2、技术方案：本专利技术所述的一种变电设备故障研判原型系统，包括以下模块：
3、数据准备模块：用于准备变电设备多物理场仿真所需数据；所述数据准备模块准备的变电设备多物理场仿真所需数据包括下述中至少一种：变电设备几何模型、物理模型、电路模型、热路模型、流体模型所需的几何尺寸、材料属性和外部条件。
4、数据采集模块：用于采集变电设备在线监测数据；所述数据采集模块采集的变电设备在线监测数据包括下述中至少一种：电压、电流、功率、温度、流速、振动波形及其他在线监测数据。
5、深度神经网络模块：提供变电设备深度神经网络训练算法模型；所述深度神经网络模块具体用于初始化深度神经网络模型参数，计算深度神经网络模型参数，计算深度神经网络模型传播误差及梯度，计算深度神经网络模型反向传播误差，判断深度神经网络模型训练误差。
6、多物理场模型模块：接收数据准备模块提供的几何尺寸、材料属性、外部条件数据，构建变电设备几何模型、物理模型、电路模型、热力模型、流体模型，提供变电设备多物理场耦合计算结果；所述多物理场模型模块具体用于对变电设备多物理场几何模型进行构建，设定变电设备电磁场计算模型参数，求解变电设备电磁场方程，计算变电设备各部件损耗，设定变电设备流体热力场计算模型参数，耦合求解变电设备流体热力场方程，根据阈值判断变电设备多物理场耦合计算结果，根据变电设备多物理场耦合计算结果修正温度参数。
7、卷积神经网络模块：提供变电设备卷积神经网络训练算法模型；所述卷积神经网络模块具体用于将训练数据当作线性阵列的数组输入到模型中，对输入矩阵做卷积计算，对卷积结果做局部模式提取，将所有输入全部连接组成全连接神经网络模型，输出最终结果。
8、故障样本生成模块：设定变电设备故障样本多物理场计算条件，调用多物理场模型模块算法，生成变电设备故障样本存储到故障样本库中，给故障类型辨识模块和故障态势推演模块提供样本数据；所述故障样本生成模块具体用于将变电设备的故障对应的仿真条件设定遍历出来，调用变电设备多物理场计算模型，构建故障样本数据库存储故障样本生成结果。
9、故障类型辨识模块：根据所述变电设备在线监测数据，调用深度神经网络算法模型搜索故障样本库中的数据，辨识变电设备故障类型，输出变电设备故障诊断结果。
10、故障态势推演模块：接收数据采集模块数据，调用卷积神经网络模块提供的算法模型，推演变电设备故障未来发展情况；所述故障态势推演模块具体用于根据故障类型辨识模块检索出的故障类型，调用变电设备卷积神经网络模型，输出变电设备对应故障态势推演结果。
11、人机交互及业务显示模块：接收故障样本生成模块、故障类型辨识模块、故障态势推演模块的结果数据，展示变电设备故障样本、变电设备故障类型辨识信息和变电设备故障态势推演信息。
12、一种变电设备故障研判原型方法，包括以下步骤：
13、获得变电设备多物理场仿真所需数据和采集变电设备在线监测数据；
14、根据所述变电设备多物理场仿真所需数据，构建变电设备几何模型、物理模型、电路模型、热力模型、流体模型，提供变电设备多物理场耦合计算结果；
15、调用多物理场模型算法，生成变电设备故障样本作为故障类型辨识和故障态势推演的样本数据；
16、根据所述变电设备在线监测数据，调用深度神经网络算法模型搜索故障样本库中的数据，辨识变电设备故障类型，输出变电设备故障诊断结果；
17、接收变电设备在线监测数据，调用卷积神经网络模型，推演变电设备故障未来发展情况；
18、展示变电设备故障样本、变电设备故障类型辨识信息和变电设备故障态势推演信息。
19、一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种变电设备故障研判原型系统。
20、一种计算机设备，包括储存器、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计算机程序时实现上述的一种变电设备故障研判原型系统。
21、有益效果：与现有技术相比，本专利技术具有以下优点：
22、本专利技术通过构建数据准备模块、数据采集模块、深度神经网络模块、多物理场模型模块、卷积神经网络模块、故障类型辨识模块、故障样本生成模块、故障态势推演模块、人机交互及业务显示模块，实现了变电设备故障的智能化研判，摆脱了人工分析决策的局限性，满足了故障快速处置、风险及时预警的需求，对指导变电设备故障诊断，具有重要的理论和实际意义。
本文档来自技高网...【技术保护点】
1.一种变电设备故障研判原型系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述数据准备模块准备的变电设备多物理场仿真所需数据包括下述中至少一种：变电设备几何模型、物理模型、电路模型、热路模型、流体模型所需的几何尺寸、材料属性和外部条件。
3.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述数据采集模块采集的变电设备在线监测数据包括下述中至少一种：电压、电流、功率、温度、流速、振动波形及其他在线监测数据。
4.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述深度神经网络模块具体用于初始化深度神经网络模型参数，计算深度神经网络模型参数，计算深度神经网络模型传播误差及梯度，计算深度神经网络模型反向传播误差，判断深度神经网络模型训练误差。
5.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述多物理场模型模块具体用于对变电设备多物理场几何模型进行构建，设定变电设备电磁场计算模型参数，求解变电设备电磁场方程，计算变电设备各部件损耗，设定变
6.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述卷积神经网络模块具体用于将训练数据当作线性阵列的数组输入到模型中，对输入矩阵做卷积计算，对卷积结果做局部模式提取，将所有输入全部连接组成全连接神经网络模型，输出最终结果。
7.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述故障样本生成模块具体用于将变电设备的故障对应的仿真条件设定遍历出来，调用变电设备多物理场计算模型，构建故障样本数据库存储故障样本生成结果。
8.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述故障类型辨识模块具体用于根据采集数据在故障样本数据库中检索相应故障类型，调用变电设备深度神经网络模型，输出变电设备对应故障类型辨识结果。
9.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述故障态势推演模块具体用于根据故障类型辨识模块检索出的故障类型，调用变电设备卷积神经网络模型，输出变电设备对应故障态势推演结果。
10.一种变电设备故障研判原型方法，其特征在于，包括：
11.根据权利要求10所述的一种变电设备故障研判原型方法，其特征在于，所述的变电设备多物理场仿真所需数据包括下述中至少一种：变电设备几何模型、物理模型、电路模型、热路模型、流体模型所需的几何尺寸、材料属性和外部条件。
12.根据权利要求10所述的变电设备故障研判原型方法，其特征在于，所述的变电设备在线监测数据包括下述中至少一种：电压、电流、功率、温度、流速、振动波形及其他在线监测数据。
13.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-9中任一项所述的一种变电设备故障研判原型系统。
14.一种计算机设备，包括储存器、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1-9中任一项所述的一种变电设备故障研判原型系统。
...【技术特征摘要】
1.一种变电设备故障研判原型系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述数据准备模块准备的变电设备多物理场仿真所需数据包括下述中至少一种：变电设备几何模型、物理模型、电路模型、热路模型、流体模型所需的几何尺寸、材料属性和外部条件。
3.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述数据采集模块采集的变电设备在线监测数据包括下述中至少一种：电压、电流、功率、温度、流速、振动波形及其他在线监测数据。
4.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述深度神经网络模块具体用于初始化深度神经网络模型参数，计算深度神经网络模型参数，计算深度神经网络模型传播误差及梯度，计算深度神经网络模型反向传播误差，判断深度神经网络模型训练误差。
5.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述多物理场模型模块具体用于对变电设备多物理场几何模型进行构建，设定变电设备电磁场计算模型参数，求解变电设备电磁场方程，计算变电设备各部件损耗，设定变电设备流体热力场计算模型参数，耦合求解变电设备流体热力场方程，根据阈值判断变电设备多物理场耦合计算结果，根据变电设备多物理场耦合计算结果修正温度参数。
6.根据权利要求1所述的一种变电设备故障研判原型系统，其特征在于，所述卷积神经网络模块具体用于将训练数据当作线性阵列的数组输入到模型中，对输入矩阵做卷积计算，对卷积结果做局部模式提取，将所有输入全部连接组成全连接神经网络模型，输出最终结果。
7.根据权利要求1所述的一种变电设备故障...
【专利技术属性】
技术研发人员：张海滨，国中琦，吕顺利，陈龙，仝杰，李金波，罗欣，张冰，姬秋华，周捷，王伟，李松原，方琼，唐鹏飞，张中浩，龙天航，李志坚，张鹏，左红兵，刘世裕，董璇，曹东宏，
申请(专利权)人：国网电力科学研究院有限公司，
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。