端云协同的变压器潜伏故障智能预测方法及系统与流程

摘要: 本申请涉及端云协同,特别是涉及端云协同的变压器潜伏故障智能预测方法及系统。背景技术:1、变压器是电力系统的核心设备,其绕组绝缘纸在长期电、热应力作用下会发生不可...
端云协同的变压器潜伏故障智能预测方法及系统与流程

本申请涉及端云协同,特别是涉及端云协同的变压器潜伏故障智能预测方法及系统。

背景技术:

1、变压器是电力系统的核心设备,其绕组绝缘纸在长期电、热应力作用下会发生不可逆的聚合度下降,导致绝缘性能逐渐劣化,严重时可能引发匝间短路等潜伏故障。目前,对变压器绝缘状态的评估主要依赖定期油中溶解气体分析或局部放电带电检测,通过检测油中特征气体含量或局部放电量是否超过预设阈值来判断绝缘是否存在异常。部分变电站也安装了在线监测装置,对局部放电信号和顶层油温进行连续采集,运维人员根据监测数据的趋势变化进行经验判断。

2、然而,上述方式在实际应用中存在明显不足。局部放电信号易受现场电磁干扰影响,单一时刻的放电量幅值难以反映绝缘劣化的长期演变规律。油温和负载电流的变化会使放电强度产生周期性波动,固定阈值无法区分正常工况波动与真实绝缘劣化趋势。此外,现有监测方式缺乏对局部放电特征、油温和负载电流等多维数据在时间维度上的关联分析能力,难以量化评估绝缘劣化的累积程度和剩余发展时间,导致对潜伏故障的预警往往滞后,运维决策缺乏可靠的数据支撑。

技术实现思路

1、本申请提供了端云协同的变压器潜伏故障智能预测方法及系统,改善了现有变压器绝缘状态评估中,依靠固定阈值或单一特征进行判定,难以全面捕捉绝缘劣化的缓慢累积趋势,且无法对预测结果的可信度进行量化评估,导致运维人员难以根据预测信息做出有效决策的技术问题。

2、本申请公开了如下技术方案:

3、第一方面,本申请提供了端云协同的变压器潜伏故障智能预测方法,所述方法包括:

4、通过端侧采集变压器在历史时间周期内的局部放电原始脉冲序列、顶层油温序列和负载电流序列,并在端侧进行高敏感特征提取和时域压缩预处理后得到变压器运行监测数据序列,上传至云端服务器;

5、在云端服务器,按照预设时间跨度对所述变压器运行监测数据序列进行时序插值与滑窗对齐,生成三维输入张量序列;

6、在云端服务器,以变压器绝缘设计参数为设备约束,基于同类设备的历史运行数据预先构建包含数据输入层、时序特征提取层、物理约束注入层、损伤累积池化层和剩余寿命回归输出层的变压器绕组绝缘寿命预测器,其中,所述剩余寿命回归输出层内嵌有波动感知置信度动态校准机制;

7、将所述三维输入张量序列输入所述变压器绕组绝缘寿命预测器,预测绝缘纸等效聚合度小于临界击穿阈值的剩余时长,得到变压器绕组的预测剩余绝缘寿命和预测置信区间,作为变压器潜伏故障预测结果。

8、第二方面,本申请提供了端云协同的变压器潜伏故障智能预测系统,所述系统包括:

9、端侧预处理模块,用于通过端侧采集变压器在历史时间周期内的局部放电原始脉冲序列、顶层油温序列和负载电流序列,并在端侧进行高敏感特征提取和时域压缩预处理后得到变压器运行监测数据序列,上传至云端服务器;

10、时序对齐模块,用于在云端服务器,按照预设时间跨度对所述变压器运行监测数据序列进行时序插值与滑窗对齐,生成三维输入张量序列;

11、寿命预测器模块,用于在云端服务器,以变压器绝缘设计参数为设备约束,基于同类设备的历史运行数据预先构建包含数据输入层、时序特征提取层、物理约束注入层、损伤累积池化层和剩余寿命回归输出层的变压器绕组绝缘寿命预测器,其中,所述剩余寿命回归输出层内嵌有波动感知置信度动态校准机制;

12、预测输出模块,用于将所述三维输入张量序列输入所述变压器绕组绝缘寿命预测器,预测绝缘纸等效聚合度小于临界击穿阈值的剩余时长,得到变压器绕组的预测剩余绝缘寿命和预测置信区间,作为变压器潜伏故障预测结果。

13、本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:

14、本申请技术方案通过提供的端云协同的变压器潜伏故障智能预测方法,首先,通过在端侧对局部放电原始脉冲序列进行高敏感特征提取,并对油温和负载电流序列进行时域压缩预处理,在保留数据趋势信息的同时有效降低上传数据量,实现了端侧多维运行数据的高效融合与云端协同,解决了端侧原始数据量大、上传带宽受限与云端分析对数据完整性需求之间的矛盾。

15、进一步的,通过在云端对多维运行监测数据序列进行时序插值与滑窗对齐,生成统一时间粒度的三维输入张量序列,实现了局部放电特征、油温和负载电流三者在时间维度上的精准对齐与结构化表达,解决了多源异构数据在时序上的不一致性问题,为后续模型捕捉长期依赖关系提供高质量的输入数据。

16、进一步的,通过在云端预先构建包含物理约束注入层和损伤累积池化层的变压器绕组绝缘寿命预测器,将变压器绝缘设计参数作为设备约束融入模型结构,利用注意力机制对长程时序依赖进行自适应聚合,并通过波动感知置信度动态校准机制对预测不确定性进行量化,实现了对绝缘劣化累积过程的物理一致性与时序规律性的协同建模,解决了传统预测方法难以结合设备物理特性与多维运行数据演变规律、无法对潜伏故障进行早期可靠预估的问题。

17、最后,通过将三维输入张量序列输入变压器绕组绝缘寿命预测器,输出预测剩余绝缘寿命与预测置信区间,实现了对变压器潜伏故障的量化预测,既提供了绝缘失效的时间预估又给出了预测结果的可信度,有利于运维人员根据预测信息做出科学的检修决策。

18、综上所述,本申请通过在端侧对局部放电、油温和负载电流数据进行特征提取与时域压缩后上传至云端,在云端进行时序对齐生成三维输入张量序列,利用内置物理约束注入层、损伤累积池化层和波动感知置信度动态校准机制的变压器绕组绝缘寿命预测器,输出预测剩余绝缘寿命和预测置信区间。由此实现了对变压器绝缘劣化趋势的量化评估与潜伏故障的早期可靠预警,解决了传统方法难以从多维运行数据中捕捉绝缘劣化缓慢发展趋势、无法量化预测结果可信度的技术问题。

1.端云协同的变压器潜伏故障智能预测方法,其特征在于,包括:

2.根据权利要求1所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,通过端侧采集变压器在历史时间周期内的局部放电原始脉冲序列、顶层油温序列和负载电流序列,并在端侧进行高敏感特征提取和时域压缩预处理后得到变压器运行监测数据序列,包括:

3.根据权利要求2所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,按照预设时间跨度对所述变压器运行监测数据序列进行时序插值与滑窗对齐,生成三维输入张量序列,包括:

4.根据权利要求1所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的数据输入层的具体实现方式包括:

5.根据权利要求4所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的时序特征提取层的具体实现方式包括:

6.根据权利要求5所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的物理约束注入层的具体实现方式包括:

7.根据权利要求6所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的损伤累积池化层的具体实现方式包括:

8.根据权利要求7所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的剩余寿命回归输出层的具体实现方式包括:

9.根据权利要求8所述的端云协同的变压器潜伏故障智能预测方法,其特征在于,所述变压器绕组绝缘寿命预测器的训练过程包括:

10.端云协同的变压器潜伏故障智能预测系统,其特征在于,所述系统用于执行权利要求1至9任一项所述的端云协同的变压器潜伏故障智能预测方法,所述系统包括: