一种基于多传感融合的变压器控制方法及相关装置与流程

摘要: 本发明涉及变压器控制,尤其涉及一种基于多传感融合的变压器控制方法及相关装置。背景技术:1、目前用于基于多传感融合的变压器控制方法尽管在一定程度上提升了变压器运行...
一种基于多传感融合的变压器控制方法及相关装置与流程

本发明涉及变压器控制,尤其涉及一种基于多传感融合的变压器控制方法及相关装置。

背景技术:

1、目前用于基于多传感融合的变压器控制方法尽管在一定程度上提升了变压器运行的安全性和效率,但仍然存在一些不足和弊端。首先,在传感器数据采集和融合方面,现有方法通常依赖于静态的传感器配置和单一的数据采集频率。这种方式在传感器故障或者某些异常环境下可能无法及时响应,例如在高温或高湿度环境下传感器可能会出现漂移或数据丢失,然而现有方法通常没有设计自适应的数据融合机制,因此在数据失准的情况下容易导致监测数据不准确、漏报或者误报。传统的多传感器融合大多采用简单的加权平均方法或者线性融合方式,无法动态调整不同传感器的权重,导致重要特征信息可能被忽略,尤其在复杂环境下对于故障模式的识别效果较差。此外,传统的数据融合方式大多缺乏有效的噪声处理手段,对于采集的数据通常是直接传入模型进行处理,这样极易受到传感器噪声、数据波动等干扰因素的影响,造成故障预测的误差较大。

2、在故障预测建模方面,传统的基于多传感融合的变压器控制方法主要采用arima等时间序列模型,这类模型对于简单的线性时间序列具有较好的效果,但在处理多变量非线性数据时表现欠佳。特别是在变压器负载数据中,往往存在长期趋势、周期性波动以及随机波动的叠加现象,arima等传统时间序列模型无法有效捕捉不同因素的交互影响,导致预测精度不高。另外,传统的机器学习模型一般没有考虑负载的突变问题,对于故障预测的时效性和动态调整需求响应较差。例如,当负载需求突然增加时,传统模型的预测结果可能会出现滞后,无法为变压器的负载调节提供及时的信息支持。

3、在负载平衡与优化控制方面,目前大多数方法仍然依赖于简单的静态负载控制策略,无法实现负载的动态平衡。传统负载控制往往采用固定的控制参数,缺乏根据实时监测数据动态调整的能力。例如在负载高峰期,传统方法可能会采取平均分配负载的方式,然而这种静态的分配方式可能导致变压器局部过载而其他变压器负载不足,影响系统整体效率。此外,传统负载控制策略在调整响应上往往存在滞后性,无法针对负载波动做出快速响应。特别是当负载需求频繁波动时,静态控制策略难以保证系统的稳定性,容易导致频繁的负载转移甚至造成不必要的能耗浪费。在优化控制方面,传统方法通常忽略了负载平衡和设备保护之间的关系,缺乏一个能够在满足负载需求的同时优化设备使用寿命的控制策略。例如,当负载需求急剧上升时,传统的控制方法可能倾向于持续增加负载,忽视了对设备的长时间保护需求,这在长期运行中容易加速变压器老化,降低其可靠性和使用寿命。

技术实现思路

1、本发明提供了一种基于多传感融合的变压器控制方法及相关装置,用于解决背景技术中所指出的部分弊端和不足。

2、有鉴于此,本技术第一方面提供了一种基于多传感融合的变压器控制方法,所述方法包括:

3、根据变压器运行环境确定若干用于监测变压器的传感器,对各所述传感器进行集成,并利用机器学习算法根据历史数据和实时反馈动态调整各所述传感器的校准参数;

4、通过各所述传感器实时获取变压器的动态特征并进行数据融合,通过主成分分析降低数据融合后的所述动态特征的维度,将降维后的所述动态特征输入至训练好的多层次随机森林的机器学习模型,输出变压器的故障预测并生成故障预测报告;

5、根据变压器的环境参数及历史负载数据采用时间序列预测技术预测得到变压器的未来负载需求,并基于所述未来负载需求结合遗传算法对变压器的控制参数进行优化,从而对变压器的动态进行调节;

6、通过对由各所述传感器采集的历史故障数据进行标注,构建包含多种故障模式的数据集并作为训练数据集对卷积神经网络进行训练得到故障识别模型,基于所述故障识别模型实时识别得到的故障匹配预置的应急处理方案。

7、可选地,所述通过各所述传感器实时获取变压器的动态特征并进行数据融合,包括:

8、所述通过各所述传感器实时获取变压器的动态特征包括:振动频率变化、温度波动幅度和电流,并基于数据融合公式对所述动态特征进行融合;

9、其中,所述数据融合公式的表达式为:

10、

11、式中,表示在时间的融合结果,反映多传感器信息的综合效果;为传感器的数量;为传感器在时间的动态权重,反映传感器输出在当前时刻的重要性;是传感器在时间的实际输出值;是衰减因子,用于控制时间的影响程度;为传感器数据的采样时刻。

12、可选地,所述过主成分分析法降低数据融合后的所述动态特征的维度,包括:

13、构建特征矩阵并进行中心化和标准化,计算协方差矩阵c,并进行特征值分解,从而实现对融合后的所述动态特征的降维,降维过程的表达式为:

14、

15、其中,为降维后的特征矩阵;是选定的特征向量集合,代表数据中主要的变化方向;是经过中心化处理的特征矩阵。

16、可选地,所述通过各所述传感器实时获取变压器的动态特征并进行数据融合,之后还包括:

17、采用小波变换消除数据融合后的所述动态特征中的高频噪声消除。

18、可选地,所述根据变压器的环境参数及历史负载数据采用时间序列预测技术预测得到变压器的未来负载需求,并基于所述未来负载需求结合遗传算法对变压器的控制参数进行优化,从而对变压器的动态进行调节,包括:

19、通过使用特征选择与提取技术识别影响变压器负载变化的关键因素,所述关键因素包括季节性变化、工作日与假日、以及温度变化;基于所述关键因素应用滑动窗口技术生成时间序列特征,基于所述时间序列特征计算出负载数据在不同时间段的滑动均值。

20、可选地,在所述时间序列特征生成阶段,负载预测模型为:arima自回归积分滑动平均模型、lstm长短期记忆网络或prophet预测模型;其中,当所述负载模型为所述lstm长短期记忆网络时,状态更新过程包括:

21、

22、其中,是时间的隐藏状态,代表当前的状态信息;是激活函数,用于引入非线性变换;是隐层到隐层的权重矩阵,负责将前一时刻的隐藏状态传递到当前时刻;是输入层到隐层的权重矩阵,负责将当前输入影响到当前状态;是偏置项,用于调节模型的输出。

23、可选地,所述通过对由各所述传感器采集的历史故障数据进行标注,构建包含多种故障模式的数据集,包括:

24、对从所述传感器数据中采集的时序特征进行空间与时间的联合分析,识别传感器数据间的关联权重,形成多传感器数据的时空耦合模型;

25、应用时空动态标注方法,根据不同时间点的演化趋势更新故障模式标注,实时反馈并修正数据集中的故障模式,利用如下公式进行时空特征的动态更新:

26、

27、式中,为故障模式的动态更新量,为时空特征更新的参数,为模型中时空数据的维度数,为故障模式更新的时间范围。

28、本技术第二方面提供一种基于多传感融合的变压器控制系统,所述系统包括:

29、获取单元,用于根据变压器运行环境确定若干用于监测变压器的传感器,对各所述传感器进行集成,并利用机器学习算法根据历史数据和实时反馈动态调整各所述传感器的校准参数;

30、第一控制单元,用于通过各所述传感器实时获取变压器的动态特征并进行数据融合,通过主成分分析降低数据融合后的所述动态特征的维度,将降维后的所述动态特征输入至训练好的多层次随机森林的机器学习模型,输出变压器的故障预测并生成故障预测报告;

31、第二控制单元,用于根据变压器的环境参数及历史负载数据采用时间序列预测技术预测得到变压器的未来负载需求,并基于所述未来负载需求结合遗传算法对变压器的控制参数进行优化,从而对变压器的动态进行调节;

32、第三控制单元,用于通过对由各所述传感器采集的历史故障数据进行标注,构建包含多种故障模式的数据集并作为训练数据集对卷积神经网络进行训练得到故障识别模型,基于所述故障识别模型实时识别得到的故障匹配预置的应急处理方案。

33、本发明第三方面提供一种基于多传感融合的变压器控制设备,所述设备包括处理器以及存储器:

34、所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;

35、所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的基于多传感融合的变压器控制方法的步骤。

36、本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的基于多传感融合的变压器控制方法。

37、从以上技术方案可以看出,本发明具有以下优点:

38、本发明实施例提供的一种基于多传感融合的变压器控制方法,首先,通过结合振动传感器、温度传感器、电流传感器等多源数据,构建了综合的监测体系,实现了对变压器状态的全面监测。多传感器数据融合提高了系统对异常情况的感知能力,确保了监测结果的准确性和稳定性。其次,基于特征工程的智能故障预测方法有效提取了数据的动态特征,通过主成分分析(pca)降维简化了数据维度,提升了预测模型的处理效率和实时性,从而能够快速识别变压器的潜在故障。接着,动态负载平衡与优化控制通过时间序列模型和滑动窗口技术,能够实时分析负载变化趋势并进行动态调节,确保变压器在不同负载条件下始终保持平稳运行,避免了瞬时过载对设备的损害。此外,通过使用lstm等深度学习模型对负载需求进行高精度预测,系统能够提前采取相应的调度策略,优化变压器的工作状态,延长设备使用寿命。最后,通过实时监控和智能预警机制,该方法能够及时发现并响应变压器的异常情况,大大降低了因故障导致的停电风险,提高了电力系统的可靠性和安全性。综上所述,本发明提供的方法不仅提高了变压器状态监测的准确性和故障预测的效率,还通过智能调度策略优化了设备的工作状态,为电力系统的稳定运行提供了有力保障。