基于数字孪生模型的套管状态监测和故障诊断系统及方法

1.本发明属于输变电设备状态监测技术领域，具体涉及基于数字孪生模型的变压器高压套管状态监测和故障诊断系统及其方法。


背景技术：

2.以高压套管为代表的少油电力设备对电力系统安全稳定运行发挥着重要作用。随着电压等级升高，高压套管的故障或损坏波及的范围越来越大，造成的人身和财产安全问题越来越突出。对于套管的绝缘状态诊断，包括介损和电容量测试在内的传统套管状态评估和诊断方法目前还存在一些问题，如反映绝缘信息较少、需停电进行等。油色谱实验在多油设备局放检测中得到充分应用，但高压套管中含油较少，频繁从油阀取油并不现实，油色谱并不适用于高压套管局放检测。油温对少油设备热缺陷较为敏感，油压对油中总溶解气较为敏感，二者的传感手段也较为成熟，但缺乏相关标准对高压套管的状态监测和故障诊断进行有针对性的指导，因此现场应用并不充分。
3.数字孪生是以数字化方式对物理设备创建数字模型，来模拟其实际的运行工况，从而对无法直接测量的物理量进行真实可信的检测，如何将数字孪生技术应用于高压套管的状态监测和故障诊断，实现物理实体和数字孪生体的虚实交互、数据分析，从而为高压套管进行状态监测和故障诊断，成为亟待解决的问题。


技术实现要素：

4.本发明提供了一种基于数字孪生模型的套管状态监测和故障诊断系统及方法，解决目前的高压套管在线监测传感方法状态监测效果不佳的问题。
5.为达到上述目的，本发明所述的基于数字孪生模型的套管状态监测和故障诊断系统，包括物理感知模块、数字孪生体模块以及状态监测和故障诊断模块，所述物理感知模块和数字孪生体模块均与状态监测和故障诊断模块连接，所述物理感知模块与数字孪生体模块连接；
6.所述物理感知模块用于获得变压器套管物理参数；将运行传感量整理成历史传感量特征矩阵和运行传感量特征矩阵，将历史传感量特征矩阵输入数字孪生体模块和状态监测和故障诊断模块，运行传感量矩阵输入状态监测和故障诊断模块；
7.所述数字孪生体模块用于：根据变压器套管物理参数建立高压套管三维模型；根据变压器历史运行状态数据、出厂试验报告和历史检修报告建立参数模型；利用麦克斯韦方程组、传热学公式和纳维-斯托克斯公式联立建立多物理场模型，利用多物理场模型输出仿真传感量特征矩阵；
8.所述状态监测和故障诊断模块用于：将仿真传感量特征矩阵转化为仿真传感量特征向量构建神经网络，并用神经网络进行故障诊断。
9.进一步的，物理感知模块包括传感设备和储存器，所述传感设备包括油温传感器、油压传感器、电流互感器、电压互感器和存储器，所述油温传感器、油压传感器、电流互感
器、电压互感器均与存储器连接，所述存储器用于存储油温传感器、油压传感器、电流互感器和电压互感器采集的数据；该数据包括油温、油压、电流和电压。
10.进一步的，油温传感器、油压传感器、电流互感器、电压互感器和存储器，所述油温传感器和油压传感器安装在高压套管同一位置，所述电压互感器和电流互感器均安装在高压套管出线上。
11.一种基于数字孪生模型的套管状态监测和故障诊断方法，包括以下步骤：
12.步骤1、获取高压套管的历史传感量特征矩阵和历史状态参数矩阵；
13.步骤2、获得高压套管的物理参数，根据物理参数对高压套管进行三维建模，得到高压套管三维模型；
14.步骤3、根据高压套管历史运行状态数据、出厂试验报告和历史检修报告记录，建立数字孪生体模块参数模型；
15.步骤4、对高压套管逐一进行电场仿真计算、温度场仿真计算和流场仿真计算，得到仿真量特征矩阵电场部分、仿真量特征矩阵温度场部分和仿真量特征矩阵流场部分，将仿真量特征矩阵电场部分、仿真量特征矩阵温度场部分和仿真量特征矩阵流场部分整合成仿真传感量特征矩阵；
16.步骤5、将仿真传感量特征矩阵和历史传感量特征矩阵作差求出相对误差，并比较相对误差和设定的阈值的大小关系：
17.当相对误差小于等于设定的阈值时，输出步骤4得到的仿真传感量特征矩阵；
18.当相对误差大于设定的阈值时，调取电场材料参数、温度场材料参数和流场材料参数随温度变化曲线，根据仿真传感量特征矩阵中的温度从曲线上查询得到新的电场材料参数、温度场材料参数和流场材料参数，返回步骤4，更新电场材料参数、温度场材料参数和流场材料参数并重新进行电场、温度场和流场仿真计算，直至相对误差小于等于设定的阈值时，输出步骤4得到的仿真传感量特征矩阵；
19.步骤6、用历史传感量特征向量和仿真传感量特征向量对反向神经网络进行训练，确定反向神经网络的隐藏层节点数，进行反复迭代，得到故障诊断用神经网络；
20.步骤7、获取高压套管的运行状态数据，输入故障诊断用神经网络，对高压套管进行状态监测和故障诊断。
21.进一步的，步骤4中，进行电场计算仿真计算时，边界条件为历史状态参数矩阵中的电压参数，计算结果为仿真量特征矩阵电场部分和焦耳热矩阵；进行温度场仿真计算时，边界条件为发热功率和焦耳热矩阵，输出结果为仿真量特征矩阵温度场部分和流体温度场矩阵；进行流场仿真计算时，边界条件为流体温度场矩阵，输出结果为仿真量特征矩阵流场部分。
22.进一步的，步骤4中，进行电场计算仿真计算的过程包括以下步骤:
23.利用下式进行电场计算：
[0024][0025]
利用下式计算焦耳热：
[0026][0027]
其中，d为电位移矢量，ds为面积微元，q0为电荷量，e为电场强度，dl为距离微元，p为发热功率，dv为体积微元，j为电流元；
[0028]
将高压套管三维模型不同的部件的电场材料参数设置为环境温度对应的电场材料参数，接着根据历史状态参数矩阵中的电压参数对电场边界条件进行设置，求解域设置为整个高压套管，对求解域进行网格剖分，采用求解器对电场分布进行求解，求解完成得到仿真量特征矩阵电场部分和焦耳热矩阵。
[0029]
进一步的，步骤4中，进行温度计算仿真计算的过程包括以下步骤:
[0030]
根据下式进行温度场计算：
[0031][0032][0033]
其中：z是轴向坐标；r是辐向坐标；ρ是变压器油密度；u是变压器油轴向速度；v是变压器油辐向速度；c
p
是比热容；t是温度；se是热源的热量；k是固体导热系数；λ是变压器油导热系数；
[0034]
将高压套管三维模型不同的部件的热场材料参数设置为环境温度对应的热场材料参数，将电场计算得到的焦耳热矩阵和历史状态参数矩阵中的发热功率作为边界条件进行设置，求解域设置为整个高压套管，将高压套管内部划分为固体区域和流体区域，对求解域进行网格剖分，采用求解器对温度场分布进行求解，求解完成得到仿真量特征矩阵温度场部分和流体温度场矩阵。
[0035]
进一步的，步骤4中，进行流场计算仿真计算的过程包括以下步骤:
[0036]
根据下式进行流场计算：
[0037][0038][0039]
其中：μ是动力粘度；fz是微元体轴向体积力；fr是微元体径向体积力；
[0040]
将高压套管三维模型不同的部件的流场材料参数设置为环境温度对应的流场材料参数，将温度场计算得到的流体温度场矩阵作为边界条件进行设置，求解域设置为高压套管内流体区域，对求解域进行网格剖分，采用求解器对流场进行求解，求解完成得到仿真量特征矩阵流场部分。
[0041]
进一步的，步骤6包括以下步骤：
[0042]
s6.1、从历史传感量特征矩阵中提取出传感器安装处的油压向量和油温向量组成历史传感量特征向量；从不同故障时的历史传感量特征矩阵中提取油压向量和油温向量组成历史传感量特征向量；
[0043]
s6.2、根据高压套管可能出现的运行工况，将环境温度、高压套管中心导电杆的电压、高压套管中心导电杆的电流和发热功率按照历史状态参数矩阵的格式整理成模拟状态
参数矩阵；将模拟状态参数矩阵输入数字孪生体模块多物理场模型，按照步骤s4、步骤s5所述的方法计算得到仿真传感量特征矩阵；从仿真传感量特征矩阵提取油温向量和油压向量组成仿真传感量特征向量；
[0044]
s6.3、将历史传感量特征向量和历史状态参数矩阵、仿真传感量特征向量和模拟状态参数矩阵共同合并为数据集并制作标签；其中仿真传感量特征向量和模拟状态参数矩阵对应高压套管处于正常状态，标签记为0；历史传感量特征向量和历史状态参数矩阵中高压套管处于正常状态的标签记为0，过热缺陷的标签记为1，油压过高的标签记为2；对数据集和标签随机打乱顺序，划分出训练集和测试集；
[0045]
s6.4、搭建神经网络
[0046]
搭建3层神经网络，神经网络输入层节点数等于历史传感量特征向量和历史状态参数矩阵或仿真传感量特征向量和模拟状态参数矩阵的全部元素数；输出层节点数为3，即正常状态、过热状态和油压过高对应的3种故障诊断结果；将s6.3步得到的训练集和测试集输入神经网络，对神经网络进行训练，得到故障诊断用神经网络。
[0047]
与现有技术相比，本发明至少具有以下有益的技术效果：
[0048]
本发明基于数字孪生模型，设计了一种在包括电场、流场和温度场的多物理场作用下，可有效地对变压器高压套管进行状态监测和故障诊断的系统及其方法。通过油温和油压传感器获得高压套管不同运行状态下多个位置的油温和油压数据，并组成运行状态数据向量，将其作为测试集输入训练完成的神经网络，根据输出结果对高压套管进行状态监测和故障类型诊断。
[0049]
进一步的，由于应用于不同工况下的高压套管缺乏共性，油温和油压传感器安装的位置也将很大程度上左右测量结果，无法确定一个恰当的油温和油压阈值以进行高压套管状态监测。本发明通过神经网络对历史传感量特征向量和仿真传感量特征向量进行充分学习获得满足一定准确率要求的神经网络，从而能够实时的对运行传感量特征向量进行测试以实现高压套管的状态监测和故障诊断。
[0050]
进一步的，本发明实现了物理实体和数字孪生体的虚实交互。通过数字孪生体计算得到的油温和油压情况和物理实体的传感量进行对比，判断高压套管是否发生故障，实现了物理实体和数字孪生体的虚实互动，用计算结果指导了物理实体的状态监测和故障诊断。
[0051]
进一步的，本发明通过迭代方法克服了材料属性随温度的非线性变化带来的误差，提高了多物理场仿真计算的精度；采用电场—温度场—流场的耦合计算，使仿真计算更加贴近工程实际。本发明的多物理场仿真结果将为高压套管的状态监测和故障诊断有较强的指导意义。
附图说明
[0052]
图1为本发明的整体流程示意图；
[0053]
图2为数字孪生体多物理场模型建立流程示意图。
具体实施方式
[0054]
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例，
对本发明进行进一步的详细说明，此处所描述的具体实施例仅用于解释本发明，并非用于限定本发明。
[0055]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0056]
实施例1
[0057]
参照图1，基于数字孪生模型的变压器高压套管状态监测和故障诊断系统，1)由物理感知模块、数字孪生体模块以及状态监测和故障诊断模块三个模块组成。数字孪生体模块与物理感知模块连接；数字孪生体模块和物理感知模块均与状态监测和故障诊断模块连接。
[0058]
物理感知模块包括高压套管物理实体、传感设备和储存器，传感设备包括油温传感器、油压传感器、电流互感器、电压互感器和存储器，油温传感器、油压传感器、电流互感器、电压互感器均与存储器连接，存储器用于存储油温传感器、油压传感器、电流互感器和电压互感器采集的数据；该数据包括油温、油压、电流和电压。物理感知模块涵盖了系统全部的物理实体和传感器返回的全部数据。
[0059]
物理感知模块用于完成以下两项工作：
[0060]
1)获得变压器套管物理参数并保存在存储器中：根据变压器套管说明书获得其几何参数和材料参数，充分准确说明套管中各部件间的相互作用关系；
[0061]
2)数据清洗和输出：存储器将传感器传回的运行传感量进行数据清洗和整理，组成历史传感量特征矩阵和运行传感量特征矩阵，将当前时刻之前3-6个月至当前时刻内的运行传感量整理成历史传感量特征矩阵，将当前时刻的运行传感量整理成运行传感量特征矩阵。将历史传感量特征矩阵输入数字孪生体模块和状态监测和故障诊断模块，运行传感量矩阵输入状态监测和故障诊断模块。
[0062]
数字孪生体模块和状态监测和故障诊断模块建立和存储了系统全部的数学模型，其中数字孪生体模块由几何模型、参数模型和多物理场模型组成。
[0063]
几何模型指高压套管的三维模型；几何模型是根据高压套管实际的物理形状建立的满足一定精度要求的三维模型，包括导电杆、电容芯子和法兰等全部部件。
[0064]
参数模型指高压套管的工程参数，包括历史运行状态数据、出厂试验报告和历史检修报告记录等信息；以及变压器油、绝缘纸板和陶瓷的电场材料参数(介电常数和电导率)、温度场材料参数(换热系数)随温度的变化曲线，变压器油的流场材料参数(动力粘度、
表面张力和流体密度)随温度的变化曲线。
[0065]
多物理场模型包括麦克斯韦方程组、传热学公式和纳维-斯托克斯公式。多物理场模型是将电场、温度场和流场逐一耦合计算得到的物理模型。多物理场模型分别计算麦克斯韦方程组、传热学公式和纳维-斯托克斯公式以获得仿真传感量特征矩阵；
[0066]
数字孪生体模块由几何模型、参数模型和多物理场模型组成，具体实现方法如下：
[0067]
1)建立几何模型：根据物理感知模块获取的变压器套管物理参数建立高压套管三维模型，建模过程应满足精度要求；
[0068]
2)建立参数模型：获取变压器历史运行状态数据、出厂试验报告和历史检修报告等变压器及套管基础信息并储存，建立参数模型。
[0069]
3)建立多物理场模型：将物理感知模块传回的历史传感量特征矩阵作为边界条件，根据麦克斯韦方程组、传热学公式和纳维-斯托克斯公式进行多物理场仿真计算，得到仿真传感量特征矩阵。
[0070]
状态监测和故障诊断模块由神经网络及其训练和测试部分构成。
[0071]
状态监测和故障诊断模块用于训练和测试神经网络，并存储最终得到的神经网络，其主要运行步骤包括：
[0072]
1)数据清洗和构建网络：将数字孪生体模块传入的仿真传感量特征矩阵和历史传感量特征矩阵分别进行数据清洗并转化为仿真传感量特征向量和历史传感量特征向量。使用经验公式给出隐藏层节点数，构建神经网络框架。
[0073]
2)训练神经网络：将仿真传感量特征向量和历史传感量特征向量输入神经网络，使用反向传播算法对神经网络进行训练，得到满足准确率要求的神经网络。
[0074]
3)使用神经网络进行故障诊断：将运行传感量特征矩阵输入神经网络，诊断得到概率最大的故障类型，对高压套管进行状态监测和故障诊断。
[0075]
实施例2
[0076]
参照图2，一种基于具体数字孪生模型的变压器高压套管状态监测和故障诊断方法，利用高压套管物理感知模块和构建的数字孪生体模块进行虚实交互，将输出结果输入状态监测和故障诊断模块进行相应的监测和诊断，具体包括以下步骤：
[0077]
s1、搭建物理感知模块，获得历史状态参数矩阵和历史传感量特征矩阵；
[0078]
在高压套管取油口处、电容芯子的上部、中部和下部四个位置均安装一个油温传感器和一个油压传感器。在高压套管运行的环境中安装温度计，获取环境温度。在高压套管出线上安装电压互感器和电流互感器，测量高压套管中心导电杆的电压和电流。以高压套管轴向方向和径向方向为坐标轴建立坐标系，获得上述四个油温传感器和四个油压传感器坐标。在高压套管运行三个月到半年后，上述传感器采集到若干历史传感量。历史传感量包括已经运行的时段内测量到的高压套管取油口处、电容芯子的上部、中部和下部的油温、高压套管取油口处、电容芯子的上部、中部和下部的油压，环境温度，高压套管中心导电杆的电压以及高压套管中心导电杆的电流，根据式(1)，用采集的同一时刻电压和电流历史传感量计算得到发热功率q。
[0079]
q＝iu
ꢀꢀꢀ
(1)
[0080]
其中，i为高压套管中心导电杆电流，u为高压套管中心导电杆电压。
[0081]
将所有同一时刻的环境温度、高压套管中心导电杆的电压、高压套管中心导电杆
的电流和发热功率合成为历史状态参数矩阵；将油温、油压和对应的油温传感器和油压传感器坐标合成为历史传感量特征矩阵。因此历史状态参数矩阵有环境温度、电压、电流、发热功率共计4个列向量，历史传感量特征矩阵有x坐标、y坐标、油温、油压共计4个列向量。
[0082]
s2、搭建数字孪生体模块几何模型
[0083]
获得高压套管的几何尺寸，采用步骤s1建立的坐标系，使用ug或3ds max等三维建模软件对高压套管进行三维建模，得到高压套管三维模型，高压套管三维模型即为数字孪生体模块几何模型，并将高压套管三维模型保存为stl格式或其他多物理场仿真软件支持的格式；
[0084]
s3、搭建数字孪生体模块参数模型
[0085]
数字孪生体模块参数模型储存了高压套管的工程信息。建立步骤包括：存入高压套管历史运行状态数据、出厂试验报告和历史检修报告记录；存入变压器油、绝缘纸板和陶瓷的电场材料参数、温度场材料参数随温度的变化曲线，存入变压器油的流场材料参数随温度的变化曲线，按正常状态、过热缺陷和油压过高三种故障类型分类，将同类高压套管发生故障时的历史传感量特征矩阵存入储存器。电场材料参数包括介电常数和电导率，温度场材料参数即换热系数，流场材料参数包括动力粘度、表面张力和流体密度。
[0086]
s4、搭建数字孪生体多物理场模型，用多物理场模型对高压套管进行多物理场仿真计算
[0087]
用商用有限元仿真软件对高压套管进行多物理场仿真计算。将历史状态参数矩阵作为边界条件逐一进行电场、温度场和流场计算。其中电场计算得到高压套管电场、电压和焦耳热的分布；温度场计算得到高压套管温度场的分布；流场计算得到高压套管温度分布和流场分布。其中电场分析计算出的焦耳热将作为温度场计算的边界条件，温度场计算出的温度场分布也将作为流场计算的边界条件。最终计算得到仿真量特征矩阵，仿真量特征矩阵指求解域内所有网格点的坐标和对应的仿真计算值，包括电场、温度场和流场部分。具体步骤描述如下：
[0088]
s4.1、首先进行电场计算，得到仿真量特征矩阵电场部分和焦耳热矩阵。电场的计算公式满足公式(2)：
[0089][0090]
焦耳热的计算满足公式(3)：
[0091][0092]
其中d为电位移矢量，ds为面积微元，q0为电荷量，e为电场强度，dl为距离微元，p为焦耳热，dv为体积微元，j为电流元。
[0093]
将高压套管三维模型不同的部件的电场材料参数设置为环境温度对应的电场材料参数。接着根据历史状态参数矩阵中的电压参数对电场边界条件进行设置，求解域设置为整个高压套管，对求解域进行网格剖分，采用常用的求解器对电场分布进行求解。求解完成得到仿真量特征矩阵电场部分和焦耳热矩阵。其中仿真量特征矩阵电场部分由三个列向量组成，前两个列向量是求解域内所有网格点的x坐标向量和y坐标向量，第三列是对应网
格点的电场强度。焦耳热矩阵由三个列向量组成，前两列是高压套管中心导电杆边界处网格点的x坐标向量和y坐标向量，第三列是对应的热功率值。
[0094]
s4.2、接着进行温度场计算，得到仿真量特征矩阵温度场部分和流体温度场矩阵，温度场计算满足能量守恒方程和热传导公式，即式(4)。
[0095][0096]
其中：z是轴向坐标；r是辐向坐标；ρ是变压器油密度；u是变压器油轴向速度；v是变压器油辐向速度；c
p
是比热容；t是温度；se是热源的热量；k是固体导热系数；λ是变压器油导热系数。
[0097]
将高压套管三维模型不同的部件的热场材料参数(换热系数)设置为环境温度对应的热场材料参数。将电场计算得到的焦耳热矩阵和历史状态参数矩阵中的发热功率作为边界条件进行设置，求解域设置为整个高压套管，将高压套管内部划分为固体区域和流体区域，对求解域进行网格剖分。采用常用的求解器对温度场分布进行求解，求解完成得到仿真量特征矩阵温度场部分和流体温度场矩阵。仿真量特征矩阵温度场部分由三个列向量组成，前两个列向量是求解域内固体区域所有网格点的x坐标向量和y坐标向量，第三列是对应网格点的温度向量。流体温度场矩阵由三个列向量组成，前两个列向量是求解域内流体部分网格点的x坐标向量和y坐标向量，第三列是对应网格点的温度向量。
[0098]
s4.3、然后进行流场计算，得到仿真量特征矩阵流场部分，计算公式满足纳维-斯托克斯公式，即式(5)。
[0099][0100]
其中：μ是动力粘度；fz是微元体轴向体积力；fr是微元体径向体积力。
[0101]
将高压套管三维模型不同的部件的流场材料参数设置为环境温度对应的流场材料参数。将温度场计算得到的流体温度场矩阵作为边界条件进行设置，求解域设置为高压套管内流体区域，对求解域进行网格剖分，采用常用的求解器对流场进行求解，求解完成得到仿真量特征矩阵流场部分。仿真量特征矩阵流场部分由四个列向量组成，前两个列向量是求解域内所有网格点的x坐标向量和y坐标向量，第三个列向量是对应网格点的油温，第四个列向量是对应网格点的油压。
[0102]
s4.4、最后将仿真量特征矩阵电场部分、温度场部分和流场部分合成得到仿真量特征矩阵。从仿真量特征矩阵读出步骤s1中传感器坐标处对应的电场部分、温度场部分和流场部分，合成仿真传感量特征矩阵。
[0103]
s5、建立高压套管数字孪生体模块
[0104]
将s4.4得到的仿真传感量特征矩阵和步骤s1得到的历史传感量特征矩阵作差并求相对误差。当该相对误差大于5％时，从步骤s3建立的数字孪生体模块参数模型中调取电场材料参数、温度场材料参数和流场材料参数随温度的变化曲线，从曲线上分别读取仿真
传感量特征矩阵中的温度向量对应的材料参数。将读取的新的材料参数代入步骤s4重新迭代计算，直到上述相对误差小于5％，输出s4.4得到的仿真传感量特征矩阵。
[0105]
s6、制作神经网络训练集和测试集
[0106]
高压套管实际运行中传感设备返回的数据量不能满足神经网络训练需求。为了弥补历史传感量特征矩阵数据量的不足，数字孪生体模块生成大量仿真传感量特征矩阵进行补充。具体步骤如下：
[0107]
s6.1、首先，从历史传感量特征矩阵中提取出传感器安装处的油压向量和油温向量组成历史传感量特征向量。从数字孪生体模块参数模型中提取不同故障时的历史传感量特征矩阵，提取其中的油压向量和油温向量组成历史传感量特征向量。
[0108]
s6.2、接着，根据高压套管可能的运行工况将环境温度、高压套管中心导电杆的电压、高压套管中心导电杆的电流和发热功率按照历史状态参数矩阵的格式整理成模拟状态参数矩阵。将模拟状态参数矩阵输入数字孪生体模块多物理场模型，按照步骤s4、步骤s5计算得到仿真传感量特征矩阵。从仿真传感量特征矩阵提取油温向量和油压向量组成仿真传感量特征向量。
[0109]
s6.3、然后，将历史传感量特征向量和历史状态参数矩阵、仿真传感量特征向量和模拟状态参数矩阵共同合并为数据集并制作标签。其中仿真传感量特征向量和模拟状态参数矩阵对应高压套管处于正常状态，标签记为0；历史传感量特征向量和历史状态参数矩阵中高压套管处于正常状态的标签记为0，过热缺陷的标签记为1，油压过高的标签记为2；对数据集和标签随机打乱顺序，划分出75％的向量作为训练集、25％的向量作为测试集。
[0110]
s7、搭建神经网络
[0111]
搭建3层神经网络，逐层分别为输入层、隐藏层和输出层。神经网络输入层节点数等于历史传感量特征向量和历史状态参数矩阵或仿真传感量特征向量和模拟状态参数矩阵的全部元素数。输出层节点数为3，即正常状态、过热状态和油压过高对应的3种故障诊断结果。隐藏层节点数的确定参考经验公式(6)
[0112][0113]
其中m是隐藏层节点数，n是输入层节点数，l是输出层节点数，α是1-10之间的常数。将s6.3得到的训练集和测试集输入神经网络进行反复迭代，对神经网络的参数进行反复修正和校准，直至训练得到满足误差要求的神经网络。
[0114]
s8、对高压套管进行状态监测和故障诊断
[0115]
在工作状态下，物理感知模块中传感器实时采集运行传感量，生成运行传感量特征矩阵和实时状态参数矩阵。将实时状态参数矩阵输入数字孪生体模块多物理场模型，仿真计算得到仿真传感量特征矩阵。将运行传感量特征矩阵和仿真传感量特征矩阵作差并取相对误差。若相对误差小于等于5％，则判定高压套管处于正常运行状态；若相对误差大于5％，则从运行传感量特征矩阵提取实时传感量特征向量，将实时传感量特征向量和实时状态参数矩阵输入神经网络，神经网络的输出的标签对应故障诊断结果。
[0116]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。