一种应用于发电站的变压器监测方法及系统与流程

1.本发明涉及发电站监测技术领域，具体而言，涉及一种应用于发电站的变压器监测方法及系统。


背景技术：

2.在发电环节，电力变压器把发电厂所发的电能输送到电网中去，并且提高发电厂输出的电压，使之满足输送电电网额定高电压的要求。电力变压器是整个电力系统的核心设备，如果变压器出现故障，则水电无法正常上网，将造成不同程度的经济损失；同时，变压器故障是导致电网事故的主要原因，如果变压器出现故障而未及时发现，可能会危及人们的生命财产安全。变压器较电力系统中其他设备价值昂贵，变压器一旦出现故障而未及时处理，有可能导致电网事故的发生，其它相关设备都将受到影响，尤其是较为昂贵的电气设备，不仅降低设备的使用寿命，还会增加设备的维修开支。随着通信技术、计算机技术、大数据处理技术等先进技术的在电力系统中的逐步应用，电网正朝着智能化方向发展。电力变压器作为电网的重要元件和贵重资产，智能电网背景下，对其健康管理提出了更高的要求，因此，需要对变压器进行精准有效的监测。
3.当前的变压器监测方案主要分为如下几种：1、基于经验的单维度阈值判断；2、以svm、boost为代表的传统特征工程及机器学习方法；3、以rnn为代表的时序深度神经网络。
4.现有的这些方法更多的是使用机器学习或者人工的方式去对不同维度相对结果的重要性进行一个判断、或者是判断特征维度相对时间的关系，缺少对不同特征维度之间关联性的分析，无法对变压器进行全面精准的监测。


技术实现要素：

5.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种应用于发电站的变压器监测方法及系统，采用基于transformer神经网络的方法去挖掘不同特征维度之间的关联性，提高变压器状态监测的精度。
6.本发明的实施例是这样实现的：第一方面，本发明实施例提供一种应用于发电站的变压器监测方法，包括以下步骤：采集多个方面的变压器数据，并构建离线数据集；根据变压器数据特点和状态量构建基于transformer神经网络结构的初始分析模型；根据离线数据集对初始分析模型进行训练，以得到目标故障分析模型；实时采集并将变压器的多个维度的传感器数据导入至目标故障分析模型中，通过故障分析模型进行变压器故障分析，生成变压器状态分析结果。
7.为了解决现有技术中的问题，本发明根据变压器数据特点和状态量构建一个针对性的基于transformer神经网络结构的分析模型，并基于多个方面的数据对模型进行训练，以得到一个分析性能最优的故障分析模型，进而基于该故障分析模型结合实时的变压器的多个维度的传感器数据去挖掘不同特征维度之间的关联性，进而对变压器状态进行精准分析，提高变压器状态监测的精度。
8.基于第一方面，在本发明的一些实施例中，上述多个方面的变压器数据包括在线监测数据、离线试验数据以及设计参数数据。
9.基于第一方面，在本发明的一些实施例中，上述根据离线数据集对初始分析模型进行训练，以得到目标故障分析模型的方法包括以下步骤：将离线数据集进行分类，以得到训练数据集和测试数据集；基于训练数据集和测试数据集对初始分析模型进行迭代训练和测试，直至测试结果达到最优解，得到目标故障分析模型。
10.基于第一方面，在本发明的一些实施例中，上述基于transformer神经网络结构的初始分析模型包括算法输入层、编码处理层以及类别输出层。
11.基于第一方面，在本发明的一些实施例中，上述算法输入层包括氢、一氧化碳、二氧化碳、甲烷、乙烯、乙烷、乙炔、总烃以及对应的各点位温度和设备运行时长多个维度的传感器数据。
12.基于第一方面，在本发明的一些实施例中，上述通过故障分析模型进行变压器故障分析，生成变压器状态分析结果的方法包括以下步骤：将各个维度的传感器数据输入到故障分析模型中；传感器数据通过embedding后，基于编码处理层采用位置编码算法，对每各维度的数据加入位置信息；加入位置信息后，基于编码处理层对每各维度的数据加入类别编码信息；将加入了位置信息和类别编码信息的数据依次输入到编码器和解码器中，最终在类别输出层输出得到变压器状态分析结果。
13.基于第一方面，在本发明的一些实施例中，上述类别编码信息包括正常状态、预警状态、危害状态以及各个状态对应的取值区间。
14.第二方面，本发明实施例提供一种应用于发电站的变压器监测系统，包括数据集采集模块、模型构建模块、模型训练模块以及状态分析模块，其中：数据集采集模块，用于采集多个方面的变压器数据，并构建离线数据集；模型构建模块，用于根据变压器数据特点和状态量构建基于transformer神经网络结构的初始分析模型；模型训练模块，用于根据离线数据集对初始分析模型进行训练，以得到目标故障分析模型；状态分析模块，用于实时采集并将变压器的多个维度的传感器数据导入至目标故障分析模型中，通过故障分析模型进行变压器故障分析，生成变压器状态分析结果。
15.为了解决现有技术中的问题，本系统通过数据集采集模块、模型构建模块、模型训练模块以及状态分析模块等多个模块的配合，根据变压器数据特点和状态量构建一个针对性的基于transformer神经网络结构的分析模型，并基于多个方面的数据对模型进行训练，
以得到一个分析性能最优的故障分析模型，进而基于该故障分析模型结合实时的变压器的多个维度的传感器数据去挖掘不同特征维度之间的关联性，进而对变压器状态进行精准分析，提高变压器状态监测的精度。
16.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
17.第四方面，本技术实施例提供一种计算机可读存储介质，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如上述第一方面中任一项的方法。
18.本发明实施例至少具有如下优点或有益效果：本发明实施例提供一种应用于发电站的变压器监测方法及系统，根据变压器数据特点和状态量构建一个针对性的基于transformer神经网络结构的故障分析模型，进而基于该故障分析模型结合实时的变压器的多个维度的传感器数据去挖掘不同特征维度之间的关联性，进而对变压器状态进行精准分析，提高变压器状态监测的精度。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
20.图1为本发明实施例一种应用于发电站的变压器监测方法的流程图；图2为本发明实施例一种应用于发电站的变压器监测方法中基于transformer神经网络结构的初始分析模型的结构图；图3为本发明实施例一种应用于发电站的变压器监测方法中基于transformer神经网络结构的初始分析模型的训练流程图；图4为本发明实施例一种应用于发电站的变压器监测系统的原理框图；图5为本发明实施例提供的一种电子设备的结构框图。
21.附图标记说明：100、数据集采集模块；200、模型构建模块；300、模型训练模块；400、状态分析模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
22.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
23.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
25.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
26.在本发明实施例的描述中，“多个”代表至少2个。
27.实施例：如图1-图3所示，第一方面，本发明实施例提供一种应用于发电站的变压器监测方法，包括以下步骤：s1、采集多个方面的变压器数据，并构建离线数据集；上述多个方面的变压器数据包括在线监测数据、离线试验数据以及设计参数数据。在线监测数据包含油色谱、铁芯接地电流、局放、温油油位、电压电流等，离线试验数据包含油色谱、绝缘油、绕组电容量和介损、直流电阻、套管电容量和介损、绕组绝缘电阻等传感器的数据。在线监测数据还包含运行数据，如电压、电流、有功功率等。离线试验数据包含油色谱、绝缘油、绕组电容量和介损、直流电阻、套管电容量和介损、绕组绝缘电阻等。设计参数包含品牌、型号、制造日期、额定容量、冷却方式、密封方式等。设计参数包含品牌、型号、制造日期、额定容量、冷却方式、密封方式等。
28.s2、根据变压器数据特点和状态量构建基于transformer神经网络结构的初始分析模型；该基于transformer神经网络结构的初始分析模型包括算法输入层、编码处理层以及类别输出层。上述基于transformer神经网络结构的初始分析模型的结构如图2所示。上述变压器数据特点是指变压器的传感器的数据特点，其为时序数据，如油色谱传感器的数据为每四个小时一次。上述状态量为模型的输入参数，包含了在线监测数据、例行试验数据和设计参数数据。
29.进一步地，上述算法输入层包括氢、一氧化碳、二氧化碳、甲烷、乙烯、乙烷、乙炔、总烃以及对应的各点位温度和设备运行时长多个维度的传感器数据。
30.s3、根据离线数据集对初始分析模型进行训练，以得到目标故障分析模型；进一步地，如图3所示，将离线数据集进行分类，以得到训练数据集和测试数据集；基于训练数据集和测试数据集对初始分析模型进行迭代训练和测试，直至测试结果达到最优解，得到目标故障分析模型。
31.在本发明的一些实施例中，基于transformers神经网络模型，设计适用于当前数据的模型网络结构，通过已标注好的数据，对模型进行训练，随后利用测试数据对训练好的模型进行测试，根据测试结果，调整模型的训练参数，重新训练模型。以此种方式反复迭代，当最终测试结果达到理想状态时，结束训练，保存好模型，作为目标故障分析模型，用于进行数据实时分析。
32.s4、实时采集并将变压器的多个维度的传感器数据导入至目标故障分析模型中，通过故障分析模型进行变压器故障分析，生成变压器状态分析结果。上述多个维度的传感器数据是指多种类型的传感器，如油色谱传感器、铁芯接地电流传感器、局放传感器等。多
个维度指多种类型，采用基于transformer神经网络的方法去挖掘不同特征维度（不同类型的传感器采集的数据）之间的关联性，提高变压器状态监测的精度。
33.进一步地，包括：将各个维度的传感器数据输入到故障分析模型中；传感器数据通过embedding后，基于编码处理层采用位置编码算法，对每各维度的数据加入位置信息；加入位置信息后，基于编码处理层对每各维度的数据加入类别编码信息，该类别编码信息包括正常状态、预警状态、危害状态以及各个状态对应的取值区间；将加入了位置信息和类别编码信息的数据依次输入到编码器和解码器中，最终在类别输出层输出得到变压器状态分析结果。
34.在本发明的一些实施例中，变压器监测系统中，采集到很多维度的传感器数据，例如：在线油色谱、顶层油温、离线油色谱、绝缘油、绕组电容和介损、套管电容和介损、局放等，然后利用transformer神经网络中的自注意力机制，机器主动挖掘维度和维度之间难以观察的相关性，以此达到对变压器状态监测的目的，实现精准的变压器状态监测。传感器数据通过embedding后，通过位置编码算法，对每一维度加入位置信息，位置编码之后，加入类别编码信息，根据变压器状态，可将类别编码分为三种：正常、预警以及危害，其取值区间分别为[0~0.5]、(0.5~0.8]以及(0.8~1],然后将加入了位置编码后的数据，依次输入编码器以及解码器中，最后，在输入层得到最终的类别输出值，即变压器状态分析结果。将变压器状态分为健康、亚健康、病态三种状态，分别对应类别编码的正常、预警以及危害；病态表示当前变压器状态很差，需要立刻进行检测和维修；健康标示当前变压器状态良好；亚健康状态介于病态和健康状态之间，表示当前变压器可运行，但是需要特别关注其状态变化。本发明采用基于transformer结构的分析监测方法，相对于传统方法其监测精度更高，且系统上不受输入变量的控制，可以对特征维度进行很好的扩展和裁剪。
[0035]
为了解决现有技术中的问题，本发明根据变压器数据特点和状态量构建一个针对性的基于transformer神经网络结构的分析模型，并基于多个方面的数据对模型进行训练，以得到一个分析性能最优的故障分析模型，进而基于该故障分析模型结合实时的变压器的多个维度的传感器数据去挖掘不同特征维度之间的关联性，进而对变压器状态进行精准分析，提高变压器状态监测的精度。
[0036]
如图4所示，第二方面，本发明实施例提供一种应用于发电站的变压器监测系统，包括数据集采集模块100、模型构建模块200、模型训练模块300以及状态分析模块400，其中：数据集采集模块100，用于采集多个方面的变压器数据，并构建离线数据集；模型构建模块200，用于根据变压器数据特点和状态量构建基于transformer神经网络结构的初始分析模型；模型训练模块300，用于根据离线数据集对初始分析模型进行训练，以得到目标故障分析模型；状态分析模块400，用于实时采集并将变压器的多个维度的传感器数据导入至目标故障分析模型中，通过故障分析模型进行变压器故障分析，生成变压器状态分析结果。
[0037]
为了解决现有技术中的问题，本系统通过数据集采集模块100、模型构建模块200、模型训练模块300以及状态分析模块400等多个模块的配合，根据变压器数据特点和状态量构建一个针对性的基于transformer神经网络结构的分析模型，并基于多个方面的数据对
模型进行训练，以得到一个分析性能最优的故障分析模型，进而基于该故障分析模型结合实时的变压器的多个维度的传感器数据去挖掘不同特征维度之间的关联性，进而对变压器状态进行精准分析，提高变压器状态监测的精度。
[0038]
如图5所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
[0039]
还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
[0040]
其中，存储器101可以是但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。
[0041]
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）等；还可以是数字信号处理器（digital signal processing，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field－programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0042]
在本技术所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0043]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0044]
第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网
络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0045]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0046]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。