一种变压器状态感知和预测性运维系统及方法与流程

本发明涉及电力设备运维，尤其涉及一种变压器状态感知和预测性运维系统及方法。

背景技术：

1、变压器作为利用电磁感应的原理来改变交流电压的装置，主要功能有电压变换、电流变换、阻抗变换、隔离、稳压等。同时，变压器在电力系统中承担着能量转换和能量传输的核心设备，因此变压器在长期的运行过程中，由于各种原因造成的故障或事故不可避免，变压器的安全稳定运行对维持系统稳定至关重要。

2、预测性运维能够根据已有信息及时预测设备在未来时间段内的潜在故障，辅助管理人员提前定位系统不稳定因素并加以干预，避免系统出现故障从而造成损失。针对变压器状态感知和趋势预测的方法主要包括，深度学习算法、深度强化学习算法、深度置信网络算法、模糊层次分析法、电网一张图方法、知识图谱方法、d-s证据理论算法。

3、如专利cn116091034b一种电炉变压器智能运维方法、系统及设备中，电炉变压器的运行故障多，监测难度大；该发明通过在电炉变压器上设置巡检二维码，通过智能采集终端可较为精确的采集输出侧电压、输入侧电流、变压器功率因数、开关档位等重要参数，通过以上参数对电炉变压器创建健康运行数据模型，即可了解到电炉变压器的具体运行状况。进而可以实现对电炉变压器的运行状态、故障信息和健康状态进行评估，实现了电炉变压器的智能运维。

4、专利cn114707322生命周期预维护提示液浸式数字化配电变压器及维护方法中，该发明在变压器周侧设置传感器监测单元和数据分析及传输单元，同时在监控平台建立难以直接量测的参数计算模型，进行变压器运行过程中采集变压器的油位、油面温度、绕组温度、电气寿命、三相不平衡率、功率因数等数据，并根据采集的数据与建立的模型计算变压器的状态以及剩余寿命，实现了配电变压器运行工作状态的全面监测，同时根据电气寿命损失趋势设定预维护提醒阈值，可向绑定的终端平台发送维护提醒信息，为客户的运维检修提供便利。

5、上述现有技术主要集中在变压器状态展示及运维检修支持方面，而目前仍缺少一种将各类智能算法整合的预测性运维系统。如何对变压器状态感知和预测性运维原型系统的研究，对指导变压器预测性运维，是需要探讨的技术问题。

技术实现思路

1、发明目的：针对现有技术中存在的不足之处，本发明提供了一种变压器状态感知和预测性运维系统及方法，进而提高了变压器预测性运维质量。

2、技术方案：本发明所述的一种变压器状态感知和预测性运维系统，包括以下模块：

3、数据服务模块：采集变压器在线监测数据，并填补变压器在线监测数据中的缺失数据；

4、模型库模块：提供变压器预测预警及故障诊断算法模型；

5、状态预测预警模块：接收所述变压器在线监测数据，从模型库模块中选择预测预警算法模型，计算变压器状态并提供预测预警信息；

6、预测性运维决策模块：接收状态预测预警提供的预测预警信息，从模型库模块中选择故障诊断算法模型，计算并提供变压器预测性运维决策信息；

7、人机交互及业务显示模块：接收状态预测预警模块和预测性运维决策模块计算结果，在人机交互界面展示变压器状态预测预警信息及变压器预测性运维决策信息。

8、所述数据服务模块用于采集变压器在线监测数据，构建变压器数据填补数据集，在所述数据集中随机选择初始聚类中心，将样本分别划入对应簇中，根据划分结果更新聚类中心，判断聚类中心的变化是否小于阈值，输出变压器数据填补结果。

9、数据服务模块采集的变压器在线监测数据包括在线色谱数据、接地电流、局放信号、振动和声纹信号、高频电流信号、套管末屏监测、环境监测数据、设备温度数据、冷却器状态、主设备实时运行量测数据、企业级实时量测中心事件数据、技术参数、管理参数、位置数据、专题图纸、异常记录、运行记录、检修作业、状态评价、带电检测数据、停电试验数据和巡视数据。

10、数据服务模块填补变压器在线监测数据中的缺失数据的步骤具体为：首先在数据集单元中随机选择k个样本，并将其分别作为各样本簇的聚类中心，即初始化聚类单元。随后，在样本划分单元中，提取数据集中的n个样本，分别计算其与所述k个聚类中心的欧式距离，并将各样本划分到距离最近的聚类中心对应的样本簇中。接着，在更新聚类中心单元中，根据划分结果，计算所述样本簇内样本各属性值的均值并以此更新聚类中心。其次，在聚类阈值判断单元中，若更新前后聚类中心的变化小于设定的阈值，则结束迭代，并将最后一轮迭代中划分的样本簇作为聚类结果。最后，在填补结果输出单元中，将距离最短的聚类中心值填补对应缺失数据，并输出。

11、所述模型库模块包括深度强化学习模型、深度置信网络模型、电网一张图模型和变压器知识图谱模型；所述深度强化学习模型用于构建深度强化学习模型数据集，存储智能体知识数据，抽取待训练知识数据，构建主策略深度学习网络模型，构建目标策略深度学习网络模型，构建智能体主值网络模型，构建智能体目标值网络模型，计算主策略网络累计折扣奖励及更新主策略网络，计算主值网络损失函数及更新主值网络；所述深度置信网络模型用于构建深度置信网络模型数据集，使用贪心学习方法对网络参数进行预估计，将预学习结果作为初始值，优化网络参数；生成可视层变量的实现值；推理从下层到上层的条件概率；所述电网一张图模型构建用于电网一张图模型数据集，挖掘电网一张图数据关联性，融合电网一张图数据；所述变压器知识图谱模型用于构建变压器知识图谱模型数据集，提取变压器多模态知识，根据知识差异性赋不同权重，用过滤方法进行优选；基于稀疏编码器对变压器多模态知识进行编码；将变压器多模态知识进行直观表达。

12、其中，深度强化学习模型对应变压器预测预警算法模型。深度置信网络模型、电网一张图模型和变压器知识图谱模型对应变压器故障诊断算法模型。

13、深度强化学习模型用于构建深度强化学习模型数据集，存储智能体知识数据，抽取待训练知识数据，构建主策略深度学习网络模型，构建目标策略深度学习网络模型，构建智能体主值网络模型，构建智能体目标值网络模型，计算主策略网络累计折扣奖励及更新主策略网络，计算主值网络损失函数，更新主值网络。

14、深度强化学习模型的构建过程如下，首先从数据集单元提取待训练知识数据，再将待训练知识数据存入经验回放池单元，再经过采样单元随机抽取待训练知识数据。其次将待训练知识数据送入主策略网络单元、目标策略网络单元、目标值网络单元进行网络参数训练。其中，主策略网络以折扣累计奖励函数为迭代条件，主值网络以损失函数为迭代条件。最后，将训练好的网络参数送入数据集单元，计算训练精度并重新存入经验回放池单元中，直到整个迭代过程结束。

15、四种网络的构建过程如下：

16、主策略网络：在迭代过程中根据深度强化学习模型数据集产生动作，并与数据集单元交互后生成下一代状态，同时计算获得奖励值，其根据主值网络给出的主值更新网络参数。

17、目标策略网络：负责从经验回放池采样，获得随机的状态，并根据目标策略网络选择最优动作。目标策略网络参数的更新方式为定期根据主策略网络参数进行软更新。

18、主值网络：在迭代过程中根据环境状态和主策略网络产生的动作计算当前主值。其网络参数根据目标值网络计算的目标值进行更新。

19、目标值网络：负责计算目标值，其网络参数的更新方式为定期根据主值网络参数进行软更新。

20、其中，深度置信网络模型具体用于构建深度置信网络模型数据集，使用贪心学习方法对网络参数进行预估计，将预学习结果作为初始值，优化网络参数，生成可视层变量的实现值，推理从下层到上层的条件概率。

21、深度置信网络模型的构建过程如下，首先从数据集单元中提取待训练数据进行深度置信预学习。深度置信预学习是通过分层的贪心学习法进行的，本质上是对每个层对进行受限玻尔兹曼机的学习和参数值的更新。接着对预学习结果进行深度置信调优。深度置信调优是指，将预学习中得到的参数值作为初始值，将深度置信网络的所有层一起同时进行学习的工作，通过加入全层的学习，来进行参数的微调，进而提高性能。接着，对调优结果进行深度置信抽样。在经过学习后，考虑从深度置信网络来生成可视层变量的实现值，并对每层进行重复的采样。最后，对抽样结果进行深度置信推理，得到自下层到上层的条件概率。

22、其中，电网一张图模型用于构建电网一张图模型数据集，挖掘电网一张图数据关联性，融合电网一张图数据关联性，融合电网一张图数据。

23、电网一张图模型的构建过程如下，首先从数据集单元中提取电网一张图模型数据，再进行关联分析，利用apriori方法，分析电网一张图模型数据关联性，最后，进行虚实融合，利用变压器状态仿真方法，将电网一张图模型数据进行虚实融合。

24、其中，变压器知识图谱模型用于构建变压器知识图谱模型数据集，提取变压器多模态知识，根据知识差异性赋予不同权重，用过滤方法进行优选，基于稀疏编码器对变压器多模态知识进行编码，通过直观表达单元将变压器多模态知识进行直观表达。

25、变压器知识图谱模型的构建过程如下，首先从数据集单元提取数据进行知识量化分析。在知识提取过程中，采用预训练模型作为关系抽出底层模型，对故障缺陷情况、状态量与状态间对应情况、运维手段等文本数据以及在线监测状态量、试验类状态量等结构化数据进行知识提取，获取变压器的多模态知识。接着进行知识优选，在对变压器的多模态知识进行提取之后，基于聚类方法和空间距离度量方法，量化变压器不同模态知识间的差异性，并根据差异度赋予权重；随后，基于相同过滤方法对多维度、多模态知识进行优选，接着进行编码融合，基于稀疏编码器对多模态知识进行编码，以适用于变压器的状态评价、故障诊断及状态预测模型。最后送入直观表达单元，考虑具体的模型需要以及现场的运维需求，根据具体的应用场景，进行变压器多模态知识直观表达。

26、所述状态预测预警模块通过计算状态隶属度，构建状态判别矩阵，分别计算指标层、子项目层、项目层、总目标的权重及状态概率。

27、状态预测预警模块用于计算状态隶属度从而构建状态判别矩阵，计算指标层权重及状态概率，计算子项目层权重及状态概率，计算项目层权重及状态概率，计算总目标权重及状态概率。

28、状态预测预警模块的构建过程如下，首先对变压器感知量预测数据进行判别矩阵构建，通过模糊层次分析法，计算各感知量预测数据的状态隶属度，并将各隶属度计算结果存入状态判别矩阵中。再进行指标层计算，采用方根法计算各指标层权重，并将对应隶属度乘以权重并求和得到指标层状态概率。再进行子项目层计算单元和项目层计算，最后计算总目标，对应权重及状态概率计算方法同上。

29、所述预测性运维决策模块将每个信息源集到的信息转换为基本概率指派bpa，利用dempster组合规则对所生成的多个bpa进行融合，得到融合后的基本概率指派bpa，基于融合结果采用决策规则进行决策，从而得到最终的结果。

30、预测性运维决策模块的构建过程如下，首先，将多种故障诊断模型得到的结果转换成证据，即基本概率指派。其次，将多种故障诊断模型得到的结果进行融合。最后，根据得到最终的故障诊断结果，给出对应运维决策信息。

31、其中，变压器状态感知和预测性运维系统的构建过程如下：首先，变压器在线监测数据经数据服务模块采集并进行填补处理。模型库模块包括变压器预测预警模型及变压器故障诊断模型，其中变压器预测预警模型支撑状态预测预警模块计算，变压器故障诊断模型支撑预测性运维决策模块计算。最后，将状态预测预警模块和预测性运维决策模块计算结果送入人机交互及业务显示模块，实现预警及决策信息的可视化。

32、一种变压器状态感知和预测性运维方法，包括以下步骤：

33、采集变压器在线监测数据，并填补变压器在线监测数据中的缺失数据；

34、模型库模块提供变压器预测预警及故障诊断算法模型；

35、接收所述变压器在线监测数据，选择预测预警算法模型，计算变压器状态并提供预测预警信息；

36、接收预测预警信息，选择故障诊断算法模型，计算并提供变压器预测性运维决策信息；

37、展示变压器状态预测预警信息及变压器预测性运维决策信息。

38、所述的采集变压器在线监测数据，并填补变压器在线监测数据中的缺失数据，具体为：

39、采集变压器在线监测数据，构建变压器数据填补数据集，在所述数据集中随机选择初始聚类中心，将样本分别划入对应簇中，根据划分结果更新聚类中心，判断聚类中心的变化是否小于阈值，输出变压器数据填补结果。

40、所述模型库模块包括深度强化学习模型、深度置信网络模型、电网一张图模型和变压器知识图谱模型；所述深度强化学习模型用于构建深度强化学习模型数据集，存储智能体知识数据，抽取待训练知识数据，构建主策略深度学习网络模型，构建目标策略深度学习网络模型，构建智能体主值网络模型，构建智能体目标值网络模型，计算主策略网络累计折扣奖励及更新主策略网络，计算主值网络损失函数及更新主值网络；所述深度置信网络模型用于构建深度置信网络模型数据集，使用贪心学习方法对网络参数进行预估计，将预学习结果作为初始值，优化网络参数；生成可视层变量的实现值；推理从下层到上层的条件概率；所述电网一张图模型用于构建电网一张图模型数据集，挖掘电网一张图数据关联性，融合电网一张图数据；所述变压器知识图谱模型用于构建变压器知识图谱模型数据集，提取变压器多模态知识，根据知识差异性赋不同权重，用过滤方法进行优选；基于稀疏编码器对变压器多模态知识进行编码；将变压器多模态知识进行直观表达。

41、所述状态预测预警模块通过计算状态隶属度，构建状态判别矩阵，分别计算指标层、子项目层、项目层、总目标的权重及状态概率。

42、所述预测性运维决策模块将每个信息源集到的信息转换为基本概率指派bpa，利用dempster组合规则对所生成的多个bpa进行融合，得到融合后的基本概率指派bpa，基于融合结果采用决策规则进行决策，从而得到最终的结果。

43、有益效果：与现有技术相比，本发明具有以下优点：

44、本发明通过构建数据服务模块、模型库模块、状态预测预警模块、预测性运维决策模块、人机交互及业务显示模块，实现了多种智能算法的整合及展示，摆脱了人工分析决策的局限性，对指导变压器预测性运维，具有重要的理论和实际意义。