一种绝缘油的状态评估方法及装置与流程
本发明涉及电气领域，具体而言，涉及一种绝缘油的状态评估方法及装置。
背景技术
绝缘油是油浸式电力设备的主要绝缘介质和冷却介质，在油浸式电力设备的运行过程中，绝缘油和有机绝缘材料(如绝缘纸板)在热应力和电磁应力的作用下，会逐渐分解和老化，一方面，绝缘油中杂质种类和含量增加，如溶解气体含量和种类增加，含水量增加；另一方面，绝缘油的介电特性和电气强度将发生变化，如介质损耗因数、电导率增大，耐压值下降等。分析绝缘油的各项电气、理化性能指标可实时监测和评估绝缘油的绝缘状态，进而反映出油浸式电力设备的健康状况，提早发现油浸式电力设备内部存在的潜伏性故障，对油浸式电力设备进行实时的寿命评估。
在相关技术中，目前针对绝缘油的状态评估方法，主要针对单一的性能指标进行测量和建立评估模型，尽管能在一定程度上评估绝缘油和相应设备的状态，但是由于所选择的绝缘性能指标较为单一，可能存在数据测量分散性和误差较大的问题；另一方面，基本采用单一神经网络评估模型，存在泛化能力差、稳定性较低的风险。
针对相关技术中对绝缘油的状态评估的绝缘性能指标较为单一，而导致绝缘油的状态结果误差较大的问题，目前还没有有效的解决方案。
技术实现要素：
本发明实施例提供了一种绝缘油的状态评估方法及装置，以至少解决对绝缘油的状态评估的绝缘性能指标较为单一，而导致绝缘油的状态结果误差较大的技术问题。
根据本发明实施例的一个方面，提供了一种绝缘油的状态评估方法，包括：
获取绝缘油的多个绝缘性能指标的数据；将所述多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到所述绝缘油性能评价模型的输出结果，其中，所述绝缘油性能评价模型是使用多组所述多个绝缘性能指标数据通过机器学习训练得出的神经网络模型，多组所述多个绝缘性能指标数据包括不同的多个绝缘性能指标的数据和状态评估结果；根据所述绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。
进一步地，所述绝缘油的多个绝缘性能指标包括：含水率、气体密度、介质损耗因数、体积电阻率、工频耐压值；所述绝缘油的状态评估结果包括以下之一：健康、良好、一般、劣化、严重劣化。
进一步地，所述绝缘油性能评价模型为三层神经网络模型；所述绝缘油性能评价模型的输入节点数量与所述绝缘性能指标的数量对应；所述绝缘油性能评价模型的输出节点为一个。
进一步地，获取绝缘油的多个绝缘性能指标的数据，包括：采用气相色谱法获取所述含水率；采用真空压差法获取所述气体密度；在预定温度以及预定电源频率下获取所述介质损耗因；在所述预定温度下获取所述体积电阻率；按照预定速度提升电压，重复预设次数后获取的平均击穿电压为所述工频耐压值。
进一步地，在将所述多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到所述绝缘油性能评价模型的输出结果之前，所述方法还包括：采用bagging重复取样技术对原始训练样本进行取样处理，得到多组所述多个绝缘性能指标数据。
根据本发明实施例的另一方面，还提供了一种绝缘油状态评估装置，包括：获取单元，用于获取绝缘油的多个绝缘性能指标的数据；
输入输出单元，用于将所述多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到所述绝缘油性能评价模型的输出结果，其中，所述绝缘油性能评价模型是使用多组所述多个绝缘性能指标数据通过机器学习训练得出的神经网络模型，多组所述多个绝缘性能指标数据包括不同的多个绝缘性能指标的数据和状态评估结果；
确定单元，用于根据所述绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。
进一步地，所述绝缘油的多个绝缘性能指标包括：含水率、气体密度、介质损耗因数、体积电阻率、工频耐压值；所述绝缘油的状态评估结果包括以下之一：健康、良好、一般、劣化、严重劣化。
进一步地，所述绝缘油性能评价模型为三层神经网络模型；所述绝缘油性能评价模型的输入节点数量与所述绝缘性能指标的数量对应；所述绝缘油性能评价模型的输出节点为一个。
进一步地，所述获取单元，包括：第一获取模块，用于采用气相色谱法获取所述含水率；第二获取模块，用于采用真空压差法获取所述气体密度；第三获取模块，用于在预定温度以及预定电源频率下获取所述介质损耗因；第四获取模块，用于在所述预定温度下获取所述体积电阻率；第五获取模块，用于按照预定速度提升电压，重复预设次数后获取的平均击穿电压为所述工频耐压值。
进一步地，所述装置还包括：取样单元，用于采用bagging重复取样技术对原始训练样本进行取样处理，得到多组所述多个绝缘性能指标数据。
在本发明实施例中，通过获取绝缘油的多个绝缘性能指标的数据；将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果，根据绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果，进而解决了对绝缘油的状态评估的绝缘性能指标较为单一，而导致绝缘油的状态结果误差较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的绝缘油的状态评估方法的示意图；
图2是根据本发明实施例的一种可选的绝缘油性能评价模型构建方法的示意图；
图3是根据本发明实施例的另一种可选的绝缘油性能评价模型构建方法的示意图；
图4是根据本发明实施例的一种可选的绝缘油的状态评估装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种绝缘油的状态评估方法，如图1所示，该方法包括：
s101，获取绝缘油的多个绝缘性能指标的数据；
s102，将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果，其中，绝缘油性能评价模型是使用多组多个绝缘性能指标数据通过机器学习训练得出的神经网络模型，多组多个绝缘性能指标数据包括不同的多个绝缘性能指标的数据和状态评估结果；
s103，根据所述绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。
需要说明的是，绝缘油状态评估性能指标涉及电气、理化性能两个方面的内容，包括绝缘油的含水率、绝缘油中的气体浓度、介质损耗因数、体积电阻率、工频耐压值共5个性能指标，而在实际的应用场景中，使用者可以根据实际的经验选取性能指标的数量，例如选取上述5个性能指标中其中的一个或多个性能指标的数据来确定绝缘油的状态，也可以为了实现绝缘油的状态评估结果的准确性，选取上述5个性能指标的数据来确定绝缘油的状态。
而绝缘油的状态评估结果一般用于直接表现绝缘油的绝缘性能，通常将其划分为5个等级：健康、良好、一般、劣化、严重劣化。在实际的应用场景中，也可以不仅限于划分为5个等级，也可以根据实际的经验进行划分，以能够准确描述绝缘油的绝缘油性能。以上仅是一种示例，在此不做任何限定。
而在获取到绝缘油的多个绝缘性能指标的数据后，将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果，其中绝缘油性能评价模型是使用多组上述多个绝缘性能指标数据通过机器学习训练得出的神经网络模型，多组上述多个绝缘性能指标的数据包括不同的多个绝缘性能指标和状态评估结果。根据绝缘油性能评价模块的输出结果确定绝缘油的状态评估结果。
需要说明的是，多组多个绝缘性能指标数据包括不同的多个绝缘性能指标的数据状态评估结果。多组数据具体指的是与上述绝缘油的状态评估结果对应的数量，例如，绝缘油的状态评估结果划分为上述5个等级，则可以抽取5组多个性能指标数据，该5组数据分别对应不同的状态评估结果。而每组数据中的多个绝缘性能指标的数据分别包含上述5个绝缘性能指标的数据。
在本发明实施例中，通过获取绝缘油的多个绝缘性能指标的数据；将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果，根据绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。能够避免单一绝缘性能指标评估时由于测量指标的分散性和测量误差对评估结果的干扰，提高了绝缘油的状态评估结果的可靠性。
作为一种可选地实施方案，在上述的绝缘油性能评价模型需要一层隐藏层即可实现，单个隐含层的网络可以通过适当的增加神经元节点的个数实现任意非线性映射，即本发明实施例中的绝缘油性能评价模型为三层神经网络模型。
该绝缘油性能评价模型的输入节点与绝缘性能指标的数量对应。例如，在绝缘性能指标为上述五个绝缘性能评价指标中的两个时，该绝缘油性能评价模型的输入节点为两个；而在绝缘性能指标为上述五个绝缘性能评价指标中的五个时，该绝缘油性能评价模型的输入节点为五个。此外，绝缘油性能评价模型的输出节点为一个。
作为一种可选地实施方案，获取绝缘油的多个绝缘性能指标的数据，具体包括以下方法：
(1)采用气相色谱法获取绝缘油的含水率；
例如，在实际的应用场景中，绝缘油中含水率测量方法采用气相色谱法进行测量，气相色谱仪的检测精度不低于0.5mg/l，取两次测量的平均值作为最终数据。
(2)采用真空压差法获取气体密度；
例如，在实际的应用场景中，绝缘油中气体浓度测量方法采用真空压差法进行测量，取两次满足精度要求测试结果的平均值作为最终数据。
(3)在预定温度以及预定电源频率下获取介质损耗因；
例如，在实际的应用场景中，由于绝缘油的介质损耗因数与电源频率及温度相关，为了得到更为准确的数据，应当尽量保证测量环境温度为预定温度90℃，电源频率为预定电源频率40～62hz正弦电压。
(4)在预定温度下获取体积电阻率；
例如，在实际的应用场景中，绝缘油的体积电阻率与温度及电化时间紧密相关，为了得到统一和标准的体积电阻率，应当尽量保证温度恒定为预定温度90℃并在电化时间为1min的条件下进行测量。
(5)按照预定速度提升电压，重复预设次数后获取的平均击穿电压为工频耐压值。
在实际的应用场景中，按照预定速率提示电压，例如电压按照2kv/s的速度上升，直至发生击穿，重复进行预设次数6次试验，计算平均击穿电压作为工频耐压值。
作为一种可选地实施方案，在将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果之前，方法还包括：采用bagging重复取样技术对原始训练样本进行取样处理，得到多组多个绝缘性能指标数据。在实际的应用场景中，在本实施例的技术方案中，采用bagging重复取样技术对原始训练样本进行取样处理，增加了绝缘油性能评价模型的神经网络集成的差异度，从而提高了泛化能力，并具有较强的鲁棒性和稳定性强。
以下结合实际的应用场景，参考说明书附图中的图2对本发明实施例中绝缘油性能评价模型的神经网络的构成方法进行说明，需要说明的是，以下描述中的数值均是本发明具体实施例的一种示例，并不会对本发明的技术方案产生任何限定，如图3所示，具体包括以下步骤：
s301，获取训练样本；
将实际运行中的绝缘油的绝缘状态划分为健康、良好、一般、劣化、严重劣化5个等级，分别采集5个等级的绝缘油样品，每个绝缘状态等级的样品数量不少于15份。之后，对不同绝缘状态等级下的绝缘油样品按照上述绝缘性能指标数据获取方法(1)-(5)的方法测量其含水率、油中气体浓度、介质损耗因数、体积电阻率、工频耐压值，以获取建立神经网络集成模型的训练样本，每个样本均包含含水率、油中气体浓度、介质损耗因数、体积电阻率、工频耐压值5个性能指标，分别作为神经网络一个样本的输入层中的5个节点。
s302，采用bagging技术生成全部训练样本集；
将步骤s301中测量获取的训练样本记为原始训练样本s0，采用bagging重复取样技术对步骤s301中测量获取的原始训练样本进行取样处理，取样数量为原始训练样本的4/5，生成t个新的训练样本集s1，s2，s3，…,st，然后由st(t＝1,2,…，t)训练和构建相应的神经网络个体ft，此处t的大小选择为6个。
s303，训练和构建t个神经网络个体并集成绝缘油性能评价模型；
根据步骤s302中获取的t组训练样本集构建t个神经网络个体，进行反复训练，得到t个基于神经网络个体的绝缘油性能评价模型。其具体步骤如下：
a、确定绝缘油性能评价模型的神经网络层数：根据前述的本发明实施例中的绝缘油性能性能评价模型为三层神经网络模型，因此就设置一层隐藏层，建立的神经网络层数为3层；
b、确定绝缘油性能评价模型的输入节点数：对于训练样本集st(t＝1,2,…，t)，包含绝缘油样含水率、油中气体浓度、介质损耗因数、体积电阻率、工频耐压值共5个绝缘性能指标，因此输入节点数为n＝5个；
c、确定绝缘油性能评价模型隐含层节点：隐含层节点数目由经验公式
d、输出层节点：绝缘油性能评价模型的输出结果只有一个，即绝缘油的绝缘状态，因此输出层节点的个数为1。输出层的传递函数选择sigmoid函数f(x)＝1/(1+e-x)，输出结果值在0～1之间。当绝缘油性能评价模型的神经网络个体输出结果为f(x)∈(0.8,1]时，绝缘油状态为健康；当输出结果为f(x)∈(0.6,0.8]时，绝缘油状态为良好；当输出结果为f(x)∈(0.4,0.6]时，绝缘油状态为一般；当输出结果为f(x)∈(0.2,0.4]时，绝缘油状态为劣化；当输出结果为f(x)∈[0,0.2]时，绝缘油状态为严重劣化。
而在绝缘油性能评价模型构建完成后，由于绝缘油性能评价模型是一个集成的神经网络，因此针对绝缘油性能评价模型的输出结果，需要对其出书来用求平均值的合成方式。例如基于上述具体实施例中，绝缘油性能评价模型的神经网络集成总共包含神经网络集成总共包含t个神经网络个体，以ot(x)时第t个神经网络个体的输出，则在求平均的集成方式下，神经网络集成的输出为：
当绝缘油性能评价模型的神经网络集成输出结果为
根据本发明实施例，还提供了一种用于实施上述数绝缘油状态评估方法的绝缘油状态评估装置，如图4所示，该装置包括：
1)获取单元401，用于获取绝缘油的多个绝缘性能指标的数据；
2)输入输出单元402，用于将所述多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到所述绝缘油性能评价模型的输出结果，其中，所述绝缘油性能评价模型是使用多组所述多个绝缘性能指标数据通过机器学习训练得出的神经网络模型，多组所述多个绝缘性能指标数据包括不同的多个绝缘性能指标的数据和状态评估结果；
3)确定单元403，用于根据所述绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。
作为一种可选地实施方案，所述绝缘油的多个绝缘性能指标包括：含水率、气体密度、介质损耗因数、体积电阻率、工频耐压值；所述绝缘油的状态评估结果包括以下之一：健康、良好、一般、劣化、严重劣化。
作为一种可选地实施方案，所述绝缘油性能评价模型为三层神经网络模型；所述绝缘油性能评价模型的输入节点数量与所述绝缘性能指标的数量对应；所述绝缘油性能评价模型的输出节点为一个。
作为一种可选地实施方案，所述获取单元401，包括：
1)第一获取模块，用于采用气相色谱法获取所述含水率；
2)第二获取模块，用于采用真空压差法获取所述气体密度；
3)第三获取模块，用于在预定温度以及预定电源频率下获取所述介质损耗因；
4)第四获取模块，用于在所述预定温度下获取所述体积电阻率；
5)第五获取模块，用于按照预定速度提升电压，重复预设次数后获取的平均击穿电压为所述工频耐压值。
作为一种可选地实施方案，所述装置还包括：取样单元，用于采用bagging重复取样技术对原始训练样本进行取样处理，得到多组所述多个绝缘性能指标数据。
通过本发明提供的实施例，获取绝缘油的多个绝缘性能指标的数据；将多个绝缘性能指标的数据输入至绝缘油性能评价模型中，得到绝缘油性能评价模型的输出结果，根据绝缘油性能评价模型的输出结果确定绝缘油的状态评估结果。能够避免单一绝缘性能指标评估时由于测量指标的分散性和测量误差对评估结果的干扰，提高了绝缘油的状态评估结果的可靠性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明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全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！