一种电力设备故障诊断方法及装置与流程

本发明涉及电力设备故障诊断技术领域，尤其涉及一种电力设备故障诊断方法及装置。

背景技术：

随着电力系统规模的不断扩大，我国的供电水平日益提高，较好的满足了各种用户的用电需求。与此同时，人们对供电可靠性的要求也日益提高。提高供电可靠性的一个重要方面是减少电力设备故障的发生以及迅速诊断出电力设备故障，以便及时抢修及尽快恢复电力系统正常运行。故障诊断技术的出现，为提高电力设备供电的可靠性和安全性开辟了一条新的途径。

目前的电力设备故障诊断方法通过获取待诊断电力设备的状态量数据，对所述状态量数据进行分析，进而确定电力设备是否发生故障，为设备维修提供重要的依据，其中，所述状态量数据包括温度或电机转速等。例如，当待诊断电力设备为变压器时，通过获取所述变压器的温度，对所述温度进行数据分析，根据分析结果确定所述变压器是否发生故障。

但是，目前的故障诊断方法都是根据电力设备的状态量这一个特征量来判断设备故障情况，信息不全面，导致电力设备故障诊断的精度低、误报率高。

技术实现要素：

为克服相关技术中存在的问题，本发明提供一种电力设备故障诊断方法及装置。

根据本发明实施例的第一方面，提供一种电力设备故障诊断方法，包括：

获取待诊断电力设备当前时刻的温度数据；

获取前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率；

对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。

优选地，所述对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合之前，还包括：

对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理，去除噪声和奇异点。

优选地，所述计算当前时刻的温度差和温度变化率，包括：

将当前时刻的温度数据与前一时刻的温度数据之差，作为所述当前时刻的温度差。

优选地，所述计算当前时刻的温度差和温度变化率，还包括：

绘制所述温度数据随时间变化的曲线；

根据所述曲线计算温度数据随时间变化的函数；

将所述函数在当前时刻对时间求导，得到当前时刻的温度变化率。

优选地，所述对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障，包括：

将温度数据、温度差和温度变化率作为三个输入节点，将发生故障和未发生故障作为两个输出节点，建立神经网络模型，其中，所述神经网络模型的隐层设为八个节点；

以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练，得到所述神经网络模型的隐层输入权值和输出权值，其中，所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率；

将所述输入权值和输出权值更新到所述神经网络模型；

将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练，得到发生故障的权重和未发生故障的权重，确定当前时刻所述待诊断电力设备是否发生故障。

根据本发明实施例的第二方面，提供一种电力设备故障诊断装置，包括：

温度获取模块，用于获取待诊断电力设备当前时刻的温度数据；

计算模块，用于获取前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率；

故障诊断模块，用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。

优选地，还包括：

预处理模块，用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理，去除噪声和奇异点。

优选地，所述计算模块包括：

温度差计算单元，用于将当前时刻的温度数据与前一时刻的温度数据之差，作为所述当前时刻的温度差。

优选地，所述计算模块还包括：

曲线绘制单元，用于绘制所述温度数据随时间变化的曲线；

函数计算单元，用于根据所述曲线计算温度数据随时间变化的函数；

温度变化率计算单元，用于将所述函数在当前时刻对时间求导，得到当前时刻的温度变化率。

优选地，所述故障模块包括：

建模单元，用于将温度数据、温度差和温度变化率作为三个输入节点，将发生故障和未发生故障作为两个输出节点，建立神经网络模型，其中，所述神经网络模型的隐层设为八个节点；

训练单元，用于以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练，得到所述神经网络模型的隐层输入权值和输出权值，其中，所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率；

模型更新单元，用于将所述输入权值和输出权值更新到所述神经网络模型；

故障确定单元，用于将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练，得到发生故障的权重和未发生故障的权重，确定当前时刻所述待诊断电力设备是否发生故障。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明实施例提供的一种电力设备故障诊断方法及装置，包括：获取待诊断电力设备当前时刻的温度数据；获取前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率；对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。本发明实施例提供的电力设备故障诊断方法，基于温度数据、温度差和温度变化率三个变量进行数据融合，获得电力设备故障诊断结果；可实时对电力设备的故障情况进行诊断，整个过程诊断速度快，故障诊断的精确度高，误报率低，且在很大程度上减少冗余信息。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种电力设备故障诊断方法的流程示意图；

图2为本发明实施例提供的一种电力设备故障诊断方法中步骤S300的详细流程示意图；

图3为本发明实施例提供的一种神经网络模型的结构示意图；

图4为本发明实施例提供的一种电力设备故障诊断装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明实施例提供一种电力设备故障诊断方法，参见图1，包括：

S100：获取待诊断电力设备当前时刻的温度数据。

在具体实施过程中，在待诊断电力设备上设置温度传感器，通过温度传感器实时测量待诊断电力设备的温度数据，获取当前时刻的温度传感器测试的待诊断电力设备的温度数据。

S200：获取前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率。

获取待诊断电力设备前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率。根据前一时刻的温度数据，计算当前时刻的温度差，在具体实施过程中，所述计算当前时刻的温度差和温度变化率，包括：

将当前时刻的温度数据与前一时刻的温度数据之差，作为所述当前时刻的温度差。

在具体实施过程中，所述计算当前时刻的温度差和温度变化率，还包括：

S201：绘制所述温度数据随时间变化的曲线。

根据获取的待诊断电力设备的温度数据，绘制所述温度数据随时间变化的曲线。

S202：根据所述曲线计算温度数据随时间变化的函数。

根据步骤S201绘制的温度数据随时间变化的曲线，计算温度数据随时间变化的函数。

S203：将所述函数在当前时刻对时间求导，得到当前时刻的温度变化率。

对步骤S203计算的函数关系式在当前时刻对时间求一阶导数，获得当前时刻的温度变化率。

S300：对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。

在具体实施过程中，数据融合的方法有多种，在本发明实施例中，采用神经网络算法进行数据融合，确定当前时刻所述待诊断电力设备是否发生故障。

在本发明实施例中，参见图2所示，步骤S300的具体实施方式包括：

S301：将温度数据、温度差和温度变化率作为三个输入节点，将发生故障和未发生故障作为两个输出节点，建立神经网络模型，其中，所述神经网络模型的隐层设为八个节点。

如图3所示，神经网络模型分为3层，分别为输入层、隐层和输出层，隐层是设置在输入层和输出层之间的中间层。在具体实施过程中，输入层包括3个输入节点，分别为待诊断电力设备的温度数据、温度差和温度变化率；根据经验和对比，隐层设为8个节点；输出层为2个输出节点，分别为发生故障和未发生故障。

S302：以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练，得到所述神经网络模型的隐层输入权值和输出权值。

在具体实施过程中，所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率。

神经网络模型的隐层虽然与外接不连接，但是，改变隐层输入权值和输出权值，可以改变整个神经网络模型的性能，因此，在故障诊断前，需要确定所述输入权值和输出权值。

在本发明实施例中，以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练，计算所述神经网络模型的所述输入权值W和输出权值V，其中，所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率，在具体实施过程中，可获取预定时间段内的所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率作为所述历史温度数据、温度差和温度变化率，所述预定时间段包括一天、一周或一个月等，在具体实施过程中，技术人员可根据实际情况对所述预定时间段进行设定，在此不做具体限定。

S303：将所述输入权值和输出权值更新到所述神经网络模型。

将步骤S302中计算的所述输入权值W和输出权值V更新到所述神经网络模型。

S304：将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练，得到发生故障的权重和未发生故障的权重，确定当前时刻所述待诊断电力设备是否发生故障。

将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练，得到发生故障的权重和未发生故障的权重，获得当前时刻所述待诊断电力设备是否发生故障的诊断结果，确定当前时刻所述待诊断电力设备是否发生故障。利用前一时刻和当前时刻的温度数据、温度差、温度变化率作为测试样本进行故障诊断，诊断速度快，而且由于包含三组数据即三个变量作为测试样本，诊断结果精确度高，误报率低。

在具体实施过程中，获得的诊断结果可输出到用户界面，提示用户根据结果决定是否需要维护或维修等。

在一种可能的实施方式中，所述对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合之前，还包括：

对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理，去除噪声和奇异点。

对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理的过程，能够去除数据中的噪声和奇异点；将预处理后的数据进行数据融合，诊断所述带诊断电力设备是否发生故障。预处理的过程能够提高故障诊断的精确度。

本发明实施例提供的一种电力设备故障诊断方法，包括：获取待诊断电力设备当前时刻的温度数据；获取前一时刻的温度数据、温度差、温度变化率，计算当前时刻的温度差和温度变化率；对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。本发明实施例提供的电力设备故障诊断方法，基于温度数据、温度差和温度变化率三个变量进行数据融合，获得电力设备故障诊断结果，可实时对电力设备的故障情况进行诊断，整个过程诊断速度快，故障诊断的精确度高，误报率低，且在很大程度上减少冗余信息。

基于相同的技术构思，本发明实施例还一种电力设备故障诊断装置，参见图4，包括：依次连接的温度获取模块100、计算模块200和故障诊断模块300。

所述温度获取模块，用于实时获取待诊断电力设备的温度数据。

所述计算模块，用于计算当前时刻的温度差和温度变化率，并获取前一时刻的温度数据、温度差、温度变化率。

在具体实施过程中，所述计算模块包括温度差计算单元。

所述温度差计算单元，用于将当前时刻的温度数据与前一时刻的温度数据之差，作为所述当前时刻的温度差。

所述计算模块还包括：曲线绘制单元、函数计算单元和温度变化率计算单元。

所述曲线绘制单元，用于绘制所述温度数据随时间变化的曲线；

所述函数计算单元，用于根据所述曲线计算温度数据随时间变化的函数；

所述温度变化率计算单元，用于将所述函数在当前时刻对时间求导，得到当前时刻的温度变化率。

所述故障诊断模块，用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行数据融合，得到融合结果，确定当前时刻所述待诊断电力设备是否发生故障。

在具体实施过程中，所述故障模块包括：建模单元、训练单元、模型更新单元和故障确定单元。

所述建模单元，用于将温度数据、温度差和温度变化率作为三个输入节点，将发生故障和未发生故障作为两个输出节点，建立神经网络模型，其中，所述神经网络模型的隐层设为八个节点；

所述训练单元，用于以所述待诊断电力设备的历史温度数据、温度差和温度变化率作为训练样本输入所述神经网络模型进行训练，得到所述神经网络模型的隐层输入权值和输出权值，其中，所述历史温度数据、温度差和温度变化率为所述待诊断电力设备正常运行时的温度数据、温度差和温度变化率；

所述模型更新单元，用于将所述输入权值和输出权值更新到所述神经网络模型；

所述故障确定单元，用于将所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率作为测试样本输入更新的所述神经网络模型进行训练，得到发生故障的权重和未发生故障的权重，确定当前时刻所述待诊断电力设备是否发生故障。

在一种可能的实施方式中，所述装置还包括预处理模块。

所述预处理模块，用于对所述当前时刻的温度数据、温度差、温度变化率和前一时刻的温度数据、温度差、温度变化率进行预处理，去除噪声和奇异点。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。