一种配网变压器状态分析装置的制作方法

1.本发明涉及变压器检测技术领域，尤其涉及一种配网变压器状态分析装置。


背景技术：

2.配电变压器是电力传输重要的环节，其可靠性与稳定性直接关系到电网企业的经济效益和用户体验。如何准确的判断变压器是否正常，具备投入运行的条件是一件较麻烦的事情。依据预防性试验要求，需要对其进行高压试验。从历史经验来看，这种常规的一次预防性试验并不能完全可靠的判断出变电器具备投运条件。有些试验数据合格的变压器，在投入运行后也可能很快出现故障。因为传统的试验通常是无法对变压器进行额定电压条件下的试验，对于变压器绝缘缺陷的发现率较低。


技术实现要素：

3.鉴于此，本发明的目的在于提供一种配网变压器状态分析装置，基于图像识别和深度神经网络技术对目标变压器运行频谱和闪络现象进行分析，以判断目标变压器是否存在缺陷，是否满足投运要求，以避免不合格变压器投入运行，保障供电平稳。
4.为实现上述发明目的，本发明提供一种配网变压器状态分析装置，包括：
5.与加压模块，用于连接目标变压器的低压侧并对其施加可调节的电压；
6.测量模块，用于连接目标变压器的高压侧并测量其输出电压；
7.频谱分析模块，用于分析目标变压器高压侧的输出电压波形频谱，绘制相应的频谱图；
8.图像采集模块，用于采集目标变压器运行图像；
9.图像处理模块，用于对图像采集模块采集的目标变压器运行图像进行识别，输出其中记录有变压器闪络现象的图像，所述记录有变压器闪络现象的图像称为闪络图像；
10.联合识别模块，用于将频谱图和闪络图像输入到第一深度神经网络进行联合识别处理，输出变压器缺陷信息；
11.状态分析模块，用于根据变压器缺陷信息判断目标变压器是否满足投运要求，输出变压器状态分析结果。
12.进一步的，所述联合识别模块具体包括：
13.初始化子模块，用于对深度神经网络的参数进行初始化；
14.预训练子模块，用于通过样本数据集对第一深度神经网络进行训练，所述样本数据集包括频谱图样本、闪络图像样本和相应的变压器缺陷识别结果；
15.输入输出子模块，用于将实时获得的频谱图和闪络图像输入到完成训练的深度神经网络进行联合识别处理，输出变压器缺陷信息。
16.进一步的，所述联合识别模块具体还包括：
17.第一训练数据扩展子模块，用于对频谱图样本和闪络图像样本进行扩展化处理，获得扩展样本数据集；
18.第二训练数据扩展子模块，用于将扩展样本数据集输入到第一深度神经网络中，获得相应的变压器缺陷信息，将所获得的变压器缺陷信息输入到第二深度神经网络中进行识别处理，获得出现相应变压器缺陷时可能导致的频谱图和闪络图像，将第二深度神经网络输出的频谱图和闪络图像添加到扩展样本数据集中。
19.进一步的，所述联合识别模块还包括数据库查询子模块，所述数据库查询子模块用于根据扩展样本数据集中的变压器缺陷信息，查询变压器缺陷知识数据库，获取数据库中与变压器缺陷信息对应的频谱图特征和闪络图像特征，根据所获得的频谱图特征、闪络图像特征筛选出扩展样本数据集中明显不符合变压器缺陷与频谱图特征、闪络图像特征对应关系的频谱图样本和闪络图像样本进行删除。
20.进一步的，所述状态分析模块具体包括：
21.缺陷分析子模块，用于获取变压器缺陷信息并根据变压器缺陷信息判断目标变压器是否存在缺陷，当目标变压器存在缺陷时，触发第一分析子模块，若目标变压器不存在缺陷，则触发第二分析子模块；
22.第一分析子模块，用于在被触发时根据变压器缺陷信息获取目标变压器运行风险，对目标变压器运行风险进行量化分级，获得风险等级；
23.第二分析子模块，用于在被触发时根据频谱图和闪络图像获取目标变压器潜在隐患，对目标变压器潜在隐患进行量化分级，获得隐患等级；
24.风险分析子模块，用于判断目标变压器风险等级或隐患等级是否满足投运要求，获得相应的变压器状态分析结果。
25.进一步的，第一分析子模块具体用于提取变压器缺陷信息中的缺陷关键词，根据缺陷关键词遍历运行风险数据库，计算缺陷关键词与运行风险数据库中各条风险记录的缺陷标签的相似值，按相似值由高至低对各条风险记录进行排序，按预设数量限制依序抽取其中的风险记录，根据抽取的风险记录生成目标变压器运行风险。
26.进一步的，第一分析子模块具体用于查询运行风险数据库中抽取的风险记录对应的运行风险分数，并通过客观赋权法确定各条风险记录的权重，根据抽取的各条风险记录的运行风险分数和权重计算目标变压器运行风险总分数，对目标变压器运行风险总分数进行分级，获得风险等级。
27.进一步的，所述第二分析子模块具体用于根据变压器缺陷信息中对于频谱图和闪络图像的图像特征描述信息，遍历历史隐患数据库，计算图像特征描述信息与历史隐患数据库中各条隐患记录的特征标签的相似值，按相似值由高至低对各条隐患记录进行排序，按预设数量限制依序抽取其中的隐患记录，根据抽取的隐患记录生成目标变压器潜在隐患。
28.进一步的，第二分析子模块具体用于查询历史隐患数据库中抽取的隐患记录对应的潜在隐患分数，并通过主观赋权法确定各条隐患记录的权重，根据抽取的各条隐患记录的隐患分数和权重计算目标变压器潜在隐患总分数，对目标变压器潜在隐患总分数进行分级，获得隐患等级。
29.现有技术相比，本发明的有益效果是：
30.本发明所提供的一种配网变压器状态分析装置，一方面通过加压模块对目标变压器低压侧施加可调节电压，并通过测量模块测量其高压侧的输出电压，分析输出电压波形
频谱，绘制相应的频谱图；另一方面通过图像采集模块采集目标变压器运行图像，由图像处理模块筛选出其中的闪络图像，再通过联合识别模块基于目标变压器的频谱图和闪络图像进行联合识别处理，输出变压器的缺陷信息，通过状态分析模块根据变压器缺陷信息判断目标变压器是否满足投运要求，输出变压器状态分析结果，本发明可以提高变压器绝缘缺陷的识别率，提高变压器故障分析的准确性及效率，降低因传统预防性试验的数据不可靠带来的隐藏风险，改善用户服务质量，同时安全高效，大大减少变压器故障，能推广至更多领域使用。
附图说明
31.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，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的附图。
32.图1是本发明实施例提供的一种配网变压器状态分析装置整体结构示意图。
33.图中，1加压模块、2测量模块，3频谱分析模块，4图像采集模块，5图像处理模块，6联合识别模块，7状态分析模块。
具体实施方式
34.以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
35.参照图1，本实施例提供一种配网变压器状态分析装置，所述装置包括加压模块1、测量模块2、频谱分析模块3、图像采集模块4、图像处理模块5、联合识别模块6和状态分析模块7。
36.其中，加压模块1用于连接目标变压器的低压侧并对其施加可调节的电压。用户可以根据分析需求通过加压模块1对目标变压器的低压侧施加不同大小的电压。所述目标变压器为需要进行状态分析的变压器。
37.测量模块2用于连接目标变压器的高压侧并测量其输出电压。
38.频谱分析模块3用于分析目标变压器高压侧的输出电压波形频谱，绘制相应的频谱图。
39.图像采集模块4用于采集目标变压器运行图像，所述目标变压器运行图像为目标变压器运行时的外观图像。
40.图像处理模块5用于对图像采集模块4采集的目标变压器运行图像进行识别，输出其中记录有变压器闪络现象的图像，所述记录有变压器闪络现象的图像称为闪络图像。
41.联合识别模块6用于将频谱图和闪络图像输入到第一深度神经网络进行联合识别处理，输出变压器缺陷信息。
42.状态分析模块7用于根据变压器缺陷信息判断目标变压器是否满足投运要求，输出变压器状态分析结果。
43.在实施上述实施例时，用户首先通过加压模块1对目标变压器的低压侧施加电压，测量模块2测量目标变压器高压侧的输出电压，频谱分析模块对目标变压器高压侧的输出
电压波形频谱进行分析，以绘制出相应的频谱图。同时，图像采集模块4采集目标变压器运行图像，图像处理模块5将目标变压器运行图像中非闪络图像的部分去除以保留闪络图像。随后通过联合识别模块6将频谱图和闪络图像输入到第一深度神经网络中进行联合识别处理，从而诊断出相应的变压器缺陷信息，状态分析模块根据变压器缺陷信息判断目标变压器是否满足投运要求，输出相应的变压器状态分析结果。本实施例基于目标变压器输出电压波形频谱图和闪络图像进行故障诊断，准确率高，能够降低因传统预防性试验的数据不可靠带来的隐藏风险，减少变压器投运后故障情况的发生，保障供电平稳。
44.具体的，联合识别模块6包括初始化子模块、预训练子模块和输入输出子模块。
45.其中，初始化子模块用于对深度神经网络的参数进行初始化，以确保深度神经网络各层的激活值方差、状态梯度方差相同，利于训练时达到收敛。
46.预训练子模块用于通过样本数据集对第一深度神经网络进行训练，所述样本数据集包括频谱图样本、闪络图像样本和相应的变压器缺陷识别结果。频谱图样本、闪络图像样本和变压器缺陷识别结果相对应的意思是基于某个频谱图样本和闪络图像样本可以得到唯一对应的变压器缺陷识别结果。
47.输入输出子模块用于将实时获得的频谱图和闪络图像输入到完成训练的深度神经网络进行联合识别处理，输出变压器缺陷信息。
48.为了确保拥有足够的训练样本对深度神经网络进行训练，以确保深度神经网络的缺陷识别性能，本实施例中联合识别模块还包括第一训练数据扩展子模块、第二训练数据扩展子模块。
49.其中第一训练数据扩展子模块用于对频谱图样本和闪络图像样本进行扩展化处理，获得扩展样本数据集，扩展样本数据集中包括原有的频谱图样本、闪络图像样本，以及经过扩展化处理后的频谱图样本和闪络图像样本。所述扩展化处理包括但不限于图像的拉伸、旋转、裁剪、扭转等方式。
50.第二训练数据扩展子模块用于将扩展样本数据集输入到第一深度神经网络中，获得相应的变压器缺陷信息，将所获得的变压器缺陷信息输入到第二深度神经网络中进行识别处理，获得出现相应变压器缺陷时可能导致的频谱图和闪络图像，将第二深度神经网络输出的频谱图和闪络图像添加到扩展样本数据集中。
51.由于经过第一训练数据扩展子模块、第二训练数据扩展子模块扩展后的样本数据集中可能会出现一些实际运行过程中不会出现的频谱图或闪络图像，若保留这些图像则可能会导致第一深度神经网络的训练效果不佳。为了解决这一问题，本实施例中所述联合识别模块还包括数据库查询子模块，所述数据库查询子模块用于根据扩展样本数据集中的变压器缺陷信息，查询变压器缺陷知识数据库，获取数据库中与变压器缺陷信息对应的频谱图特征和闪络图像特征，根据所获得的频谱图特征、闪络图像特征筛选出扩展样本数据集中明显不符合变压器缺陷与频谱图特征、闪络图像特征对应关系的频谱图样本和闪络图像样本进行删除，从而将扩展样本数据集中不合理的数据进行清洗，避免这些数据对第一深度神经网络的训练效果造成不好的影响。
52.本实施例中，所述状态分析模块具体包括缺陷分析子模块、第一分析子模块、第二分析子模块和风险分析子模块。
53.其中，缺陷分析子模块用于获取变压器缺陷信息并根据变压器缺陷信息判断目标
变压器是否存在缺陷，当目标变压器存在缺陷时，触发第一分析子模块，若目标变压器不存在缺陷，则触发第二分析子模块。
54.第一分析子模块用于在被触发时根据变压器缺陷信息获取目标变压器运行风险，对目标变压器运行风险进行量化分级，获得风险等级。
55.第二分析子模块用于在被触发时根据频谱图和闪络图像获取目标变压器潜在隐患，对目标变压器潜在隐患进行量化分级，获得隐患等级。
56.风险分析子模块用于判断目标变压器风险等级或隐患等级是否满足投运要求，获得相应的变压器状态分析结果。
57.具体的，第一分析子模块在被触发后，会提取变压器缺陷信息中的缺陷关键词，根据缺陷关键词遍历运行风险数据库，计算缺陷关键词与运行风险数据库中各条风险记录的缺陷标签的相似值，按相似值由高至低对各条风险记录进行排序，按预设数量限制依序抽取其中的风险记录，根据抽取的风险记录生成目标变压器运行风险。运行风险数据库中预存储有多条风险记录，风险记录用于描述具体的变压器运行风险及可能导致的危险后果，每条风险记录对应一个缺陷标签，缺陷标签标记风险记录表示出现相应缺陷时极可能导致相应的风险。示例性的，当预设数量限制为3时，表示抽取缺陷标签与缺陷关键词相似值最高的3条风险记录。
58.作为一种优选的示例，第一分析子模块在对目标变压器运行风险进行量化分级时，首先查询运行风险数据库中抽取的风险记录对应的运行风险分数，并通过客观赋权法确定各条风险记录的权重，根据抽取的各条风险记录的运行风险分数和权重计算目标变压器运行风险总分数，对目标变压器运行风险总分数进行分级，获得相应的风险等级。
59.第二分析子模块在被触发后，根据变压器缺陷信息中对于频谱图和闪络图像的图像特征描述信息，遍历历史隐患数据库，计算图像特征描述信息与历史隐患数据库中各条隐患记录的特征标签的相似值，按相似值由高至低对各条隐患记录进行排序，按预设数量限制依序抽取其中的隐患记录，根据抽取的隐患记录生成目标变压器潜在隐患。
60.第二分析子模块对目标变压器潜在隐患进行量化分级的方式类似于第一分析子模块，具体为查询历史隐患数据库中抽取的隐患记录对应的潜在隐患分数，并通过主观赋权法确定各条隐患记录的权重，根据抽取的各条隐患记录的隐患分数和权重计算目标变压器潜在隐患总分数，对目标变压器潜在隐患总分数进行分级，获得隐患等级。
61.本实施例通过根据变压器隐患信息判断目标变压器是否存在运行风险或潜在隐患，并通过对其运行风险或潜在隐患进行量化分级，来判断目标变压器是否满足投运要求，快速生成相应的变压器状态分析结果，确保分析结果客观可靠。
62.以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。