基于数字孪生的变压器故障预测方法、装置、设备及介质与流程

1.本发明属于变压器的状态评估技术领域，尤其涉及一种基于数字孪生的变压器故障预测方法、装置、设备及介质。


背景技术：

2.电力系统是一个有机整体，基本是由发电、输电和配电组成。其中，变压器在输电端和配电段中数量众多且担任着重要的角色，一旦变压器发生故障将会影响到电网系统的正常运行，对人们生活造成不便，严重时还将引发安全事故。而目前对于变压器故障诊常用技术手段有特征气体法以及三比值法，其主要原理是根据变压器油中产生的5种特征气体(h2、ch4、c2h6、c2h4、c2h2)的含量，将c2h2/c2h4、ch4/h2与c2h4/c2h6的比值计算出来，再依据各特征气体的比值在预先编制好的故障表确定对应的变压器故障类型。但是由于变压器自身工作原理复杂，各内部接结构之间会相互造成影响，故上述故障诊断标准过于绝对。而且上述诊断方法是基于发生故障后的工况进行诊断，在诊断结果上也存在有一定的滞后性。


技术实现要素：

3.本发明要解决的技术问题是：提供一种基于数字孪生的变压器故障预测方法、装置、设备及介质，以解决目前变压器诊断基于发生故障后的工况进行诊断，过于绝对以及诊断结果存在滞后的技术问题。
4.本发明的技术方案是：
5.一种基于数字孪生的变压器故障预测方法，所述方法包括：
6.基于变压器的数字孪生模型的模拟数据提取变压器的模拟运行特征；
7.根据模拟运行特征以及预设变压器故障预测模型对变压器进行故障预测生成故障预测结果；
8.将故障预测结果通过数字孪生模型输出。
9.数字孪生模型包括变压器的图数据，提取变压器的模拟运行特征的步骤之前包括：基于变压器的图数据选取变压器的运行特征的特征字段。
10.提取变压器的模拟运行特征的步骤包括：
11.通过数字孪生模型基于变压器的实时数据模拟所变压器在预设时间段内的运行参数，并生成模拟数据；
12.提取模拟数据中运行特征字段对应的第一运行参数作为模拟运行特征。
13.基于变压器的图数据选取变压器的运行特征的特征字段方法包括：获取数字孪生模型中的历史数据，历史数据包括变压器在多种运行状态下预设时间段内图数据中各节点字段的第二运行参数；
14.生成多种运行状态的第二运行参数的离散度，将离散度大于预设离散度阈值的第二运行参数对应的节点字段作为特征字段；
15.或者，将离散度位于预设排名的第二运行参数所对应的节点字段作为特征字段。
16.故障预测结果包括第一故障、第二故障和第三故障，根据所述模拟运行特征以及预设变压器故障预测模型对变压器进行故障预测生成故障预测结果的步骤包括：
17.将模拟运行特征输入至预设变压器故障预测模型中，生成变压器处于模拟运行特征的运行状态下，分别发生第一故障的第一概率、发生第二故障的第二概率以及发生第三故障的第三概率；
18.将第一概率、第二概率以及第三概率中值最大的概率对应的故障种类作为变压器的故障预测结果。
19.发生第一故障的第一概率、第二故障的第二概率以及第三故障的第三概率的步骤包括：
20.根据模拟运行特征在第一故障样本集中的分布情况生成第一概率；
21.根据模拟运行特征在第二故障样本集中的分布情况生成第二概率；
22.根据模拟运行特征在第三故障样本集中的分布情况生成第三概率；
23.所述变压器故障预测模型包括第一故障样本集、第二故障样本集和第三故障样本集。
24.所述数字孪生模型包括变压器的三维模型，将故障预测结果通过数字孪生模型输出的步骤包括：将故障检测结果在变压器的三维模型中对应的位置输出。
25.一种基于数字孪生的变压器故障预测装置，基于数字孪生的变压器故障预测装置包括：
26.提取模块，用于基于变压器的数字孪生模型的模拟数据提取变压器的模拟运行特征；
27.预测模块，用于根据模拟运行特征以及预设变压器故障预测模型对变压器进行故障预测生成故障预测结果；
28.输出模块，用于将故障预测结果通过数字孪生模型输出。
29.一种基于数字孪生的变压器故障预测设备，基于数字孪生的变压器故障预测设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的基于数字孪生的变压器故障预测程序，基于数字孪生的变压器故障预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于数字孪生的变压器故障预测方法的步骤。
30.一种计算机可读存储介质，可读存储介质上存储有基于数字孪生的变压器故障预测程序，基于数字孪生的变压器故障预测程序被处理器执行时实现如权利要求1至7中任一项所述的基于数字孪生的变压器故障预测方法的步骤。
31.本发明的有益效果：
32.本发明基于变压器的数字孪生模型的模拟数据提取变压器的模拟运行特征；根据模拟运行特征以及预设变压器故障预测模型对变压器进行故障预测生成故障预测结果；将故障预测结果通过数字孪生模型输出。相比现有技术，本发明基于模拟的数据对变压器的故障进行预测时效性更强，同时，通过变压器故障预测模型、预测数据以及历史数据全方位对变压器可能发生的故障进行判断，判断的标准更加灵活，且历史数据中样本数量越多，预测的结果更加准确，从而增强对变压器的运维监测能力，提高了电力系统的稳定性。
33.解决了目前变压器诊断基于发生故障后的工况进行诊断，过于绝对以及诊断结果存在滞后的技术问题。
附图说明
34.图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
35.图2为本发明基于数字孪生的变压器故障预测方法中第一实施例的流程示意图；
36.图3为本发明基于数字孪生的变压器故障预测方法的变压器图数据的示意图。
具体实施方式
37.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
38.本发明实施例设备可以是pc，也可以是云服务、智能手机、平板电脑、便携计算机等具有数据接收、数据处理以及数据发送等功能的电子终端设备。
39.如图1所示，该设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
40.可选地，设备还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
41.本领域技术人员可以理解，图1中示出的设备结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
42.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于数字孪生的变压器故障预测方法。
43.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于数字孪生的变压器故障预测方法，并执行以下操作：
44.基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征；
45.根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果；
46.将所述故障预测结果通过所述数字孪生模型输出。
47.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
48.所述数字孪生模型包括所述变压器的图数据，在所述基于变压器的数字孪生模型
的模拟数据提取所述变压器的模拟运行特征的步骤之前包括：
49.基于所述变压器的图数据选取所述变压器的运行特征的特征字段。
50.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
51.所述基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征的步骤包括：
52.通过所述数字孪生模型基于所述变压器的实时数据模拟所述变压器在预设时间段内的运行参数，并生成所述模拟数据；
53.提取所述模拟数据中所述运行特征字段对应的第一运行参数作为所述模拟运行特征。
54.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
55.所述基于所述变压器的图数据选取所述变压器的运行特征的特征字段的步骤包括：
56.获取所述数字孪生模型中的历史数据，其中，所述历史数据包括所述变压器在多种运行状态下预设时间段内所述图数据中各节点字段的第二运行参数；
57.生成多种运行状态的所述第二运行参数的离散度，将所述离散度大于预设离散度阈值的所述第二运行参数对应的节点字段作为所述特征字段；
58.或者，将所述离散度位于预设排名的所述第二运行参数所对应的节点字段作为所述特征字段。
59.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
60.所述故障预测结果包括第一故障、第二故障和第三故障，所述根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果的步骤包括：
61.将所述模拟运行特征输入至所述预设变压器故障预测模型中，生成所述变压器处于所述模拟运行特征的运行状态下，分别发生所述第一故障的第一概率、发生所述第二故障的第二概率以及发生所述第三故障的第三概率；
62.将所述第一概率、所述第二概率以及所述第三概率中值最大的概率对应的故障种类作为所述变压器的所述故障预测结果。
63.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
64.所述将所述模拟运行特征输入至所述预设变压器故障预测模型中生成所述变压器处于所述模拟运行特征的运行状态下，分别发生所述第一故障的第一概率、发生所述第二故障的第二概率以及发生所述第三故障的第三概率的步骤包括：
65.根据所述模拟运行特征在第一故障样本集中的分布情况生成所述第一概率；
66.根据所述模拟运行特征在第二故障样本集中的分布情况生成所述第二概率；
67.根据所述模拟运行特征在第三故障样本集中的分布情况生成所述第三概率；
68.所述预设变压器故障预测模型包括所述第一故障样本集、所述第二故障样本集和
所述第三故障样本集。
69.进一步地，处理器1001可以调用存储器1005中存储的基于数字孪生的变压器故障预测方法，还执行以下操作：
70.所述数字孪生模型包括所述变压器的三维模型，所述将所述故障预测结果通过所述数字孪生模型输出的步骤包括：
71.将所述故障检测结果在所述变压器的三维模型中对应的位置输出。
72.参照图2，本发明基于数字孪生的变压器故障预测方法的第一实施例，所述基于数字孪生的变压器故障预测方法包括：
73.步骤s10，基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征；
74.进一步的，所述数字孪生模型包括所述变压器的图数据，在所述基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征的步骤之前包括：基于所述变压器的图数据选取所述变压器的运行特征的特征字段。
75.具体的，在提取模拟运行特征之前，需要确定运行特征特征字段。上述图数据为该变压器多个维度的属性，而图数据由节点和边组成，节点包括节点字段，如图3所示变压器的图数据，主节点字段为变压器，主节点变压器通过边与各个次节点连接，各个次节点对应着描述字段，同时各个次节点又通过边与各个次次节点连接，以此完成变压器多维度的属性描述。同时，部分节点字段可以对应着具体的值，如次次节点气象，既可以包括了该变压器地区的温度或者湿度等，又或者，传感器由包括了各个测点所测得的数据等。应当理解的是，上述图数据并不对本实施例中节点字段的限制，如节点字段也可以包括变压器油中溶解的各气体，字段对应值为气体的成分。而变压器的运行特征的特征字段可由技术人员在上述图数据中的节点字段选择设置，也可以基于历史数据选取最有利于故障预测的字段作为特征字段。
76.进一步的，所述基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征的步骤包括：通过所述数字孪生模型基于所述变压器的实时数据模拟所述变压器在预设时间段内的运行参数，并生成所述模拟数据；提取所述模拟数据中所述运行特征字段对应的第一运行参数作为所述模拟运行特征。
77.具体的，上述数字孪生模型是基于实体变压器的虚拟映射，数字孪生模型中至少包括变压器三维模型和变压器机理模型，且均是基于实体变压器所搭建的。其中，变压器三维模型包括含了实体变压器(油浸式)所有部件如：铁芯、绕组、绝缘、引线(包括调压装置、引线夹件等)、附件(包括油枕、油门闸阀等)、冷却装置(包括散热器、风励、油系等)、保护装置(包括防爆阀、气体继电器、测温元件、呼吸器等)、出线装置(包括套管等)，各个部件模型组成整个变压器的三维模型。变压器机理模型可以使得数字孪生模型按照实际变压器运行状况进行仿真。且机理模型由物理定理构成数学模型，如基于变压器自身结构、热力定律、电磁定律、传热定律以及自然环境条件所搭建的可以反映处于一定条件下的变压器在热、电等属性的变化。例如变压器内部绕组或者冷却油油温的变化，可通过分布在实体变压器各位置(如变压器线圈、变压器油箱以及或者与变压器相连接的线路等)的测点(传感器)获取变压器的实际工作工况，包括各相的电流、电压或者功率等，再依据变压器能量损耗公式(或者经验公式)得到变压器的发热量，同时，再通过变压器自身散热条件包括变压器内部
导热系数和外部的换热系数等构建热力学数学模型，即可模拟出变压器在接下来一段时间的热量(温度)变化趋势，从而基于当前工况预测变压器在未来时间内的运行工况。在本实施例中，数字孪生模型生成的模拟数据是基于实体变压器上各测点实时采集得到的，因此模拟得到的数据也是实时变化的。此外，当基于当前实时工况预测模拟出变压器未来一段的时间的运行工况后，由于变压器油中溶解的气体含量是基于变压器变压器工况变化的(如温度过热或者放电将会引起气体含量发生变化)，因此，也可以通过机器学习算法基于预测变压器工况对变压器油中溶解的气体含量进行模拟预测。可以理解的是，预测模拟出变压器未来一段的时间的运行工况的运行参数即为模拟数据。提取所述模拟数据中所述运行特征字段对应的第一运行参数作为所述模拟运行特征。如运行特征字段为油温，则提取模拟数据中具体的油温温并作为模拟运行特征。
78.进一步的，获取所述数字孪生模型中的历史数据，其中，所述历史数据包括所述变压器在多种运行状态下预设时间段内所述图数据中各节点字段的第二运行参数；生成多种运行状态的所述第二运行参数的离散度，将所述离散度大于预设离散度阈值的所述第二运行参数对应的节点字段作为所述特征字段；或者，将所述离散度位于预设排名的所述第二运行参数所对应的节点字段作为所述特征字段。
79.具体的，上述变压器的多种运行状态包括正常状态和故障状态，而故障状态又可以包括电弧放电、局部放电、火花放电、高温过热、中温过热、低温过热、高能放电以及低能放电等。数字孪生模型中储存有变压器被诊断为上述各运行状态下各个节点字段对应的第二运行参数，第二运行参数包括变压器温度、电流、湿度、油温、变压器油中溶解的气体成分等。上述历史数据以样本数据的形式进行储存，每一种故障类型作为一类样本数据集，如高能放电样本集中包括被标定为高能放电故障的变压器的各运行参数数据(高能放电故障样本1，温度：72.4℃、电流：(a相122.5584a、b相125.4882a、c相128.4179a)、湿度65％、油温69℃、变压器油中溶解的气体成分(氢气h2：12.14、一氧化碳co：587.65、甲烷ch4：4.64、乙烯c2h4：1.16、乙炔c2h2：0、乙烷c2h6：0、总烃thc：二氧化碳5.8、co2：1214.33))。对于离散度，以油温参数(第二运行参数包括参数)以及任意三种故障样本为例进行说明，若故障样本包括局部放电样本集、火花放电样本集和高温过热样本集，计算局部放电样本集的平均油温为61℃，计算火花放电样本集的平均油温为64℃，计算高温过热样本集的油温为72℃，基于61、64和72计算方差，将方差值作为油温参数在多种运行状态之间的离散度，将得到的离散度与离散阈值进行比较，若大于则将油温选取为特征字段。此外，也可以基于离散度的排名选取特征字段，如基于上述方式计算得到温度离散度、电流离散度、油温离散度或者气体离散度等，根据离散度的大小进行排名，选取前三名的字段作为特征字段。应当理解的是，离散度越大的节点字段分辨不同故障种类的能力越强，而上述离散阈值以及离散度排名也可以由技术人员根据实际情况设置。
80.步骤s20，根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果；
81.进一步的，所述故障预测结果包括第一故障、第二故障和第三故障，所述根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果的步骤包括：将所述模拟运行特征输入至所述预设变压器故障预测模型中，生成所述变压器处于所述模拟运行特征的运行状态下，分别发生所述第一故障的第一概率、发生所述
第二故障的第二概率以及发生所述第三故障的第三概率；将所述第一概率、所述第二概率以及所述第三概率中值最大的概率对应的故障种类作为所述变压器的所述故障预测结果。
82.具体的，故障预测结果包括第一故障、第二故障和第三故障，需要说明的是第一故障、第二故障和第三故障，仅用于表示在本实施例中存在三种故障，具体每种故障的故障类型也可由技术人员基于上述例子进行选取，此外，故障种类数量也可以由技术人员自由增减，如可以添加第四故障、第五故障等又或者只包括第一故障和第二故障。
83.模拟运行特征则是基于上述例子选取的特征字段所对应的第一运行参数，若拟运行特征分别为温度c、电流m以及气体含量n(n可以是三比值法中各气体含量的比值，且关于气体含量特征的选取或者生成存在较为成熟的技术，此处不再对特征气体含量n作具体限制)，将温度c、电流m以及气体含量n输入至预设变压器故障预测模型，分别生成该变压器发生第一故障的第一概率、发生第二故障的第二概率、发生第三故障的第三概率。
84.进一步的，根据所述模拟运行特征在第一故障样本集中的分布情况生成所述第一概率；根据所述模拟运行特征在第二故障样本集中的分布情况生成所述第二概率；根据所述模拟运行特征在第三故障样本集中的分布情况生成所述第三概率；所述预设变压器故障预测模型包括所述第一故障样本集、所述第二故障样本集和所述第三故障样本集。
85.具体的，变压器故障预测模型包括第一故障样本集、第二故障样本集和第三故障样本集，可以理解的是，第一至第三故障样本集可以是电弧放电故障样本集、局部放电故障样本集、火花放电故障样本集、高温过热故障样本集、中温过热故障样本集、低温过热故障样本集、高能放电故障样本集以及低能放电故障样本集任意三种。以第一故障样本集为例进行说明，若第一故障样本集中样本数量为100，则第一故障样本集包含了100个被标定为第一故障样的样本，每个样本具体数据为变压器的运行工况(如变压器温度、油温、电流等，且至少包括模拟运行特征对应的特征字段)。进一步的第一概率的生成方式为：获取第一故障样本集中样本运行工况为温度c(或者大于c－x且小于c+x)的样本数量(若为13个)、为电流m(或者大于m－x且小于m+x)的样本数量(若为27个)以及为气体含量n(或者大于n－x且小于n+x)的样本数量(若为9个)，求得第一概率为(13+27+9)/100＝0.49。同理，基于上述方式求的第二概率为0.37、第三概率为0.52，此处不再赘述。经过判断确定第三概率的值最大，将第三概率对应的第三故障作为变压器的故障预测结果。
86.步骤s30，将所述故障预测结果通过所述数字孪生模型输出。
87.进一步的，将所述故障检测结果在所述变压器的三维模型中对应的位置输出。
88.具体的，若故障检测结果为中温过热故障，而中温过热故障可以是因为变压器油箱油道阻塞引起的，在三维模型中变压器油箱油道位置进行突出显示，以进行故障报警。
89.在本实施例中，基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征；根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果；将所述故障预测结果通过所述数字孪生模型输出。相比现有技术，本发明基于模拟的数据对变压器的故障进行预测时效性更强，同时，通过变压器故障预测模型、预测数据以及历史数据全方位对变压器可能发生的故障进行判断，判断的标准更加灵活，且历史数据中样本数量越多，预测的结果更加准确，从而增强对变压器的运维监测能力，提高了电力系统的稳定性。
90.此外，本实施例还提供一种基于数字孪生的变压器故障预测装置，所述基于数字
孪生的变压器故障预测装置包括：
91.提取模块，用于基于变压器的数字孪生模型的模拟数据提取所述变压器的模拟运行特征；
92.预测模块，用于根据所述模拟运行特征以及预设变压器故障预测模型对所述变压器进行故障预测生成故障预测结果；
93.输出模块，用于将所述故障预测结果通过所述数字孪生模型输出。
94.此外，本实施例还提供一种基于数字孪生的变压器故障预测设备，所述基于数字孪生的变压器故障预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于数字孪生的变压器故障预测程序，所述基于数字孪生的变压器故障预测程序被所述处理器执行时实现如上述的基于数字孪生的变压器故障预测方法的步骤。
95.此外，本实施例还提供一种计算机可读存储介质，所述可读存储介质上存储有基于数字孪生的变压器故障预测程序，所述基于数字孪生的变压器故障预测程序被处理器执行时实现如上述的基于数字孪生的变压器故障预测方法的步骤。