本發明專利技術涉及變壓器諧波監測技術領域，尤指一種用于智能變壓器的諧波檢測與預警系統，通過實時獲取變壓器的電壓和電流信號，利用傅里葉變換進行頻域分解，提取幅值、相位和頻率等多維諧波特征，并將其輸入深度學習模型訓練生成動態諧波特征模型。在此基礎上，諧波異常分類模塊實時分析諧波信號，對異常諧波進行類型判定和位置關聯，生成包含異常類型與位置的報告。通過動態預警模塊，基于實時采集的電網負載狀態參數計算電網負載系數，并結合初設的幅值和頻率閾值，動態調整諧波檢測閾值。動態閾值的應用增強了系統對負載狀態變化的適應能力，顯著提高了諧波檢測與預警的靈敏性和準確性。
【技術實現步驟摘要】
本專利技術涉及變壓器諧波監測，尤指一種用于智能變壓器的諧波檢測與預警系統。
技術介紹
1、變壓器作為電網的重要組成部分，其運行環境日益復雜，負載波動和非線性負載的廣泛應用導致諧波問題日益嚴重。諧波不僅會增加變壓器的功率損耗，還會引起設備發熱、絕緣老化等問題，嚴重時甚至會導致變壓器故障，影響電網的安全穩定運行。因此，如何有效地檢測諧波并提前預警已成為電力行業的重要研究方向。
2、在現有技術中，諧波檢測主要依賴于閾值判斷方法。傳統的諧波檢測系統通過設定固定的幅值和頻率閾值，對實時采集的電壓和電流信號進行分析，一旦檢測到諧波信號超出預設閾值，即觸發報警。然而，固定閾值的檢測方式存在明顯的局限性：
3、靈敏性不足：固定閾值無法動態適應復雜多變的電網負載狀態，可能導致在輕負載條件下漏報諧波異常，在重負載條件下則出現誤報。
4、缺乏異常分類：固定閾值僅提供簡單的異常檢測，無法進一步分析異常諧波的類型，限制了其在諧波診斷中的應用深度。
技術實現思路
1、為解決上述問題，本專利技術提供一種用于智能變壓器的諧波檢測與預警系統，通過深度學習模型學習諧波異常并進行實時監測和分類，通過實時電網負載調整諧波預警閾值，根據監測出的異常諧波與異常預警閾值進行諧波異常預警。
2、為實現上述目的，本專利技術采用的技術方案是：
3、一種用于智能變壓器的諧波檢測與預警系統，包括依次連接的諧波數據采集模塊、諧波學習模塊、諧波異常分類模塊和動態預警模塊；
<
p>4、所述諧波數據采集模塊用于實時采集變壓器的電壓信號和電流信號，構建包含諧波電流數據和諧波電壓數據的時序信號集，對時序信號集進行預處理，得到諧波數據集；5、所述諧波學習模塊用于基于預處理后的諧波數據集，采用傅里葉變換對信號進行分解，生成諧波特征集，包括各階諧波的幅值、相位和頻率特征；將諧波特征集輸入深度學習模型，訓練生成動態諧波特征模型；
6、所述諧波異常分類模塊用于基于訓練完成的動態諧波特征模型，對實時諧波特征集進行分析，檢測異常諧波信號并生成異常諧波報告，所述異常諧波報告包括異常諧波的異常類型和位置；
7、所述動態預警模塊用于基于實時的電網負載狀態參數對諧波預警閾值進行動態更新，根據異常諧波信號與諧波預警閾值進行預警操作，所述預警操作以異常諧波報告為內容輸出。
8、進一步地，所述構建包含諧波電流數據和諧波電壓數據的時序信號集包括以下步驟：
9、通過時間同步算法對采集的電壓信號和電流信號進行同步校正，生成同步后的電壓信號和電流信號；
10、通過帶通濾波算法對同步后的電壓和電流信號進行濾波處理去除基波和高頻噪聲，并提取諧波頻段內的特征信號；
11、通過分段處理對諧波頻段內的特征信號進行分段并格式化為時序信號集。
12、進一步地，所述預處理為歸一化處理。
13、進一步地，所述將諧波特征集輸入深度學習模型，訓練生成動態諧波特征模型包括以下步驟：
14、對諧波特征集中的每個特征樣本進行分類標記，分別標注為正常諧波和異常諧波，生成標準化的訓練數據集；
15、將訓練數據集輸入卷積神經網絡模型，所述卷積神經網絡模型包括若干卷積層、池化層和全連接層，卷積層用于提取諧波幅值、相位和頻率的局部特征，池化層用于進行數據降維，全連接層用于進行分類輸出；
16、通過反向傳播算法對卷積神經網絡模型進行訓練，使用交叉熵損失函數評估分類誤差，通過adam優化算法更新模型參數，迭代優化網絡權重。
17、進一步地，所述卷積神經網絡模型的公式如下：
18、；
19、其中，為第k類的分類輸出概率；為輸入特征向量中第j個輸入特征，包括諧波的幅值、相位和頻率信息；為隱藏層中從輸入特征j到隱藏單元i的權重參數；為輸出層中從隱藏單元i到輸出類別k的權重參數；和分別為隱藏層和輸出層的偏置參數；為隱藏層激活函數；為輸出層的激活函數。
20、進一步地，所述對實時諧波特征集進行分析，檢測異常諧波信號并生成異常諧波報告包括以下步驟：
21、實時采集的諧波特征集輸入經過訓練的動態諧波特征模型，提取出與正常諧波模式偏離的異常諧波信號及異常類型；
22、對偏離的異常諧波信號從預關聯的位置表中獲取異常諧波信號位置，根據異常諧波信號位置及異常類型生成異常諧波報告。
23、進一步地，所述諧波預警閾值包括幅值閾值與頻率閾值。
24、進一步地，所述基于實時的電網負載狀態參數對諧波預警閾值進行動態更新包括：
25、將實時的電網負載狀態參數標準化為電網負載系數，所述電網負載系數范圍為0至1；
26、將電網負載系數與幅值初設閾值和頻率初設閾值分別相乘，得到幅值閾值與頻率閾值。
27、進一步地，所述預警操作通過語音播報和文字消息進行預警通知。
28、本專利技術的有益效果在于：本專利技術通過實時獲取變壓器電壓和電流信號，利用傅里葉變換對諧波信號進行頻域分解，提取包括幅值、相位和頻率在內的多維諧波特征，并將其輸入深度學習模型進行訓練，生成動態諧波特征模型。諧波異常分類模塊在此基礎上實時分析諧波信號，對異常諧波進行類型判定與位置關聯，生成包含異常類型與位置的異常諧波報告。進一步通過動態預警模塊，以實時采集的電網負載狀態參數為依據，標準化為電網負載系數，結合初設的幅值閾值和頻率閾值，動態計算諧波檢測閾值。動態閾值的引入提高了諧波檢測系統對負載狀態變化的適應能力，從而增強了預警的靈敏性與準確性。
本文檔來自技高網...
【技術保護點】
1.一種用于智能變壓器的諧波檢測與預警系統，其特征在于，包括依次連接的諧波數據采集模塊、諧波學習模塊、諧波異常分類模塊和動態預警模塊；
2.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述構建包含諧波電流數據和諧波電壓數據的時序信號集包括以下步驟：
3.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述預處理為歸一化處理。
4.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述將諧波特征集輸入深度學習模型，訓練生成動態諧波特征模型包括以下步驟：
5.根據權利要求4所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述卷積神經網絡模型的公式如下：
6.根據權利要求4所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述對實時諧波特征集進行分析，檢測異常諧波信號并生成異常諧波報告包括以下步驟：
7.根據權利要求6所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述諧波預警閾值包括幅值閾值與頻率閾值。
<
p>8.根據權利要求7所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述基于實時的電網負載狀態參數對諧波預警閾值進行動態更新包括：9.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述預警操作通過語音播報和文字消息進行預警通知。
...
【技術特征摘要】
1.一種用于智能變壓器的諧波檢測與預警系統，其特征在于，包括依次連接的諧波數據采集模塊、諧波學習模塊、諧波異常分類模塊和動態預警模塊；
2.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述構建包含諧波電流數據和諧波電壓數據的時序信號集包括以下步驟：
3.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述預處理為歸一化處理。
4.根據權利要求1所述的一種用于智能變壓器的諧波檢測與預警系統，其特征在于，所述將諧波特征集輸入深度學習模型，訓練生成動態諧波特征模型包括以下步驟：
5.根據權利要求4所述的一種用于智能變壓器的諧波檢測與預警系...
【專利技術屬性】
技術研發人員：劉賢文，劉賢龍，劉賢群，劉慈堃，劉慈潔，鄧美華，宋范，劉慈凱，劉慈浩，蘇紅元，楊威，李家宜，郭佳雯，丁鈺潔，高慧恒，
申請(專利權)人：廣州廣高高壓電器有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。