【技術實現步驟摘要】
本專利技術涉及變壓器故障監測，尤其涉及一種基于電氣信號的有載分接開關在線故障監測方法和系統。
技術介紹
1、有載分接開關作為有載調壓變壓器的重要部件，準確檢測其性能，對保證電力系統安全穩定可靠運行尤為重要。
2、現有的有載分接開關的故障監測技術分為離線監測和在線監測。離線監測是在有載分接開關未運行時對其相關性能指標進行監測，需要在停電的情況下進行；而現有技術中的在線監測方法一般通過監測振動信號，并人工選定特征指標，以得到故障情況。
技術實現思路
1、本專利技術提供了一種基于電氣信號的有載分接開關在線故障監測方法和系統，能夠在有載分接開關掛網運行中通過電氣信號對其故障進行精確監測。
2、為解決以上技術問題，本專利技術實施例提供一種基于電氣信號的有載分接開關在線故障監測方法，包括：
3、獲取帶有分類標簽的有載分接開關電氣信號的分類數據集；
4、采用所述分類數據集訓練初始神經網絡，得到分類模型；所述初始神經網絡為一維卷積神經網絡；
5、采用所述分類模型對有載分接開關的實際電氣數據進行分類，得到故障監測結果。
6、作為上述方案的改進，所述獲取帶有分類標簽的有載分接開關電氣信號的分類數據集，包括：
7、獲取有載分解開關的初始數據集；
8、根據所述有載分接開關的典型故障，在所述初始數據集中添加分類標簽，得到分類數據集。
9、作為上述方案的改進，所述獲取有載分解開關的初始數據集，包括：p>
10、采集有載分接開關電器信號的歷史數據集；
11、根據調壓原理構建仿真模型，設置仿真參數進行仿真試驗，得到仿真數據集；
12、設置有載調壓變壓器的工況參數，進行實際調壓測試，得到測試數據集；
13、根據所述歷史數據集、所述仿真數據集和所述測試數據集，得到有載分接開關電氣信號的初始數據集。
14、作為上述方案的改進，所述初始神經網絡包括依次連接的卷積層、池化層和全連接層；所述卷積層為一維神經網絡。
15、作為上述方案的改進，所述采用所述分類數據集訓練初始神經網絡，得到分類模型，包括：
16、對所述分類數據集進行預處理，得到預處理分類數據集；
17、將所述預處理分類數據集劃分為訓練集和驗證集；
18、采用所述訓練集，對所述初始神經網絡進行迭代訓練，得到預測結果；
19、每一迭代訓練完成后，采用所述驗證集計算所述預測結果的誤差；
20、當所述預測結果的誤差小于預設的誤差閾值時，停止所述初始神經網絡的迭代訓練，將訓練完成的所述初始神經網絡作為分類模型。
21、作為上述方案的改進，所述采用所述訓練集，對所述初始神經網絡進行迭代訓練，包括：
22、通過所述卷積層，提取所述預處理分類數據集的特征圖；
23、通過所述池化層，減少所述特征圖的尺寸，得到池化特征；
24、通過所述全連接層，將所述池化特征映射到n個維度上，得到預測結果。
25、作為上述方案的改進，所述通過所述卷積層，提取所述預處理分類數據集的特征圖，包括：
26、通過所述卷積層的一維深度卷積核對所述預處理分類數據集進行深度卷積和逐點卷積操作，得到局部特征；
27、通過所述卷積層的滑動卷積核對所述局部特征進行加權，得到特征圖。
28、作為上述方案的改進，所述每一迭代訓練完成后，采用所述驗證集計算所述預測結果的誤差，包括：
29、建立對標簽噪聲魯棒性的廣義交叉熵損失函數；
30、根據所述驗證集，得到真實結果；
31、每一迭代訓練完成后，采用所述廣義交叉熵損失函數計算所述預測結果與所述真實結果間的誤差。
32、作為上述方案的改進，所述采用所述分類模型對有載分接開關的實際電氣數據進行分類，得到故障監測結果，包括：
33、采集有載分接開關的實際電氣數據；
34、對所述實際電氣數據進行預處理，得到預處理實際電氣數據；
35、將所述預處理實際電氣數據輸入至所述分類模型中，得到故障監測結果。
36、本專利技術實施例還提供了一種基于電氣信號的有載分接開關在線故障監測系統，包括：
37、分類數據集獲取模塊，用于獲取帶有分類標簽的有載分接開關電氣信號的分類數據集；
38、分類模型構建模塊，用于采用所述分類數據集訓練初始神經網絡，得到分類模型；所述初始神經網絡為一維卷積神經網絡；
39、故障監測模塊，用于采用所述分類模型對有載分接開關的實際電氣數據進行分類，得到故障監測結果。
40、與現有技術相比，本專利技術公開的一種基于電氣信號的有載分接開關在線故障監測方法和系統，通過獲取帶有分類標簽的有載分接開關電氣信號的分類數據集；采用所述分類數據集訓練初始神經網絡，得到分類模型；所述初始神經網絡為一維卷積神經網絡；采用所述分類模型對有載分接開關的實際電氣數據進行分類，得到故障監測結果。采用本專利技術實施例，能夠在不停電的前提下自動實時采集電氣信號并采用神經網絡訓練得到的分類模型進行故障監測，監測過程自動、簡單，且無需人工選定特征指標。
本文檔來自技高網...【技術保護點】
1.一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，包括：
2.如權利要求1所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述獲取帶有分類標簽的有載分接開關電氣信號的分類數據集，包括：
3.如權利要求2所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述獲取有載分解開關的初始數據集，包括：
4.如權利要求1所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述初始神經網絡包括依次連接的卷積層、池化層和全連接層；所述卷積層為一維神經網絡。
5.如權利要求4所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述采用所述分類數據集訓練初始神經網絡，得到分類模型，包括：
6.如權利要求5所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述采用所述訓練集，對所述初始神經網絡進行迭代訓練，得到預測結果，包括：
7.如權利要求6所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述通過所述卷積層，提取所述預處
8.如權利要求5所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述每一迭代訓練完成后，采用所述驗證集計算所述預測結果的誤差，包括：
9.如權利要求1所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述采用所述分類模型對有載分接開關的實際電氣數據進行分類，得到故障監測結果，包括：
10.一種基于電氣信號的有載分接開關在線故障監測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，包括：
2.如權利要求1所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述獲取帶有分類標簽的有載分接開關電氣信號的分類數據集，包括：
3.如權利要求2所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述獲取有載分解開關的初始數據集，包括：
4.如權利要求1所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述初始神經網絡包括依次連接的卷積層、池化層和全連接層；所述卷積層為一維神經網絡。
5.如權利要求4所述的一種基于電氣信號的有載分接開關在線故障監測方法，其特征在于，所述采用所述分類數據集訓練初始神經網絡，得到分類模型，包括：
6.如權利要求...
【專利技術屬性】
技術研發人員：周國偉，姚暉，鄒暉，胡錦根，潘成程，魏華兵，衛林林，陳欣，孫林濤，汪全虎，戴鵬飛，程興民，王旋，劉威，彭晨光，陳川，沈正元，
申請(專利權)人：國網浙江省電力有限公司超高壓分公司，
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。