中低压变压器故障预警模型构建方法以及故障预警方法与流程

1.本发明涉及电力信息技术领域，具体涉及一种中低压变压器故障预警模型构建方法以及故障预警方法。


背景技术：

2.配电网是电网的重要组成，是为用电客户提供电能分配的最终环节，因此配电网的设备数量也是发输变配环节中最多的。且随着用电需求的不断增长，配电网设备数量逐年增长，从2010年起，每年保持7％的增幅。而配电网的故障次数同样占比很大，占整个电网的80％以上，其中变压器设备是最主要的故障设备类型。
3.配电网与客户直接关联，变压器设备故障将直接造成客户用电事故，没有缓冲空间和余地。对于工业生产企业，设备故障还将造成安全问题，造成巨大的危害。设备故障具有突发性，由于故障影响因素众多，难以预测，只能事后抢修，因此变压器故障是目前电力应急抢修中的最重要的内容。
4.现有的故障预判方法主要是采用人工定期排查的方式，这种方法时效性不强，且耗费人力物力。而传统的时间序列预测方法只能对单一指标进行预测，变压器故障影响因素众多，无法满足故障预警的需要。同时，现有的变压器智能预测方法多针对中高压变电站中的主变进行分析，针对中低压变压器的预测方法较少。


技术实现要素：

5.有鉴于此，本发明实施例提供了涉及一种中低压变压器故障预警模型构建方法以及故障预警方法，以解决现有技术中缺少对中低压变压器的故障预测，且针对高压变压器的预测无法应用到中低压变压器的故障预测中的技术问题。
6.本发明提出的技术方案如下：
7.本发明实施例第一方面提供一种中低压变压器故障预警模型构建方法，包括：获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据；将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数据调整为故障状态数据；根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。
8.可选地，根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型，包括：根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集；采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型；采用所述验证数据集对所述故障预警模型进行验证。
9.可选地，采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型，包括：将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数
据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。
10.可选地，采用所述验证数据集对所述故障预警模型进行验证，包括：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。
11.本发明实施例第二方面提供一种中低压变压器故障预警方法，包括：获取中低压变压器的当前时刻的故障影响因素数据；将所述故障影响因素数据输入至本发明实施例第一方面及第一方面任一项所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。
12.可选地，获取中低压变压器的当前时刻的故障影响因素数据，包括：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。
13.本发明实施例第三方面提供一种中低压变压器故障预警模型构建装置，包括：数据获取模块，用于获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据；数据调整模块，用于将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数据调整为故障状态数据；模型构建模块，用于根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。
14.可选地，模型构建模块包括：数据集划分模块，用于根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集；训练模块，用于采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型；验证模块，用于采用所述验证数据集对所述故障预警模型进行验证。
15.可选地，训练模块具体用于：将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。
16.可选地，验证模块具体用于：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。
17.本发明实施例第四方面提供一种中低压变压器故障预警装置，包括：因素获取模块，用于获取中低压变压器的当前时刻的故障影响因素数据；预警模块，用于将所述故障影响因素数据输入至本发明实施例第一方面及第一方面任一项所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。
18.可选地，因素获取模块具体用于：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。
19.本发明实施例第五方面提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的中低压变压器故障预警模型构建方法和本发明实施例第二方面及第二方面所述的中低压变压器故障预警装置。
20.本发明实施例第六方面提供一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的中低压变压器故障预警模型构建方法和本发明实施例第二方面及第二方面所述的中低压变压器故障预警装置。
21.本发明提供的技术方案，具有如下效果：
22.本发明实施例提供的中低压变压器故障预警模型构建方法，针对配电网中的中低压变压器设备故障受到负荷侧用电负荷影响较大，同时与天气以及变压器油色谱的变化息息相关的特点，将天气数据、负荷数据、上层油温数据以及油色谱数据等与变压器设备故障强相关的特征作为故障影响因素进行模型训练，同时为了预测的有效性，将故障发生前一段时间内的相关数据也表示为故障状态。采用基于长短时人工神经网络预测算法对配电网中低压变压器设备进行故障模型的构建，长短时记忆人工神经网络算法为时间序列的预测提供了更加丰富的技术选择，能够将多维数据作为预测的依据条件，解决了以往的单一指标时间序列预测存在的瓶颈问题。
23.本发明实施例提供的中低压变压器故障预警模型构建方法，通过划分训练数据集和验证数据集，采用训练数据集对模型进行训练，采用验证数据集对模型进行验证，实现模型的优化，从而得到满足故障预测需求的故障预警模型。
24.本发明实施例提供的中低压变压器故障预警方法，将变压器的电气属性、运行参数以及天气等潜在影响因素都作为故障预警的参考因素。然后基于长短时记忆人工神经网络算法构建的故障预警模型，根据多维数据的关联关系来联动分析变压器故障影响参数的变化，对变压器设备故障进行预警。从而为中低压变压器故障预警提供了高效实用的技术手段，能够提升供电可靠性，提升供电服务质量和用电客户的满意度。
25.本发明实施例提供的中低压变压器故障预警方法，通过构建中低压变压器的数字孪生体，基于数字孪生体获取当前时刻的故障影响因素数据进行故障预测，实现了基于数字孪生体的联动分析。由此，该方法从数据驱动的角度对配电网中故障频率高、用电影响大的中低压配电网变压器设备故障进行分析和预测，将会大大提升配电网用电可靠性和用电客户服务满意度。
附图说明
26.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
27.图1是根据本发明实施例的中低压变压器故障预警模型构建方法的流程图；
28.图2是根据本发明另一实施例的中低压变压器故障预警模型构建方法的流程图；
29.图3是根据本发明另一实施例的中低压变压器故障预警模型构建方法的流程图；
30.图4是根据本发明实施例的中低压变压器故障预警方法的流程图；
31.图5是根据本发明实施例的中低压变压器数字孪生体示意图；
32.图6是根据本发明实施例的中低压变压器故障预警模型构建装置的结构框图；
33.图7是根据本发明实施例的中低压变压器故障预警装置的结构框图；
34.图8是根据本发明实施例提供的计算机可读存储介质的结构示意图；
35.图9是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
36.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
37.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.根据本发明实施例，提供了一种中低压变压器故障预警模型构建方法以及故障预警方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
39.在本实施例中提供了一种中低压变压器故障预警模型构建方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例中低压变压器故障预警模型构建方法的流程图，如图1所示，该方法包括如下步骤：
40.步骤s101：获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据。具体地，对于中低压变压器，其故障的发生与天气如温度、气象以及负荷数据存在较大关系，因此选取天气数据以及负荷数据作为故障影响因素数据。同时，变压器上层油温数据和油色谱数据也是影响变压器发生故障的重要数据。该实施例中，中低压变压器可以是低压端电压等级为400v，高压端电压等级为10kv的电压器。天气数据具体为中低压变压器所在区域的天气数据。
41.其中，在获取历史运行状态数据和故障影响因素数据时，可以获取过去一段时间
如过去两年内的数据。具体可以按照时间先后顺序获取，或者将获取的数据按照时间先后的顺序进行整理。在故障影响因素数据中，天气数据包括温度数据以及晴、阴、雨、学以及风力等数据。在该实施例中，具体采用风力数据win、气象数据ph以及温度数据tem作为天气数据。负荷数据主要包括电压数据vol和电流数据cur,负荷数据主要从低压侧电表中获取。上层油温数据o_t通过人工采集或者采用红外设备读取。油色谱数据包括氢气含量h2，一氧化碳含量co、二氧化碳含量co2、甲烷含量ch4、乙烯含量c2h4、乙炔含量c2h2、乙烷含量c2h6。油色谱数据从变压器油色谱仪中采集。
42.对于获取的故障影响因素数据采用如下表1所示：
43.表1
[0044][0045]
获取的历史运行状态数据采用下表2所示：
[0046][0047][0048]
步骤s102：将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数
据调整为故障状态数据；具体地，为了预测的有效性，将发生故障之前预设时间段内的运行状态调整为故障状态数据，例如，timk时刻发生故障，将timk之前的3小时内的运行状态数据调整为故障状态。在该实施例中，如果数据采集频率为每小时采集一次，则将(tim
k-1
,im
k-2
,im
k-3
)时刻对应的运行状态调整为故障状态；如果数据采集频率为每15分钟采集一次，则将时刻对应的运行状态数据调整为故障状态。
[0049]
步骤s103：根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。其中，为了便于采用历史运行状态数据对模型进行训练，设置标识，将历史运行状态由对应的标识表示。具体地，若历史运行状态为故障，则标识对应的值为1，若历史运行状态为正常，则标识对应的值为0。调整后且由标识表示的历史运行状态数据如下表3所示：
[0050]
表3
[0051]
时间运行状态标识tim1正常cha1(0)tim2正常cha2(0)tim3正常cha3(0)tim4正常cha4(0)tim5正常cha5(0)tim6正常cha6(0)tim7正常cha7(0)tim8正常cha8(0)tim9正常cha9(0)tim
10
正常cha
10
(1)...正常cha...(1)...正常cha...(1)timk故障chak(1)tim
k+1
故障cha
k+1
(1)tim
k+2
故障cha
k+2
(1)tim
k+3
正常cha
k+3
(1)tim
k+4
正常cha
k+4
(1).........
[0052]
在对模型进行训练之前，可以引入开源项目tensorflow2.10版本的keras资源库(https://blog.tensorflow.org/)，调用长短时记忆人工神经网络lstm预测函数api，进行模型的初始化：predictmodel＝sequential()。然后对初始化后的模型进行训练。
[0053]
本发明实施例提供的中低压变压器故障预警模型构建方法，针对配电网中的中低压变压器设备故障受到负荷侧用电负荷影响较大，同时与天气以及变压器油色谱的变化息息相关的特点，将天气数据、负荷数据、上层油温数据以及油色谱数据等与变压器设备故障强相关的特征作为故障影响因素进行模型训练，同时为了预测的有效性，将故障发生前一
段时间内的相关数据也表示为故障状态。采用基于长短时人工神经网络预测算法对配电网中低压变压器设备进行故障模型的构建，长短时记忆人工神经网络算法为时间序列的预测提供了更加丰富的技术选择，能够将多维数据作为预测的依据条件，解决了以往的单一指标时间序列预测存在的瓶颈问题。
[0054]
在一实施方式中，如图2所示，根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型，包括如下步骤：
[0055]
步骤s201：根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集。具体地，在进行数据集构建时，可以将故障影响因素数据和历史运行状态数据融合在同一个表中，其中表的前13列为故障影响因素数据，这13列分别对应的数据列为风力win、气象ph、温度tem、变压器上层油温、变压器低压侧电压vol、变压器低压侧电流cur、氢气含量h2，一氧化碳含量co、二氧化碳含量co2、甲烷含量ch4、乙烯含量c2h4、乙炔含量c2h2、乙烷含量c2h6。表的第14列为历史运行状态数据。具体地。表的前13列作为依赖特征列，表的第14列作为标识列。表中每行数据作为一个样本，则将所有样本的80％作为训练数据集，20％作为验证数据集。例如，共有1000个样本，则800个样本作为训练数据集，200个样本作为验证数据集。
[0056]
步骤s202：采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型。在一实施方式中，采用训练数据集进行模型训练时，将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。
[0057]
具体地，将训练数据集划分为n个数据集，每个数据集中包括51个时刻的样本，其中前50个时刻构成第一集合，最后一个时刻构成第二集合。第一集合中包括50行14列(13个依赖特征列、1个标识列)，第二集合中包括1行1列(只有第51个时刻的标识列)的数据。每个数据集在划分时是将前一个数据集中的数据下移一行得到，例如，划分得到的第一个数据集中包括tim1至tim51时刻的数据，则第二个数据集中包括tim2至tim52时刻的数据，第三个数据集中包括tim3至tim53时刻的数据，以此类推，得到n个数据集。
[0058]
其中，采用训练数据集对模型进行迭代训练时，是采用50个时刻的特征数据预测第51个时刻的状态的模式，具体可以将每个数据集中第一集合x_vali和第二集合y_vali的数据输入至kerasregressor函数中，输出预测结果predict_model。该迭代训练过程可以采用如下代码表示：
[0059][0060]
步骤s203：采用所述验证数据集对所述故障预警模型进行验证。在一实施方式中，验证过程包括：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得
到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。
[0061]
具体地，当完成迭代训练得到故障预警模型之后，采用验证数据集对模型进行优化。具体采用如下函数prediction＝predict_model.predict(valid_x)对验证数据集valid_x中的故障影响因素数据进行预测，将预测结果与验证数据集中的历史运行状态数据进行对比，并计算准确率；当准确率小于90％，需要重新构建训练数据集对模型进行训练，优化模型中的特征权重，使得最终模型的准确率大于等于90％，则得到满足故障预测需求的故障预警模型。
[0062]
本发明实施例提供的中低压变压器故障预警模型构建方法，通过划分训练数据集和验证数据集，采用训练数据集对模型进行训练，采用验证数据集对模型进行验证，实现模型的优化，从而得到满足故障预测需求的故障预警模型。
[0063]
在一实施方式中，如图3所示，该中低压变压器故障预警模型构建方法采用如下步骤实现：
[0064]
步骤1：以某个配电网中的中低压变压器为例(高压端电压等级为10kv，低压端电压等级为400v)，获取该变压器设备过去两年内的所在区域的天气数据(包括温度、气象：晴、雨、阴、雷、雪、风力等数据)，电压曲线数据(低压侧电表)，电流曲线数据(低压侧电表)，设备上层油温数据(人工采集或者红外设备读取)，油色谱数据(从变压器油色谱仪中采集)。
[0065]
步骤2：获取该变压器设备过去2年内的历史运行状态数据，主要是过去2年内的设备在运、故障状态数据。
[0066]
步骤3：将数据按照时间先后顺序进行整理，假如从tim1时刻到tim
k-1
时刻，该设备的运行状态均为正常，在timk时刻设备运行状态为故障。在数据表中增加名为“标识”的列，设备运行状态为正常，那么该列的值为0，如果设备运行状态为故障，那么该列的值为1。
[0067]
步骤4：为了预测的有效性，将timk之前的3小时内的标识均更改为1，如果设备的参数采集频率为每小时采集一次，则(tim
k-1
,im
k-2
,im
k-3
)时刻对应的设备的标识的值均置为1；如果设备的参数采集频率为每15分钟采集一次，则:时刻对应的设备的标识的值均置为1。这样将发生故障前三个小时的设备的状态认定为潜在的故障状态。
[0068]
步骤5：划分依赖特征列和预测目标列。预测目标列target为标识列cha，依赖特征列有13列：
[0069][0070]
分别对应的数据列是：风力win、气象ph、温度tem、变压器上层油温、变压器低压侧电压vol、变压器低压侧电流cur、氢气含量h2，一氧化碳含量co、二氧化碳含量co2、甲烷含量ch4、乙烯含量c2h4、乙炔含量c2h2、乙烷含量c2h6。由这13列的数据对目标列cha的值进行预测。
[0071]
步骤6：引入开源项目tensorflow2.10版本的keras资源库(https://
blog.tensorflow.org/)，调用长短时记忆人工神经网络lstm预测函数api。初始化训练模型：predictmodel＝sequential()。
[0072]
步骤7：构建包含依赖特征列和预测目标列数据的数据集data，以8:2的比例将所有的数据划分为训练数据集和验证数据集，即前80％的数据集定义为train_x，后20％的数据集定义为valid_x。
[0073]
步骤8：将训练数据集再次拆分，采用50个时刻的特征数据预测第51个时刻的设备状态的模式，将train_x拆分为n个数据集，这n个数据集的每一个又分为两个集合：x_vali、y_vali，x_vali中是50行14列(13个特征列、1个设备状态标识)的数据，y_vali中是1行1列(只有第51个时刻的设备状态标识)的数据。x_val
i+1
、y_val
i+1
中的值是将train_x中的x_vali、y_vali下移一行，同样分别取50行14列和1行1列的数据。
[0074]
步骤9：迭代训练预测模型：
[0075][0076]
步骤10：构建完成预测模型后，prediction＝predict_model.predict(valid_x)，输出比对曲线和准确率：validrate。
[0077]
步骤11：如果准确率：valid_rate大于等于90％，则进入步骤13。如果小于90％，则进入步骤12。
[0078]
步骤12：重新选择新的样本数据，进入步骤3。
[0079]
步骤13：模型准确率可以满足预设的故障预测需求，结束，输出故障预警模型。
[0080]
本发明实施例还提供一种中低压变压器故障预警方法，如图4所示，该方法包括如下步骤：
[0081]
步骤s301：获取中低压变压器的当前时刻的故障影响因素数据。
[0082]
步骤s302：将所述故障影响因素数据输入至本发明上述实施例所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。
[0083]
在一实施方式中，获取中低压变压器的当前时刻的故障影响因素数据，包括：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。
[0084]
具体地，如图5所示，在构建数字孪生体(变压器数字孪生模型)，可以先获取中低压变压器设备本身的结构数据，然后结合获取的中低压变压器的历史运行状态数据和故障影响因素数据实现数字孪生体的构建，其中，数字孪生体的构建依托智能传感器等先进设备对电力设备的本身以及外部相关数据进行实时采集，同时结合现有的电力业务系统中的实时数据，能够将电力设备的综合指标和状态进行映射，实现对电力设备的模拟建模，且能够保证数据的实时性，满足复杂动态变化的电网业务分析应用需要。在构建时，可以结合相关文件中数字孪生技术，本发明实施例对于数字孪生体的构建过程不再赘述。
[0085]
在构建得到数字孪生体之后，若需要进行故障预测，则从该中低压变压器的数字
孪生体中获取当前时刻的故障影响因素数据，将数据输入至故障预警模型中，进行下一时刻的故障预测。
[0086]
本发明实施例提供的中低压变压器故障预警方法，将变压器的电气属性、运行参数以及天气等潜在影响因素都作为故障预警的参考因素。然后基于长短时记忆人工神经网络算法构建的故障预警模型，根据多维数据的关联关系来联动分析变压器故障影响参数的变化，对变压器设备故障进行预警。从而为中低压变压器故障预警提供了高效实用的技术手段，能够提升供电可靠性，提升供电服务质量和用电客户的满意度。
[0087]
本发明实施例提供的中低压变压器故障预警方法，通过构建中低压变压器的数字孪生体，基于数字孪生体获取当前时刻的故障影响因素数据进行故障预测，实现了基于数字孪生体的联动分析。由此，该方法从数据驱动的角度对配电网中故障频率高、用电影响大的中低压配电网变压器设备故障进行分析和预测，将会大大提升配电网用电可靠性和用电客户服务满意度。
[0088]
本发明实施例还提供一种中低压变压器故障预警模型构建装置，如图6所示，该装置包括：
[0089]
数据获取模块，用于获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
[0090]
数据调整模块，用于将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数据调整为故障状态数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
[0091]
模型构建模块，用于根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。具体内容参见上述方法实施例对应部分，在此不再赘述。
[0092]
本发明实施例提供的中低压变压器故障预警模型构建装置的功能描述详细参见上述实施例中中低压变压器故障预警模型构建方法描述。
[0093]
可选地，模型构建模块包括：数据集划分模块，用于根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集；训练模块，用于采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型；验证模块，用于采用所述验证数据集对所述故障预警模型进行验证。
[0094]
可选地，训练模块具体用于：将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。
[0095]
可选地，验证模块具体用于：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。
[0096]
本发明实施例还提供一种中低压变压器故障预警装置，如图7所示，该装置包括：
[0097]
因素获取模块，用于获取中低压变压器的当前时刻的故障影响因素数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
[0098]
预警模块，用于将所述故障影响因素数据输入至上述实施例所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。具体内容参见上述方法实施例对应部分，在此不再赘述。
[0099]
本发明实施例提供的中低压变压器故障预警装置的功能描述详细参见上述实施例中中低压变压器故障预警方法描述。
[0100]
可选地，因素获取模块具体用于：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。
[0101]
本发明实施例还提供一种存储介质，如图8所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中中低压变压器故障预警模型构建方法以及故障预警方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0102]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0103]
本发明实施例还提供了一种电子设备，如图9所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图9中以通过总线连接为例。
[0104]
处理器51可以为中央处理器(central processing unit，cpu)。处理器51还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0105]
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的中低压变压器故障预警模型构建方法以及故障预警方法。
[0106]
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器
件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0107]
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-4所示实施例中的中低压变压器故障预警模型构建方法以及故障预警方法。
[0108]
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0109]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

技术特征：
1.一种中低压变压器故障预警模型构建方法，其特征在于，包括：获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据；将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数据调整为故障状态数据；根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。2.根据权利要求1所述的中低压变压器故障预警模型构建方法，其特征在于，根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型，包括：根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集；采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型；采用所述验证数据集对所述故障预警模型进行验证。3.根据权利要求2所述的中低压变压器故障预警模型构建方法，其特征在于，采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型，包括：将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。4.根据权利要求2所述的中低压变压器故障预警模型构建方法，其特征在于，采用所述验证数据集对所述故障预警模型进行验证，包括：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。5.一种中低压变压器故障预警方法，其特征在于，包括：获取中低压变压器的当前时刻的故障影响因素数据；将所述故障影响因素数据输入至权利要求1-4任一项所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。6.根据权利要求5所述的中低压变压器故障预警方法，其特征在于，获取中低压变压器的当前时刻的故障影响因素数据，包括：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。7.一种中低压变压器故障预警模型构建装置，其特征在于，包括：
数据获取模块，用于获取中低压变压器的历史运行状态数据和故障影响因素数据，所述故障影响因素数据包括天气数据、负荷数据、上层油温数据以及油色谱数据；数据调整模块，用于将所述历史运行状态数据中故障状态数据前预设时间内的运行状态数据调整为故障状态数据；模型构建模块，用于根据调整后的历史运行状态数据和故障影响因素数据对长短时记忆人工神经网络模型进行训练，得到故障预警模型。8.根据权利要求7所述的中低压变压器故障预警模型构建装置，其特征在于，模型构建模块包括：数据集划分模块，用于根据调整后的历史运行状态数据和故障影响因素数据构建训练数据集和验证数据集；训练模块，用于采用所述训练数据集对长短时记忆人工神经网络模型进行训练，得到故障预警模型；验证模块，用于采用所述验证数据集对所述故障预警模型进行验证。9.根据权利要求8所述的中低压变压器故障预警模型构建装置，其特征在于，训练模块具体用于：将所述训练数据集划分为预设个数的数据集，每个数据集中包括第一集合和第二集合，所述第一集合包括多个连续时刻的历史运行状态数据和故障影响因素数据，所述第二集合包括一个时刻的历史运行状态数据，所述第二集合中的数据为所述第一集合中数据的下一个时刻数据，所述数据集是将前一个数据集中的数据下移一行得到；采用预设个数的数据集对长短时记忆人工神经网络模型进行迭代训练，得到故障预警模型。10.根据权利要求8所述的中低压变压器故障预警模型构建装置，其特征在于，验证模块具体用于：将所述验证数据集中的故障影响因素数据输入至所述故障预警模型中，得到预测数据；根据所述预测数据和所述验证数据集中的历史运行状态数据进行准确率计算，得到计算结果；当所述计算结果小于预设值时，重新构建训练数据集进行训练；当所述计算结果大于等于预设值时，结束训练。11.一种中低压变压器故障预警装置，其特征在于，因素获取模块，用于获取中低压变压器的当前时刻的故障影响因素数据；预警模块，用于将所述故障影响因素数据输入至权利要求1-4任一项所述的中低压变压器故障预警模型构建方法构建的故障预警模型中，得到故障预警结果。12.根据权利要求11所述的中低压变压器故障预警装置，其特征在于，因素获取模块具体用于：基于中低压变压器的历史运行状态数据和故障影响因素数据构建中低压变压器的数字孪生体；基于所述数字孪生体获取中低压变压器的当前时刻的故障影响因素数据。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-4任一项所述的中低压变压器故障预警模型构建方法和权利要求5或6所述的中低压变压器故障预警装置。14.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-4任一项所述的中低压变压器故障预警模型构建方法和权利要求5或6所述的中低压变压器故障预警装置。

技术总结
本发明公开了一种中低压变压器故障预警模型构建方法以及故障预警方法，该构建方法针对配电网中的中低压变压器设备故障受到负荷侧用电负荷影响较大，同时与天气以及变压器油色谱的变化息息相关的特点，将天气数据、负荷数据、上层油温数据以及油色谱数据等与变压器设备故障强相关的特征作为故障影响因素进行模型训练，同时为了预测的有效性，将故障发生前一段时间内的相关数据也表示为故障状态。采用基于长短时人工神经网络预测算法对配电网中低压变压器设备进行故障模型的构建，长短时记忆人工神经网络算法为时间序列的预测提供了更加丰富的技术选择，能够将多维数据作为预测的依据条件，解决了以往的单一指标时间序列预测存在的瓶颈问题。预测存在的瓶颈问题。预测存在的瓶颈问题。


技术研发人员：乔俊峰 彭林 周爱华 徐晓轶 杨佩 徐敏 朱富云 潘森 于海 欧朱健
受保护的技术使用者：国网江苏省电力有限公司 国家电网有限公司
技术研发日：2023.05.24
技术公布日：2023/8/4