[发明专利]一种基于工况划分的变压器振动异常检测方法

权利要求书

1.一种基于工况划分的变压器振动异常检测方法，其特征在于：包括，

根据负载电流和电压划分变压器运行工况；

利用加速度传感器采集变压器表面振动信号，基于所述变压器表面振动信号和变压器运行工况，训练双分支卷积神经网络分类模型；

利用训练后的双分支卷积神经网络分类模型对所述变压器表面振动信号进行分类，根据分类结果与当前实际工况的一致性，判断变压器的运行状态。

2.如权利要求1所述的基于工况划分的变压器振动异常检测方法，其特征在于：划分变压器运行工况包括，

根据负载电流I_N将变压器电流运行工况划分为(0-60％I_N]、(60％I_N-80％I_N]、(80％I_N-100％I_N]和(100％I_N-150％I_N)四个区间；

根据电压U_N将变压器电压运行工况划分为(80％U_N-95％U_N]、(95％U_N-100％U_N]和(100％U_N-120％U_N)三个区间；

将变压器电流运行工况和变压器电压运行工况两两组合，获得12种变压器运行工况。

3.如权利要求2所述的基于工况划分的变压器振动异常检测方法，其特征在于：采集变压器表面振动信号包括，

将加速度传感器放置到变压器表面振动幅度最大处，加速度传感器的采样率设定为10K，采样间隔为5分钟，每次采样时长为0.5秒，每次采样获取5000个数据点。

4.如权利要求1或2所述的基于工况划分的变压器振动异常检测方法，其特征在于：训练双分支卷积神经网络分类模型包括，

将变压器表面振动信号进行灰度预处理，得到振动图像；

将所述振动图像输入至双分支卷积神经网络分类模型进行迭代训练，获得模型参数。

5.如权利要求4所述的基于工况划分的变压器振动异常检测方法，其特征在于：还包括，

双分支卷积神经网络分类模型的卷积和池化层数为6，全连接层数为2，激活函数为ReLU，输出层函数为Sigmoid；所述双分支卷积神经网络分类模型为双分支结构，且结构中包括批量归一化层，每个分支的最后池化层采用全局平均池化，其余池化层采用最大池化层。

6.如权利要求5所述的基于工况划分的变压器振动异常检测方法，其特征在于：所述灰度预处理包括，

将变压器表面振动信号p(i)先后进行归一化处理、离散化处理和取整，获得灰度值信号p^m(i)：

将灰度值信号p^m(i)进行长度截取，截取长度为N，截取后的n个离散信号p_n(i)为：

p_n(i)＝p^m(i,i+N²-1)

将离散信号p_n(i)转换为N×N的二维矩阵，即灰度矩阵：

其中，f为取整函数。

7.如权利要求5或6所述的基于工况划分的变压器振动异常检测方法，其特征在于：还包括，

双分支卷积神经网络分类模型的输出为基于变压器表面振动信号和变压器运行工况中的电流、电压所属区间。

8.如权利要求7所述的基于工况划分的变压器振动异常检测方法，其特征在于：判断变压器的运行状态包括，

若在60分钟内，双分支卷积神经网络分类模型的每次分类间隔不低于15分钟，且分类结果与当前实际工况不一致的情况出现2次或2次以上，则判定当前变压器运行状态为注意；

若在6小时内，双分支卷积神经网络分类模型的每次分类间隔不低于30分钟，且分类结果与当前实际工况不一致的情况出现5次或5次以上，则判定当前变压器运行状态为告警；

若在12小时内，双分支卷积神经网络分类模型的每次分类间隔不低于60分钟，且分类结果与当前实际工况不一致的情况出现8次或8次以上，则判定当前变压器运行状态为故障；

若同时满足上述三种情况中的任意2种或全部满足，判定当前变压器运行状态为异常程度最高状态；

若当前实际工况与双分支卷积神经网络分类模型的分类结果一致，则判定当前变压器运行状态为正常。