一种基于物联网和神经网络技术的在线监测方法

摘要

一种基于物联网和神经网络技术的变压器油在线监测系统和方法，系统包括现场主机，现场主机与电力设备变压器连接，现场主机输出的信号经由光纤传输给监控工作站。监控工作站接收光纤传输的气体检测数据值，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。变压器油在线监测系统和方法将激光半导体技术与光谱声谱技术相结合；将电力物联网技术引入到系统中实时随时随地查看与读取油气浓度检测数据，故障能够实时反馈排除；采用神经网络技术实现了各组分定量分析的问题。

说明书

技术领域

本发明涉及一种在线监测系统和方法，尤其是涉及一种基于物联网和神经网络技术的的变压器油在线监测系统和方法。

背景技术

电力系统在工作时实现动力支撑的关键是变压器，其关乎整个电力系统安全、顺利的运行，一旦发生故障，会导致电力系统局部或全部设备停止运行，产生较大的经济损失，甚至威胁人员的生命安全。这就需要针对变压器的运行情况采取相适应的监控措施，并根据故障诊断的结果采取及时的维修措施，这对避免电力系统出现突发性大规模故障有着很大意义。

对变压器故障判断的有效方法是对绝缘油中气体含量进行监测。变压器在工作中绝缘油里有很多状态特征，这些特征就是进行故障判定的重要依据之一。因为制作变压器的绝缘材料普遍是油和纸，运转时温度比较高，就会引起裂解变化产生一些有一定的特殊气体。一般情况油中的气体含量都很少，如果状态异常或者发生了故障，油一般会裂化从而出现几种烃类气体，油中气体分析根据裂解气体的种类、含量、速度等信息，能够分析得到当前的故障类型，判断状态是否正常，而气体运动的速度也随故障程度的轻微或紧急而减少或者提高，所以在故障诊断时及时关注油中气体非常必要。绝缘油中气体含量监测法从是否在线监测可分为离线式和在线监测式两种，离线式的气相色谱仪具有选择性好、分离性能高、分离时间快、灵敏度高和适用范围广等优点，但也存在一系列的不足之处，脱气作业存在人为误差，检测曲线的人工修正也会加大误差；从取油样到油气分离再到实验室分析，作业程序复杂，花费时间长；另外，绝缘劣化的发展有快有慢，预防性试验不能实时地发现故障，对电力变压器油中气体含量实施在线监测已成为迫切的需要。在线监测式的气相色谱监测系统很好地解决了离线式色谱仪的检测周期长、分析时间长等缺点。但是目前大部分在线式的监测系统，存在测量精度低、测量气体少、长期工作不稳定、数据处理难度大、后期维护量大等问题。

目前，变压器故障诊断的方法针对监测对象主要分为:特征气体判别法、特征气体成分的比值法即三比值法。特征气体判别法使用非常繁琐，实际使用中依旧存在编码不全面、误判、故障分类结果模糊等不足，而且，油色谱分析过程操作复杂运送距离远等都会对最终检测结果产生影响。随着检测技术和计算机技术的迅猛发展，多种新型的检测技术已经运用在变压器故障诊断和状态评估领域，相关学者也在这些方面做了很多尝试力求为变压器在线诊断提供新的手段和技术支持，其中主要包括光谱声谱技术、红外光谱、激光拉曼光谱、以及太赫兹时域光谱等。其中光谱声谱检测方案，此方案与气相色谱法相比，具有诸多优点①非接触性测量、不消耗任何标准气体；②不需要分离不同种类气体、直接确定气体的成分和含量、检测速度快、可实现连续测量；③直接测量气体吸收光能大小，探测灵敏度高，气室体积小。但市面上见到的光谱声谱油中气体检测设备以红外宽谱光源、窄带滤光片与机械斩光器为主设备的技术方案，在实际应用上因滤光带宽较宽，特征气体交叉干扰明显，而机械斩光带来的震动和机械损耗，会导致设备测试性能逐渐下降。

物联网把各种物体通过对应的传感器及特定的监测装置接入到系统中并且连接在一起，建立物与设备信息之间的连接，通过光纤等设备将数据进行传递，再由控制站接收传递来的数据信息，控制站对数据加以整合记录，从而能够实现在线监测。在线监测更能满足信息获取智能化，使得测量的数据更加准确，大大缩减了检修时间，以上优点是变压器故障检测中急需的。

人工神经网络是较早被引入变压器故障诊断领域的人工智能算法。该算法的基本原理是通过对输入值与输出值之间的差来调节算法的阈值和权值，使算法向缩小差值的方向进行，最终实现问题的求解。随着物联网、人工智能、通信技术的高速发展，加上电力设备运行环境的特殊性，使监测数据类型和数量不断增加，对精度、模型动态优化、传输速度和诊断速度即实时性的要求也不断提高。然而，目前设备的故障诊断主要由是在基于理想运行状态条件下运行数据的基础上，对设备在动态多变运行环境下实时状态监测、诊断的精确性要求还很难满足，还需要解决故障诊断系统的模型不完善、数据不精确、数据维数多处理速度慢、设备与模型之间的交互不足、不能动态优化、故障不能实时反馈从而排除的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于物联网和神经网络技术的变压器油在线监测方法和系统。

本发明的目的可以通过以下技术方案来实现：

对应方法步骤包括：

在变压器现场：

对电力设备的变压器油中溶解气体进行采样和油气分离；

输送油气分离后的样气；

通过调制激光光源产生脉冲光，样气吸收脉冲光后产生声波，对声波强度进行检测并分析；

为减少输入数据维数，对声波强度进行检测并分析后采用遗传算法对光声信号进行优化；

优化后，对给定的一组N个声波强度曲线图像及其标签，

其中

交叉熵损失函数为：

检测后的数据进行信息比对和分析，运用Apriori关联规则挖掘算法进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型，产生神经网络模型的初始权值，根据对比和分析结果，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；

运用自适应免疫遗传算法优化动态神经网络模型，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算气体检测数据值；

将气体检测数据值通过光纤传输到监控工作站，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。

以上技术方案对应的系统包括：

现场主机包括：

气、油分离单元，对变压器油中溶解气体进行采样和气、油分离；

气管单元，与所述的气、油分离单元连接输送油气分离后的样气；

检测单元：样气吸收通过调制半导体激光光源产生的脉冲光后产生声波，检测声波强度；

数据优化模块：为减少输入数据维数，在通过检测单元对声波强度进行检测并分析后采用遗传算法对光声信号进行优化；

处理模块：给定一组N个声波强度曲线图像及其标签，

其中

交叉熵损失函数为：

动态神经网络模型确定单元：检测后的数据进行信息比对和分析，运用Apriori关联规则挖掘算法进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型，产生神经网络模型的初始权值，根据对比和分析结果，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；

动态神经网络模型优化单元：运用自适应免疫遗传算法优化动态神经网络模型，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算气体检测数据预测值；监控工作站：接收光纤传输的气体检测数据值，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。

进一步地，气、油分离单元采用真空定量脱气方法进行脱气。检测单元包括依次连接的光声池、前置放大器、锁相放大器、A/D转换器和DSP，还包括激光光源、调制器和微音器，调制器设置在激光光源和光声池之间，锁相放大器与调制器连接，微音器与光声池连接。激光光源为半导体激光器。微音器为电容式或驻极体式微音器。气、油分离单元包括与变压器油阀门连接的真空脱气油气分离装置。系统还包括与监控工作站连接的APP，APP用于设置系统启停、检测周期、读取油样检测时间与故障气体浓度、油气浓度超限报警信息，支持账号与权限设置。现场主机的的气、油分离单元和检测单元等之间通过隔离式485总线通信。

本发明与现有技术相比较，解决了如下问题：

(1)将激光半导体技术与光谱声谱技术相结合，运用到变压器绝缘油故障气体在线监测中，避开传统油色谱在线监测设备中耗材等大量人工维护量，也避免传统红外宽谱光源光声光谱设备检测运用中气体之间交叉干扰，激光稳定性好，单色性等优势，决定了激光光谱声谱油气在线监测方案的可行性与突出优势。

(2)激光光源为半导体激光器，具有带宽窄、连续可调、体积小、重量轻、可在室温工作和能与光纤耦合的优点。

(3)将电力物联网技术引入到系统中，用于油气浓度检测数据实时随时随地查看与读取，故障能够实时反馈排除。

(4)采用神经网络技术解决了各单质气体光声信号特征峰位置严重重叠,而且在混合后,无法分辨出某一种单质气体的特征峰,因此无法对各组分定量分析的问题。

(5)光声信号作为动态神经网络模型的输入,由于输入数据维数太大,使得模型运算速度慢,因此采用遗传算法对神经网络输入向量进行优化,减少输入数据维数,增加计算速度,减少耗时。

(6)对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，实现了设备与模型之间的交互不足不能动态优化的问题；运用Apriori关联规则挖掘算法进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型，产生神经网络模型的初始权值，对神经网络模型的权值和阈值进行动态改进，获得动态神经网络模型，产生动态神经网络模型的权值和阈值；运用自适应免疫遗传算法优化动态神经网络模型，获得预测模型AIGA-DBP，解决了系统的模型不完整、预测数据不精确的问题。

本发明结合物联网技术实现了变压器故障的基于光谱声谱的在线监测，变压器状态的获取是传感器获得的实时数据，与继电保护不同，同时结合遗传算法和动态神经网络技术实现了变压器的实时预警和检修。

附图说明：

图1为基于物联网和神经网络技术的变压器油在线监测系统框架图；

图2是现场主机框架图。

具体实施方式：

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于物联网和神经网络技术的变压器油在线监测系统，包括现场主机2，现场主机2与电力设备变压器1连接，现场主机2输出的信号经由光纤3传输给监控工作站4。现场主机2包括：

气、油分离单元21，对变压器油中溶解气体进行采样和气、油分离；

气管单元22，与所述的气、油分离单元21连接输送油气分离后的样气；

检测单元23：样气吸收通过调制半导体激光光源产生的脉冲光后产生声波，检测声波强度；

数据优化模块24：为减少输入数据维数，在通过检测单元23对声波强度进行检测并分析后采用遗传算法对光声信号进行优化；

处理模块25：对给定一组N个声波强度曲线图像及其标签，

其中

交叉熵损失函数为：

动态神经网络模型确定单元26：检测后的数据进行信息比对和分析，运用Apriori关联规则挖掘算法进行分析和挖掘，得到气体检测数据影响因素，结合气体检测数据影响因素和气体检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，根据对比和分析结果，对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；

动态神经网络模型优化单元27：运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算气体检测数据预测值。

监控工作站4接收光纤3传输的气体检测数据值，自动生成相应的气体浓度变化曲线，根据该曲线监测变压器状态，进行预警和检修。

运用Apriori关联规则挖掘算法具体包括以下步骤：使用MapReduce计算模型得到频繁1项集的集合L

产生神经网络模型BP初始权值的方法为：将权值初始化为[a，b]之间的随机数，其中a，b为以下方程的整数：

对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；具体包括：调整神经网络模型BP隐含层与输出层之间的权值w

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：

其中w

根据最小平方和误差原则得到△w

根据最小平方和误差原则构建的矩阵方程，得到：

计算隐含层与输出层之间权值的动态平均改变量

运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：首先进行抗原识别，即均方误差的识别，产生初始的抗体后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。

所述的气、油分离单元21采用真空定量脱气方法进行脱气。所述的检测单元23包括依次连接的光声池、前置放大器、锁相放大器、A/D转换器和DSP，还包括激光光源、调制器和微音器，所述的调制器设置在激光光源和光声池之间，所述的锁相放大器与调制器连接，所述的微音器与光声池连接。所述的激光光源为半导体激光器。所述的微音器为电容式或驻极体式微音器。所述的气、油分离单元21包括与变压器油阀门连接的真空脱气油气分离装置。所述的系统还包括与监控工作站4连接的APP，APP用于设置系统启停、检测周期、读取油样检测时间与故障气体浓度、油气浓度超限报警信息，支持账号与权限设置。所述的现场主机2的气、油分离单元21和检测单元23等之间通过隔离式485总线通信。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。

上述实施例，仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。