【技术实现步骤摘要】
本专利技术涉及电感器监测，具体是一种基于电感器的设备监测防护方法及系统。
技术介绍
1、电力设备是现代工业生产和民生保障的关键基础设施，其安全可靠运行对于确保电力系统稳定具有重要意义。电感器作为电力系统中的核心部件，其状态直接关系到整个系统的运行效率和可靠性。传统的电感器状态监测手段主要依赖人工巡检和定期检测，存在滞后性和人为主观判断的问题，难以及时发现潜在故障隐患，对设备剩余寿命也缺乏准确评估。
2、现有的电感器状态监测技术主要存在以下不足:1)缺乏基于大数据的智能化故障判断手段，难以精确识别设备运行状态;2)无法有效区分不同类型的故障，导致故障诊断盲区;3)对于设备剩余寿命评估，主要依赖经验积累，缺乏系统化的数据驱动方法，预测精度不高。这些技术缺陷制约了电力设备监测预警和寿命周期管理的现代化水平。
3、为此，本专利技术提出一种基于电感器的设备监测防护方法及系统。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于电感器的设备监测防护方法及系统，提升了电力系统的智能化和安全可靠水平。
2、为实现上述目的，提出一种基于电感器的设备监测防护方法，包括以下步骤：
3、步骤一：收集若干测试电感器的历史运行数据；
4、步骤二：基于历史运行数据，构建运行状态样本数据、故障类型样本数据以及运行寿命样本数据；
5、步骤三：基于运行状态样本数据训练故障判断模型、基于故障类型样本数
6、步骤四：对于待监测电感器，实时收集实际运行数据，并基于实际运行数据和故障判断模型，判断电感器是否出现故障，若出现故障，转至步骤五，否则继续执行步骤四；
7、步骤五：基于实际运行数据和故障类型判断模型，判断故障类型，并进行故障预警；
8、步骤六：基于待监测电感器在运行期间的所有实际运行数据和故障类型构成实际运行寿命数据，基于实际运行寿命数据和运行寿命预测模型，获得待监测电感的预期寿命，基于预期寿命生成报废预警；
9、所述收集若干测试电感器的历史运行数据包括以下步骤：
10、步骤11：对于每个测试电感器，收集该测试电感器在运行生命周期内的每单位时间的物理参数集合；所述物理参数包括电参数和辅助参数；所有单位时间的物理参数集合组成历史运行特征数据；
11、步骤12：对于每个测试电感器，对该电感器的运行记录中的每一个单位时间打上运行状态标签，所有单位时间的运行状态标签组成历史运行标签数据；
12、步骤13：对于每个测试电感器，筛选出所有运行状态标签不为0的单位时间作为故障节点；为每个故障节点打上故障类型标签，所有单位时间的故障类型标签组成历史故障标签数据；
13、步骤14：收集每个测试传感器的运行寿命标签；
14、步骤15：所有测试传感器的历史运行特征数据、历史故障标签数据和运行寿命标签；
15、所述运行状态样本数据的构建方式为：
16、将每一单位时间的电参数和辅助参数组成一组状态输入向量；
17、将每一单位时间的状态输入向量和运行状态标签组成运行状态样本数据；
18、所述故障类型样本数据的构建方式为：
19、预设响应时长t；
20、对于每个测试电感器的每个故障节点，将该故障节点之前的响应时长t的时间序列作为一条故障时间序列，收集故障时间序列中每一单位时间的各项电参数和辅助参数的参数值，每项电参数和辅助参数在故障时间序列的参数值序列作为该参数的参数值序列，每个故障节点的各项参数的参数值序列组成类型时间序列集合；
21、所有测试电感器的故障节点的类型时间序列集合和故障类型标签组成故障类型样本数据；
22、所述运行寿命样本数据的构建方式为：
23、预先收集电感器的预期寿命p；
24、预设时间窗口大小w；
25、对于每个测试传感器，从开始运行时，每隔一个时间窗口收集该时间窗口的故障系数；所述故障系数为运行状态标签和故障类型标签的乘积，共生成个故障系数，组成寿命预测序列；
26、将每个测试传感器的寿命预测序列和运行寿命标签组成运行寿命样本数据；
27、所述基于运行状态样本数据训练故障判断模型、基于故障类型样本数据训练故障类型判断模型，基于运行寿命样本数据，训练运行寿命预测模型的方式为：
28、将每一条状态输入向量作为故障判断模型的输入，所述故障判断模型以对该状态输入向量对应单位时间的运行状态的预测值作为输出，所述运行状态的预测值为0或1；所述故障判断模型以对应单位时间的运行状态标签作为预测目标，以运行状态的预测值和运行状态标签之间的差值作为第一预测误差，以最小化所有单位时间的第一预测误差的平方和作为训练目标；对故障判断模型进行训练，直至第一预测误差的平方和达到收敛时停止训练；所述故障判断模型为分类模型中的一个；
29、将每一条类型时间序列集合作为运行寿命预测模型的输入，所述故障类型判断模型以对该类型时间序列集合对应故障节点的故障类型的预测值作为输出；所述故障类型判断模型以对应故障节点的故障类型标签作为预测目标，以故障类型的预测值和故障类型标签之间的差值作为第二预测误差，以最小化所有单位时间的第二预测误差的平方和作为训练目标；对故障类型判断模型进行训练，直至第二预测误差的平方和达到收敛时停止训练；
30、将每一条寿命预测序列作为运行寿命预测模型的输入，所述运行寿命预测模型以对该寿命预测序列对应测试电感器的寿命预测值作为输出；所述运行寿命预测模型以对应测试电感器的运行寿命标签作为预测目标，以寿命预测值和运行寿命标签之间的差值作为第三预测误差，以最小化所有单位时间的第三预测误差的平方和作为训练目标；对运行寿命预测模型进行训练，直至第三预测误差的平方和达到收敛时停止训练；
31、所述基于预期寿命生成报废预警的方式为：
32、每隔时间窗口，获得待监测电感器的实际运行寿命数据，若实际运行寿命数据与待监测电感器已运行的时间之间的差值小于预设的报废预警阈值，则发起报废预警。
33、提出一种基于电感器的设备监测防护系统，包括历史数据收集模块、样本构建模块、模型训练模块以及设备监测模块；其中，各个模块之间通过电性方式连接；
34、历史数据收集模块，收集若干测试电感器的历史运行数据，并将历史运行数据发送至样本构建模块；
35、样本构建模块，基于历史运行数据，构建运行状态样本数据、故障类型样本数据以及运行寿命样本数据，并将运行状态样本数据、故障类型样本数据以及运行寿命样本数据发送至模型训练模块；
36、模型训练模块，基于运行状态样本数据训练故障判断模型、基于故障类型样本数据训练故障类型判断模型，基于运行寿命样本数据，训练运行寿命预测模型，并将故障判断模本文档来自技高网...
【技术保护点】
1.一种基于电感器的设备监测防护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于电感器的设备监测防护方法，其特征在于，所述收集若干测试电感器的历史运行数据包括以下步骤：
3.根据权利要求2所述的一种基于电感器的设备监测防护方法，其特征在于，所述运行状态样本数据的构建方式为：
4.根据权利要求3所述的一种基于电感器的设备监测防护方法，其特征在于，所述故障类型样本数据的构建方式为：
5.根据权利要求4所述的一种基于电感器的设备监测防护方法，其特征在于，所述运行寿命样本数据的构建方式为：
6.根据权利要求5所述的一种基于电感器的设备监测防护方法，其特征在于，所述基于运行状态样本数据训练故障判断模型、基于故障类型样本数据训练故障类型判断模型，基于运行寿命样本数据，训练运行寿命预测模型的方式为：
7.根据权利要求6所述的一种基于电感器的设备监测防护方法，其特征在于，所述基于预期寿命生成报废预警的方式为：
8.一种基于电感器的设备监测防护系统，其用于实现权利要求1-7中任意一项所述的基于电感
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
10.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～7任意一项所述的一种基于电感器的设备监测防护方法及系统。
...【技术特征摘要】
1.一种基于电感器的设备监测防护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于电感器的设备监测防护方法，其特征在于，所述收集若干测试电感器的历史运行数据包括以下步骤：
3.根据权利要求2所述的一种基于电感器的设备监测防护方法，其特征在于，所述运行状态样本数据的构建方式为：
4.根据权利要求3所述的一种基于电感器的设备监测防护方法，其特征在于，所述故障类型样本数据的构建方式为：
5.根据权利要求4所述的一种基于电感器的设备监测防护方法，其特征在于，所述运行寿命样本数据的构建方式为：
6.根据权利要求5所述的一种基于电感器的设备监测防护方法，其特征在于，所述基于运行状态样本数据训练故障判断模型、基于故障类型样本数据训练故障类型判断...
【专利技术属性】
技术研发人员：林鉴才，吴飚，余鹏廷，
申请(专利权)人：佛山市顺德区乔晶电子股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。