一种基于红外探测变压器故障监测系统及方法与流程
本发明涉及变压器故障监测，尤其涉及一种基于红外探测变压器故障监测系统及方法。
背景技术：
1、变压器是一种电气设备，用于改变交流电的电压。它由两个或更多的线圈组成，这些线圈通过互感作用来传输电能。变压器的主要作用是将高压电能转换为低压电能，或者将低压电能转换为高压电能。变压器在电力系统中广泛应用，用于输电、配电和电子设备中。它可以有效地提高电压的传输效率，并且在长距离输电过程中减少能量损耗。变压器作为电力系统中最重要和昂贵的电气设备之一，在使用时有时会出现故障，一旦发生故障，将会造成严重的后果，因此对于变压器故障的监测显得尤为重要。
2、目前，传统的变压器巡检方式通常是由人工进行，需要人员登上变压器台架上进行检查，工作量大且存在安全风险，同时主要依靠阈值设定来判断变压器是否存在故障，然而，由于变压器的工作环境和工况复杂多变，单独依靠阈值判断可能存在判定不准确或漏报的情况，因此，提出的一种基于红外探测变压器故障监测系统及方法。
技术实现思路
1、本发明的目的是为了解决现有技术中存在人工巡检工作量大且存在安全风险以及单独依靠阈值判断可能存在判定不准确或漏报的情况的缺点，而提出的一种基于红外探测变压器故障监测系统及方法。
2、为了实现上述目的，本发明采用了如下技术方案：
3、一种基于红外探测变压器故障监测系统，包括：
4、无人机，用于搭载红外热像仪和其他传感器对变压器进行巡检；
5、红外传感器，用于实时监测变压器的温度、振动、热量等参数；
6、信息接收模块，用于接收变压器传输来的相关数据；
7、故障监测模块，用于将获取的进行可视化展示然后进行监测；
8、数据分析模块，用于对监测到的温度数据进行深入分析；
9、深度学习模块，用于训练机器学习模型，并将其应用在数据分析模块中；
10、以及预警模块，用于当检测分析到变压器温度异常时，会立即发送报警信息给相关人员；
11、所述无人机设置有红外热像仪，所述无人机对变压器进行拍摄，所述变压器设置有红外传感器，所述红外传感器获取变压器的相关数据，所述变压器将数据传输到信息接收模块，所述信息接收模块将数据传输到故障监测模块和数据分析模块，所述数据分析模块和深度学习模块之间数据相互传输，所述数据分析模块将数据传输到预警模块，所述预警模块将信息传输带故障监测模块，所述故障检测模块将故障信息存储在样本数据库中构建历史故障样本数据。
12、上述技术方案进一步包括：
13、所述样本数据库包括训练数据集和测试数据集，所述训练数据集占75％，测试数据集占25％，所述训练数据集用于对识别模型进行训练从而提高精度，所述测试数据集用于对识别效果进行测试，为后续对模型参数进行优化提供参考数据。
14、所述数据分析模块应用有卡尔曼滤波算法，首先进行预测过程，从k-1时刻到k时刻，通过预测状态方程得到系统的预测值，其中f为状态转移矩阵，b为控制矩阵，u为当前状态的控制增益，通过预测协方差方程预测k时刻系统协方差，其中q为系统过程的协方差；
15、预测完成后进入更新过程，通过方程预测计算卡曼尔增益，其中h为观测矩阵，r为测量误差，然后通过xk/k＝xk/k-1+kk(zk-hkxk/k-1)和pk/k＝(i-kkhk)pk/k-1对协方差方程进行更新，并得出k时刻状态变化的最优值，其中i为单位矩阵。
16、所述深度学习模块包括数据集采集模块、模型训练模块和模型改进模块，所述数据集获取模块将获取的数据集传输到模型训练模块，所述模型训练模块对训练的模型分析并将其传输到模型改进模块，所述数据集获取模块用于获取样本数据库中历史故障数据和红外温度数据作为深度学习训练用的数据集，所述模型训练模块用于将大量样本数据集放入模型中进行训练，所述模型改进模块用于对模型进行进行调优和改进。
17、所述模型训练模块中进行训练的模型有多个，所述模型经过模型编号模块进行编号，便于区分选择最优的模型，所述模型编号模块获取目标检测模型构建模块构建的模型，所述目标检测模型构建模块用于构建目标检测模型，对变压器故障进行检测，所述模型编号模块用于对建立的模型标号进行分类。
18、所述模型训练模型对卷积神经网络层数进行设计，所述卷积神经网络包括卷积层，降采样层，全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。
19、一种基于红外探测变压器故障监测方法，包括以下步骤：
20、使用无人机进行巡检时，无人机上搭载红外热像仪和其他传感器，实时监测变压器的温度、振动、热量等参数；
21、通过无人机上的红外热像仪和变压器上的红外传感器将数据传输给数据采集系统即信息接收模块，并构建样本数据库；
22、将数据传输到检测相关的模块，如故障监测模块；
23、通过先进的数据分析算法，对监测到的温度数据进行深入分析；
24、分析前对数据分析模块进行了深度学习模型的训练；
25、根据历史数据的模式和变压器的实时温度数据进行分析和判断，识别出是否存在潜在故障，并进行预测，当检测或预测到变压器温度异常时，会立即发送报警信息给相关人员；
26、相关人员根据信息对故障进行处理。
27、上述技术方案进一步包括：
28、所述深度学习步骤具体如下：
29、通过模型建立模块构建深度学习故障监测分析模型；
30、将从样本数据库获取的训练数据集传输到模型训练模块进行模型训练；
31、对训练的模型分析并将其传输到模型改进模块并对其进行优化改进；
32、利用测试数据集对模型进行测试并通过测试选择最优的模型投入使用。
33、本发明具备以下有益效果：
34、1、本发明中，引入无人机技术可以实现变压器的远程巡检，既能提高工作效率，又能保障操作人员的安全，使用无人机进行巡检时，无人机上搭载红外热像仪和其他传感器，可以实时监测变压器的温度、振动、热量等参数，通过收集到的数据，可以判断变压器是否存在异常情况，如过热、绝缘破损等，同时，无人机还能够拍摄高清照片或视频，用于观察变压器外部情况，例如外观损坏、腐蚀等。
35、2、本发明中，外传感器能够远距离、高精度地测量变压器的温度，无需直接接触设备，因此安全可靠，同时能够实时监测变压器的温度变化，及时发现潜在故障，避免事故发生在，进行数据分析时配备先进的数据分析算法，能够对监测到的温度数据进行深入分析，提高故障检测的准确性。
36、3、本发明中，引入机器学习算法进行故障诊断和预测，通过引入机器学习算法，基于红外探测的变压器故障监测系统可以更准确地判断变压器是否存在故障，并提前做出预测，这样可以大大提高系统的故障检测率和预警提前性，减少因故障而导致的停电和维修成本，并确保供电的可靠性和稳定性。
技术特征：
1.一种基于红外探测变压器故障监测系统，其特征在于，包括：
2.根据权利要求1所述的一种基于红外探测变压器故障监测系统，其特征在于，所述样本数据库包括训练数据集和测试数据集，所述训练数据集占75％，测试数据集占25％，所述训练数据集用于对识别模型进行训练从而提高精度，所述测试数据集用于对识别效果进行测试，为后续对模型参数进行优化提供参考数据。
3.根据权利要求1所述的一种基于红外探测变压器故障监测系统，其特征在于，所述数据分析模块应用有卡尔曼滤波算法，首先进行预测过程，从k-1时刻到k时刻，通过预测状态方程得到系统的预测值，其中f为状态转移矩阵，b为控制矩阵，u为当前状态的控制增益，通过预测协方差方程预测k时刻系统协方差，其中q为系统过程的协方差；
4.根据权利要求1所述的一种基于红外探测变压器故障监测系统，其特征在于，所述深度学习模块包括数据集采集模块、模型训练模块和模型改进模块，所述数据集获取模块将获取的数据集传输到模型训练模块，所述模型训练模块对训练的模型分析并将其传输到模型改进模块，所述数据集获取模块用于获取样本数据库中历史故障数据和红外温度数据作为深度学习训练用的数据集，所述模型训练模块用于将大量样本数据集放入模型中进行训练，所述模型改进模块用于对模型进行进行调优和改进。
5.根据权利要求4所述的一种基于红外探测变压器故障监测系统，其特征在于，所述模型训练模块中进行训练的模型有多个，所述模型经过模型编号模块进行编号，便于区分选择最优的模型，所述模型编号模块获取目标检测模型构建模块构建的模型，所述目标检测模型构建模块用于构建目标检测模型，对变压器故障进行检测，所述模型编号模块用于对建立的模型标号进行分类。
6.根据权利要求5所述的一种基于红外探测变压器故障监测系统，其特征在于，所述模型训练模型对卷积神经网络层数进行设计，所述卷积神经网络包括卷积层，降采样层，全链接层，每一层有多个特征图，每个特征图通过一种卷积滤波器提取输入的一种特征，每个特征图有多个神经元。
7.根据权利要求1所述的一种基于红外探测变压器故障监测系统的监测方法，其特征在于，包括以下步骤：
8.根据权利要求7所述的一种基于红外探测变压器故障监测方法，其特征在于，所述深度学习步骤具体如下：
技术总结
本发明公开了一种基于红外探测变压器故障监测系统及方法，包括：无人机，用于进行巡检；红外传感器，用于实时监测变压器；信息接收模块，用于接收变压器传输来的相关数据；故障监测模块，用于将获取的进行可视化展示然后进行监测；数据分析模块，用于对监测到的温度数据进行深入分析；深度学习模块，用于训练机器学习模型，并将其应用在数据分析模块中；以及预警模块，用于当检测分析到变压器温度异常时，发送报警信息。本发明中，引入无人机技术既能提高工作效率，又能保障操作人员的安全，同时引入机器学习算法进行故障诊断和预测，大大提高系统的故障检测率和预警提前性，减少因故障而导致的停电和维修成本，并确保供电的可靠性和稳定性。
技术研发人员：张焕燊,孙瑞,陈晓鹏,蔡素雄,陈国雄,潘俊龙,卢先锋,纪经涛,朱晓峰,施理成,郭伟逢,陈志浩,吴晨静,龚演平,黄志
受保护的技术使用者：广东电网有限责任公司惠州供电局
技术研发日：
技术公布日：2024/9/23