基于数字孪生模型的变压器故障检测方法、装置及介质与流程

1.本发明属于变压器故障检测技术领域，尤其涉及一种基于数字孪生模型的变压器故障检测方法、装置及介质。


背景技术：

2.用户每日对于用电量的需求较大，因此保障用户在用电安全方面也提出了更高的要求。变压器是电力系统输变电的重要枢纽，一旦变压器出现故障会在成局部乃至大面积的停电，所以对变压器的故障检测显得尤为重要。但是，目前通过三比值法或者特征气体判别法存在对故障检测结果不准确的情况。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种基于数字孪生模型的变压器故障检测方法、装置及介质，旨在解决变压器故障检测结果不准确的技术问题。
5.本发明技术方案是：
6.一种基于数字孪生模型的变压器故障检测方法，所述检测方法包括：
7.采集实体变压器的运行数据并建立孪生数据库；
8.基于孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系；
9.根据映射关系更新孪生变压器的运行数据；
10.基于更新后的运行数据并根据预设故障检测孪生模型对实体变压器的故障进行检测，预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，精度影响影子和故障检测神经网络模型用于决定变压器故障检测的精度，耦合模型用于确定所述实体变压器的故障阈值。
11.精度影响影子作为参数值输入至故障检测神经网络模型，故障检测神经网络模型的输入层与耦合模型的输出层连接。
12.所述基于更新后的运行数据并根据预设故障检测孪生模型对实体变压器的故障进行检测的步骤，包括：
13.对更新后的运行数据进行分析，获得实体变压器的受损值；
14.基于耦合模型对受损值进行迭代计算；
15.在迭代次数达到预设阈值时，获得实体变压器的故障阈值；
16.根据预设故障检测神经网络模型、更新后的运行数据和精度影响因子生成故障检测神经网络模型；
17.根据故障检测神经网络模型、更新后的运行数据和故障阈值对实体变压器的故障进行检测。
18.所述根据预设故障检测神经网络模型、更新后的运行数据和精度影响因子生成故
障检测神经网络模型的步骤，包括：
19.将更新后的部分运行数据作为训练集，并根据训练集对预设故障检测神经网络模型进行训练；
20.根据训练集中样本数量确定精度影响因子集群；
21.将精度影响因子集群输入至预设算法进行迭代计算，获得精度影响因子集群中各精度影响因子的适应度值；
22.将适应度值输入至训练后的预设故障检测神经网络模型，并根据训练后的预设故障检测神经网络模型对实体变压器进行故障检测；
23.在故障检测精度达到预设精度时，获得故障检测神经网络模型；
24.在故障检测精度未达到预设精度并且迭代次数未达到预设次数时，对所述各精度影响因子进行调整；
25.将调整后的各精度影响因子输入至预设算法中进行迭代计算，获得调整后的各精度影响因子的适应度值，并返回将适应度值输入至训练后的预设故障检测神经网络模型，并根据训练后的预设故障检测神经网络模型对实体变压器进行故障检测的步骤。
26.所述对各精度影响因子进行调整的步骤，包括：
27.基于训练集确定变异因子和交叉因子；
28.根据变异因子和交叉因子对各精度影响因子进行调整。
29.所述对更新后的运行数据进行分析，获得实体变压器的受损值的步骤，包括：
30.根据更行后的运行数据对实体变压器的电磁分布进行分析；
31.根据分析结果确定漏磁面积，根据漏磁面积确定实体变压器的受损密度；
32.根据受损密度确定实体变压器各部件的受损值。
33.基于所述孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系的步骤，包括：
34.将运行数据存储至孪生数据库；
35.将运行数据分为可获得数据、待分析数据和待计算数据；
36.根据可获得数据建立第一映射关系，并根据待分析数据建立第二映射关系；
37.通过第一映射关系、第二映射关系和待计算数据建立第三映射关系。
38.一种基于数字孪生模型的变压器故障检测装置，所述基于数字孪生模型的变压器故障检测装置包括：数据获取模块、映射建立模块、数据更新模块及故障检测模块；
39.所述数据获取模块，用于采集实体变压器的运行数据并建立孪生数据库；
40.所述映射建立模块，用于基于所述孪生数据库并根据所述运行数据建立所述实体变压器和孪生变压器的映射关系；
41.所述数据更新模块，用于根据所述映射关系更新所述孪生变压器的运行数据；
42.所述故障检测模块，用于基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行检测，所述预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，所述精度影响影子和所述故障检测神经网络模型用于决定变压器故障检测的精度，所述耦合模型用于确定所述实体变压器的故障阈值。
43.一种基于数字孪生模型的变压器故障检测设备，所述基于数字孪生模型的变压器故障检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基
volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对基于数字孪生模型的变压器故障检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于数字孪生模型的变压器故障检测程序。
58.在图1所示的基于数字孪生模型的变压器故障检测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述基于数字孪生模型的变压器故障检测设备通过处理器1001调用存储器1005中存储的基于数字孪生模型的变压器故障检测程序，并执行本发明实施例提供的基于数字孪生模型的变压器故障检测方法。
59.基于上述硬件结构，提出本发明基于数字孪生模型的变压器故障检测方法的实施例。
60.参照图2，图2为本发明基于数字孪生模型的变压器故障检测方法第一实施例的流程示意图，提出本发明基于数字孪生模型的变压器故障检测方法第一实施例。
61.步骤s10：采集实体变压器的运行数据并建立孪生数据库。
62.需要说明的是，本实施例的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算机软件服务设备，例如，基于数字孪生模型的变压器故障检测等，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加限制。
63.需要说明的是，可以是通过传感器采集实体变压器的运行数据，也可以通过变压器运行监测系统采集实体变压器的运行数据，本实施例对此不予限制。
64.可以理解的是，实体变压器的运行数据可以是变压器的温度值、湿度值、电压以及电流等，本实施例对此不予限制。
65.需要说明的是，孪生数据库可以实时将实体变压器的数据更新到孪生变压器中，以使实体变压器和孪生变压器的运行状态同步，即孪生数据库将实体变压器的实时运行数据进行存储，建立实体变压器和孪生变压器的映射关系，将实体存储的运行数据更新到孪生变压器中。
66.步骤s20：基于所述孪生数据库并根据所述运行数据建立所述实体变压器和孪生变压器的映射关系。
67.需要说明的是，孪生变压器封装在预设故障检测孪生模型中，以实体变压器为基础通过建模软件构建孪生变压器，分别建立变压器箱体、储油柜、散热器以及风扇等，对上述部件进行组合拼装形成孪生变压器，将孪生数据库中实体变压器的运行数据对孪生变压器进行驱动，让孪生变压器模拟实体变压器进行运行，并逐渐趋于实体变压器的运行状态。
68.进一步地，为了提高对变压器故障检测精度，因此本实施例步骤s20可包括：
69.将所述运行数据存储至所述孪生数据库；
70.将所述运行数据分为可获得数据、待分析数据和待计算数据；
71.根据所述可获得数据建立第一映射关系，并根据所述待分析数据建立第二映射关系；
72.通过所述第一映射关系、所述第二映射关系和所述待计算数据建立第三映射关系。
73.需要说明的是，例如，温度值和湿度值等可以直接通过传感器设备或者变压器运行系统检测得到的数据为可获得数据，是不需要任何计算的；待分析数据，则是需要进行分析计算才能获得的数据，例如，变压器的瞬时功率，瞬时功率＝瞬时电压*瞬时电流；待计算数据需要进行分析推理得到。
74.需要说明的是，例如变压器的负载属性，需要根据可获得数据直接得到变压器当前的电流和电压数据等，经过对电流和电压数据进行计算获得变压器的瞬时功率，再根据电压器的瞬时功率进行判定变压器的复杂是否为超载，通过判断结果建立第三映射关系。
75.可以理解的是，建立映射关系是根据实体变压器建立对象属性和数据属性，即将实体变压器每个部件的属性都关联对应的数据。
76.步骤s30：根据所述映射关系更新所述孪生变压器的运行数据。
77.可以理解的是，实体变压器在运行的过程中可能因各种因素发生变化，因此通过映射关系可以将实体变压器的在各种情况下的运行数据同步到孪生变压器，根据孪生变压器更新后的运行数据对实体变压器的故障进行检测。
78.步骤s40：基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行检测，所述预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，所述精度影响影子和所述故障检测神经网络模型用于决定变压器故障检测的精度，所述耦合模型用于确定所述实体变压器的故障阈值。
79.需要说明的是，精度影响因子一般是凭据经验给定的，精度和准确度达不到要求，所以最后对变压器的故障检测结果的精确度不高，本实施例中的精度影响因子经过优化算法提高了精度和准确度，更加适用于预设故障检测孪生模型对变压器故障的检测。
80.需要说明的是，耦合模型是用来确定实体变压器各部件的故障阈值，例如，耦合模型通过电磁分析得到各部件的耗损密度，根据耗损密度进行耦合迭代得到实体变压器各个部件表面的对流换热系数，根据对流换热系数进行分析得到实体变压器的温度场分布，根据温度场分布确定实体变压器各部件的温度阈值。
81.进一步地，为了提高变压器故障检测精度，因此本实施例步骤s40可包括：
82.所述精度影响影子作为参数值输入至所述故障检测神经网络模型，所述故障检测神经网络模型的输入层与所述耦合模型的输出层连接。
83.需要说明的是，故障检测神经网络模型分为输入层、模式层、求和层和输出层，输入层是输入的训练样本的值，在输入层中神经元个数和样本矢量的维数是相同的，模式层是用来计算输入层的输入的特征向量与训练集中变量的匹配关系，求和层用来对于故障的概率进行累加，得到故障的概率密度函数，输出层用来输出求和层输出的故障估计值并进行归一化处理。
84.需要说明的是，耦合模型输出的故障阈值用来在故障检测神经网络模型中的求和层进行计算，判断实体变压器是否达到故障阈值。
85.本实施例采集实体变压器的运行数据并建立孪生数据库；基于孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系；根据映射关系更新孪生变压器的运行数据；基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行
检测，预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，精度影响影子和故障检测神经网络模型用于决定变压器故障检测的精度，耦合模型用于确定实体变压器的故障阈值。本实施例基于孪生数据库建立实体变压器和孪生变压器的映射关系，根据映射关系更新孪生变压器的运行数据，并基于更新后的运行数据根据预设故障检测孪生模型对变压器的故障进行检测，从而提高对变压器故障的检测精度。
86.参照图3，图3为本发明基于数字孪生模型的变压器故障检测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明基于数字孪生模型的变压器故障检测方法的第二实施例。
87.在第二实施例中，所述步骤s40，包括：
88.步骤s401：对更新后的运行数据进行分析，获得所述实体变压器的受损值。
89.需要说明的是，例如，在变压器运行时，由于漏磁会产生短路阻抗，通过有限元软件对更新后的数据进行分析，通过有限元法计算出的短路阻抗即为受损值。
90.进一步地，为了提高故障检测精度，因此本实施例步骤s401可包括：
91.根据更行后的运行数据对所述实体变压器的电磁分布进行分析；
92.根据分析结果确定漏磁面积，根据所述漏磁面积确定所述实体变压器的受损密度；
93.根据所述受损密度确定所述实体变压器各部件的受损值。
94.需要说明的是，可以根据有限元分析软件确定实体变压器各部件的电磁分布和受损密度，将受损密度乘以油箱体积得到实体变压器各部件的受损值。
95.步骤s402：基于所述耦合模型对所述受损值进行迭代计算。
96.可以理解的是，实体变压器的受损值并没有完全影响到实体变压器的运行，因此，对受损值进行迭代计算获得实体变压器发生故障的阈值，在实体变压器的受损值达到阈值时，表示实体变压器已经出现故障。
97.需要说明的是，例如，将受损值作为热源进行耦合迭代，得到实体变压器各个接触面上的对流换热系数，根据对流换热系数获得温度场分布，根据相邻的温度分布差值与预设差值进行对比，如果相邻的温度分布差值大于预设差值，则继续进行耦合迭代。
98.步骤s403：在所述迭代次数达到预设阈值时，获得所述实体变压器的故障阈值。
99.需要说明的是，例如，将相邻的温度分布差值与小于预设阈值作为迭代条件，在相邻的温度分布差值与大于预设阈值时，继续进行耦合迭代，在相邻的温度分布差值与小于预设阈值时，获得实体变压器的故障阈值。
100.可以理解的是，预设阈值可以为0.02k，可以根据需求进行设定，本实施例对此不予限制。
101.步骤s404：根据预设故障检测神经网络模型、所述更新后的运行数据、所述精度影响因子生成故障检测神经网络模型。
102.可以理解的是，将更新后的运行数据和精度影响因子作为预设故障检测神经网络模型的输入，对预设故障检测神经网络模型进行训练，得到故障检测神经网络模型。
103.步骤s405：根据所述故障检测神经网络模型、所述更新后的运行数据和所述故障阈值对所述实体变压器的故障进行检测。
104.可以理解的是，故障检测神经网络模型根据更新后的运行数据对实体变压器进行
故障检测，在故障检测值达到故障阈值时，表明实体变压器出现故障。
105.本实施例对更新后的运行数据进行分析，获得所述实体变压器的受损值；基于所述耦合模型对所述受损值进行迭代计算；在所述迭代次数达到预设阈值时，获得所述实体变压器的故障阈值；根据预设故障检测神经网络模型、所述更新后的运行数据、所述精度影响因子生成故障检测神经网络模型；根据所述故障检测神经网络模型、所述更新后的运行数据和所述故障阈值对所述实体变压器的故障进行检测。本实施例通过对受损值进行迭代计算，在达到预设阈值时获得实体变压器的故障阈值，根据更新后的运行数据和精度影响因子对预设故障检测神经网络模型进行训练生成故障检测神经网络模型，根据故障检测神经网络模型对实体变压器进行故障检测，从而提高对实体变压器的故障检测精度。
106.参照图4，图4为本发明基于数字孪生模型的变压器故障检测方法第三实施例的流程示意图，基于上述图3所示的第二实施例，提出本发明基于数字孪生模型的变压器故障检测方法的第三实施例。
107.在第三实施例中，所述根据预设故障检测神经网络模型、所述更新后的运行数据、所述精度影响因子生成故障检测神经网络模型的步骤，包括：
108.步骤s4041：将更新后的部分运行数据作为训练集，并根据所述训练集对预设故障检测神经网络模型进行训练。
109.可以理解的是，将更新后的部分运行数据作为训练集，对训练集中的数据进行故障计算，并根据计算结果对预设故障检测神经网络进行训练，例如，在油浸式变压器中会产生多种气体，因变压器故障产生的气体组分含量时不同的，所以根据训练集计算故障集体含量的占总含量的百分比，根据计算出来的百分比对预设故障检测神经网络模型进行训练。
110.步骤s4042：根据所述训练集中样本数量确定精度影响因子集群。
111.可以理解的是，精度影响因子集群中包含多个精度影响因子，训练集中的样本数量可以根据需求进行设定，本实施例对此不予限制。
112.步骤s4043：将所述精度影响因子集群输入至预设算法进行迭代计算，获得所述精度影响因子集群中各精度影响因子的适应度值。
113.需要说明的是，根据预设算法计算精度影响因子的适应度值，将各精度影响因子的适应度值进行对比，保留合适的精度影响因子的适应度值。
114.步骤s4044：将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测。
115.可以理解的是，将适应度值输入训练后的预设故障检测神经网络模型后对实体变压器进行故障检测，获得故障检测结果，如果检测结果满足预设精度，则表示预设故障检测神经网络模型训练完成，如果故障检测结果未满足预设精度，则需要继续训练。
116.步骤s4045：在故障检测精度达到预设精度时，获得故障检测神经网络模型。
117.可以理解的是，在故障检测精度达到预设精度时停止迭代，获得故障检测神经网络模型。
118.步骤s4046：在故障检测精度未达到所述预设精度并且所述迭代次数未达到预设次数时，对所述各精度影响因子进行调整。
119.需要说明的是，对各精度影响因子进行调整可以是对各精度影响因子进行变异操
作和交叉操作。
120.进一步地，为了提高故障检测神经网络模型的精度，因此本实施例步骤s4046可包括：
121.基于所述训练集确定变异因子和交叉因子；
122.根据所述变异因子和所述交叉因子对所述各精度影响因子进行调整。
123.需要说明的是，变异因子的取值一般在[0.3～0.6]之间，交叉因子的取值一般在[0.6～0.9]之间，根据k(i+1)＝x1(i)+z(x2(t)-x3(t))进行变异操作对各精度影响因子进行调整，式中k(i+1)表示下一次迭代的变异操作，x1(i)、x2(i)和x3(i)表示当前迭代的精度影响因子，z表示变异因子；根据对各精度影响因子进行调整，式中m(i+1)表示下一次迭代的交叉操作，randl表示[0,1]之间的随机小数，lp表示交叉因子，x(i)表示当前迭代的任意精度影响因子。
[0124]
步骤s4047：将调整后的各精度影响因子输入至所述预设算法中进行迭代计算，获得所述调整后的各精度影响因子的适应度值，并返回将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测的步骤。
[0125]
可以理解的是，重新计算调整后的各精度影响因子的适应度值，并将适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测，判断故障检测精度是否达到预设精度，达到预设精度获得故障检测神经网络模型，未达到预设精度且迭代次数未达到预设次数，再次对各精度影响因子进行调整。
[0126]
本实施例将更新后的部分运行数据作为训练集，并根据所述训练集对预设故障检测神经网络模型进行训练；根据所述训练集中样本数量确定精度影响因子集群；将所述精度影响因子集群输入至预设算法进行迭代计算，获得所述精度影响因子集群中各精度影响因子的适应度值；将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测；在故障检测精度达到预设精度时，获得故障检测神经网络模型；在故障检测精度未达到所述预设精度并且所述迭代次数未达到预设次数时，对所述各精度影响因子进行调整；将调整后的各精度影响因子输入至所述预设算法中进行迭代计算，获得所述调整后的各精度影响因子的适应度值，并返回将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测的步骤。本实施例根据预设算法确定精度影响因子的适应度值，将适应度值输入至训练后的预设故障检测神经网络模型对实体变压器进行故障检测，在不满足预设精度时，重新调整精度影响因子的适应度值并将适应度值输入至训练后的预设故障检测神经网络模型进行故障检测，通过不断筛选精度影响因子，从而提高故障检测神经网络模型的精度。
[0127]
此外，参照图5，本发明实施例还提出一种基于数字孪生模型的变压器故障检测装置，所述基于数字孪生模型的变压器故障检测装置包括：数据获取模块10、映射建立模块20、数据更新模块30及故障检测模块40；
[0128]
所述数据获取模块10，用于采集实体变压器的运行数据并建立孪生数据库；
[0129]
所述映射建立模块20，用于基于所述孪生数据库并根据所述运行数据建立所述实体变压器和孪生变压器的映射关系；
[0130]
所述数据更新模块30，用于根据所述映射关系更新所述孪生变压器的运行数据；
[0131]
所述故障检测模块40，用于基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行检测，所述预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，所述精度影响影子和所述故障检测神经网络模型用于决定变压器故障检测的精度，所述耦合模型用于确定所述实体变压器的故障阈值。
[0132]
本实施例采集实体变压器的运行数据并建立孪生数据库；基于孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系；根据映射关系更新孪生变压器的运行数据；基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行检测，预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，精度影响影子和故障检测神经网络模型用于决定变压器故障检测的精度，耦合模型用于确定实体变压器的故障阈值。本实施例基于孪生数据库建立实体变压器和孪生变压器的映射关系，根据映射关系更新孪生变压器的运行数据，并基于更新后的运行数据根据预设故障检测孪生模型对变压器的故障进行检测，从而提高对变压器故障的检测精度。
[0133]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于数字孪生模型的变压器故障检测程序，所述基于数字孪生模型的变压器故障检测程序被处理器执行时实现如上文所述的基于数字孪生模型的变压器故障检测方法。
[0134]
基于本发明上述基于数字孪生模型的变压器故障检测装置第一实施例，提出本发明基于数字孪生模型的变压器故障检测装置的第二实施例。
[0135]
在本实施例中，所述故障检测模块40，用于对更新后的运行数据进行分析，获得所述实体变压器的受损值。
[0136]
进一步地，所述故障检测模块40，还用于基于所述耦合模型对所述受损值进行迭代计算。
[0137]
进一步地，所述故障检测模块40，还用于在所述迭代次数达到预设阈值时，获得所述实体变压器的故障阈值。
[0138]
进一步地，所述故障检测模块40，还用于根据预设故障检测神经网络模型、所述更新后的运行数据、所述精度影响因子生成故障检测神经网络模型。
[0139]
进一步地，所述故障检测模块40，还用于根据所述故障检测神经网络模型、所述更新后的运行数据和所述故障阈值对所述实体变压器的故障进行检测。
[0140]
进一步地，所述故障检测模块40，还用于将更新后的部分运行数据作为训练集，并根据所述训练集对预设故障检测神经网络模型进行训练。
[0141]
进一步地，所述故障检测模块40，还用于根据所述训练集中样本数量确定精度影响因子集群。
[0142]
进一步地，所述故障检测模块40，还用于将所述精度影响因子集群输入至预设算法进行迭代计算，获得所述精度影响因子集群中各精度影响因子的适应度值。
[0143]
进一步地，所述故障检测模块40，还用于将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测。
[0144]
进一步地，所述故障检测模块40，还用于在故障检测精度达到预设精度时，获得故障检测神经网络模型。
[0145]
进一步地，所述故障检测模块40，还用于在故障检测精度未达到所述预设精度并且所述迭代次数未达到预设次数时，对所述各精度影响因子进行调整。
[0146]
进一步地，所述故障检测模块40，还用于将调整后的各精度影响因子输入至所述预设算法中进行迭代计算，获得所述调整后的各精度影响因子的适应度值，并返回将所述适应度值输入至训练后的预设故障检测神经网络模型，并根据所述训练后的预设故障检测神经网络模型对所述实体变压器进行故障检测的步骤。
[0147]
进一步地，所述故障检测模块40，还用于基于所述训练集确定变异因子和交叉因子。
[0148]
进一步地，所述故障检测模块40，还用于根据所述变异因子和所述交叉因子对所述各精度影响因子进行调整。
[0149]
进一步地，所述故障检测模块40，还用于根据更行后的运行数据对所述实体变压器的电磁分布进行分析。
[0150]
进一步地，所述故障检测模块40，还用于根据分析结果确定漏磁面积，根据所述漏磁面积确定所述实体变压器的受损密度分布。
[0151]
进一步地，所述故障检测模块40，还用于根据受损密度分布确定所述实体变压器各部件的受损值。
[0152]
进一步地，所述数据获取模块10，还用于将所述运行数据存储至所述孪生数据库。
[0153]
进一步地，所述数据获取模块10，还用于将所述运行数据分为可获得数据、待分析数据和待计算数据。
[0154]
进一步地，所述数据获取模块10，还用于根据所述可获得数据建立第一映射关系，并根据所述待分析数据建立第二映射关系。
[0155]
进一步地，所述数据获取模块10，还用于通过所述第一映射关系和所述第二映射关系建立第三映射关系。
[0156]
本发明所述基于数字孪生模型的变压器故障检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

技术特征：
1.一种基于数字孪生模型的变压器故障检测方法，其特征在于，所述检测方法包括：采集实体变压器的运行数据并建立孪生数据库；基于孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系；根据映射关系更新孪生变压器的运行数据；基于更新后的运行数据并根据预设故障检测孪生模型对实体变压器的故障进行检测，预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，精度影响影子和故障检测神经网络模型用于决定变压器故障检测的精度，耦合模型用于确定所述实体变压器的故障阈值。2.根据权利要求1所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，精度影响影子作为参数值输入至故障检测神经网络模型，故障检测神经网络模型的输入层与耦合模型的输出层连接。3.根据权利要求1所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，所述基于更新后的运行数据并根据预设故障检测孪生模型对实体变压器的故障进行检测的步骤，包括：对更新后的运行数据进行分析，获得实体变压器的受损值；基于耦合模型对受损值进行迭代计算；在迭代次数达到预设阈值时，获得实体变压器的故障阈值；根据预设故障检测神经网络模型、更新后的运行数据和精度影响因子生成故障检测神经网络模型；根据故障检测神经网络模型、更新后的运行数据和故障阈值对实体变压器的故障进行检测。4.根据权利要求3所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，所述根据预设故障检测神经网络模型、更新后的运行数据和精度影响因子生成故障检测神经网络模型的步骤，包括：将更新后的部分运行数据作为训练集，并根据训练集对预设故障检测神经网络模型进行训练；根据训练集中样本数量确定精度影响因子集群；将精度影响因子集群输入至预设算法进行迭代计算，获得精度影响因子集群中各精度影响因子的适应度值；将适应度值输入至训练后的预设故障检测神经网络模型，并根据训练后的预设故障检测神经网络模型对实体变压器进行故障检测；在故障检测精度达到预设精度时，获得故障检测神经网络模型；在故障检测精度未达到预设精度并且迭代次数未达到预设次数时，对所述各精度影响因子进行调整；将调整后的各精度影响因子输入至预设算法中进行迭代计算，获得调整后的各精度影响因子的适应度值，并返回将适应度值输入至训练后的预设故障检测神经网络模型，并根据训练后的预设故障检测神经网络模型对实体变压器进行故障检测的步骤。5.根据权利要求4所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，所述对各精度影响因子进行调整的步骤，包括：
基于训练集确定变异因子和交叉因子；根据变异因子和交叉因子对各精度影响因子进行调整。6.根据权利要求3所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，所述对更新后的运行数据进行分析，获得实体变压器的受损值的步骤，包括：根据更行后的运行数据对实体变压器的电磁分布进行分析；根据分析结果确定漏磁面积，根据漏磁面积确定实体变压器的受损密度；根据受损密度确定实体变压器各部件的受损值。7.根据权利要求1所述的一种基于数字孪生模型的变压器故障检测方法，其特征在于，基于所述孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系的步骤，包括：将运行数据存储至孪生数据库；将运行数据分为可获得数据、待分析数据和待计算数据；根据可获得数据建立第一映射关系，并根据待分析数据建立第二映射关系；通过第一映射关系、第二映射关系和待计算数据建立第三映射关系。8.一种基于数字孪生模型的变压器故障检测装置，其特征在于，所述基于数字孪生模型的变压器故障检测装置包括：数据获取模块、映射建立模块、数据更新模块及故障检测模块；所述数据获取模块，用于采集实体变压器的运行数据并建立孪生数据库；所述映射建立模块，用于基于所述孪生数据库并根据所述运行数据建立所述实体变压器和孪生变压器的映射关系；所述数据更新模块，用于根据所述映射关系更新所述孪生变压器的运行数据；所述故障检测模块，用于基于更新后的运行数据并根据预设故障检测孪生模型对所述实体变压器的故障进行检测，所述预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，所述精度影响影子和所述故障检测神经网络模型用于决定变压器故障检测的精度，所述耦合模型用于确定所述实体变压器的故障阈值。9.一种基于数字孪生模型的变压器故障检测设备，其特征在于，所述基于数字孪生模型的变压器故障检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于数字孪生模型的变压器故障检测程序，所述基于数字孪生模型的变压器故障检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于数字孪生模型的变压器故障检测方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有基于数字孪生模型的变压器故障检测程序，所述基于数字孪生模型的变压器故障检测程序被处理器执行时实现如权利要求1至7中任一项所述的基于数字孪生模型的变压器故障检测方法的步骤。

技术总结
本发明公开了一种基于数字孪生模型的变压器故障检测方法、装置及介质，包括：采集实体变压器的运行数据并建立孪生数据库；基于孪生数据库并根据运行数据建立实体变压器和孪生变压器的映射关系；根据映射关系更新孪生变压器的运行数据；基于更新后的运行数据并根据预设故障检测孪生模型对实体变压器的故障进行检测，预设故障检测孪生模型包括精度影响影子、耦合模型和故障检测神经网络模型，精度影响影子和故障检测神经网络模型用于决定变压器故障检测的精度，耦合模型用于确定实体变压器的故障阈值。本发明根据映射关系更新运行数据并基于更新后的运行数据根据预设故障检测孪生模型对变压器的故障进行检测，从而提高变压器故障的检测精度。压器故障的检测精度。压器故障的检测精度。


技术研发人员：王杰峰 龙玉江 田钺 李洵 汤杰
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.03.31
技术公布日：2023/7/12