基于分布式光纤传感系统的有载变压器故障检测技术研究

doi:10.3976/j.issn.1002-4026.2023.05.007

山东科学 ›› 2023, Vol. 36 ›› Issue (5): 52-59.doi: 10.3976/j.issn.1002-4026.2023.05.007

基于分布式光纤传感系统的有载变压器故障检测技术研究

董贯雷¹(), 姜晓东¹, 孙鹏¹, 杨光¹, 耿俊琪¹, 王家文²^,^*(), 渠帅², 黄胜², 王晨², 尚盈²

1.国网山东省电力公司淄博供电公司, 山东淄博 255000
2.齐鲁工业大学(山东省科学院)激光研究所,山东济南 250104

收稿日期:2022-12-28 出版日期:2023-10-20 发布日期:2023-10-12
通信作者: 王家文 E-mail:872640612@qq.com;3049234957@qq.com
作者简介:董贯雷(1982—),男,工程师,研究方向为电气工程。E-mail: 872640612@qq.com
基金资助:
国网山东省电力公司科技项目(520603220003)

On-load transformer fault detection based on distributed optical fiber sensing system

DONG Guanlei¹(), JIANG Xiaodong¹, SUN Peng¹, YANG Guang¹, GENG Junqi¹, WANG Jiawen²^,^*(), QU Shuai², HUANG Sheng², WANG Chen², SHANG Ying²

1. Zibo Power Supply Company,State Grid Shandong Electric Power Company,Zibo 255000, China
2. Laser Institute, Qilu University of Technology(Shandong Academy of sciences),Jinan 250014,China

Received:2022-12-28 Online:2023-10-20 Published:2023-10-12
Contact: WANG Jiawen E-mail:872640612@qq.com;3049234957@qq.com

摘要/Abstract

摘要：

提出基于分布式光纤传感技术的人工神经网络有载变压器故障检测预报模型,通过人工模拟变压器的故障状态及正常运行状态,并通过k-means SMOTE数据扩充方法,可以有限扩充少量故障数据集,使故障数据量可以和正常数据量达到一致,将扩充后的故障数据与正常运行的数据一起送入长短期记忆卷积神经网络(convolutional neural networks long short term memory, CNN-LSTM)识别模型,最终可以将故障的识别率提升到100%,这对采用分布式光纤传感技术在有载变压器故障识别系统上的发展具有重要意义。

关键词: 神经网络, 分布式声传感器, 有载变压器, 故障检测, SMOTE算法, 模式识别, 数据增强

Abstract:

This paper proposes an artificial neural network-based fault detection and prediction model for on-load transformers using distributed fiber optic sensing technology. By artificially simulating the fault and normal operating states of transformers and using the k-means synthetic minority oversampling technique data expansion method, a small number of fault datasets can be limitedly expanded so that the amount of fault data can be consistent with that of normal data. Therefore, the expanded fault data and normal operation data can be input into the convolutional neural networks long short term memory identification model. Finally, the fault recognition rate can be increased to 100%, which has significant implications for the development of fault recognition systems for on-load transformers based on distributed fiber optic sensing technology.

Key words: neural network, distributed acoustic sensor, on-load transformer, fault detection, smote, SMOTE algorithm, Pattern recognition, data enhancement

中图分类号:

TN247

董贯雷, 姜晓东, 孙鹏, 杨光, 耿俊琪, 王家文, 渠帅, 黄胜, 王晨, 尚盈. 基于分布式光纤传感系统的有载变压器故障检测技术研究[J]. 山东科学, 2023, 36(5): 52-59.

DONG Guanlei, JIANG Xiaodong, SUN Peng, YANG Guang, GENG Junqi, WANG Jiawen, QU Shuai, HUANG Sheng, WANG Chen, SHANG Ying. On-load transformer fault detection based on distributed optical fiber sensing system[J]. Shandong Science, 2023, 36(5): 52-59.

图/表 7

图1

图2

图3

表1

图4

图5

表2

参考文献 19

[1]	林明霞. 一种实现φ-OTDR系统长距离监测的方法及系统:CN201410817348.X[P]. 2015-03-25.
[2]	张知先, 陈伟根, 汤思蕊, 等. 基于互补集总经验模态分解和局部异常因子的有载分接开关状态特征提取及异常状态诊断[J]. 电工技术学报, 2019, 34(21): 4508-4518. DOI: 10.19595/j.cnki.1000-6753.tces.181320.
[3]	聂鹏. 浅谈电力变压器故障分析及其诊断方法[J]. 科技创新与应用, 2014(12):121.
[4]	石秀立. 基于振动信号特征的有载分接开关机械故障诊断策略研究[D]. 焦作: 河南理工大学, 2018.
[5]	钟龙申, 高学军, 王振友. 一种新的基于K-means改进的SMOTE算法在不平衡数据分类中的应用[J]. 数学的实践与认识, 2015, 45(19):198-206.
[6]	赵彤. 有载分接开关机械状态的在线监测与故障诊断技术研究[D]. 济南: 山东大学, 2008.
[7]	SHI Y, WANG Y Y, WANG L Y, et al. Multi-event classification for Φ-OTDR distributed optical fiber sensing system using deep learning and support vector machine[J]. Optik, 2020, 221: 165373. DOI: 10.1016/j.ijleo.2020.165373.
[8]	SUN Q, FENG H, YAN X Y, et al. Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]. Sensors (Basel, Switzerland), 2015, 15(7): 15179-15197. DOI: 10.3390/s150715179.
[9]	孙钢. 基于SVM的入侵检测系统研究[D]. 北京: 北京邮电大学, 2007.
[10]	JIA H Z, LIANG S, LOU S Q, et al. A k-nearest neighbor algorithm-based near category support vector machine method for event identification of φ-OTDR[J]. IEEE Sensors Journal, 2019, 19(10): 3683-3689. DOI: 10.1109/JSEN.2019.2891750.
[11]	ZHANG T, LI Z N, ZHU Q, et al. Improved procedures for training primal Wasserstein GANs[C]//2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI). Leicester, UK. IEEE, 2020: 1601-1607. DOI: 10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00286.
[12]	WU H J, CHEN J P, LIU X R, et al. One-Dimensional CNN-Based Intelligent Recognition of Vibrations in Pipeline Monitoring With DAS[J]. Journal of Lightwave Technology, 2019, 37(17): 4359-4366. DOI:10.1109/JLT.2019.2923839
[13]	SNELL J, SWERSKY K, ZEMEL R S. Prototypical networks for few-shot learning[EB/OL]. 2017: arXiv: 1703.05175. https://arxiv.org/abs/1703.05175.
[14]	吴飞. 人工智能: 从规则学习, 到数据驱动, 再到能力增强[J]. 杭州科技, 2017(2): 51-53.
[15]	MA G M, SHI C, QIN W Q, et al. A non-intrusive electrical discharge localization method for gas insulated line based on phase-sensitive OTDR and Michelson interferometer[J]. IEEE Transactions on Power Delivery, 2019, 34(4): 1324-1331. DOI: 10.1109/TPWRD.2019.2892306.
[16]	WU L W, HUANG S S, WU F, et al. Protein subnuclear localization based on radius-SMOTE and kernel linear discriminant analysis combined with random forest[J]. Electronics, 2020, 9(10): 1566. DOI: 10.3390/electronics9101566.
[17]	张俊楠, 娄淑琴, 梁生. 基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 红外与激光工程, 2017, 46(4): 219-225. DOI: 10.3788/IRLA201746.0422003.
[18]	刘明山, 于艳玲, 周原, 等. 基于k-means改进的SMOTE算法: CN110852388A[P]. 2020-02-28.
[19]	沈艳, 余冬华, 王昊雷. 粒子群k-means聚类算法的改进[J]. 计算机工程与应用, 2014, 50(21): 125-128. DOI: 10.3778/j.issn.1002-8331.1401-0357.

类别	预测错误(false)	预测准确(true)
反例	T_N	F_N
正例	F_P	T_P

故障指标	无k-means SMOTE的ANN	经过k-means SMOTE的ANN	无k-means SMOTE的CNN-LSTM	经过k-means SMOTE的CNN-LSTM
准确率	0.998 2	0.996 0	0.997 0	1.000 0
精确率	0.500 0	1.000 0	0.916 6	1.000 0
召回率	0.750 0	0.888 8	1.000 0	1.000 0
F₁值	0.600	0.941	0.950	1.000

基于分布式光纤传感系统的有载变压器故障检测技术研究

On-load transformer fault detection based on distributed optical fiber sensing system

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 19

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	张含笑, 刘宇然, 刘媛, 牛子辰. 基于多任务学习的轨道交通短时客流预测研究[J]. 山东科学, 2024, 37(1): 95-106.
[2]	姜晓东, 王磊磊, 孙鹏, 杨光, 耿俊琪, 王家文, 黄胜, 渠帅, 王晨, 尚盈. 基于生成对抗网络的有载调压开关故障检测研究[J]. 山东科学, 2023, 36(6): 68-73.
[3]	庄皓, 李杨, 陶明坤. 基于Attention机制的CNN-LSTM驾驶人意图识别方法研究[J]. 山东科学, 2023, 36(2): 103-111.
[4]	曾朝晖,王江锋,教欣萍,熊慧媛,龚希志. 基于集群智能的高速公路交通状态识别算法[J]. 山东科学, 2022, 35(3): 72-81.
[5]	孙凤娟,田勇,孙开争,付华轩,张文娟,李敏,吕晨. 基于人工神经网络集合预报的济南市臭氧预报方法[J]. 山东科学, 2022, 35(3): 89-99.
[6]	李连伟,张源榆,岳增友,薛存金,付宇轩,徐洋峰. 基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取[J]. 山东科学, 2022, 35(2): 1-10.
[7]	曹鲁慧, 邓玉香, 陈通, 李钊. 一种基于深度学习的中文文本特征提取与分类方法[J]. 山东科学, 2019, 32(6): 106-111.
[8]	王硕, 谷远利, 李萌, 陆文琦, 张源. 基于混沌理论和MEA-BPNN模型的快速路短时交通流预测[J]. 山东科学, 2019, 32(2): 98-107.
[9]	李小峰，于慧彬. 基于BP神经网络的船舶航向智能PID控制研究[J]. 山东科学, 2018, 31(4): 8-14.
[10]	郑威, 杨英，惠力, 鲁成杰，赵彬，杨立. 基于BP神经网络模型的ADCP倾斜条件下的修正算法研究[J]. 山东科学, 2018, 31(3): 1-7.
[11]	黄恩潭, 谷远利. 基于改进人工蜂群算法优化小波神经网络的短时交通流预测[J]. 山东科学, 2018, 31(2): 79-87.
[12]	刘东彦，张颖颖，吴丙伟，张颖，胡云川. 固体氧化物燃料电池系统仿真分析与控制[J]. 山东科学, 2016, 29(1): 1-6.
[13]	秦鉴，何世伟. 基于BP神经网络的全社会集装化货物运量预测[J]. 山东科学, 2015, 28(2): 70-74.
[14]	刘霏，谷文静，王公堂，万洪林. 基于BP神经网络的虹膜图像质量分类方法[J]. 山东科学, 2015, 28(2): 108-112.
[15]	姜峰. 基于RBFNN整定的PID控制在柔性摆跟踪控制中的应用研究[J]. 山东科学, 2015, 28(2): 113-118.