本技术公开了一种变压器冷却系统油泵异常检测方法、系统、设备及介质,包括:获取当前时刻冷却系统油泵的油温、环境温度、高使用满载、高使用低载、中使用满载、中使用低载、低使用满载及低使用低载;将所述当前时刻冷却系统油泵的油温、环境温度、高使用满载、高使用低载、中使用满载、中使用低载、低使用满载及低使用低载输入到训练后的变压器冷却系统油泵异常检测模型中,得到当前时刻冷却系统油泵的异常分数;根据当前时刻冷却系统油泵的异常分数评估变压器冷却系统油泵是否异常,该方法、系统、设备及介质能够准确判断变压器冷却系统油泵是否异常。
背景技术
变压器在电力系统的各类电气设备中发挥着无可替代的作用。它们通过实现电压和电流的变换、阻抗匹配、电气隔离以及稳压等功能,为电力系统的稳定运行和高效传输提供了有力保障。变压器冷却系统出现故障会使变压器过热,可能导致绕组烧毁。变压器冷却系统中油泵的作用是强制变压器油在系统中循环。在油浸式变压器中,油泵将油从油箱中抽出,通过散热器或其他冷却装置,然后返回到油箱中。油泵确保了油的连续流动,从而将绕组和铁芯产生的热量有效地传递到散热器,再通过散热器散发到环境中。因此,为确保电力设备的正常运转,保证电力系统的安全稳定运行,及时准确检测变压器冷却系统油泵的异常至关重要。
变压器冷却系统油泵异常可能由以下原因造成:油泵的机械故障包括轴承损坏、密封气流激振、转子上零件松动、泵振动或异响、轴承发热、轴间隙过大等,这些故障可能单独发生,也可能以耦合故障的形式出现;油流低报警故障,可能由油流回路堵塞、油泵故障、油流指示器故障或冷却器回路操作不当或故障引起;油泵电动机故障,可能是该油泵电机的交流回路故障使交流电源开关跳闸。以上三种油泵故障会导致变压器冷却系统不能正常有效进行,油温异常升高,甚至可能导致绕组烧毁。本发明针对以上三种油泵故障导致的冷却系统油泵异常进行检测。
变压器冷却系统的数据主要包括油温、环境温度、6种不同类型的负载,6种不同类型的负载包括:高使用满载,表示在高负荷情况下的满载电力需求;高使用低载,表示在高负荷情况下的低载电力需求;中使用满载,表示在中等负荷情况下的满载电力需求;中使用低载,表示在中等负荷情况下的低载电力需求;低使用满载,表示在低负荷情况下的满载电力需求;低使用低载,表示在低负荷情况下的低载电力需求。油泵的运行通常受到变压器油温和负荷的影响。当变压器的油温或负荷达到一定阈值时,油泵会自动启动,以增强冷却效果。在不同的环境温度下,油的流动性会受到影响。在低温环境下,油的粘度增加,流动性降低,这可能会影响油泵的启动和运行。变压器的负载变化也会影响油泵的运行。在负载较高时,油泵可能需要以更高的速度运行,以提供足够的冷却。相反,在负载较低时,可以降低油泵的运行速度,以减少能耗。综上可知,不同维度数据之间存在复杂的非线性的依赖关系,彼此相互影响。因此在变压器冷却系统油泵异常检测中,必须考虑不同变量之间的相关性,挖掘不同特征之间的潜在关系。
目前检测变压器冷却系统油泵异常的方法主要包括:使用温度传感器实时监测变压器的油温和绕组温度、定期检查冷却风机运行状态。但是这些方法存在一些不足之处,比如依赖定期的人工检查和维护,可能导致检测不及时或遗漏;温度监测受限于传感器的精度和可靠性,有时候会存在一些误判;环境温度或负载变化会导致油温变化,但这并不意味着冷却系统油泵异常。传统的冷却系统油泵异常检测方法没有充分考虑以上因素。
目前随着无监督学习、时间序列异常检测技术的发展以及计算机算力的提升,结合人工智能技术对变压器冷却系统油泵进行异常检测成为可能。目前主流的异常检测方法主要基于深度学习模型,例如DAGMM、LSTM-NDT、LSTM-VAE等模型。LSTM-NDT和LSTM-VAE的局限性在于没有明确地处理数据中的多维度特征之间的相关性。而DAGMM没有考虑时间依赖关系,影响了异常检测的准确性。
实现思路