[发明专利]一种基于物联网的变压器状态监测系统

权利要求书

1.一种基于物联网的变压器状态监测方法，该方法基于物联网的变压器状态监测系统，该系统包括感知层、网络层、应用层，该系统主要由数据采集模块、通讯传输模块和上位机监测平台组成：

所述感知层包括用于数据采集模块采集变压器状态参数的传感器，感知层采集的数据通过无线传输方式传输至网络层，所述网络层主要为通讯传输模块，将从感知层接收到的数据集成后通过无线通信方式发送到应用层，所述应用层将网络层发送的数据进行处理分析，将数据可视化；其特征在于，上位机监测平台对变压器状态数据进行处理，采用堆栈降噪自编码器模型及bootstrap方法对采集到的数据进行清洗和重构，采用以支持向量机为基础的分类模型，解决清洗重构后的数据噪声分类问题，并实现对变压器异常数据分类的功能，堆栈降噪自编码器通过学习原始数据中正常数据点的非线性特征，得出正常数据对应的分布特征，对于在输入时随机丢弃或加入高斯噪声的数据点，通过其他未被破坏的数据得到数据特征和期望，预测受损点的原来所在位置，对于数据的缺失点和数据中的异常点，根据样本整体的隐含数据分布特征，对相应样本重新拟合到满足样本整体分布的特征位置上，使得样本的重构误差逐渐减小，达到清洗的目的；bootstrap方法是非参数统计方法，可以很好的从小样本数据中拟合出对应正常状态数据和异常状态数据的估计分布和对应阈值，从而达到对重构数据中正常值数据和异常值数据的分类判断的目的；

所述的采用堆栈降噪自编器模型及bootstrap方法对采集到的数据进行清洗和重构，包括如下步骤：

步骤1：根据采集的变压器正常运行监测数据初始化并训练SDAE模型A；

步骤2：采用bootstrap方法对正常运行监测数据评估，设置置信区间并确定误差范围阈值T1；

步骤3：针对故障变压器监测数据，重复上述步骤1、步骤2，得到SDAE模型B和误差范围阈值T2，同时根据故障变压器监测数据训练SVM模型；

步骤4：用SDAE模型A处理待清洗数据；

步骤5：判断重构数据是否在阈值T1内，是则为正常值，否则标记为差异值；

步骤6：用SDAE模型B处理差异值；

步骤7：判断重构误差是否在阈值T2内，是则为故障值，否则为异常值；

步骤8：用SVM模型对设备故障值分类；

步骤9：针对设备异常值，查找异常值对应的待清洗数据点数据；

步骤10：判断对应待清洗数据点数值，若为0，则该时间点的数据为设备缺失数据，采用差异值中对应点的数据修复缺失值；若不为0，则该时间点的数据为设备异常数据；得到数据清洗和分类结果。

2.根据权利要求1所述的一种基于物联网的变压器状态监测方法，其特征在于，所述感知层的传感器包括：

电压传感器，用于检测变压器二次侧单相电压情况；

电流传感器，用于检测变压器铁芯接地电流情况；

温度传感器，用于检测变压器顶层油温情况；

微水含量传感器，用于检测变压器油中的微水含量变化；

振动传感器，用于检测变压器本体振动情况。

3.根据权利要求2所述的一种基于物联网的变压器状态监测方法，其特征在于，所述的微水含量传感器、温度传感器、振动传感器、电流传感器和电压传感器与ZigBee通信模块相连接，用于将微水含量传感器、温度传感器、振动传感器、电流传感器和电压传感器的数据收集和发射。

4.根据权利要求2所述的一种基于物联网的变压器状态监测方法，其特征在于，所述的网络层主要由ZigBee通信模块和串口通信模块组成；ZigBee通信模块包括终端节点、路由器节点和协调器节点三部分；微水含量传感器、温度传感器、振动传感器、电流传感器和电压传感器采集的数据通过信号处理电路后发送到终端节点，终端节点将数据通过无线传输的方式经过路由器节点最终发送到协调器节点；数据在协调器节点经过串口通信方式发送到上位机监测模块。

5.根据权利要求4所述的一种基于物联网的变压器状态监测方法，其特征在于，上位机监测平台对接收到的数据进行处理，实现对数据的存储和查询，将数据以图形的方式显示，根据已有的数据标准对变压器数据进行监控，并以声光报警的方式来提示变压器发生故障，以此来实现对变压器状态的实时监测。

6.根据权利要求5所述的一种基于物联网的变压器状态监测方法，其特征在于：步骤2包括如下步骤：

步骤2.1：设输入数据集合为X＝{X₁,X₂,…,Xn}代表所述重构数据与输入数据绝对值误差百分比，并记公式如下

式中为θ的基于bootstrap估计量，θ(F)为集合X的某一参数，R(X,F)为集合X的统计量和bootstrap统计量误差；

步骤2.2：从X中构造其经验分布函数F_n，其中经验分布函数如下表示

式中集合{x₁^*,x₂^*,...,x_n^*}为集合X中数据依次递增排序的序列集合；

步骤2.3：从上一步所得经验分布函数F_n中抽取数据样本X'＝{x'₁,x'₂,...,x'_m}，其中m≤n，记X'为bootstrap数据集；

步骤2.4：计算bootstrap数据集X'的统计误差R'(X',F)，表达式为

式中F'_n是上一步对应的bootstrap数据集X'的经验分布函数；

步骤2.5：循环步骤2.3、步骤2.4多次，得到多个统计量集合R'_n＝{R'₁,R'₂,...,R'_n}；并使得R'逐渐逼近R的分布，从而得到重构数据与输入数据绝对值误差百分比的统计参数θ的分布特征。