本發明涉及電力變壓器，具體涉及一種基于數字孿生技術的變壓器運維方法。

背景技術：

1、變壓器是電力系統的常用設備，是電網傳輸的重要樞紐之一。由于變壓器使用過程中較易出現故障，因而需要對其進行運行維護以及定期檢查。隨著各種類型的傳感器技術的逐漸成熟，對變壓器運行時的各項指標參數進行實時監測變得十分便捷，因此對變壓器的實時監控以及狀態分析得到了越來越深入的研究。當前對變壓器運行狀態的監控手段主要有特征氣體法和三比值法，均是通過對變壓器內的變壓油產生的氣體的組分進行分析，判斷變壓器是否存在故障或異常。但是通過這兩種方法的分析僅能判斷變壓器的故障類型，如電弧放電、局部放電、火花放電、高溫過熱等，無法準確地給出具體是哪個零部件出現了故障，當維護人員發現變壓器狀態異常時，還需要逐一排查零部件，這為維護工作帶來了不便。

技術實現思路

1、為了解決現有的變壓器監測技術無法準確判斷各個零部件工作狀態的技術問題，本技術提供一種基于數字孿生技術的變壓器運維方法，包括以下步驟：

2、s1、構建變壓器的數字孿生模型，并針對多個零部件分別構建故障樣本向量；

3、s2、周期性獲取所述變壓器的各項運行狀態指標的實際值，并將所述實際值與該運行狀態指標對應的正常值進行比較；

4、s3、根據上述比較步驟的結果建立異常狀態向量；

5、s4、將所述異常狀態向量與全部所述故障樣本向量逐一進行匹配；

6、s5、若有匹配的所述故障樣本向量，則發出零部件故障提示，若沒有匹配的所述故障樣本向量，則發出指標異常提示。

7、不同的零部件出現問題時，會對變壓器的各項運行狀態指標產生不同的影響。因此，通過分析各項運行狀態指標與正常值的差異，可以準確地判定哪些零部件工作狀態異常，進而提醒維護人員及時對變壓器進行檢查維護，有效地提高了變壓器的維護效率。

8、具體地，所述故障樣本向量通過以下方法獲取：

9、s11、針對一個零部件，獲取多條歷史故障數據，根據每條歷史故障數據構建對應的歷史故障向量，所述歷史故障向量的每個分量對應一個所述變壓器故障時的運行狀態指標的狀態值；

10、s12、根據全部所述歷史故障向量中各項所述運行狀態指標的異常次數計算各項所述運行狀態指標的權重；

11、s13、計算多個所述歷史故障向量的加權平均向量；

12、s14、對所述加權平均向量進行修正，獲得所述故障樣本向量。

13、考慮到一個零部件其損壞嚴重程度不同時會導致變壓器的運行狀態指標發生不同的變化，因此同一個零部件在每次出現故障時，并非總是同樣的幾個運行狀態指標發生異常。通過計算各項運行狀態指標的異常次數在故障中的占比，改變各項運行狀態指標的權重，以使判斷結果更加準確。

14、進一步地，步驟s14還包括：

15、s141、獲得新的歷史故障向量，并利用神經網絡對全部所述歷史故障向量進行擬合，獲得歷史故障擬合向量；

16、s142、根據所述歷史故障擬合向量和所述加權平均向量構建損失函數；

17、s143、根據所述損失函數對所述加權平均向量進行修正，獲得所述故障樣本向量。

18、在變壓器的使用過程中還會有新的故障出現，根據新的歷史故障向量通過機器學習來修正原有的故障樣本向量，以進一步提高判斷結果的準確度。

19、進一步地，所述正常值通過以下方法獲取：

20、s21、實時獲取所述變壓器的運行負載數據以及外部環境數據；

21、s22、將所述運行負載數據以及所述外部環境數據帶入到數字孿生模型中，得到所述變壓器的各項運行狀態指標的預測值；

22、s23、對所述預測值進行修正，得到所述正常值。

23、變壓器的各項運行狀態指標是由變壓器的運行負載數據以及外部環境數據決定的，因此根據變壓器的幾何模型，結合力學、電磁學、熱力學等建立的變壓器的數字孿生模型，可以根據運行負載數據以及外部環境數據計算各項運行狀態指標的預測值，此預測值便可以作為判斷變壓器各項運行狀態指標是否正常的依據。

24、進一步地，步驟s23還包括：

25、s231、根據所述運行狀態指標的歷史數據，利用神經卷積網絡計算所述運行狀態指標的擬合值；

26、s232、根據所述擬合值和所述預測值構建損失函數；

27、s233、根據所述損失函數對所述預測值進行修正，獲得所述正常值。

28、考慮到數字孿生模型是變壓器的理想化模型，由其獲得的預測值與真實值會存在一定的偏差，因此通過機器學習，根據運行狀態指標的歷史數據對預測值進行修正，使得到的正常值更加準確。

29、進一步地，所述異常狀態向量通過以下步驟獲得：

30、s31、構建空向量，所述空向量的維數與所述故障樣本向量的維數相同，且所述空向量的每個分量對應的運行狀態指標與所述故障樣本向量相同；

31、s32、針對獲取的各項所述運行狀態指標的實際值，計算所述實際值與所述正常值的絕對差，并將所述絕對差與第一閾值比較；

32、s33、若所述絕對差大于所述第一閾值，則將所述空向量中與所述實際值對應的分量記為異常，若所述絕對差小于所述第一閾值，則將所述空向量中與所述實際值對應的分量記為正常。

33、具體地，在步驟s4中，將所述異常狀態向量與全部所述故障樣本向量逐一進行匹配的過程包括：

34、s41、計算所述異常狀態向量的模以及所述故障樣本向量的模，并計算兩個向量的模的絕對差；

35、s42、計算所述異常狀態向量與所述故障樣本向量的夾角；

36、s43、當所述兩個向量的模的絕對差小于第二閾值，并且兩個向量的夾角小于第三閾值時，即判定所述異常狀態向量與所述故障樣本向量相匹配。

37、進一步地，在步驟s5中發出指標異常提示的步驟包括：

38、s51、根據所述數字孿生模型以及所述變壓器的幾何模型構建所述變壓器的可視化模型；

39、s52、通過所述可視化模型發出零部件故障提示。

40、數字孿生模型能夠方便地將變壓器的工作狀態進行可視化展示，以使維護人員能夠更直接的觀察到變壓器的狀態。

41、進一步地，在步驟s5中發出指標異常提示的步驟包括：

42、s53、通過所述可視化模型發出指標異常提示。

43、進一步地，在步驟s5中發出指標異常提示的步驟包括：

44、s54、計算所述實際值與所述正常值的比值的百分比；

45、s55、通過所述可視化模型發出指標異常提示，并顯示所述百分比。

46、在一些特殊的情況下，僅僅某一項運行狀態指標出現異常，無法準確判斷出具體故障的零部件時，需要提醒維護人員進行進一步地確認。

47、本發明的技術效果和優點：

48、1、通過建立變壓器的數字孿生模型，根據變壓器的負載狀態計算變壓器的各項運行狀態指標的正常值，并將測得的變壓器的各項運行狀態指標的實際值與正常值進行比較，確定變壓器的哪項運行狀態指標異常，并根據異常的運行狀態指標來判斷變壓器的故障零部件，從而提醒維護人員進行精準維護；

49、2、通過機器學習來根據變壓器的歷史運行數據不斷修正各項運行狀態指標的正常值，以提高對零部件故障的判斷精度。