本发明涉及电力设备运维技术领域，尤其涉及一种基于数字孪生的主变油枕状态预测方法、装置及电子设备。
背景技术：
数字孪生是以数字化方式为物理对象创建的虚拟模型，来模拟其现实环境中的行为，从而反映相对应的实体设备的全生命周期过程。数字孪生变电站建成后，可利用智能云平台，全态感知变电站运行状态，做到实时监控。通过这个“孪生”变电站轻松获取电站数据，并进行分析处理，彻底解决了缺乏统一数据平台、缺少数据分析、设备风险难以判断等难题，实现了对变电站的全域和全生命周期管理。
由于变压器在运行过程中，各种类型的缺陷或故障都会产生温度升高的现象，如：变压器承受短路电流冲击时间过长、内压增大、机械损坏等；如果短路电流大，继电保护延时动作甚至拒动，变形将会严重，甚至造成绕组损坏，若温度持续升高，会导致设备的损坏，造成异常停电事故，给人身安全和供电稳定性带来影响，主变油枕温度作为最主要表征特征之一，提前做好油枕油温度的趋势预测尤为重要。
在传统电力运维工作中，设备的健康状态往往是依托设备日常巡视、电力监控系统测点数据采集和电气检修试验等手段进行判断的，但依靠这些方式检测出设备故障时，故障往往已经发展到较为严重的程度，给维修带来较大的困难，由于无法对设备未来健康状态问题进行预测性分析，运维人员只能对设备做被动式维护，即针对已发生的缺陷或故障提供解决方案，这极大影响了设备运行的可靠性。
专利文献“一种变压器用温度监控及预警系统”(cn11584216b)，公开了在变压器油枕内设置温度传感器，以及在变压器其他部位布置温度传感器，通过各个温度传感器采集的温度信息，对变压器进行温度监控和预警，但是，该方案仅仅通过监控温度进行预警，只有当油温快达到分解临界点或即将达到绝缘失效临界点时，才可以被觉察到，不能够对主变油枕的油温未来变化趋势进行预测，也不能对主变油枕的状态进行预测。
技术实现要素：
本发明提供了一种基于数字孪生的主变油枕状态预测方法、装置及电子设备，能够对主变油枕未来的健康状态进行有效的预测分析，为设备的可靠运行提供解决方案。
一种基于数字孪生的主变油枕状态预测方法，包括：
建立数字孪生主变油枕模型；
建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
运行所述数字孪生主变油枕模型，并获取检测数据；
将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
进一步地，基于理想数据建立所述目标变量预测模型；
基于可定量影响因子的历史样本数据训练获得所述可定量影响因子预测模型；
基于可定量影响因子的历史样本数据和非可定量影响因子的历史样本数据训练获得所述全影响因子预测模型。
进一步地，所述理想数据包括主变油枕在理想运行状态的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕设备投运年限；
所述可定量影响因子包括非理想运行状态下的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕设备投运年限；
所述非可定量影响因子包括污秽特征参量、震动特征参量、工艺特征参量、材料特征参量、沙尘特征参量、盐雾特征参量、光照强度以及超声波有效值。
进一步地，根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测，包括：
根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；
根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控。
进一步地，根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控，包括：
当所述第二油温预测趋势线超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来需要调控；
若所述第二油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来不需要调控。
进一步地，根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测，包括：
根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；
根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷。
进一步地，根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷，包括：
当所述第三油温预测趋势线超过所述油温正常范围，则确定所述主变油枕存在缺陷；
若所述第三油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕不存在缺陷。
进一步地，确定所述主变油枕存在缺陷之后，还包括：
将第三油温预测趋势线与所述第一油温预测趋势线的交点对应的时刻，确定为故障将要发生时刻；
将第三油温预测趋势线中超过第一预设油温对应的时刻，确定为进入严重故障时刻；
将第三油温预测趋势线中超过第二预设油温对应的时刻，为主变油枕发生不可逆故障的时刻。
一种基于数字孪生的主变油枕状态预测装置，包括：
孪生系统建立模块，用于建立数字孪生主变油枕模型；
预测模型建立模块，用于建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
数据获取模块，用于运行所述数字孪生主变油枕模型，并获取检测数据；
油温预测模块，用于将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
状态预测模块，用于根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
一种电子设备，包括处理器和存储模块，所述存储模块存储有多条指令，所述处理器用于读取所述多条指令并执行上述的方法。
一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述多条指令可被处理器读取并执行上述的方法。
本发明提供的基于数字孪生的主变油枕状态预测方法、装置及电子设备，根据建立的模型对主变油枕的油温进行预测，能够对主变油枕未来的健康状态进行有效的预测分析，包括可定量影响因子是否需要调控以及是否存在缺陷进行有效的判断，特别对于存在缺陷但故障还未发生的情况，可以及时发现缺陷，避免发生严重故障，最大限度保证主变油枕运行的可靠性。
附图说明
图1为本发明提供的基于数字孪生的主变油枕状态预测方法一种实施例的流程图。
图2为本发明提供的基于数字孪生的主变油枕状态预测方法中可定量影响因子需要调控且存在缺陷的场景示意图。
图3为本发明提供的基于数字孪生的主变油枕状态预测方法中可定量影响因子需要调控但不存在缺陷的场景示意图。
图4为本发明提供的基于数字孪生的主变油枕状态预测方法中可定量影响因子不需要调控但存在缺陷的场景示意图。
图5为本发明提供的基于数字孪生的主变油枕状态预测方法中可定量影响因子不需要调控且不存在缺陷的场景示意图。
图6为本发明提供的基于数字孪生的主变油枕状态预测装置一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图1，本实施例提供一种基于数字孪生的主变油枕状态预测方法，包括：
s1、建立数字孪生主变油枕模型；
s2、建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
s3、运行所述数字孪生主变油枕模型，并获取检测数据；
s4、将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
s5、根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
具体地，步骤s1中，利用激光点云、倾斜摄影等技术将主变油枕部件进行数字化建模，获得数字孪生主变油枕模型，该数字孪生主变油枕模型具备的支持各种标准通讯协议接入能力，可以模拟实体设备的运行。
进一步地，步骤s2中，基于理想数据建立所述目标变量预测模型，理想数据包括主变油枕在理想运行状态下所产生的相关运行数据，包括但不限于理想运行状态下的负荷电流、环境温度、环境湿度、海拔高度、主变油枕设备投运年限等，理想运行状态指设备所处的运行环境状态非常健康，不受任何外界因素的干扰，理想数据基于行业规范标准、设备生产制造导则等内容，对设备在实验室条件下设备运行数据的正常波动范围的框定，该目标变量预测模型为理想化的预测模型，目的是找出油温在理想的外部条件下的波动范围，该范围可作为该设备健康状况正常的判定参考。
基于可定量影响因子的历史样本数据训练获得所述可定量影响因子预测模型。可定量影响因子为可准确给出具体数值的参量，且该影响因子会直接导致油温变化，可定量影响因子包括但不限于非理想状态下的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕设备投运年限等。可定量影响因子有两层含义，一是该影响因子对应的数据不是缺陷原因导致的，二是该数据有具体量化值，两者必须都同时满足。
理想数据和可定量影响因子数据比较相似，都是指实验室环境，但差别是理想数据是基于行业规范标准、设备生产制造导则等内容，对设备在实验室条件下设备运行数据的正常波动范围的框定，可定量影响因子是设备排出外界干扰以后的实际数据变化曲线，该运行数据可能会超出正常波动范围。
可定量影响因子预测模型对于油温的预测只考虑可定量影响因子，该模型是基于实验室环境建立的，将非可定量影响因子设定为理想状态，找出油温和可变影响因子的动态数学关系。
非可定量影响因子为给不出具体数值的参量，或者其是某种缺陷原因导致的现象或数据特征参量，包括但不限于污秽特征参量、震动特征参量、工艺特征参量、材料特征参量、沙尘特征参量、盐雾特征参量、光照强度以及超声波有效值。
非可定量影响因子是除了可定量影响因子以外的因子都划分为非可定量影响因子，包括不是缺陷原因导致，但数据不可量化的数据因子或者某种缺陷原因导致产生的特征参量因子(无论数值是否能够量化)。
全影响因子包括可定量影响因子和非可定量影响因子，基于可定量影响因子的历史样本数据和非可定量影响因子的历史样本数据训练获得所述全影响因子预测模型。
全影响因子预测模型是基于当前所有可定量影响因子和非可定量影响因子的实际作用下对油温未来变化趋势的预测，该预测、对于设备是否存在缺陷问题，该缺陷问题发展程度变化具有很强的指导意义。
进一步地，步骤s3中，运行所述数字孪生主变油枕模型，并获取检测数据，所述检测数据包括：运行状态下的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕的投运年限。
进一步地，步骤s4中，将所述检测数据输入至所述目标变量预测模型，可获得在理想的外部环境下主变油枕温度测点时间序列，将各个温度测点连接，获得第一油温预测趋势线，第一油温预测趋势线即为主变油枕在正常情况下的油温范围。
将所述检测数据输入至所述可定量影响因子预测模型，获得在可定量影响因子的影响下主变油枕温度测点时间序列，将各个温度测点连接，获得第二油温预测趋势线。
将所述检测数据输入至所述全影响因子预测模型，获得在可定量影响因子和非可定量因子影响下主变油枕温度测点时间序列，将各个温度测点连接，获得第三油温预测趋势线。
进一步地，步骤s5中，根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测，包括：
根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；
根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控；
根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷。
其中，根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控，包括：
当所述第二油温预测趋势线超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来需要调控；
若所述第二油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来不需要调控。
确定可定量影响因子需要调控，借助调控手段，改变可定量影响因子的参数，即可使得主变油枕进入正常运行的状态。
根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷，包括：
当所述第三油温预测趋势线超过所述油温正常范围，则确定所述主变油枕存在缺陷；
若所述第三油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕不存在缺陷。
具体地，参考图2-图5，其中，k1为第一油温预测趋势线，k2为第二油温预测趋势线，k3为第三油温预测趋势线，第一油温预测趋势线k1即为主变油枕在正常情况下的油温范围，图2中，第二油温预测趋势线k2部分超过第一油温预测趋势线k1，则主变油枕的可定量影响因子未来需要调控，第三油温预测趋势线k3超过第一油温预测趋势线k1，则主变油枕存在缺陷。图3中，第二油温预测趋势线k2部分超过第一油温预测趋势线k1，则主变油枕的可定量影响因子未来需要调控，第三油温预测趋势线k3没有超过第一油温预测趋势线k1，则主变油枕不存在缺陷。图4中，第二油温预测趋势线k2没有超过第一油温预测趋势线k1，则主变油枕的可定量影响因子未来不需要调控，第三油温预测趋势线k3超过第一油温预测趋势线k1，则主变油枕存在缺陷。图5中，第二油温预测趋势线k2没有超过第一油温预测趋势线k1，则主变油枕的可定量影响因子不需要调控，第三油温预测趋势线k3没有超过第一油温预测趋势线k1，则主变油枕不存在缺陷。
如果主变油枕存在缺陷，则在将来一段时间内会造成故障，因此，还可以通过第三油温预测趋势线进行故障预测，确定所述主变油枕存在缺陷之后，还包括：
将第三油温预测趋势线与所述第一油温预测趋势线的交点对应的时刻，确定为故障将要发生时刻；
将第三油温预测趋势线中超过第一预设油温对应的时刻，确定为进入严重故障时刻；
将第三油温预测趋势线中超过第二预设油温对应的时刻，确定为主变油枕发生不可逆故障的时刻，此时会造成停电故障。
参考图2和图4，t1时刻为故障将要发生时刻，t2时刻将要超过第一预设油温t1，为进入严重故障时刻，t3时刻将要超过第二预设油温t2，主变油枕发生不可逆故障的时刻。
进一步地，确定所述主变油枕存在缺陷之后，还包括：
根据预先建立的主变油枕知识图谱，确定缺陷原因。
每一种设备缺陷原因都可以产生一种或多种现象特征(如：声音、图像、气味等)，当然可能会存在2种不同的缺陷原因会有相同的现象特征或数据特征。也同时会通过一种或多种数据特征反映出来(传感器数据、试验数据、二次继保数据等)。通过缺陷案例信息的抽取，找出每种缺陷原因都对应哪些现象特征、数据特征，及缺陷原因对应的判别方法、判别逻辑、解决方案和措施，通过建立含有上述信息的结构化知识库表格，可生成主变油枕知识图谱，便于知识实体的查询。
上述实施例提供的方法，根据建立的模型对主变油枕的油温进行预测，能够对主变油枕未来的健康状态进行有效的预测分析，包括可定量影响因子是否需要调控以及是否存在缺陷进行有效的判断，特别对于存在缺陷但故障还未发生的情况，可以及时发现缺陷，避免发生严重故障，最大限度保证主变油枕运行的可靠性。
参考图6，在一些实施例中，还提供一种基于数字孪生的主变油枕状态预测装置，包括：
孪生系统建立模块201，用于建立数字孪生主变油枕模型；
预测模型建立模块202，用于建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
数据获取模块203，用于运行所述数字孪生主变油枕模型，并获取检测数据；
油温预测模块204，用于将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
状态预测模块205，用于根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
具体地，预测模型建立模块202基于理想数据建立所述目标变量预测模型；基于可定量影响因子的历史样本数据训练获得所述可定量影响因子预测模型；基于可定量影响因子的历史样本数据和非可定量影响因子的历史样本数据训练获得所述全影响因子预测模型。
状态预测模块205还用于根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控；根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷。
状态预测模块205还用于当所述第二油温预测趋势线超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来需要调控；若所述第二油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来不需要调控。
状态预测模块205还用于当所述第三油温预测趋势线超过所述油温正常范围，则确定所述主变油枕存在缺陷；若所述第三油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕不存在缺陷。
状态预测模块205还用于将第三油温预测趋势线与所述第一油温预测趋势线的交点对应的时刻，确定为故障将要发生时刻；将第三油温预测趋势线中超过第一预设油温对应的时刻，确定为进入严重故障时刻；将第三油温预测趋势线中超过第二预设油温对应的时刻，为主变油枕发生不可逆故障的时刻。
上述实施例提供的装置，根据建立的模型对主变油枕的油温进行预测，能够对主变油枕未来的健康状态进行有效的预测分析，包括可定量影响因子是否需要调控以及是否存在缺陷进行有效的判断，特别对于存在缺陷但故障还未发生的情况，可以及时发现缺陷，避免发生严重故障，最大限度保证主变油枕运行的可靠性。
在一些实施例中，还提供一种电子设备，包括处理器和存储模块，所述存储模块存储有多条指令，所述处理器用于读取所述多条指令并执行上述的方法。
在一些实施例中，还提供一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述多条指令可被处理器读取并执行上述的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
1.一种基于数字孪生的主变油枕状态预测方法，其特征在于，包括：
建立数字孪生主变油枕模型；
建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
运行所述数字孪生主变油枕模型，并获取检测数据；
将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
2.根据权利要求1所述的方法，其特征在于，基于理想数据建立所述目标变量预测模型；
基于可定量影响因子的历史样本数据训练获得所述可定量影响因子预测模型；
基于可定量影响因子的历史样本数据和非可定量影响因子的历史样本数据训练获得所述全影响因子预测模型。
3.根据权利要求2所述的方法，其特征在于，所述理想数据包括主变油枕在理想运行状态下的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕设备投运年限；
所述可定量影响因子包括非理想运行状态下的负荷电流、环境温度、环境湿度、海拔高度以及主变油枕设备投运年限；
所述非可定量影响因子包括污秽特征参量、震动特征参量、工艺特征参量、材料特征参量、沙尘特征参量、盐雾特征参量、光照强度以及超声波有效值。
4.根据权利要求3所述的方法，其特征在于，根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测，包括：
根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；
根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控。
5.根据权利要求4所述的方法，其特征在于，根据所述第二油温预测趋势线和所述油温正常范围，判断所述主变油枕的可定量影响因子未来是否需要调控，包括：
当所述第二油温预测趋势线超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来需要调控；
若所述第二油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕的可定量影响因子未来不需要调控。
6.根据权利要求1所述的方法，其特征在于，根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测，包括：
根据所述第一油温预测趋势线，获得主变油枕正常运行的油温正常范围；
根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷。
7.根据权利要求6所述的方法，其特征在于，根据所述第三油温预测趋势线和所述油温正常范围，判断所述主变油枕是否存在缺陷，包括：
当所述第三油温预测趋势线超过所述油温正常范围，则确定所述主变油枕存在缺陷；
若所述第三油温预测趋势线没有超过所述油温正常范围，则确定所述主变油枕不存在缺陷。
8.根据权利要求7所述的方法，其特征在于，确定所述主变油枕存在缺陷之后，还包括：
将第三油温预测趋势线与所述第一油温预测趋势线的交点对应的时刻，确定为故障将要发生时刻；
将第三油温预测趋势线中超过第一预设油温对应的时刻，确定为进入严重故障时刻；
将第三油温预测趋势线中超过第二预设油温对应的时刻，为主变油枕发生不可逆故障的时刻。
9.一种基于数字孪生的主变油枕状态预测装置，其特征在于，包括：
孪生系统建立模块，用于建立数字孪生主变油枕模型；
预测模型建立模块，用于建立目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型；
数据获取模块，用于运行所述数字孪生主变油枕模型，并获取检测数据；
油温预测模块，用于将所述检测数据分别输入至所述目标变量预测模型、可定量影响因子预测模型以及全影响因子预测模型，分别获得第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线；
状态预测模块，用于根据所述第一油温预测趋势线、第二油温预测趋势线和第三油温预测趋势线，对主变油枕进行状态预测。
10.一种电子设备，其特征在于，包括处理器和存储模块，所述存储模块存储有多条指令，所述处理器用于读取所述多条指令并执行如权利要求1至8任一所述的方法。
技术总结