CN102590683A - 一种电力设备载流故障在线诊断预警方法 - Google Patents

Abstract

本发明公开了一种电力设备载流故障在线诊断预警方法，采用主成分分析法(PCA)对实时温度和不同时间尺度的平均温度值进行实时PCA和变尺度PCA分析，从而去除数据中带有的噪声，且监测出存在故障或可能存在故障的电力设备触点，同时采用K-means聚类算法进行聚类分析，从而确定发生故障或可能存在故障的触点的位置，另外，PCA监测的响应速度较快，在触点温度上升的初期，特征值快速上升，为诊断系统进一步分析和预警提供了足够的时间。同时，基于PCA的电力设备载流故障预警方法算法简单，实时性强，本发明在很大程度上提高了电力系统的可靠性。本发明可广泛应用于电力设备保护领域。

Description

一种电力设备载流故障在线诊断预警方法

技术领域

本发明涉及一种电力设备载流故障在线诊断预警方法。

背景技术

电网运行过程中需要大量电力设备相互协调工作才能完成从发电、输电、到配电的整个过程。电力设备是电网的硬件基础，若其发生故障，将危及电网的正常运行。电力设备的故障多种多样，大致可分为内部故障和外部故障两类。内部故障主要是指发生在电力设备壳体或固体绝缘材料内部的电气回路故障和绝缘介质劣化引起的各种故障。外部故障主要是指电路中的连接件、设备外部触点等由于压接不良等原因，导致接触电阻增大，在大电流作用下，产生更多电阻损耗，导致触点局部过热而引发的故障。这类故障发生比例高，局部温升明显，情况恶化快，如不及时处理，容易导致恶性事故。

目前电力设备载流故障的诊断和预警已取得一些成果，通过测量电力系统现场电气量、温度、气体成分等来判断设备的工作状态。

在公开号为CN201607492U的专利申请文件说明书中描述了一种10KV电力电容器故障预警系统，根据电容器的温升值和电容值发证报警信号，对电容器故障起到预警作用。但是，系统只是对温度做了简单的阈值判断，不具备数据分析能力，容易出现误判和漏判。

在公开号为CN101533060的专利申请文件说明书中描述了一种基于行波电气量测量的电力系统故障预警方法，通过记录电力设备上测量到的行波电气量和监测电力设备是否发生扰动来判断电力设备的工作状态。由于很多场合无法或者不便获得电力设备触点的电气量，此方法的应用领域受到限制。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供一种基于主成分分析法的电力设备载流故障在线预警方法。通过分析电力设备中触点温度的变化情况，监测触点的工作状况，及时发现载流故障隐患，不仅能够在线监测触点温度的变化情况，精确定位出现故障或存在隐患的触点，而且能够分析触点的长期工作状况，及时发现处于缓慢升温状态的老化触点，以便用户及时采取措施，防患于未然。

本发明所采用的技术方案是：本发明是一种电力设备载流故障在线诊断预警方法，该方法包括以下步骤：

(1)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设定温度值的主成分特征值的阀值，所述时间尺度即为某一段时间；

(2)采用主成分分析法对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(3)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(4)，否则重复步骤(1)和(2)；

(4)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(1)和(2)，若温度变化为上升，则进行步骤(5)；

(5)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警。

在步骤(1)中需要剔除的无效数据包括低于环境温度或者高于温度采集器的温度测量上限的温度数据。

本发明的有益效果是：由于本发明采用主成分分析法(PCA)对实时温度和不同时间尺度的平均温度值分别进行实时主成分分析和变尺度主成分分析，从而去除数据中带有的噪声，且监测出存在故障或可能存在故障的电力设备触点，同时采用K-means聚类算法进行聚类分析，从而确定发生故障或可能存在故障的触点的位置，另外，主成分分析法监测的响应速度较快，在触点温度上升的初期，特征值快速上升，为诊断系统进一步分析和预警提供了足够的时间。同时，基于主成分分析法的电力设备载流故障预警方法算法简单，实时性强，所以，本发明在很大程度上提高了电力系统的可靠性。

附图说明

图1是本发明方法的流程图；

图2是实施例中某电站4号电容柜在2010-08-24的在线温度值记录示意图；

图3是实施例中某电站4号电容柜在2010-08-24的在线温度值的主成分特征值曲线图。

具体实施方式

本发明提供了一种电力设备载流故障在线诊断预警方法，该方法包括以下步骤：

(1)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设定温度值的主成分特征值的阀值，这里的时间尺度即为某一段时间；

(2)采用主成分分析法即PCA对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(3)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(4)，否则重复步骤(1)和(2)；

(4)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(1)和(2)，若温度变化为上升，则进行步骤(5)；

(5)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警。

在步骤(1)中需要剔除的无效数据包括低于环境温度或者高于温度采集器的温度测量上限的温度数据。

本发明主要包括以下几个方面：

a、利用主成分分析方法(PCA)在线分析温度数据并发现故障触点。

主成分分析(Principal Component Analysis，PCA)通过一组新的标准正交基，将原始变量线性变换为一组新变量。新变量中的一个或几个“重要”成分包含了原始数据的大部分信息，因而称为“主成分”。PCA将原始数据用一个或数个主要成分描述，忽略次要成分，从而有效地去除噪声及冗余，降低原有复杂数据的维度，揭示隐藏在复杂数据背后的简单结构。当触点发生故障时，其温度上升速度很快，经常在数十分钟内超过阈值。为了能尽早发现故障触点，提供足够的预警时间，温度数据必须实时分析。采样到的温度数据由于受环境温度及负载变化等因数的影响，通常含有一定的噪声，分析数据时，必须过滤掉这些噪声。用PCA分析温度数据时，能够有效去除噪声的影响，并很快找到温度快速上升的触点，为进一步处理数据及预警提供足够的时间。

b、利用变尺度PCA发掘历史数据监测触点温度的长期变化趋势。

由于材料老化及金属氧化等因素，触点的接触电阻将会升高。随着设备的使用，触点的工作状况将会不断变差。为了能够监测触点的长期工作状况，有必要分析触点温度的历史数据。

所谓变尺度，即把历史数据按某一个时间尺度进行平均值处理。当触点存在老化或金属氧化等隐患时，触点温度是一个缓慢上升的过程，观察短期的温度值不能发现问题。此时，求取一段时间(例如一天)内温度的平均值，便能发现触点长时间的温度变化情况。同时，为了降低负载变化和环境温度对数据的影响，应将所有触点的平均温度值减去其中最小的平均值。测温系统故障可以造成数据缺失或者存在无效数据，这里将采用线性插值的方法将缺失的数据补齐。

其中，

表示第j号触点缺失的日平均值，

表示缺失数据段的前一个日平均值，

表示缺失数据段的后一个日平均值，q-p≥2，p＜i＜q。若

或无法获得(如某触点当天未获得有效温度数据)，则只好将对应触点的数据列全部删除以保证剩余日平均值数据能构成完整的矩阵。分析数据的方法同样采用主成分分析方法(PCA)。由于触点老化越严重，温度的上升趋势越明显，因此PCA同样能够发现平均温度值上升较快的老化触点。

c、利用K-means进行故障定位。

利用在线PCA和变尺度PCA分析触点温度值后，若主成分特征值较大，则表明触点温度值出现了较大幅度的波动，对应的触点可能存在故障的隐患。但是，PCA无法准确、全面地定位出现载流故障或存在故障隐患的触点。通过利用K means聚类算法分析触点温度值或日平均值，合理设置初始聚类中心和聚类个数进行故障聚类定位。

本发明设计的电力设备载流故障预警方法是基于设备触点温度信息。在实际运行过程中，由于测温传感器损坏、无线传输故障、外力破坏等原因，测温系统在某个触点上测得的温度数据可能会出现错误。在故障诊断和预警时要将这些无效温度数据剔除，否则会产生错误的分析结果。因此，首先需要对现场采集的数据进行预处理：测得的触点的工作温度如果低于环境温度或者高于测温模块的测量上限，都需要将其剔除。

在预处理后的基础上，将对温度数据进行实时PCA分析，提取温度数据的主成分。当触点温度值发生明显变化时，其PCA处理后的主成分特征值将超过一定的阈值，此时即可认为触点温度发生了明显波动。然而，实时PCA很难获得触点温度的缓慢上升趋势，因此需要利用变尺度PCA。变尺度PCA与实时PCA的主要区别在于分析的数据对象不同，需要对温度数据进行平均值处理。

无论是实时PCA还是变尺度PCA，只要对应的温度数据发生较大幅度的波动，主成分特征值会大大增加，出现峰值。但是PCA分析无法有效判断温度的变化方向，无论是温度上升还是下降，特征值均会增加。因此，当PCA特征值超过阈值，且温度处于上升状态时，即可认为温度存在故障隐患，进而进行下一步处理。

利用PCA分析触点温度值可以发现是否存在故障隐患，但不能准确、全面定位故障隐患的触点。本发明利用K-means聚类算法即可获得存在故障隐患的触点。至此电力设备载流故障预警方法流程结束。

如图1所示，实时PCA与其他时间尺度的PCA算法流程相同，区别在于温度数据是否进行平均值处理。以下将以实时PCA为例，对本发明所提供的预警方法的具体流程进行阐述。

在利用PCA挖掘温度数据特征时，一个触点集合(如一个电容柜)作为一个整体。该集合内的每个触点温度作为一个变量(如电容柜中共有n个触点，因此共有n个变量)，每m次采样数据为一组，即n个触点在m个观测时刻内的所有数据组成处理样本。一组原始数据集可表示如下：

$T_{11}=\left[\begin{array}{cccc}{t}_{11}& t_{12}& L& t_{1n}\\ t_{21}& t_{22}& L& t_{2n}\\ M& M& O& M\\ t_{m1}& t_{m2}& L& t_{\mathrm{mn}}\end{array}\right]$

t_i＝[t_i1 t_i2L t_in]，i＝1，2，Lm为i适合的触点温度值。利用PCA分析T₁，记录T₁在第1主成分方向上的特征值λ₁。具体步骤如下：

计算协方差矩阵

$C_x=\left[\begin{array}{cccc}\mathrm{cov}(t_1,t_1)& \mathrm{cov}(t_1,t_2)& L& \mathrm{cov}(t_1,t_n)\\ \mathrm{cov}(t_2,t_1)& \mathrm{cov}(t_2,t_2)& L& \mathrm{cov}(t_2,t_n)\\ M& M& O& M\\ \mathrm{cov}(t_m,t_1)& \mathrm{cov}(t_m,t_2)& L& \mathrm{cov}(t_m,t_m)\end{array}\right]$

其中， $\mathrm{cov}(x,y)=\frac{\underset{i-1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{n-1}$

计算协方差矩阵的特征向量和特征值

特征向量为Evec＝[Vec₁ Vec₂ L Vec_m]，对应的特征值Evel＝[Vel₁ Vel₂ L Vel_m]。

提取主成分

将特征值矩阵Evel中的特征值从大到小排序可得到V＝[λ₁ λ₂ L λ_m]，排序后特征值对应的特征向量为E＝[e₁ e₂ L e_m]。数据样本T₁在e₁方向上的分布较广，e₁为T₁的主成分，λ₁为T₁的主成分特征值。

从原始数据T₁中删除第一组采样数据t₁＝[t₁₁ t₁₂ L t_1n]，同时加入下一组采样数据，得到新的数据集：

$T_2=\left[\begin{array}{cccc}{t}_{21}& t_{22}& L& t_{2n}\\ t_{31}& t_{32}& L& t_{3n}\\ M& M& O& M\\ t_{(m+1)}& t_{(m+1)2}& L& t_{(m+1)n}\end{array}\right]$

分析新的数据集T₂，记录T₂在第1主成分方向上的特征值λ₁。依此类推，利用这种方法将得到一条主成分方向上的特征曲线。若设定主成分对应特征值的阈值为λ＝5，则当对应λ≥5时，可认为该段温度数据有较高的分析价值。

由图2、图3可知，4号电容柜有一个明显的负载电流增长过程，电容柜中各个触点的温度均出现了不同的升温过程，对应的特征值曲线出现了两个峰值，也超出了阈值。

为了判断触点是否存在故障隐患，需要对特征值曲线两个峰值对应的温度进行方向判断。设对应的温度数据矩阵如下：

$T=\left[\begin{array}{cccc}{t}_{11}& t_{12}& L& t_{1n}\\ t_{21}& t_{22}& L& t_{2n}\\ M& M& O& M\\ t_{m1}& t_{m2}& L& t_{\mathrm{mn}}\end{array}\right]$

具体的识别过程为：

$\left\{\begin{array}{c}{t}_{\mathrm{mp}}=\max (t_{m1},t_{m2},L,t_{\mathrm{mn}})\\ t_{(m-1)q}=\max (t_{(m-1)},t_{(m-1)2},L,t_{(m-1)n})\\ t_{(m-1)r}=\max (t_{(m-2)1},t_{(m-2)2},L,t_{(m-2)n})\end{array}\right.$

若t_mp＜t_(m-1)q＜t_(m-2)r，则认为当前触点温度处于下降状态。通过此方法判定图3中第二个峰值为温度下降状态所致，可以不用考虑。

当确定某段时间存在故障隐患，在预警前利用K-means聚类算法找到故障触点或者存在隐患的触点。将数据集T中最新的温度值集合t_m＝[t_m1 t_m2 L t_mn]作为待聚类的样本集，聚类个数为2，分别表示故障触点类和正常触点类。分别选取t_max＝max(t_m1，t_m2，L t_mn)，t_min＝min(t_m1，t_m2，L t_mn)作为两个聚类的初始中心，将温度样本集分为不正常和正常两个聚类。t_max对应的触点为不正常触点，t_min对应的触点为正常触点。

本发明所提供的预警方法通过分析电力设备在线温度值，在触点温度上升初期即能及时发现，并能准确定位故障或故障隐患触点，从而实现了电力设备载流故障的早期预警。

本发明可广泛应用于电力设备保护领域。

Claims (2)

1.一种电力设备载流故障在线诊断预警方法，其特征在于，该方法包括以下步骤：

(1)采集电力设备触点的实时温度，对采集到的电力设备触点实时温度数据进行预处理，剔除无效数据，计算多个时间尺度的温度平均值，并设定温度值的主成分特征值的阀值，所述时间尺度即为某一段时间；

(2)采用主成分分析法对温度数据进行分析，对实时温度进行实时主成分分析，对不同时间尺度的平均温度值进行变尺度主成分分析，监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化；

(3)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高，则进行步骤(4)，否则重复步骤(1)和(2)；

(4)提取主成分特征值过高的温度数据，对温度数据进行变化方向的判断，若温度变化为下降，则为正常状态，重复步骤(1)和(2)，若温度变化为上升，则进行步骤(5)；

(5)利用K-means聚类分析法对温度数据进行聚类分析，得到正常触点和异常触点两类集合，异常触点即为存在故障或存在故障隐患的触点，进而进行预警。

2.根据权利要求1所述的一种电力设备载流故障在线诊断预警方法，其特征在于：在步骤(1)中需要剔除的无效数据包括低于环境温度或者高于温度采集器的温度测量上限的温度数据。

Images