CN104330675A - 基于多元时间序列的变电设备在线监测分析系统及其方法 - Google Patents

Abstract

本发明涉及一种基于多元时间序列的变电设备在线监测分析系统及其方法，其技术特点是：由安装在变电设备上的多个数据采集处理终端及主控平台连接构成，数据处理终端包括各类传感器及其调理电路、主控模块和IEC61850规约转换模块，各类传感器及其调理电路连接到主控模块上，主控模块对各种传感器数据进行处理并发送给IEC61850规约转换模块，该规约转换模块进行规约转换并通过以太网与主控平台进行数据传输。本发明利用滑动时间窗口来记录监测数据中异常点的发生时间和类型并进行多维数据的综合异常判断，能够实时快速地检出数据流中的异常，避免了目前在线监测数据常常由于传感器、环境变化、装置异常等影响因素而造成系统分析结果稳定性和可靠性的下降。

Description

基于多元时间序列的变电设备在线监测分析系统及其方法

技术领域

本发明属于变电设备技术领域，尤其是一种基于多元时间序列的变电设备在线监测分析系统及其方法。

背景技术

对变电设备的关键状态进行在线监测是电力设备状态评估和故障诊断的重要手段。目前，在线监测系统利用状态评估方法来分析油色谱、油温、接地电流等数据，实时反映运行情况及异常状态模式。然而现有系统往往由于传感器、环境变化、装置异常等因素影响数据的稳定性和可靠性，仅仅依靠传统的状态阈值判定法不容易及时提取到故障预警特征，难以准确、及时发现变电设备的异常状态，甄别噪声数据；而人工神经网络、专家系统等人工智能方法存在样本、知识库不完善等弊端；并且现有的系统只适用于单一静态的特征量，无法处理实时、动态的多元数据。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、能够快速准确发现变电设备异常的基于多元时间序列的变电设备在线监测分析系统及其方法。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于多元时间序列的变电设备在线监测分析系统，由安装在变电设备上的多个数据采集处理终端及主控平台连接构成，所述的数据处理终端包括各类传感器及其调理电路、主控模块和IEC61850规约转换模块，各类传感器及其调理电路连接到主控模块上，主控模块对各种传感器数据进行处理并发送给IEC61850规约转换模块，该IEC61850规约转换模块进行规约转换并通过以太网与主控平台进行数据传输。

而且，所述的各类传感器及其调理电路包括用于监测变压器油气分离后气体浓度的半导体气敏传感器及其信号调理电路、用于监测变压器顶层油温的铂电阻及其信号调理电路和用于监测环境温度的环境温度传感器，所述的半导体气敏传感器及其信号调理电路连接到主控模块的A/D转换器上，所述的铂电阻及其信号调理电路连接到主控模块的A/D转换器上，所述的环境温度传感器连接到主控模块中的A/D转换器。

而且，所述主控模块采用LPC2292芯片，所述IEC61850规约转换模块采用OK6410嵌入式开发板。

一种基于多元时间序列的变电设备在线监测分析系统的分析方法，包括以下步骤：

步骤1、令S为由M维度量空间的点代表的N个数据对象S＝{x_i|i＝1，2，...，N}的集合，将S分成k个子集W₁，W₂，...W_k的一个划分称为k-聚类，其中每个W_i称为一个簇，聚类簇中心依次为c₁，c₂，...，c_k，其中n_j是簇W_j中数据对象的个数，使用如下聚类目标函数来衡量聚类质量好坏：

$J={\mathrm{\Σ}}_{j=1}^k{\mathrm{\Σ}}_{i=1}^{n_i}{d}_{\mathrm{ij}}(x_j,c_j)---\left(1\right)$

其中，d_ij(x_j，c_j)表示数据对象x_j与聚类中心c_j之间的欧式距离，目标函数J表示每个数据对象与所在的聚类中心的距离之和；

步骤2、对特征属性值进行如下标准化处理：

$S_f=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^n(X_{\mathrm{if}}-m_f)---\left(2\right)$

其中x_1f，...，x_nf是f的n个属性特征值，m_f是f的平均值，其计算公式为：

$m_f=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^n{x}_{\mathrm{if}}---\left(3\right)$

步骤3、确定待检测的在线监测时间序列数据，通过滑动时间窗口SW筛选出候选的异常数据集Q＝{A₁，A₂，...，A_N}，并在时间序列上标记每个候选异常数据 $T_Q=\{t_{A1},t_{A2},...,t_{A_N}\};$

步骤4、判断异常数据集Q中的数据点是是否属于步骤1中的K个聚类簇，若不属于则为异常数据点a_i。

步骤5、根据步骤2中两个公式的输出结果，比较异常数据点a_i及邻近的其他时刻数据点情况，对该多元时间序列进行异常模式的分析：当异常多元数据点a_i相邻时间段的连续m个数据点全部或者大多数不属于步骤1中K个聚类簇，属于IO异常模式，则判断该设备可能出现了异常的运行状态，根据上述m个异常数据点的产生时刻段可以推断出异常状态的发生时间；当异常多元数据点a_i相邻时间段的连续m个数据点没有或者少数属于步骤1中K个聚类簇，属于AO异常模式，则判断该段数据中存在少数几个噪声点，属检测装置不稳定。

本发明的优点和积极效果是：

1、本发明通过分析变压器色谱、油温等在线监测数据(负荷、顶层油温、环境温度、油色谱)中不同类型异常值特点，利用滑动时间窗口来记录监测数据中异常点的发生时间和类型，建立候选异常数据集合的判断模型，并利用聚类算法对候选异常数据集合进行多维数据的综合异常判断，能够实时快速地检出数据流中的异常，避免了目前在线监测数据常常由于传感器、环境变化、装置异常等影响因素而造成系统分析结果稳定性和可靠性的下降。

2、本在线监测系统与变电设备高压部分进行隔离，确保测温工作安全。

附图说明

图1为本发明的总体电路方框图；

图2为气敏传感器信号调理电路图；

图3为pt100热电阻温度传感器信号调理电路图；

图4为主控模块的电路图；

图5为油温、负荷、环境温度、CH4、C2H2的数据图；

图6为异常检测结果示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种基于多元时间序列的变电设备在线监测分析系统，如图1所示，由安装在变电设备上的多个数据采集处理终端及主控平台连接构成构成，数据采集处理终端通过以太网与主控平台相连接，数据采集处理终端与主控平台之间的数据通信采用IEC61850标准格式。所述的数据处理终端包括各类传感器及其调理电路、主控模块、IEC61850规约转换模块，各类传感器安装在变电设备上，实时监测变电设备的负荷、顶层油温、环境温度、油色谱等信息，各类传感器的输出端连接到信号调理电路，各类传感器通过信号调理电路对各种数据进行滤波放大等处理连接到主控模块上，或者直接连接到主控模块上，主控模块对各种传感器数据进行A/D转换、缓存、数据处理，并发送给IEC61850规约转换模块，该IEC61850规约转换模块将待传输数据进行IEC61850标准格式转换并通过以太网与主控平台进行数据交互。

变压器油中气体经油气分离后，采用半导体气敏传感器，来监测各组分的气体浓度。由于气敏传感器的输出为电压信号，因此其调理电路仅需要进行电平转换，即可将信号输入主控模块中的A/D转换器采样，气敏传感器信号调理电路如图2所示。

变压器顶层油温采用铂电阻(pt100)检测。温度信号由其调理电路处理后，经主控模块中的A/D转换器进行采样，铂电阻温度传感器信号调理电路如图3所示。

环境温度传感器芯片采用Analog Devices公司的TMP36，无须外接电路即可送至主控模块中的A/D转换器。

在本实施例中，主控模块选用NXP公司的LPC2292芯片，如图4所示，其具有内部16K的RAM和256kB片内Flash程序存储器。集成的8路10位A/D转换器用于采样传感器经调理的模拟信号，并监测电源模块的电压，通过内置的实时时钟对采样数据进行定标。

IEC61850规约转换模块采用OK6410嵌入式开发板，主要完成61850标准信号的产生，并通过网络接口将采集和处理信息向主控平台传输。

通过以上在线监测系统的现场运行，我们得到了如图5所示的油温、负荷、环境温度、CH4、C2H2等的运行监测数据图。

在得到多元监测数据后，采用基于数据流滑动时间窗口的聚类算法来对变电设备的多维特征量进行异常检测，并识别其异常模式和发生时间。基于以上标准化的多元特征量的属性值，本发明提出一种在线监测分析方法，包括以下步骤：

步骤1、令S为由M维度量空间的点代表的N个数据对象S＝{x_i|i＝1，2，...，N}的集合，将S分成k个子集W₁，W₂，...W_k的一个划分称为k-聚类，其中每个W_i称为一个簇(cluster)，聚类簇中心依次为c₁，c₂，...，c_k，其中n_j是簇W_j中数据对象的个数，使用如下聚类目标函数来衡量聚类质量好坏：

$J={\mathrm{\Σ}}_{j=1}^k{\mathrm{\Σ}}_{i=1}^{n_i}{d}_{\mathrm{ij}}(x_j,c_j)---\left(1\right)$

其中d_ij(x_j，c_j)表示数据对象x_j与聚类中心c_j之间的欧式距离。目标函数J表示每个数据对象与所在的聚类中心的距离之和，J值越小表示簇内数据对象越紧密。就是通过不断的优化J值来需求最佳的聚类中心，当J取得值最小时，对应的聚类中心则为最优的聚类中心

步骤2、特征属性值进行标准化，整个在线监测数据的特征变量属性差异有不同的度量标准，因此如果不对原始数据进行预处理的话，某些值域相对较小的特征量在空间中的属性容易被值域较大的特征量所掩盖，可以进行如下的处理：

$S_f=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^n(X_{\mathrm{if}}-m_f)---\left(2\right)$

其中x_1f，...，x_nf是f的n个属性特征值，m_f是f的平均值，即

$m_f=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^n{x}_{\mathrm{if}}---\left(3\right)$

步骤3、确定待检测的在线监测时间序列数据，通过滑动时间窗口SW筛选出候选的异常数据集Q＝{A₁，A₂，...，A_N}，并在时间序列上标记每个候选异常数据 $T_Q=\{t_{A1},t_{A2},...,t_{A_N}\}$

步骤4、判断异常数据集Q中的数据点是是否属于公式(1)中的K个聚类簇，若不属于则为异常数据点a_i。

步骤5、根据公式(2)和公式(3)的输出结果，比较异常数据点a_i及邻近的其他时刻数据点情况，对该多元时间序列进行异常模式的分析：

当异常多元数据点a_i相邻时间段的连续m个数据点(m<N)全部或者大多数不属于式(1)中K个聚类簇，属于IO异常模式，则判断该设备可能出现了异常的运行状态，根据上述m个异常数据点的产生时刻段可以推断出异常状态的发生时间；当异常多元数据点a_i相邻时间段的连续m个数据点(m<N)没有或者少数属于式(1)中K个聚类簇，属于AO异常模式，则判断该段数据中存在少数几个噪声点，属检测装置不稳定。

图6是对图5监测数据的异常值检测结果图。从异常数据判断结果图中可以看出，在T＝0～300的数据流中，主要存在三种类型的数据：

在时刻T＝100～110，存在一小片连续的异常数据点，属于IO异常，因此可以得出结论，设备在该段时间出现了不稳定的异常运行状态，应该进一步进行设备的健康状态评估；

在时刻T＝240之后，可以看出此连续时间内的大部分实时数据不属于任何一个正常簇类，属于IO异常，因此可以得出结论，设备在该时刻后出现了可能的故障预兆，应该尽快进行相应模块的设备健康状态评估。

在某些时刻(如T＝50、T＝200)，这些数据点不属于三个聚类簇，而其邻近时刻的数据点为正常数据，因此可以得出该时刻存在明显的异常点数据噪声，属于AO异常，可能是由于某传感器不稳定造成，可以将此忽略。

而实际情况显示，在当天8点15分(时刻T＝100)左右，由于天气原因，该变压器遭受了短时的雷击放电，导致C2H2的值短时间急剧上升，CH4的值略微升高。而该变压器于晚上21点左右开始超额定值运行，导致负荷逐渐上升，伴随顶层油温的逐渐上升及油中CH4含量的轻微升高。实测结果表明，本发明对变电设备监测数据异常值的能快速分析与检测。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于多元时间序列的变电设备在线监测分析系统，其特征在于：由安装在变电设备上的多个数据采集处理终端及主控平台连接构成，所述的数据处理终端包括各类传感器及其调理电路、主控模块和IEC61850规约转换模块，各类传感器及其调理电路连接到主控模块上，主控模块对各种传感器数据进行处理并发送给IEC61850规约转换模块，该IEC61850规约转换模块进行规约转换并通过以太网与主控平台进行数据传输。

2.根据权利要求1所述的基于多元时间序列的变电设备在线监测分析系统，其特征在于：所述的各类传感器及其调理电路包括用于监测变压器油气分离后气体浓度的半导体气敏传感器及其信号调理电路、用于监测变压器顶层油温的铂电阻及其信号调理电路和用于监测环境温度的环境温度传感器，所述的半导体气敏传感器及其信号调理电路连接到主控模块的A/D转换器上，所述的铂电阻及其信号调理电路连接到主控模块的A/D转换器上，所述的环境温度传感器连接到主控模块中的A/D转换器。

3.根据权利要求1所述的基于多元时间序列的变电设备在线监测分析系统，其特征在于：所述主控模块采用LPC2292芯片，所述IEC61850规约转换模块采用OK6410嵌入式开发板。

4.一种如权利要求1至3任一项所述在线监测分析系统的分析方法，其特征在于包括以下步骤：

步骤1、令S为由M维度量空间的点代表的N个数据对象S＝{x_i|i＝1，2，...，N}的集合，将S分成k个子集W₁，W₂，...W_k的一个划分称为k-聚类，其中每个W_i称为一个簇，聚类簇中心依次为c₁，c₂，...，c_k，其中n_j是簇W_j中数据对象的个数，使用如下聚类目标函数来衡量聚类质量好坏：

$J={\mathrm{\&Sigma;}}_{j=1}^k{\mathrm{\&Sigma;}}_{i=1}^{n_i}{d}_{\mathrm{ij}}(x_j,c_j)---\left(1\right)$

其中，d_ij(x_j，c_j)表示数据对象x_j与聚类中心c_j之间的欧式距离，目标函数J表示每个数据对象与所在的聚类中心的距离之和；

步骤2、对特征属性值进行如下标准化处理：

$S_f=\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^n(X_{\mathrm{if}}-m_f)---\left(2\right)$

其中x_1f，...，x_nf是f的n个属性特征值，m_f是f的平均值，其计算公式为：

$m_f=\frac{1}{N}{\mathrm{\&Sigma;}}_{i=1}^n{x}_{\mathrm{if}}---\left(3\right)$

步骤3、确定待检测的在线监测时间序列数据，通过滑动时间窗口SW筛选出候选的异常数据集Q＝{A₁，A₂，...，A_N}，并在时间序列上标记每个候选异常数据 $T_Q=\{t_{A1},t_{A2},...,t_{A_N}\};$

步骤4、判断异常数据集Q中的数据点是是否属于步骤1中的K个聚类簇，若不属于则为异常数据点a_i。

步骤5、根据步骤2中两个公式的输出结果，比较异常数据点a_i及邻近的其他时刻数据点情况，对该多元时间序列进行异常模式的分析：当异常多元数据点a_i相邻时间段的连续m个数据点全部或者大多数不属于步骤1中K个聚类簇，属于IO异常模式，则判断该设备可能出现了异常的运行状态，根据上述m个异常数据点的产生时刻段可以推断出异常状态的发生时间；当异常多元数据点a_i相邻时间段的连续m个数据点没有或者少数属于步骤1中K个聚类簇，属于AO异常模式，则判断该段数据中存在少数几个噪声点，属检测装置不稳定。