CN104764869A - 一种基于多维特征量的变压器气体故障诊断和报警方法 - Google Patents
一种基于多维特征量的变压器气体故障诊断和报警方法 Download PDFInfo
- Publication number
- CN104764869A CN104764869A CN201410764724.3A CN201410764724A CN104764869A CN 104764869 A CN104764869 A CN 104764869A CN 201410764724 A CN201410764724 A CN 201410764724A CN 104764869 A CN104764869 A CN 104764869A
- Authority
- CN
- China
- Prior art keywords
- gas
- data
- transformer
- value
- alarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
一种基于多维特征量的变压器气体故障诊断和报警方法,它分为不良数据处理及变压器报警诊断两个步骤,通过在线监测系统从变压器油中获得溶解气体的浓度值,并将数据反馈给上位机管理系统后,变压器故障预测报警系统就会启动数据有效性算法程序对测量的数据进行数据的有效性判断和数据处理,即判断数据是否为不良数据并处理;在判定数据有效后系统就会启动数据故障误报警判断算法程序进行变压器故障判断,根据变压器在线监测装置测量阀值表,判断是否报警,在确定报警后,通过变压器故障误报警判断程序中的关联气体报警算法,最终确定变压器是否发生故障,即判断是否为误报警,确定是误报警,可判定为变压器正常,否则变压器存在故障。
Description
技术领域
本发明涉及的是一种基于多维特征量的变压器气体故障诊断和报警方法,属于电力设备故障检测和报警技术领域。
背景技术
充油电力变压器在长期的运行过程中受到电或热的作用会老化和劣化会产生少量的气体。当变压器存在热或电故障时就会产生七种对判断变压器故障有价值的特征气体即氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)。如果不是人工排气,产生的气体就会溶解到变压器油中。因此通过测量变压器油中溶解气体的浓度就可判断变压器是否发生故障。
现有变压器气体故障检测和告警技术在线监测系统中,由于传感器的测量误差而导致一些数据不符合电气设备本身变化规律的数据,或不符合测量仪器本身精度和范围的数据;这些数据包括死数据、异常跳变数据等不良数据;如将这些不良数据用于变压器气体故障检测和告警系统的分析计算,将会影响到检测结果的正确性,因此需要加以处理。
变压器油中溶解气体总体来说是一个逐步平稳积累的过程,在故障或异常发生时,气体的数值会发生较大的变化。在正常采样过程中,下列影响因素会导致不良数据的产生:
(1)油中气体扩散分布是个动态的过程,不同组分气体扩散到溶解油中速率不同。
(2)油气分离的效果,影响对气体浓度的测定,数值会产生波动。
(3)色谱柱的测定精度,影响气体浓度数值。
由于所这些影响因素,使得测量气体的数据呈现不规则波动,导致测量值数据中出现不良数据。
发明内容
本发明的目的在于克服现有技术存在的不足,而提供一种方法简单可靠,能提高检测结果的正确性,保证电力设备安全运行,主要利用数据有效性算法对在线监测装置测量到的气体数据进行数据处理及有效性判断,利用特征气体关联报警算法判断特征气体数据变化引起的故障报警是正常报警还是误报警的基于多维特征量的变压器气体故障诊断和报警方法。
本发明的目的是通过如下技术方案来完成的,一种基于多维特征量的变压器气体故障诊断和报警方法,它是通过在线监测系统从变压器油中获得溶解气体的浓度值,并将数据反馈给上位机管理系统后,变压器故障预测报警系统就会启动数据有效性算法程序对测量的数据进行数据的有效性判断和数据处理,即判断数据是否为不良数据并处理,在判定数据有效后系统就会启动数据故障误报警判断算法程序进行变压器故障判断,即判断是否报警,并在确定报警后, 通过变压器故障误报警判断程序中的关联气体报警算法,最终确定变压器是否发生故障,即判断是否为误报警,确定是误报警,可判定为变压器正常,否则变压器存在故障。
本发明所述的不良数据主要包括死数据和异常跳变数据,其中所述的死数据是指在时间序列中,正常应该随时间而变化的数据,在一段时间内不产生变化,这些点数据称为死数据,在确定死数据时,与测量对象的数据特性密切相关;
所述的异常跳变数据是指在时间序列中,在Ti-1时刻数据由于受到干扰,数值产生跳跃性变化,在Ti时刻回落,数值的变化幅度超越了Ti-1时刻前的波动幅度;所述数据是否为不良数据的判断和处理方法包括:
a)死数据的判断和处理:当检测出死数据时,说明传感器存在测量问题,需要人工处理;
b)异常跳变数据的判断:数据跳变设定的条件是单点数据变化较大,跳变后数据会回归到正常水平,对于数据跳变的计算,主要是确认数据变化幅度阈值;
所述异常跳变数据的处理是:基于信号处理中小波去噪原理,对气体浓度值进行滤波处理,其步骤如下:
(1)选择一个小波并确定分解的层次,然后对信号进行小波分解计算;
(2)对各个分解尺度下的高频系数选择一个合适的阈值进行软阈值量化处理;
(3)根据小波分解的最底层低频系数和经过量化处理后的各层的高频系数,进行一维信号的重构,得到恢复的原始信号的估计值。
针对跳变数据即含噪数据,使用小波多尺度分解去噪远离进行去噪。
本发明优选的是:所述变压器油色谱气体在线监测系统中,以下数据认为是死数据:
(1)上位机系统中,接收的数据时标不变,数值也不变,这类点是死数据;
(2)氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、一氧化碳(CO)、二氧化碳(CO2)六种气体以及总烃,其中某类气体数值持续是零值的点,是死数据;
(3)数据点的数值为负值;
在异常跳变数据的判断中,对于变压器油色谱在线监测数据的波动,为找出规律,将N个时间序列数据,后项减前项作差分处理,形成{(Vi+1-Vi)}数据序列,该数据序列实际上反映了数据波动的幅度,近似服从正态分布规律的;根据统计学上的3σ原则,对这些波动幅值做出3σ上控制限UCL和3σ下控制限LCL;计算方法:
记平均值为C,标准差为σ
UCL﹦C+3σ;LCL﹦C-3σ
只要满足计算条件:
IF
(Vi+1-Vi)≥UCL OR(Vi+1-Vi)≤LCL
(Vi-Vi-1)≥UCL OR(Vi-Vi-1)≤LCL
│(Vi+1-Vi)+(Vi-Vi-1)│≤σ
Then
Ti﹦jumppoint跳变点。
本发明所述变压器故障判断报警是:
根据GB/T 7252—2001《变压器油中溶解气体分析和判断导则》,编制变压器在线监测装置测量阈值表,见下表1;当变压器内的特征气体的浓度或者特征气体的变化量超过该表中的阈值到达报警值范围,就认为变压器发生了故障;
表1变压器在线监测装置量测量阈值
本发明所述变压器故障判断报警是:
当充油变压器内部发生故障时,某些气体的含量会迅速增加;当故障点温度较低时,甲烷 (CH4)比例较大;温度升高时,乙烯(C2H4)、氢气(H2)组分急剧增加,比例增大;当严重过热时,还会产生乙炔(C2H2);当变压器固体绝缘发生过热性故障时,除产生低分子烃类(甲烷、乙烷、乙烯)气体外,还会产生较多的一氧化碳(CO)、二氧化碳(CO2);不同故障类型所产生的主要特征气体和次要特征气体归纳于如下表2;
表2充油电力变压器不同故障类型时产生的气体
从表2可得,当变压器发生故障时,变压器油内发生浓度变化的气体有多种;考虑到通过单种气体来诊断变压器故障存在着大量的误报警现象且报警系统无法识别;因此结合表1给出了一套完善的判断标准:即当单一气体浓度发生跃变时,如果相关联的特征气体,至少是1个或多个浓度发生增长性变化,系统就会判断为变压器发生了异常或故障;如果相关联的特征气体均没有发生增长性变化,系统就会判断为数据跃变假告警,即关联气体判断报警。
本发明优选的是:所述根据变压器发生故障时特征气体之间的相关性以及数值贡献率即方差最大的气体,得出该气体就是对应故障发生时,特征气体变化量中的主变化量,为方便逻辑分析,将主变化量气体浓度发生变化报警时,与主变化量气体相关性的高的关联气体,列成一张特征气体关联表,见下表3所述;
表3特征气体关联表
在线监测装置在监测特征气体的浓度时,由于设备的原因以及外界因素的影响,导致监测到的测量值数据与变压器油中溶解的特征气体浓度的实际值存在一定的差异,所以利用灰色预测模型中的GM(1,1)预测模型,对变压器内的特征气体的浓度进行预测,通过该方法获变压器内的故障气体浓度的数值。
本发明根据表3所述,得到以下逻辑关联判断:
(1)当H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果是气体浓度绝对值越告警限(预测值H2≥300),认可报警;
H2气体浓度值(预测值)属于[150,300),预测值ΔH2≥10;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①总烃预测值C1C2≥150、ΔC1C2≥2;
②乙炔预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;其他条件为假告警;
(2)当C2H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值是越报警限(C2H2(预测值)≥1和ΔC2H2(预测值)≥0.3);并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①预测值H2≥150、ΔH2≥10;
②预测值(C1C2-C2H2)≥150、Δ(C1C2-C2H2)≥2;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;其他条件为假告警;
(3)当总烃发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越告警限,如果气体浓度绝对值越报警限((预测值)C1C2≥300),认可报警;
C1C2气体浓度值(预测值)属于[150,300),预测值ΔC1C2≥2;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①H2预测值H2≥150、ΔH2≥10;
②C2H2预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;
(4)当CO发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO≥10000),认可报警;
(5)当CO2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO2≥20000),认可报警。
本发明通过小波分析数据处理,对原始测量数据去噪,使得数据更加真实可靠;利用报警气体的相关气体,给出故障诊断的判断算法,完善了变压器故障的判断变准,使变压器故障报警更可信;它具有方法简单可靠,能提高检测结果的正确性,保证电力设备安全运行等特点。
附图说明
图1是本发明所述的变压器故障预测报警工作流程框图。
图2是本发明所述异常跳变数据图。
图3是本发明所述异常跳变数据中跳变点示意图。
图4是本发明所述小波阀值去噪算法流程框图。
图5是本发明所述含跳变点的数据曲线图。
图6是本发明所述数据去噪后数据曲线图。
具体实施方式
下面将结合附图对本发明作详细的介绍:图1所示,本发明所述的一种基于多维特征量的变压器气体故障诊断和报警方法,它分为不良数据处理及变压器报警诊断两个步骤,具体是通过在线监测系统从变压器油中获得溶解气体的浓度值1,并将数据反馈给上位机管理系统后,变压器故障预测报警系统就会启动数据有效性算法程序对测量的数据进行数据的有效性判断和数据处理,即判断数据是否为不良数据并处理2,是则表示监测装置不稳3;否,进行下一步工序,即使用去噪算法进行数据处理4;上述进行的是不良数据的处理;
在判定数据有效后系统就会启动数据故障误报警判断算法程序进行变压器故障判断,根据变压器在线监测装置测量阀值表,即表1所示,判断是否报警5,否,表示变压器正常6;是,即确定报警后,通过变压器故障误报警判断程序中的关联气体报警算法,即启动数据误报警程序判断是否为误报警7,最终确定变压器是否发生故障,即判断是否为误报警,确定是误报警,可判定为变压器正常8,否则变压器存在故障9。
实施例:
在线监测系统中,由于传感器的测量误差而导致一不符合电气设备本身变化规律的数据,或不符合测量仪器本身精度和范围的数据的出现,将这些数据总称为不良数据,它主要包括死数据、异常跳变数据等。
所述的死数据是:在时间序列中,正常情况下应该随时间而变化的数据,如果在一段时间内不发生变化,则这些点数据称为死数据。在确定数据为死数据时要考虑测量的故障特征气体在变压器内的变化特性以及浓度情况。
在变压器油色谱气体在线监测系统中,以下数据认为是死数据:
(1)上位机系统中,接收的数据时标不变(是过去的时标),数值也不变。
(2)氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、一氧化碳(CO)、二氧化碳(CO2)六种气体以及总烃,其中某类气体的数值持续是零值的点。
(3)数据点的数值为负值。
图2所示,所述的异常跳变数据是:在时间序列中,如果在Ti-1时刻数据由于受到干扰导致数值产生跳跃性变化,如果在Ti时刻回落(上升)的数值的变化幅度超越了Ti-1时刻之前的波动幅度,就认为该时段的数据属于异常跳变数据。
不良数据产生原因主要是:变压器油中溶解气体总体来说是一个逐步平稳积累的过程,在故障或异常发生时,气体的数值会发生较大的变化。在正常采样过程中,下列影响因素会导致不良数据的产生:
(1)油中气体扩散分布是个动态的过程,不同组分气体扩散到溶解油中速率不同。
(2)油气分离的效果,影响对气体浓度的测定,数值会产生波动。
(3)色谱柱的测定精度,影响气体浓度数值。
由于所这些影响因素,使得测量气体的数据呈现不规则波动,导致测量值数据中出现不良数据。
不良数据的识别和处理包括:
第一死数据的处理:当在线监测装置检获得的气体数值中出现死数据时,说明监测装置中的传感器存在测量问题,需要人工处理。
第二异常跳变数据的识别及处理,其中包括:
A异常跳变数据的识别,数据跳变设定的条件是单点数据变化较大,跳变后数据会回归到正常水平,见图3所示;对于数据跳变的计算,主要是确认数据变化幅度阈值。
对于变压器油色谱在线监测数据的波动,为找出规律,将N个时间序列数据,后项减前项作差分处理,形成{(Vi+1-Vi)}数据序列,该数据序列实际上反映了数据波动的幅度,近似服从正态分布规律的。根据统计学上的3σ原则,对这些波动幅值做出3σ上控制限UCL和3σ下控制限LCL。计算方法:
记平均值为C,标准差为σ
UCL﹦C+3σ;LCL﹦C-3σ
只要满足计算条件:
IF
(Vi+1-Vi)≥UCL OR(Vi+1-Vi)≤LCL
(Vi-Vi-1)≥UCL OR(Vi-Vi-1)≤LCL
│(Vi+1-Vi)+(Vi-Vi-1)│≤σ
Then
Ti﹦jump point跳变点。
B异常跳变数据的处理,基于信号处理中的小波去噪原理,对气体浓度值进行滤波处理,利用小波变换把跳变点的数据分解到多尺度中,小波变换多采用二进型,然后在每一尺度下把属于跳变点的小波系数去除,保留并增强属于正常数据的小波系数,最后重构出小波消噪后气体测量值的数据,其步骤如下:
(1)选择一个小波并确定分解的层次,然后对跳变点数据进行小波分解计算;
(2)对各个分解尺度下的高频系数选择一个合适的阈值进行软阈值量化处理;
(3)根据小波分解的最底层低频系数和经过量化处理后的各层的高频系数,进行一维信号的重构,得到恢复的原始气体数值的估计值,具体流程见图4所示。
图5所示,针对跳变数据即含噪数据,使用小波多尺度分解去噪原理进行去噪,结果见图6;
从图5可看出,由于测量仪器的影响,使得测量数据成锯齿状。
从图6可看出,去噪后的数据比较平滑,且单调递增,符合气体积累的客观规律,证明对含跳变点数据的测量值进行去噪处理效果较好。
图2、3所示的数据曲线,描述了工程应用中不良数据表现形式的典型案例。考虑到数据的变化形状与数据的取样长度有关,短周期数据难以反映变化趋势;如果包含不良数据点较多,有效数据不足,不能满足分析计算所需数据量,导致计算无效;如果数据过长,考虑到装置调整对数据产生影响,以及中间数据变化较大,干扰分析计算。从油色谱数据来看,一般在一个月内有15~30个数据,设备正常状态数据变化小,有异常或故障变化明显,因此可近似作线性处理,而且工作计划安排和统计一般也是以月为单位,所以取样数据长度为1个月(30点)较为合适。
本发明所述的变压器故障报警判断主要包括:
1故障报警阈值参照表,根据GB/T 7252—2001《变压器油中溶解气体分析和判断导则》,编制了变压器在线监测装置测量阈值表,当变压器内的特征气体的浓度或者特征气体的变化量超过该表中的阈值到达报警值范围,就认为变压器发生了故障,详见下表1。
表1变压器在线监测装置量测量阈值
2特征气体变量关联报警:通过查阅大量资料和参考文献得到,当充油变压器内部发生故障时,某些气体的含量会迅速增加。当故障点温度较低时,甲烷(CH4)比例较大;温度升高时,乙烯(C2H4)、氢气(H2)组分急剧增加,比例增大;当严重过热时,还会产生乙炔(C2H2)。当变压器固体绝缘发生过热性故障时,除产生低分子烃类(甲烷、乙烷、乙烯)气体外,还会产生较多的一氧化碳(CO)、二氧化碳(CO2);现将不同故障类型所产生的主要特征气体和次要特征气体归纳于表2;
表2充油电力变压器不同故障类型时产生的气体
从表2可得,当变压器发生故障时,变压器油内发生浓度变化的气体有多种。考虑到通过单种气体来诊断变压器故障存在着大量的误报警现象且报警系统无法识别。结合表1下文给出了一套完善的判断标准:当单一气体浓度发生跃变时,如果相关联的特征气体,至少是1个或多个浓度发生增长性变化,系统就会判断为变压器发生了异常或故障;如果相关联的特征气体均没有发生增长性变化,系统就会判断为数据跃变假告警。即关联气体判断报警。为了探究出变压器发生故障时变压器内特征气体之间的相关性,通过查阅变压器发生故障时各种特征气体的浓度数据资料并记录,然后通过统计学上的相关性分析和主成份分析法得出变压器发生故障时故障气体之间的相关性,以及数值贡献率即方差最大的气体,认为该气体就是对应故障发生时,特征气体变化量中的主变化量。为方便逻辑分析,将主变化量气体浓度发生变化报警时,与主变化量气体相关性的高的关联气体,列成一张特征气体关联表,见下表3;
表3特征气体关联表
因为在线监测装置在监测特征气体的浓度时,由于设备的原因以及外界因素的影响,导致监测到的测量值数据与变压器油中溶解的特征气体浓度的实际值存在一定的差异,所以本文利用灰色预测模型中的GM(1,1)预测模型,对变压器内的特征气体的浓度进行预测,通过该方法获变压器内的故障气体浓度的数值。
依据表3,得到以下逻辑关联判断:
(1)当H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果是气体浓度绝对值越告警限(预测值H2≥300),认可报警。
H2气体浓度值(预测值)属于[150,300),预测值ΔH2≥10;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①总烃预测值C1C2≥150、ΔC1C2≥2;
②乙炔预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000)
④CO2气体是否达到注意值(预测值CO2≥4000)
4个条件变量中有1个满足条件,就认可告警。
——其他条件为假告警。
(2)当C2H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值是越报警限(C2H2(预测值)≥1和ΔC2H2(预测值)≥0.3);并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①预测值H2≥150、ΔH2≥10;
②预测值(C1C2-C2H2)≥150、Δ(C1C2-C2H2)≥2;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;其他条件为假告警;
(3)当总烃发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越告警限,如果气体浓度绝对值越报警限((预测值)C1C2≥300),认可报警。
C1C2气体浓度值(预测值)属于[150,300),预测值ΔC1C2≥2;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①H2预测值H2≥150、ΔH2≥10;
②C2H2预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;
(4)当CO发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO≥10000),认可报警。
(5)当CO2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO2≥20000),认可报警。
Claims (7)
1.一种基于多维特征量的变压器气体故障诊断和报警方法,它分为不良数据处理及变压器报警诊断两个步骤,其特征在于:通过在线监测系统从变压器油中获得溶解气体的浓度值(1),并将数据反馈给上位机管理系统后,变压器故障预测报警系统就会启动数据有效性算法程序对测量的数据进行数据的有效性判断和数据处理,即判断数据是否为不良数据并处理(2),是则表示监测装置不稳(3);否,进行下一步工序,即使用去噪算法进行数据处理(4);上述进行的即为不良数据的处理;
在判定数据有效后系统就会启动数据故障误报警判断算法程序进行变压器故障判断,根据变压器在线监测装置测量阀值表,判断是否报警(5),否,表示变压器正常(6);是,即确定报警后,通过变压器故障误报警判断程序中的关联气体报警算法,即启动数据误报警程序判断是否为误报警(7),最终确定变压器是否发生故障,即判断是否为误报警,确定是误报警,可判定为变压器正常(8),否则变压器存在故障(9)。
2.根据权利要求1所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于:本发明所述的不良数据主要包括死数据和异常跳变数据,其中所述的死数据是指在时间序列中,正常应该随时间而变化的数据,在一段时间内不产生变化,这些点数据称为死数据,在确定死数据时,与测量对象的数据特性密切相关;
所述的异常跳变数据是指在时间序列中,在Ti-1时刻数据由于受到干扰,数值产生跳跃性变化,在Ti时刻回落,数值的变化幅度超越了Ti-1时刻前的波动幅度;所述数据是否为不良数据的判断和处理方法包括:
a)死数据的判断和处理:当检测出死数据时,说明传感器存在测量问题,需要人工处理;
b)异常跳变数据的判断:数据跳变设定的条件是单点数据变化较大,跳变后数据会回归到正常水平,对于数据跳变的计算,主要是确认数据变化幅度阈值;
所述异常跳变数据的处理是:基于信号处理中小波去噪原理,对气体浓度值进行滤波处理,其步骤如下:
(1)选择一个小波并确定分解的层次,然后对信号进行小波分解计算;
(2)对各个分解尺度下的高频系数选择一个合适的阈值进行软阈值量化处理;
(3)根据小波分解的最底层低频系数和经过量化处理后的各层的高频系数,进行一维信号的重构,得到恢复的原始信号的估计值。
针对跳变数据即含噪数据,使用小波多尺度分解去噪远离进行去噪。
3.根据权利要求2所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于所述变压器油色谱气体在线监测系统中,以下数据认为是死数据:
(1)上位机系统中,接收的数据时标不变,数值也不变,这类点是死数据;
(2)氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、一氧化碳(CO)、二氧化碳(CO2)六种气体以及总烃,其中某类气体数值持续是零值的点,是死数据;
(3)数据点的数值为负值;
在异常跳变数据的判断中,对于变压器油色谱在线监测数据的波动,为找出规律,将N个时间序列数据,后项减前项作差分处理,形成{(Vi+1-Vi)}数据序列,该数据序列实际上反映了数据波动的幅度,近似服从正态分布规律的;根据统计学上的3σ原则,对这些波动幅值做出3σ上控制限UCL和3σ下控制限LCL;计算方法:
记平均值为C,标准差为σ
UCL﹦C+3σ;LCL﹦C-3σ
只要满足计算条件:
IF
(Vi+1-Vi)≥UCL OR (Vi+1-Vi)≤LCL
(Vi-Vi-1)≥UCL OR (Vi-Vi-1)≤LCL
│(Vi+1-Vi)+(Vi-Vi-1)│≤σ
Then
Ti﹦jumppoint跳变点。
4.根据权利要求1所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于所述变压器故障判断报警是:
根据GB/T 7252—2001《变压器油中溶解气体分析和判断导则》,编制变压器在线监测装置测量阈值表,见下表1;当变压器内的特征气体的浓度或者特征气体的变化量超过该表中的阈值到达报警值范围,就认为变压器发生了故障;
表1 变压器在线监测装置量测量阈值
5.根据权利要求4所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于所述变压器故障判断报警是:
当充油变压器内部发生故障时,某些气体的含量会迅速增加;当故障点温度较低时,甲烷(CH4)比例较大;温度升高时,乙烯(C2H4)、氢气(H2)组分急剧增加,比例增大;当严重过热时,还会产生乙炔(C2H2);当变压器固体绝缘发生过热性故障时,除产生低分子烃类(甲烷、乙烷、乙烯)气体外,还会产生较多的一氧化碳(CO)、二氧化碳(CO2);不同故障类型所产生的主要特征气体和次要特征气体归纳于如下表2;
表2 充油电力变压器不同故障类型时产生的气体
从表2可得,当变压器发生故障时,变压器油内发生浓度变化的气体有多种;考虑到通过单种气体来诊断变压器故障存在着大量的误报警现象且报警系统无法识别;因此结合表1给出了一套完善的判断标准:即当单一气体浓度发生跃变时,如果相关联的特征气体,至少是1个或多个浓度发生增长性变化,系统就会判断为变压器发生了异常或故障;如果相关联的特征气体均没有发生增长性变化,系统就会判断为数据跃变假告警,即关联气体判断报警。
6.根据权利要求5所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于所述根据变压器发生故障时特征气体之间的相关性以及数值贡献率即方差最大的气体,得出该气体就是对应故障发生时,特征气体变化量中的主变化量,为方便逻辑分析,将主变化量气体浓度发生变化报警时,与主变化量气体相关性的高的关联气体,列成一张特征气体关联表,见下表3所述;
表3 特征气体关联表
在线监测装置在监测特征气体的浓度时,由于设备的原因以及外界因素的影响,导致监测到的测量值数据与变压器油中溶解的特征气体浓度的实际值存在一定的差异,所以利用灰色预测模型中的GM(1,1)预测模型,对变压器内的特征气体的浓度进行预测,通过该方法获变压器内的故障气体浓度的数值。
7.根据权利要求6所述的基于多维特征量的变压器气体故障诊断和报警方法,其特征在于:根据表3所述,得到以下逻辑关联判断:
(1)当H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果是气体浓度绝对值越告警限(预测值H2≥300),认可报警;
H2气体浓度值(预测值)属于[150,300),预测值ΔH2≥10;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①总烃预测值C1C2≥150、ΔC1C2≥2;
②乙炔预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;其他条件为假告警;
(2)当C2H2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值是越报警限(C2H2(预测值)≥1和ΔC2H2(预测值)≥0.3);并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①预测值H2≥150、ΔH2≥10;
②预测值(C1C2-C2H2)≥150、Δ(C1C2-C2H2)≥2;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;其他条件为假告警;
(3)当总烃发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越告警限,如果气体浓度绝对值越报警限((预测值)C1C2≥300),认可报警;
C1C2气体浓度值(预测值)属于[150,300),预测值ΔC1C2≥2;并且对比表3《特征气体关联表》同时满足以下条件之一验证:
①H2预测值H2≥150、ΔH2≥10;
②C2H2预测值C2H2≥0.5、ΔC2H2≥0.3;
③CO气体是否达到注意值(预测值CO≥2000);
④CO2气体是否达到注意值(预测值CO2≥4000);
4个条件变量中有1个满足条件,就认可告警;
(4)当CO发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO≥10000),认可报警;
(5)当CO2发生报警时,对比表2《变压器在线监测装置量测量阈值》判断气体浓度绝对值是否越报警限,如果气体浓度绝对值越告警限((预测值)CO2≥20000),认可报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410764724.3A CN104764869B (zh) | 2014-12-11 | 2014-12-11 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410764724.3A CN104764869B (zh) | 2014-12-11 | 2014-12-11 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104764869A true CN104764869A (zh) | 2015-07-08 |
CN104764869B CN104764869B (zh) | 2017-04-12 |
Family
ID=53646830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410764724.3A Active CN104764869B (zh) | 2014-12-11 | 2014-12-11 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104764869B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117512A (zh) * | 2015-07-23 | 2015-12-02 | 华北电力大学 | 变压器预警值的估算方法及装置 |
CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
CN105245000A (zh) * | 2015-09-16 | 2016-01-13 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态预警信息的并行处理方法 |
CN106442830A (zh) * | 2016-09-29 | 2017-02-22 | 广州供电局有限公司 | 变压器油中气体含量告警值的检测方法和系统 |
CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
CN107894969A (zh) * | 2017-09-13 | 2018-04-10 | 中国石油大学(华东) | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN109144027A (zh) * | 2018-07-13 | 2019-01-04 | 深圳华侨城文化旅游科技股份有限公司 | 一种游乐设施的故障预警方法、存储介质及应用服务器 |
CN109270898A (zh) * | 2018-08-30 | 2019-01-25 | 大连理工大学 | 一种具有数据质量诊断与修复功能的建筑能耗数据采集器 |
CN109342630A (zh) * | 2018-11-23 | 2019-02-15 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN109900995A (zh) * | 2019-03-29 | 2019-06-18 | 沈阳天眼智云信息科技有限公司 | 电力变压器健康状态评估方法 |
CN110220982A (zh) * | 2019-05-09 | 2019-09-10 | 国家电网有限公司 | 基于油色谱的变压器故障分析方法及终端设备 |
CN110463215A (zh) * | 2017-01-31 | 2019-11-15 | 西门子股份公司 | 用于提供技术设备的测量值的方法、技术系统和用于运行技术系统的方法 |
CN111272222A (zh) * | 2020-02-28 | 2020-06-12 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN111289728A (zh) * | 2020-03-26 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种绝缘油中溶解气体监测装置及方法 |
CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
CN113702331A (zh) * | 2021-08-23 | 2021-11-26 | 湖南五凌电力科技有限公司 | 基于油光谱的变压器检测方法、装置、设备和存储介质 |
CN113804800A (zh) * | 2021-07-01 | 2021-12-17 | 国网四川省电力公司电力科学研究院 | 一种多点位变压器快速在线监测装置及方法 |
WO2022004139A1 (ja) * | 2020-07-01 | 2022-01-06 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
CN114994230A (zh) * | 2022-07-18 | 2022-09-02 | 广东电网有限责任公司佛山供电局 | 主变压器油色谱异常的确定方法、装置和存储介质 |
CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2570802Y (zh) * | 2002-09-18 | 2003-09-03 | 新疆特变电工股份有限公司 | 变压器油中溶解气体在线监测装置 |
CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
JP2008042130A (ja) * | 2006-08-10 | 2008-02-21 | Tokyo Electric Power Co Inc:The | 油入電気機器の内部異常診断方法 |
KR20110122238A (ko) * | 2010-05-04 | 2011-11-10 | 남창현 | 헤드스페이스 공간가스를 이용한 변압기 내부이상 진단방법 및 진단장치 |
CN202748346U (zh) * | 2012-08-21 | 2013-02-20 | 广西电网公司电力科学研究院 | 一种电力变压器绝缘油中溶解气体智能在线监测装置 |
CN103018345A (zh) * | 2012-12-17 | 2013-04-03 | 上海思源光电有限公司 | 油色谱在线监测采集系统及其方法 |
WO2013100593A1 (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | 유중가스 함량비를 통한 유입변압기의 내부결함 진단방법 |
CN104020754A (zh) * | 2014-05-16 | 2014-09-03 | 国家电网公司 | 一种变电站一次主设备状态监测信息接入调控系统的方法 |
CN104156568A (zh) * | 2014-07-22 | 2014-11-19 | 国家电网公司 | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 |
-
2014
- 2014-12-11 CN CN201410764724.3A patent/CN104764869B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2570802Y (zh) * | 2002-09-18 | 2003-09-03 | 新疆特变电工股份有限公司 | 变压器油中溶解气体在线监测装置 |
CN1484034A (zh) * | 2002-09-18 | 2004-03-24 | 新疆特变电工股份有限公司 | 变压器在线智能监测系统及其智能分析诊断方法 |
JP2008042130A (ja) * | 2006-08-10 | 2008-02-21 | Tokyo Electric Power Co Inc:The | 油入電気機器の内部異常診断方法 |
KR20110122238A (ko) * | 2010-05-04 | 2011-11-10 | 남창현 | 헤드스페이스 공간가스를 이용한 변압기 내부이상 진단방법 및 진단장치 |
WO2013100593A1 (ko) * | 2011-12-26 | 2013-07-04 | 주식회사 효성 | 유중가스 함량비를 통한 유입변압기의 내부결함 진단방법 |
CN202748346U (zh) * | 2012-08-21 | 2013-02-20 | 广西电网公司电力科学研究院 | 一种电力变压器绝缘油中溶解气体智能在线监测装置 |
CN103018345A (zh) * | 2012-12-17 | 2013-04-03 | 上海思源光电有限公司 | 油色谱在线监测采集系统及其方法 |
CN104020754A (zh) * | 2014-05-16 | 2014-09-03 | 国家电网公司 | 一种变电站一次主设备状态监测信息接入调控系统的方法 |
CN104156568A (zh) * | 2014-07-22 | 2014-11-19 | 国家电网公司 | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
肖燕彩等: "基于溶解气体分析的电力变压器在线监测与诊断技术", 《电力自动化设备》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117512B (zh) * | 2015-07-23 | 2018-06-08 | 华北电力大学 | 变压器预警值的估算方法及装置 |
CN105117512A (zh) * | 2015-07-23 | 2015-12-02 | 华北电力大学 | 变压器预警值的估算方法及装置 |
CN105245000A (zh) * | 2015-09-16 | 2016-01-13 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态预警信息的并行处理方法 |
CN105245000B (zh) * | 2015-09-16 | 2017-10-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态预警信息的并行处理方法 |
CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
CN105223293B (zh) * | 2015-11-09 | 2017-05-17 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
CN106442830A (zh) * | 2016-09-29 | 2017-02-22 | 广州供电局有限公司 | 变压器油中气体含量告警值的检测方法和系统 |
CN106442830B (zh) * | 2016-09-29 | 2018-04-13 | 广州供电局有限公司 | 变压器油中气体含量告警值的检测方法和系统 |
US11131606B2 (en) | 2017-01-31 | 2021-09-28 | Siemens Energy Global GmbH & Co. KG | Method for providing measured values of a technical installation, technical system, and method for operating the technical system |
CN110463215A (zh) * | 2017-01-31 | 2019-11-15 | 西门子股份公司 | 用于提供技术设备的测量值的方法、技术系统和用于运行技术系统的方法 |
CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
CN106845728B (zh) * | 2017-02-14 | 2020-11-06 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
CN107894969A (zh) * | 2017-09-13 | 2018-04-10 | 中国石油大学(华东) | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN107894969B (zh) * | 2017-09-13 | 2020-11-24 | 山东大学 | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN107942994B (zh) * | 2017-11-07 | 2019-06-28 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
CN109144027A (zh) * | 2018-07-13 | 2019-01-04 | 深圳华侨城文化旅游科技股份有限公司 | 一种游乐设施的故障预警方法、存储介质及应用服务器 |
CN109270898A (zh) * | 2018-08-30 | 2019-01-25 | 大连理工大学 | 一种具有数据质量诊断与修复功能的建筑能耗数据采集器 |
CN109342630A (zh) * | 2018-11-23 | 2019-02-15 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN109342630B (zh) * | 2018-11-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN109900995A (zh) * | 2019-03-29 | 2019-06-18 | 沈阳天眼智云信息科技有限公司 | 电力变压器健康状态评估方法 |
CN110220982A (zh) * | 2019-05-09 | 2019-09-10 | 国家电网有限公司 | 基于油色谱的变压器故障分析方法及终端设备 |
CN111272222A (zh) * | 2020-02-28 | 2020-06-12 | 西南交通大学 | 一种基于特征量集的变压器故障诊断方法 |
CN111289728A (zh) * | 2020-03-26 | 2020-06-16 | 云南电网有限责任公司电力科学研究院 | 一种绝缘油中溶解气体监测装置及方法 |
WO2022004139A1 (ja) * | 2020-07-01 | 2022-01-06 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
JP7405707B2 (ja) | 2020-07-01 | 2023-12-26 | 株式会社日立製作所 | 変圧器の診断方法および診断システム |
CN113804800A (zh) * | 2021-07-01 | 2021-12-17 | 国网四川省电力公司电力科学研究院 | 一种多点位变压器快速在线监测装置及方法 |
CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
CN113702331A (zh) * | 2021-08-23 | 2021-11-26 | 湖南五凌电力科技有限公司 | 基于油光谱的变压器检测方法、装置、设备和存储介质 |
CN113702331B (zh) * | 2021-08-23 | 2023-07-21 | 湖南五凌电力科技有限公司 | 基于油光谱的变压器检测方法、装置、设备和存储介质 |
CN114994230A (zh) * | 2022-07-18 | 2022-09-02 | 广东电网有限责任公司佛山供电局 | 主变压器油色谱异常的确定方法、装置和存储介质 |
CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
CN117110587B (zh) * | 2023-10-25 | 2024-01-23 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104764869B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104764869A (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN109614576B (zh) | 基于多维高斯分布与趋势分段的变压器异常检测方法 | |
Liu et al. | A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme | |
KR100387457B1 (ko) | 스펙트럼 신호들의 감시 시스템 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN105300923A (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN100485362C (zh) | 基于电化学噪声的局部腐蚀分析方法和装置 | |
CN103678765A (zh) | 基于在线监测的变压器运行状态综合评估方法 | |
CN104156568A (zh) | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 | |
CN103197177A (zh) | 一种基于贝叶斯网络的变压器故障诊断分析方法 | |
CN104573321A (zh) | 一种变压器油中溶解气体不良数据的识别和处理方法 | |
CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
US20190056446A1 (en) | Method and system for assessment of fault severity, risk exposure, and gassing status for liquid-filled high-voltage apparatus | |
CN109490685B (zh) | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
CN103399237A (zh) | 一种检测油浸式变压器故障的方法 | |
CN116304957A (zh) | 一种供变电设备监测状态突变在线识别方法 | |
CN110319957A (zh) | 船体结构应力监测系统传感器无规律异常值故障诊断方法 | |
CN108345289B (zh) | 一种基于替代数据法的工业过程平稳性检测方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
KR20130074671A (ko) | 유중가스 함량비 조합을 통한 유입변압기의 내부결함 진단방법 | |
CN105606969A (zh) | 一种能够分级别预警的输电变压器控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |