CN105203876A - 一种利用支持向量机和相关分析的变压器在线监测状态评估方法 - Google Patents

Abstract

本发明提供一种利用支持向量机和相关分析的变压器在线监测状态评估方法，属于电力系统高压设备的状态监测技术领域。本发明利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次利用历史数据确定支持向量机样本划分训练的界限和阀值。将相关系数作为支持向量机的输入矩阵，进行多分支支持向量机实现数据训练，最终根据支持向量机三次训练结果对变压器运行状态进行划分，经仿真表明，该方法可有效指导变压器运行和状态评估。本发明所采用的方法，有效的突破了现有的变压器在线监测信息不能互通互联的瓶颈。

Description

一种利用支持向量机和相关分析的变压器在线监测状态评估方法

技术领域

本发明提供一种利用支持向量机和相关分析的变压器在线监测状态评估方法，属于电力系统高压设备的状态监测技术领域。

背景技术

变电站作为电力能源变送及分配的枢纽载体，是电力网络系统的主要节点环节，其设备运行状态跟踪及健康状态评估对于电网安全稳定运行具有重要作用。智能电网最重要的特征是一次设备智能化和二次系统网络化，变电站设备在线监测系统由于可实时反映设备运行状态广泛应用于智能变电站一次设备智能化。目前变电站设备在线监测系统信息分散，信息共享综合分析诊断不足，变电站在线监测子站不能给检修人员推送有用的设备状态信息，造成“数据过剩而信息匮乏”的现状，其根本原因在于不同在线监测装置各自为政，难以进行基于多维、全景的设备信息状态评估所致。目前现有的变电站设备在线监测系统信息分散，信息共享综合分析诊断不足，变电站在线监测子站不能给检修人员推送有用的设备状态信息，造成“数据过剩而信息匮乏”的现状，其根本原因在于不同在线监测装置各自为政，难以进行基于多维、全景的设备信息状态评估所致。变电站设备在线监测系统存在以下问题：过分关注对故障的实时精确判断，忽视基于历史数据与实时数据纵向互联的电力设备状态趋势分析；各个监测系统所采集的数据孤立，缺乏设备多维横向互联的全景信息利用。

由于存在上述因素，针对目前变电站设备在线监测系统存在的问题，为有效指导变压器运行和状态评估，提出了一种利用支持向量机和相关分析的变压器在线监测状态评估方法。利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次利用历史数据确定支持向量机样本划分训练的界限和阀值。将相关系数作为支持向量机的输入矩阵，进行多分支支持向量机实现数据训练，最终根据支持向量机三次训练结果对变压器运行状态进行划分，经仿真表明，该方法可有效指导变压器运行和状态评估。

发明内容

一种利用支持向量机和相关分析的变压器在线监测状态评估方法，利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次利用历史数据确定支持向量机样本划分训练的界限和阀值。将相关系数作为支持向量机的输入矩阵，进行多分支支持向量机实现数据训练，最终根据支持向量机三次训练结果对变压器运行状态进行划分，经仿真表明，该方法可有效指导变压器运行和状态评估。

具体步骤如下：

第一步、数据归一化，标准化等预处理。将不同采样频率下、具有不同单位的数据进行归一化和标准化处理的目的是使得各类数据能够在同一标准下进行融合。将二维数据x(n)和y(n)求取其均方根为：

${\mathrm{\σ}}_x={\[\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}{x}^2\left(n\right)\]}^{\frac{1}{2}}---\left(1\right)$

${\mathrm{\σ}}_y={\[\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}{y}^2\left(n\right)\]}^{\frac{1}{2}}---\left(2\right)$

式(1)、(2)中，N为相关信号采样点数。

定义数字信号x(n)和y(n)互相关函数如下：

$r_{xy}\left(j\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)y(n+j)---\left(3\right)$

其中，N为相关信号采样点数，j为两个信号之间时间差，j＝0,1,….。

根据(3)式对两组信号进行归一化运算，得到相关系数ρ_xy：

${\mathrm{\ρ}}_{xy}=\frac{r_{xy}}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(4\right)$

第二步、对获得的历史数据以当前采样点的前M个点构成的时窗长度为一组进行局部相关系数的计算。其中M的长度根据设备运行周期和所选取的参量变化快慢而定。由第一步骤得到相关系数曲线，该曲线即表达二维信息历史数据局部相关性随时间的变化。

第三步、确定阀值。利用历史数据确定支持向量机SVM样本划分训练的界限和阀值，即告警值利用故障规程值作为阈值，正常值用出厂值作为初始阈值，预警值和异常值利用与历史数据相比较的相关系数作为参考依据。

第四步、利用多分支支持向量机实现数据训练。将所得到的油色谱和油温两列相关系数序列作为支持向量机输入矩阵，进行第一次SVM1训练。首先把训练样本分为异常和正常两类；其次，对异常样本进行第二次SVM2训练，把训练样本分为预警和未预警两类；最后，对预警样本进行第三次SVM3训练，再把训练样本分为告警和未告警两类。

本发明的有益效果为：

(1)本发明所采用的方法，有效的突破了现有的变压器在线监测信息不能互通互联的瓶颈。

(2)本发明所涉及的基于支持向量机与相关性分析算法摆脱了传统的物理模型，脱离离散信息分析方法吗，直接基于数据模型，从有限数据样本出发，对变压器进行全景的信息分析，寻找传统变压器故障监测无法获得的潜在规律。

附图说明

图1为实施例1中油温曲线；

图2为实施例1中油温与其他气体相关系数曲线；

图3为实施例1中油温与乙炔、乙烯相关系数曲线；

图4为实施例1中SVM1的训练结果；

图5为实施例1中SVM2的训练结果；

图6为实施例1中SVM3的训练结果；

图7为实施例1中多分支支持向量机算法训练流程图。

具体实施方式

实施例1：本实例中选取变压器油温和油色谱数据进行实例展示。油温数据如图1所示。将不同采样频率下、具有不同单位的油温数据和油色谱数据(包括甲烷、乙烷、氢气、乙烯、氧气、一氧化碳)进行归一化和标准化处。得到相关系数曲线如图2所示。由于乙炔和乙烯属于过热故障气体，在图2中乙炔和乙烯相关系数曲线变化较大，因此选取乙炔和乙烯气体为主要研究气体。求取油色谱数据x(n)和油温数据y(n)求取其均方根。对两组信号进行归一化运算后，得到相关系数ρ_xy如图3所示。对获得的历史数据以当前采样点的前8个点构成的时窗长度为一组进行局部相关系数的计算，如图3所示。将所得到的油色谱和油温两列相关系数序列作为支持向量机输入矩阵，分别经过SVM1、SVM2、SVM3学习训练后得到的结果，为正常、异常、未预警、预警、未告警、告警结果样本，即相关度在0.9～1之间为正常样本，0.8～0.9之间为异常，0.6～0.8之间为预警，低于0.6则为告警。

Claims (2)

1.一种利用支持向量机和相关分析的变压器在线监测状态评估方法，其特征在于：利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算；再次利用历史数据确定支持向量机样本划分训练的界限和阀值，将相关系数作为支持向量机的输入矩阵，进行多分支支持向量机实现数据训练，最终根据支持向量机三次训练结果对变压器运行状态进行划分。

2.根据权利要求书1所述的利用支持向量机和相关分析的变压器在线监测状态评估方法，其特征在于具体步骤如下：

第一步：将不同采样频率下、具有不同单位的数据进行归一化和标准化处理的目的是使得各类数据能够在同一标准下进行融合，将二维数据x(n)和y(n)求取其均方根为：

${\mathrm{\σ}}_x={\[\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}{x}^2\left(n\right)\]}^{\frac{1}{2}}---\left(1\right)$

${\mathrm{\σ}}_y={\[\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}{y}^2\left(n\right)\]}^{\frac{1}{2}}---\left(2\right)$

式(1)、(2)中，N为相关信号采样点数；

定义数字信号x(n)和y(n)互相关函数如下：

$r_{xy}\left(j\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}x\left(n\right)y(n+j)---\left(3\right)$

其中，N为相关信号采样点数，j为两个信号之间时间差，j＝0,1,….；

根据(3)式对两组信号进行归一化运算，得到相关系数ρ_xy：

${\mathrm{\ρ}}_{xy}=\frac{r_{xy}}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(4\right)$

第二步：对获得的历史数据以当前采样点的前M个点构成的时窗长度为一组进行局部相关系数的计算，其中M的长度根据设备运行周期和所选取的参量变化快慢而定，由第一步骤得到相关系数曲线，该曲线即表达二维信息历史数据局部相关性随时间的变化；

第三步：利用历史数据确定支持向量机SVM样本划分训练的界限和阀值，即告警值利用故障规程值作为阈值，正常值用出厂值作为初始阈值，预警值和异常值利用与历史数据相比较的相关系数作为参考依据；

第四步：将所得到的油色谱和油温两列相关系数序列作为支持向量机输入矩阵，进行第一次SVM1训练，首先把训练样本分为异常和正常两类；其次，对异常样本进行第二次SVM2训练，把训练样本分为预警和未预警两类；最后，对预警样本进行第三次SVM3训练，再把训练样本分为告警和未告警两类。