CN105353256B

CN105353256B - 一种输变电设备状态异常检测方法

Info

Publication number: CN105353256B
Application number: CN201510862315.1A
Authority: CN
Inventors: 严英杰; 盛戈皞; 邱才明; 侯慧娟; 刘亚东; 江秀臣; 陈玉峰; 郭志红
Original assignee: Shanghai Jiaotong University; State Grid Shandong Electric Power Co Ltd
Current assignee: Shanghai Jiaotong University; State Grid Shandong Electric Power Co Ltd
Priority date: 2015-11-30
Filing date: 2015-11-30
Publication date: 2018-05-25
Anticipated expiration: 2035-11-30
Also published as: CN105353256A

Abstract

本发明公开了一种输变电设备状态异常检测方法，包括：步骤S1，在变电站安装在线综合监测装置，测量状态量；步骤S2，确定状态量与设备状态的对应关系；步骤S3，利用高维随机矩阵对的设备状态量数据的时间序列进行表征；步骤S4，分析运行历史中各时段状态数据的谱分布、圆环率；步骤S5，将设备状态量化为状态评估值P；步骤S6，比较设备状态评估值P与设备状态评估值的阈值P_阈值判断设备状态矩阵是否出现异常，进而检测出设备状态的异常；步骤S7，根据残差序列矩阵的正态性检验求出异常状态和异常时刻。

Description

一种输变电设备状态异常检测方法

技术领域

本发明涉及输变电设备检测技术领域，具体是一种输变电设备状态异常的检测方法。

背景技术

随着智能电网和能源互联网的不断发展，现代电力系统正在逐渐演变成为一个汇聚大量数据和庞大信息计算的系统，电网实时数据采集、传输、存储以及海量多元数据快速分析成为了支撑智能电网可靠运行的基础。对于输变电设备状态数据，随着状态监测技术的多元化发展和SCADA系统、生产管理系统、EMS系统等信息应用系统的关联交互使得其数据量呈指数型增长，逐渐表现出大数据的规模大、类型多、价值密度低的特征，因此对输变电设备状态数据的分析处理提出了更高的要求。

目前，国内外对输电设备状态的异常检测方法研究较少，大体分为以下两类：

1)现有的研究大都是基于单一系统的部分设备信息的故障诊断，设备的实际运维中大都采用简单阈值判定方法来检测异常，设备信息利用率和设备信息利用率和和状态评价正确率都偏低。

2)目前在线监测数据异常检测方面具有研究的大数据技术有时间序列分析、马尔可夫模型、遗传规划算法、分类算法等，但这些研究大都还是试探性的，没有形成合理、完善的评价模型。因此设备的状态评估需要提高状态数据(尤其是在线监测数据)利用率，构建其大数据表征方法。电力设备在线监测数据相对于试验和带电检测数据具有检测点分布广、采样周期短的特点，其丰富的历史数据是反映设备状态变化的有效依据。

发明内容

本发明的目的在于克服上述现有技术的缺点，提出一种输变电设备状态的异常检测方法，在综合设备状态量和设备性能的基础上实现异常状态的准确检测。首先确定状态量与设备状态的对应关系，然后利用高维随机矩阵理论对状态数据的时间序列进行表征和组合，最后通过分析运行历史中各时段状态数据的谱分布、圆环率，研究关键性能的变化趋势，及时检测出设备状态的异常。

本发明的技术解决方案如下：

一种输变电设备状态异常的检测方法，其特点在于，该方法包括以下步骤：

步骤S1，在变电站安装在线综合监测装置，测量状态量；

所述的在线综合监测装置包括：测量绕组温度的光纤绕组测温装置、测量接地电流的接地电流监测装置、测量套管介损的套管监测装置、局部放电监测装置和振动监测装置。

步骤S2，确定状态量与设备状态的对应关系；

所述的状态量是指负荷数据、绕组温度、接地电流、套管介损、局部放电和振动数据、环境温度和环境湿度等。其中，绕组温度包含顶层油温和底层油温；套管介损包含全电流、电容值和介损值。负荷数据是在变电站能量管理系统中直接取出；绕组温度、接地电流、套管介损、局部放电和振动数据是通过安装在变电站的在线综合监测装置测量得到，环境温度和环境湿度数据是在变电站气象监测系统中直接取出。

获取方式如下表1所示

结合所搜集的故障样本和相关文献，定义了5类设备状态，并建立起状态量与设备状态的对应关系，如表2所示。所述的设备状态包括负载性能、绝缘性能(过热、放电、受潮)和机械性能，以上5类设备状态均是通过查阅标准、文献总结得到的，这些状态分别描述了变压器运行中的电、热、机械方面的性能。其中负载性能反映变压器的过负荷能力及在大负荷下的安全运行能力；绝缘性能包括过热、放电、受潮三类，分别反映在负荷下的热稳定能力、绝缘老化或击穿的程度、变压器绝缘油和纸的受潮程度；机械性能反映变压器各组成部件的机械性能及正常运行时的振动、抖动等的程度。

表2状态量与设备状态的对应关系

步骤S3，利用高维随机矩阵对的设备状态量数据的时间序列进行表征、组合和叠加后得到表征设备状态的高维矩阵；

高维随机矩阵理论中表征的大数据结构是灵活多样的，矩阵中的数据既可以是遵循某种分布的随机数，也可以是确定数据，矩阵的构造原则是对行和列中元素进行调整以得到最优的行列数比值。

假设有N个观测点，每个观测点得到一个状态量数据向量x_i∈C^T×1，i＝1,2,…,N，则原始矩阵为

当N相对于T较小，即时，将x_i按顺序拆分成k段，即逐行叠加生成高维矩阵X’：

这样就将原始观测值得到的矩阵X_N×T转化为X'_(kN)×(T/k)，其行列比

以某变电站A为例，该变电站有换流变6台(含ABC相)，高抗6台(含ABC相)，每台均装有在线综合监测装置(共计12套)，监测量包含了油色谱、绕组测温、接地电流、套管介损、振动、微气象。表3中第二列为各监测量的采集周期，第三列为预处理后的原始矩阵三列所示，按式(2)构造行列比合适的矩阵如表3中第四列所示。

表3状态量的高维矩阵

根据步骤S2中状态量与设备状态应关系，将对应的状态量矩阵直接叠加形成表征设备状态的高维矩阵X₁～X₅，如表4所示。

表4设备状态矩阵

步骤S4，分析运行历史中各时段状态数据的谱分布、圆环率；

将设备状态矩阵用高维矩阵X_p×n表征，如式(2)所示X＝(x₁,x₂,...,x_n)，其中x₁,x₂,...,x_n是各状态量的n个独立的向量。由于高维矩阵X_p×n中的元素均为实数，因此通过酉矩阵U对X的样本协方差阵进行奇异化得到等效矩阵

当X_u是一个随机矩阵并有X_u＝U_nΛ_nV_n时，其中Λ_n＝diag(s₁,s₂,...,s_n)并且U_n和V_n是两个Haar分布且与Λ相独立的随机酉矩阵。在一定条件下X_u的经验谱密度将收敛于

{z∈C:a₁≤|z|≤b₁} (3)

其中，a₁＝(∫x^-2v(dx))^-1/2，b₁＝(∫x²v(dx))^-1/2。

其物理意义在于将的所有特征值在复平面上表示，特征根分布近似为一个内径为a₁、外径为b₁的圆环。

步骤S5，将设备状态量化为状态评估值P，具体如下：

S5.1利用径向基核的KPCA方法对步骤S4中得到的圆环中的散点进行聚类，得到KPCA重构曲线，曲线距原点的最小距离的倒数定义为散点密度C；

S5.2以正常运行半年以上变压器的历史数据为基础，计算每周历史数据的散点密度，取均值C_历史；

S5.3计算设备状态评估值P，公式如下；

P＝1-C_待测/C_历史

其中，C_历史为每周历史数据的散点密度的均值，C_待测为将待测数据的散点密度；

步骤S6，比较设备状态评估值P与设备状态评估值的阈值P_阈值判断设备状态矩阵是否出现异常，进而检测出设备状态的异常。

当状态数据出现异常时，其时间序列会发生水平漂移或趋势改变，导致原有的模型参数不再适用于异常发生后的序列，其样本协方差阵的谱分布函数的曲线形状以及复平面圆环的内外径。

步骤S7，根据残差序列矩阵的正态性检验求出异常状态和异常时刻。

高维矩阵X_p×n中各列向量x₁,x₂,...,x_n通过ARMA模型拟合后得到拟合残差序列，同理可构造成高维随机矩阵X_e＝(x_1e,x_2e,...,x_ne)，x_1e,x_2e,...,x_ne是各状态量残差的n个独立向量。

X_e的元素均服从N(0,1)分布，则根据M-P律X_e的协方差阵R_e的特征根的取值范围是[a₂,b₂]。每个特征值λ_i对应的特征向量v_i中元素u₁,u₂,...,u_n服从N(0,1)分布：

当X_e矩阵中的第i行第j₁～j_k个元素发生趋势改变、水平漂移等现象而不再服从N(0,1)分布时，R_e的最大特征根λ_max将λ_max＞b₂。当R_e的实际谱密度在坐标轴上画出时，其最大特征根λ_max不属于极限谱分布函数的包络内，对应的特征向量v_i中第j₁～j_k个元素也不再服从N(0,1)分布。

因此在设备状态出现异常时，对状态量拟合模型并求出残差的高维矩阵，分析其特征向量元素分布来检测矩阵中出现异常的行与列，以对应到异常状态量和异常时刻。

与现有技术相比，本发明的有益效果是：历史和当前的状态数据得到了充分利用；对历史故障样本进行挖掘，寻找状态量间的关联；将运行历史中各时段的数据进行比对，通过圆环的变化反映设备状态的变化趋势，并实现设备状态的异常检测。

附图说明

图1为色谱和油温数据，其中，a为油温数据，b为油中CO/CO2的数据，c为油中气体H2和CH4的数据，d为局放平均放电量；

图2为绝缘性能(过热、放电)矩阵的圆环对比，其中：

a为表征Week1(4.2～4.8)绝缘性能(过热)的圆环；

b为表征Week2(6.06～6.12)绝缘性能(过热)的圆环；

c为表征Week3(6.13～6.19)绝缘性能(过热)的圆环；

d为表征Week1(4.2～4.8)绝缘性能(放电)的圆环；

e为表征Week2(6.06～6.12)绝缘性能(放电)的圆环；

f为表征Week3(6.13～6.19)绝缘性能(放电)的圆环；

图3为不同时段的设备状态评估值对比

具体实施方式

下面结合附图和实施例对本发明进一步说明，但不应以此限制本发明的保护范围。

该变电站所连接的线路处于雷电严重区域，每年的4～8月都是雷电频发时段。由于状态量采样率不同，这里选取4～8月份的油中气体CO/CO2、H2和CH4的数据(图1b，1c)和6.13～6.19的油温数据(图1a)和局放平均放电量(图1d)。从图1中可以直接看出，在第T＝345个数据点(6月16日)开始油中气体H2和CH4出现水平向上的迁移，CO和CO2的上升速率加快，油温数据在T＝400～420之间明显高于正常值，在T＝580后逐渐回落，但整体对比T＝400之前的数值略有上升。

对该设备的异常检测具体如下：

1)选取4.2～4.8(Week 1)和6.06～6.12(Week 2)，6.13～6.19(Week 3)这三周的数据分别构成绝缘性能(过热)的三个高维矩阵。根据表2，通过每一周设备状态量的数据形成的绝缘性能(过热)的高维矩阵构成形式如下所示：

2)构造其特征值圆环(如图2的a、b、c)，发现从6.13～6.19这一周的绝缘性能(过热)圆环内径明显增大，表明了绝缘性能(过热)在这一周出现了明显劣化；同理，如图2d、2e、2f所示，绝缘性能(放电)也出现明显劣化。根据步骤S5计算出4.2～4.8和6.13～6.19这两周的绝缘性能(过热)评估值P，分别为0.91和0.57，发现6.13～6.19这周的评估值大为减小，因此判断绝缘性能(过热)出现明显劣化。

3)以上步骤表明，设备状态在6.13～6.19这周出现了严重异常，需检出各设备状态矩阵中的异常状态量及异常时刻，结果如表5所示。

表5异常类型对应的异常状态量

根据表5，变压器在6月15日时油温出现异常，使变压器出现过热现象，但在数日后恢复，表明变压器内部出现劣化，但不足以形成过热缺陷；6月份气体H2、CO、CO2均出现明显异常，7～8月份异常现象并未消除，H2异常表征出现了轻微放电现象，CO/CO2异常表示固体绝缘出现了劣化。

4)综合以上步骤，并根据步骤S5计算出设备状态评估值，其雷达图如图3所示，最终可以得到设备状态的异常检测结论：4至6月该变压器绝缘性能(过热)和绝缘性能(放电)已出现缓慢劣化，并在6月份中旬劣化加剧，极可能存在潜伏性故障；从劣化的状态量来看，绝缘劣化为轻微放电引起，并涉及固体绝缘。因此，应该密切跟踪色谱的变化情况，及时安排停电试验。

通过查阅该变电站的运行记录以及离线试验报告可知：1.在6月15日16：04变电站所连线路在离站2.1km处受雷电冲击造成单相接地故障，0.3秒后重合闸成功；2.在7月2日对变压器进行局放停电试验，发现变压器中存在轻微放电现象。以上运行记录表明：该变电站近区的接地故障对变压器造成了短时大电流冲击，极可能造成变压器内部的绝缘劣化，进而造成放电，这说明算例的结论与实际情况基本一致。

Claims

1.一种输变电设备状态异常的检测方法，其特征在于，该方法包括以下步骤：

步骤S1，在变电站安装在线综合监测装置，测量状态量；

步骤S2，确定状态量与设备状态的对应关系；

步骤S3，利用高维随机矩阵对设备状态量数据的时间序列进行表征、组合和叠加后得到表征设备状态的高维矩阵；

步骤S5，将设备状态量化为状态评估值P，具体如下：

S5.1 利用径向基核的KPCA方法对步骤S4中得到的圆环中的散点进行聚类，得到KPCA重构曲线，曲线距原点的最小距离的倒数定义为散点密度C；

S5.2 以正常运行半年以上变压器的历史数据为基础，计算每周历史数据的散点密度，取均值C_历史；

S5.3 计算设备状态评估值P，公式如下；

P＝1-C_待测/C_历史

步骤S6，比较设备状态评估值P与设备状态评估值的阈值P_阈值判断设备状态的高维矩阵是否出现异常，进而检测出设备状态的异常。

2.根据权利要求1所述的输变电设备状态异常的检测方法，其特征在于，步骤S1中，所述的在线综合监测装置包括测量绕组温度的光纤绕组测温装置、测量接地电流的接地电流监测装置、测量套管介损的套管监测装置、局部放电监测装置和振动监测装置。

3.根据权利要求1所述的输变电设备状态异常的检测方法，其特征在于，步骤S2中，所述的状态量是指负荷数据、绕组温度、接地电流、套管介损、局部放电和振动数据、环境温度和环境湿度；其中，负荷数据、环境温度和环境湿度数据是在变电站能量管理系统中直接读取，绕组温度包含顶层油温和底层油温，套管介损包含全电流、电容值和介损值；所述的绕组温度、接地电流、套管介损、局部放电和振动数据都是通过安装在变电站的在线综合监测装置测量得到；

所述的设备状态包括反映变压器的过负荷能力及在大负荷下的安全运行能力的负载性能；反映在负荷下的热稳定能力、绝缘老化或击穿的程度、变压器绝缘油和纸的受潮程度的绝缘性能；以及反映变压器各组成部件的机械性能。

4.根据权利要求1所述的输变电设备状态异常的检测方法，其特征在于，步骤S3中利用高维随机矩阵对获取的设备状态量的数据进行表征、组合和叠加，形成了表征设备状态的高维矩阵，具体如下：

选择N个观测点，每个观测点得到一个状态量数据x_i∈C^T×1，i＝1,2,…,N，T表示观测点采集数据的时间长度，则原始矩阵为

<mrow> <msub> <mi>X</mi> <mrow> <mi>N</mi> <mo>&times;</mo> <mi>T</mi> </mrow> </msub> <mo>=</mo> <msub> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msubsup> <mi>x</mi> <mn>1</mn> <mi>T</mi> </msubsup> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>x</mi> <mn>2</mn> <mi>T</mi> </msubsup> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>x</mi> <mi>N</mi> <mi>T</mi> </msubsup> </mtd> </mtr> </mtable> </mfenced> <mrow> <mi>N</mi> <mo>&times;</mo> <mi>T</mi> </mrow> </msub> <mo>&Element;</mo> <msup> <mi>C</mi> <mrow> <mi>N</mi> <mo>&times;</mo> <mi>T</mi> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

当N/T＜0.2时，将x_i按顺序拆分成k段，即逐行叠加生成高维矩阵X’：

<mrow> <msup> <mi>X</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mn>1</mn> <mn>1</mn> </msubsup> <mo>,</mo> <msubsup> <mi>x</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>x</mi> <mn>1</mn> <mi>k</mi> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>x</mi> <mi>N</mi> <mn>1</mn> </msubsup> <mo>,</mo> <msubsup> <mi>x</mi> <mi>N</mi> <mn>2</mn> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>x</mi> <mi>N</mi> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其行列比

5.根据权利要求1所述的输变电设备状态异常的检测方法，其特征在于，步骤S6中所述的比较设备状态评估值P与设备状态评估值的阈值P_阈值判断设备状态矩阵是否出现异常，进而检测出设备状态的异常，具体是：

设定设备状态评估值的阈值，公式如下：

P_阈值＝0.9×(1-C_偏差/C_历史)

式中，C_偏差为均值偏差最大的散点密度；

当设备状态评估值P大于阈值P_阈值时，则判断设备出现异常。

6.根据权利要求3所述的输变电设备状态异常的检测方法，其特征在于，当判断设备出现异常后，根据残差序列矩阵的正态性检验求出异常状态和异常时刻。