CN105512474B - 一种变压器状态监测数据的异常检测方法 - Google Patents
一种变压器状态监测数据的异常检测方法 Download PDFInfo
- Publication number
- CN105512474B CN105512474B CN201510874796.8A CN201510874796A CN105512474B CN 105512474 B CN105512474 B CN 105512474B CN 201510874796 A CN201510874796 A CN 201510874796A CN 105512474 B CN105512474 B CN 105512474B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- data
- moment
- transformer
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000005183 dynamical system Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000005611 electricity Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种变压器状态监测数据的异常检测方法，包括如下步骤：步骤S1，对多维的变压器状态监测数据进行预处理，得到标准化的状态监测数据；步骤S2，针对标准化的状态监测数据，建立滑动窗口，并对滑动窗口中的数据进行k‑均值聚类；步骤S3，筛选出滑动窗口中的异常数据以及异常时刻，建立异常数据集；步骤S4，根据步骤S3中的异常数据集，得到状态监测数据的是变压器运行状态异常数据还是传感器噪声，若是变压器运行状态异常数据，则同时检测出变压器运行状态的异常时刻；若是传感器噪声，则对传感器噪声进行驱除。本发明具有实现异常状态实时检测的优点。
Description
技术领域
本发明涉及变压器检测技术领域，具体是一种变压器状态监测数据的异常检测方法。
背景技术
变压器作为电力系统中及其重要的设备之一，其安全稳定直接影响电网的安全稳定运行，随着状态监测技术成熟度的不断提高和监测装置的广泛应用，状态监测在状态评估和故障诊断方面起到了重要作用。变压器在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响，这些异常运行状态会导致设备缺陷、故障的发生，通过先进的状态评估方法分析状态监测数据，从而实时反映运行情况及异常状态模式是设备状态监测发展的必然趋势。
目前，国内外对变压器状态监测数据的异常检测研究较少，大体分为以下两类：
1)在现有的输电设备状态评价规范中，国网状态评价导则及电力行业标准中都是基于单一系统的部分设备信息，采用简单阈值判定方法来检测设备的异常数据，并发出报警信号。这种基于阈值判定法难以及时发现变电设备的异常情况，甄别噪声数据。
2)国内外一些文献对于变压器状态监测数据，常用的异常点检测算法有时间序列分析、分类算法、距离算法等，但这些方法常适用于单一静态的特征量，无法处理实时、动态的多元数据。而变电设备状态监测数据采集周期短、数据量大，通常以数据流的形式传输到评估后台，需要实时快速检出数据流中的异常。
运行中的输电线路，由于外界环境条件和内部性能在不断变化，其整体运行状态也是不断变化的。因此，全面有效地对输电设备进行状态评估，及时发现输电设备存在的缺陷及安全隐患，不仅能为检修决策提供依据，实现输电设备的状态检修，更能确保电网的安全稳定运行。
选取最具代表性且能够灵敏反映输电设备工况的关键参量，建立关键参数体系具有很大的必要性。一方面，建立关键参数体系能够降低状态评价参量的复杂性，同时保证对输电设备运行状态评价的全面性和准确性；另一方面，由于输电线路分布地理位置广、运行环境恶劣，导致大量的参量信息收集整理困难，因此建立关键参数体系在保留原有状态评价信息的基础上去除了和故障缺陷相关性不大的参量，保留信息整理的参量。
目前，国内外对输电设备的状态评价参数体系的研究较少，大体分为以下两类：
1)在现有的输电设备状态评价规范中，国网状态评价导则及电力行业标准中将输电线路分为基础、杆塔、导线、绝缘子、金具、接地、附属设施、通道环境这8个部件，对每个部件建立相关的巡视参量，最终根据线路总得分来判断输电线路运行状态。但是导则、行业标准中规定的评价参量不全面且存在差异，导致对同一条线路往往会出现不同的评价结果；
2)在国内的一些状态评价文献中，大部分以参量获取方式作为分类基础，将参数体系分为日常巡视、状态监测、预防性试验、带电检测这四个方面，日常巡视中的参量可通过直接观测得到，预防性试验、状态监测、带电检测中的参量(如等值覆冰厚度)通过检测数据的数学模型计算得到，但是由于不同来源中的参量存在交叉重叠，会导致不同来源对应的同一参量评价结果不统一，影响线路整体的状态评价。
发明内容
本发明的目的就是为了解决上述问题，提供一种变压器状态监测数据的异常检测方法，它具有实现异常状态实时检测的优点。
为了实现上述目的，本发明采用如下技术方案：
一种变压器状态监测数据的异常检测方法，包括如下步骤：
步骤S1，对多维的变压器状态监测数据进行预处理，得到标准化的状态监测数据；
步骤S2，针对标准化的状态监测数据，建立滑动窗口，并对滑动窗口中的数据进行k-均值聚类；
步骤S3，筛选出滑动窗口中的异常数据以及异常时刻，建立异常数据集；
步骤S4，根据步骤S3中的异常数据集，得到状态监测数据的是变压器运行状态异常数据还是传感器噪声，若是变压器运行状态异常数据，则同时检测出变压器运行状态的异常时刻；若是传感器噪声，则对传感器噪声进行驱除。
所述步骤S1具体包括：
变压器看作为动态系统,在变压器正常运行时,观测到的数据视为时间序列。对于ti时刻，令则表示ti时刻的多维数组，(yi1,yi2,...,yin)是数组中的值，与变压器负荷的状态监测状态量对应。
步骤S11：计算平均的绝对偏差Sij
其中mi是(yi1,yi2,...,yin)的平均值，即
步骤S12：计算标准化的状态监测数据，即多维数组:
其中
所述步骤S2具体包括：
定义SW[t-w:t]为步骤S1中预处理后的数据在时刻t之前的时间间隔为w的滑动窗口，其中t和w的单位相同，且t>w。
所述滑动窗口内数据点表示为其中Xt-w,...,Xt-1,Xt分别代表t-w时刻至t时刻的多维数组并与式(3)对应，Xt-w＝(x(t-w)1,x(t-w)2,...,x(t-w)n)。
对滑动窗口中的数据通过k-均值方法进行聚类，分成了k个子集，即W1,W2,...,Wk，其中每个W称为一个簇(cluster)，聚类簇中心依次为C1,C2,...,Ck，聚类中心也是多维数组，表示为Ck＝(ck1,ck2,...,ckn)。
所述步骤S3具体包括：
选定时刻t-w至时刻t的一段时间序列，根据步骤S2建立滑动窗口求出聚类中心为C1,C2,...,Ck，具体判断异常模式的过程如下：
步骤S31：计算滑动窗口内各个时刻的多维数组到所有聚类中心的距离之和；令d(Xt-w)...,d(Xt-1),d(Xt)分别表示数据Xt-w,...,Xt-1,Xt到聚类中心C1,C2,...,Ck的距离之和，公式如(4)所示：
步骤S32：计算滑动窗口内所有时刻数据到聚类中心的平均距离
avg是表示所有距离的均值函数；
步骤S33：计算相邻时刻的数据到聚类中心距离之和的差值，表示为Zt-w,...,Zt-1,Zt；
Zt＝|d(Xt)-d(Xt-1)| (6)
表示相邻时刻的数据到聚类中心聚类之和的差值均值，从而计算出位于均值附近设定距离的值：
步骤S34：τ为设定的阈值；
如果则滑动窗口沿着时间序列向后移动一个单位；
如果则标记t时刻的数据点，并将时刻t的多维数组Xt加入候选异常数据集D，同时用代替时刻t的数据点的距离d(Xt)。
步骤S35：重复S32至S34的步骤，直到整段时间序列筛选完为止，得到带有时间点标记的候选异常数据集D，其中均为时刻t1,t2,...,tm的多维数组。
步骤S4，根据步骤S3中检测出的异常数据集
步骤S41：若ti时刻是孤立的时刻或是ti,ti+1,...,ti+p一段相邻时刻，其中p＜5，则判断时刻ti的异常数据是孤立的异常值,孤立的异常值属于传感器噪声；所述孤立的时刻是ti和ti-1,ti+1不相邻。
步骤S42：若tj,tj+1,...,tj+p是一段相邻的时刻，其中p≥5，则判断tj,tj+1,...,tj+p时刻的异常数据是变压器运行状态异常数据。
步骤S41孤立的异常值由测量设备受到外界的干扰或是自身的扰动产生的误差造成的,异常值的出现并不波及到邻近的观测值。由于变压器运行的环境各不相同,各种装置数据采集在某个时刻也容易受环境或者是传感器装置本身的不稳定性影响，在时刻ti产生异常数据，因此该时刻的异常数据为传感器噪声。
步骤S42变压器运行状态异常是当变压器运行状态出现异常时,内部绝缘结构发生变化导致各监测参量出现异常,因此某个时间段tj,tj+1,...,tj+p会产生大量异常点。
本发明的有益效果：
通过滑动窗口将数据进行时间上的划分，能适用于体量大、维度高的状态监测数据中，并能用于实时的异常状态检测；
其次，驱除传感器噪声对于异常状态检测的影响，具有较高的检测精度。
附图说明
图1为本发明的方法流程图；
图2为油温、负荷、环境温度、CH4、C2H2的数据图；
图3为异常检测结果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示，一种变压器状态监测数据的异常检测方法，包括如下步骤：
步骤S1，对多维的变压器状态监测数据进行预处理，得到标准化的状态监测数据；
步骤S2，针对标准化的状态监测数据，建立滑动窗口，并对滑动窗口中的数据进行k-均值聚类；
步骤S3，筛选出滑动窗口中的异常数据以及异常时刻，建立异常数据集；
步骤S4，根据步骤S3中的异常数据集，得到状态监测数据的是变压器运行状态异常数据还是传感器噪声，若是变压器运行状态异常数据，则同时检测出变压器运行状态的异常时刻；若是传感器噪声，则对传感器噪声进行驱除。
以某变电站中一台240MVA、200kV主变压器为例，选取其2010年7月份的576组顶层油温、负荷、甲烷(CH4)、环境温度、乙炔(C2H2)的5种正常状态下的状态监测历史数据，作为训练样本进行正常数据聚类，同时基于采样周期5min/组，选取8月份某一天300组连续时间的状态监测数据作为异常检测的样本，如图2所示。
将选取的300组待检测数据根据步骤S1～S3筛选出候选异常数据集，并判断候选异常数据集里每个时间点的数据是否属于三个正常簇，若不属于则为异常数据点，结果如图3所示(1为候选异常数据或异常数据，0为正常数据点)。
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，并根据步骤S4得到异常检测结论：
(1)在时刻T＝100～110，存在一小片连续的异常数据点，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
(2)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，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。
(3)在某些时刻数据流(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，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。根据该变压器的运行记录可以看出，变压器的异常运行状态往往伴随着多种状态量的变化，单靠传统的单一特征量的阈值判断法难以及时检测出异常状态，且容易受到噪声的影响。
本发明的方法对于变压器的异常状态监测具有实时性及有效性，能针对状态监测的实时数据流快速检测出其中的异常状态，并且消除传统阈值检测中噪声数据产生的误判情况。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (2)
1.一种变压器状态监测数据的异常检测方法，其特征是，包括如下步骤：
步骤S1，对多维的变压器状态监测数据进行预处理，得到标准化的状态监测数据；
所述步骤S1具体包括：
变压器看作为动态系统,在变压器正常运行时,观测到的数据视为时间序列；对于ti时刻，令则表示ti时刻的多维数组，(yi1,yi2,...,yin)是数组中的值，与变压器负荷的状态监测状态量对应；
步骤S11：计算平均的绝对偏差Sij
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中mi是(yi1,yi2,...,yin)的平均值，即
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤S12：计算标准化的状态监测数据，即多维数组
<mrow>
<msub>
<mi>X</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>.</mo>
<mo>.</mo>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>in</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中
步骤S2，针对标准化的状态监测数据，建立滑动窗口，并对滑动窗口中的数据进行k-均值聚类；
所述步骤S2具体包括：
定义SW[t-w:t]为步骤S1中预处理后的数据在时刻t之前的时间间隔为w的滑动窗口，其中t和w的单位相同，且t>w；
所述滑动窗口内数据点表示为其中Xt-w,...,Xt-1,Xt分别代表t-w时刻至t时刻的多维数组并与式(3)对应，Xt-w＝(x(t-w)1,x(t-w)2,...,x(t-w)n)；
对滑动窗口中的数据通过k-均值方法进行聚类，分成了k个子集，即W1,W2,…,Wk，其中每个W称为一个簇cluster，聚类簇中心依次为C1,C2,...,Ck，聚类中心也是多维数组，表示为Ck＝(ck1,ck2,...,ckn)；
步骤S3，筛选出滑动窗口中的异常数据以及异常时刻，建立异常数据集；
所述步骤S3具体包括：
选定时刻t-w至时刻t的一段时间序列，根据步骤S2建立滑动窗口求出聚类中心为C1,C2,...,Ck，具体判断异常模式的过程如下：
步骤S31：计算滑动窗口内各个时刻的多维数组到所有聚类中心的距离之和；令d(Xt-w)...,d(Xt-1),d(Xt)分别表示数据Xt-w,...,Xt-1,Xt到聚类中心C1,C2,...,Ck的距离之和，公式如(4)所示：
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
<mo>)</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
<mo>)</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
<mo>)</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤S32：计算滑动窗口内所有时刻数据到聚类中心的平均距离
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>d</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>,</mo>
<mi>d</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>w</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
avg是表示所有距离的均值函数；
步骤S33：计算相邻时刻的数据到聚类中心距离之和的差值，表示为Zt-w,...,Zt-1,Zt；
Zt＝|d(Xt)-d(Xt-1)| (6)
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>w</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
表示相邻时刻的数据到聚类中心聚类之和的差值均值，从而计算出位于均值附近设定距离的值：
<mrow>
<msubsup>
<mi>m</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>w</mi>
<mn>2</mn>
</mfrac>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Z</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤S34：τ为设定的阈值；
如果则滑动窗口沿着时间序列向后移动一个单位；
如果则标记t时刻的数据点，并将时刻t的多维数组Xt加入候选异常数据集D，同时用代替时刻t的数据点的距离d(Xt)；
步骤S35：重复S32至S34的步骤，直到整段时间序列筛选完为止，得到带有时间点标记的候选异常数据集D，其中均为时刻t1,t2,...,tm的多维数组；
步骤S4，根据步骤S3中的异常数据集，得到状态监测数据的是变压器运行状态异常数据还是传感器噪声，若是变压器运行状态异常数据，则同时检测出变压器运行状态的异常时刻；若是传感器噪声，则对传感器噪声进行驱除。
2.如权利要求1所述的一种变压器状态监测数据的异常检测方法，其特征是，步骤S4，根据步骤S3中检测出的异常数据集
步骤S41：若ti时刻是孤立的时刻或是ti,ti+1,...,ti+p一段相邻时刻，其中p＜5，则判断时刻ti的异常数据是孤立的异常值,孤立的异常值属于传感器噪声；所述孤立的时刻是ti和ti-1,ti+1不相邻；
步骤S42：若tj,tj+1,...,tj+p是一段相邻的时刻，其中p≥5，则判断tj,tj+1,...,tj+p时刻的异常数据是变压器运行状态异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510874796.8A CN105512474B (zh) | 2015-12-02 | 2015-12-02 | 一种变压器状态监测数据的异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510874796.8A CN105512474B (zh) | 2015-12-02 | 2015-12-02 | 一种变压器状态监测数据的异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105512474A CN105512474A (zh) | 2016-04-20 |
| CN105512474B true CN105512474B (zh) | 2017-12-12 |
Family
ID=55720451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510874796.8A Active CN105512474B (zh) | 2015-12-02 | 2015-12-02 | 一种变压器状态监测数据的异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105512474B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警系统的正常异常数据划分方法及系统 |
| CN106443238B (zh) * | 2016-08-27 | 2020-02-21 | 许继集团有限公司 | 高压设备状态评估方法、在线监测装置评估方法及装置 |
| CN106777826B (zh) * | 2017-01-24 | 2020-06-19 | 中国机械工业集团有限公司 | 一种气浮式振动控制系统三支点气路平速优化分组技术 |
| CN106909664A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种电力设备数据流故障识别方法 |
| CN107122879A (zh) * | 2017-03-03 | 2017-09-01 | 广东南方电力通信有限公司 | 一种基于大数据与设备状态异常跟踪的电网状态检修方法 |
| JP6778132B2 (ja) * | 2017-03-13 | 2020-10-28 | 株式会社日立製作所 | 設備機器の異常診断システム |
| CN107677903B (zh) * | 2017-09-14 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态监测数据的聚类分析方法 |
| CN108334894B (zh) * | 2017-12-29 | 2020-04-10 | 泰豪科技股份有限公司 | 基于无监督机器学习的变压器油温异常识别方法 |
| CN108491861A (zh) * | 2018-02-24 | 2018-09-04 | 全球能源互联网研究院有限公司 | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 |
| CN109308548B (zh) * | 2018-09-12 | 2021-01-26 | 中科绿建（天津）科技发展有限公司 | 一种基于网格预测的设备安全管理方法及系统 |
| CN110543197B (zh) * | 2018-12-05 | 2021-04-02 | 中车长春轨道客车股份有限公司 | 一种控制列车主变压器工作的方法及装置 |
| CN111289812A (zh) * | 2018-12-07 | 2020-06-16 | 国网浙江省电力有限公司 | 一种输变电设备状态监测管理方法及其系统 |
| CN110210701A (zh) * | 2019-04-23 | 2019-09-06 | 贵州电网有限责任公司 | 一种电网设备风险感知方法 |
| CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
| CN110727669B (zh) * | 2019-10-10 | 2023-10-13 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力系统传感器数据清理装置及清理方法 |
| CN111537845A (zh) * | 2020-04-26 | 2020-08-14 | 云南电网有限责任公司电力科学研究院 | 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法 |
| CN112381130A (zh) * | 2020-11-10 | 2021-02-19 | 国网上海市电力公司 | 一种基于聚类分析的配电房多元数据异常检测方法 |
| CN112906787B (zh) * | 2021-02-10 | 2023-09-15 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
| CN112884089A (zh) * | 2021-04-12 | 2021-06-01 | 国网上海市电力公司 | 一种基于数据挖掘的电力变压器故障预警系统 |
| CN113376562B (zh) * | 2021-06-08 | 2022-08-09 | 国网重庆市电力公司营销服务中心 | 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质 |
| CN113344134B (zh) * | 2021-06-30 | 2024-04-19 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及系统 |
| CN113625058A (zh) * | 2021-08-13 | 2021-11-09 | 云南电网有限责任公司电力科学研究院 | 一种基于异常点群监测变压器套管的预警方法及系统 |
| CN114167314A (zh) * | 2021-10-12 | 2022-03-11 | 杭州柯林电气股份有限公司 | 变压器在线监测装置及故障检测方法 |
| CN116108760B (zh) * | 2023-04-12 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种主变热特性监测方法和系统 |
| CN116702473B (zh) * | 2023-06-08 | 2024-08-27 | 江苏国电南自海吉科技有限公司 | 基于聚类算法的变压器温度异常预警方法及系统 |
| CN116595337A (zh) * | 2023-07-17 | 2023-08-15 | 合肥工业大学 | 变压器健康状态直接预测的态势量构建方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908065A (zh) * | 2010-07-27 | 2010-12-08 | 浙江大学 | 一种支持动态更新的在线属性异常点检测方法 |
| CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
| CN103400152A (zh) * | 2013-08-20 | 2013-11-20 | 哈尔滨工业大学 | 基于分层聚类的滑动窗口多数据流异常检测方法 |
| CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
-
2015
- 2015-12-02 CN CN201510874796.8A patent/CN105512474B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908065A (zh) * | 2010-07-27 | 2010-12-08 | 浙江大学 | 一种支持动态更新的在线属性异常点检测方法 |
| CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
| CN103400152A (zh) * | 2013-08-20 | 2013-11-20 | 哈尔滨工业大学 | 基于分层聚类的滑动窗口多数据流异常检测方法 |
| CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105512474A (zh) | 2016-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN108573350B (zh) | 一种配网线损同期化计算与多维分析方法 | |
| CN108375476B (zh) | 一种水电机组健康评估方法 | |
| CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
| CN202404166U (zh) | 一种变压器振动特性在线监测系统 | |
| CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
| CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
| CN105093063B (zh) | 基于多源数据特征单元组合判断的在线电网故障诊断方法 | |
| CN103218695A (zh) | 二次设备智能状态评估诊断系统及其方法 | |
| CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
| CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
| CN103292989A (zh) | 断路器机械特性性能测试方法和系统 | |
| CN104778348B (zh) | 低压脱扣器的电压暂降动作特性建模方法 | |
| CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
| CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和系统 | |
| CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
| CN103048577A (zh) | 一种无线传感避雷器在线监测系统 | |
| CN104484828B (zh) | 一种基于逻辑回归的高压电器运行质量评估方法及系统 | |
| CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 | |
| CN107884646A (zh) | 变电站在线监测系统危急告警方法 | |
| CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及系统 | |
| CN114152909A (zh) | 基于大数据的中高压失准分析系统 | |
| CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
| CN203965034U (zh) | 一种电力变压器铁芯及绕组故障在线监测系统 | |
| CN116049098A (zh) | 一种适用于配电网运行状态判断的运行数据特征分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |