CN106649204A - 一种变压器油中溶解气体异常识别方法 - Google Patents
一种变压器油中溶解气体异常识别方法 Download PDFInfo
- Publication number
- CN106649204A CN106649204A CN201610831818.7A CN201610831818A CN106649204A CN 106649204 A CN106649204 A CN 106649204A CN 201610831818 A CN201610831818 A CN 201610831818A CN 106649204 A CN106649204 A CN 106649204A
- Authority
- CN
- China
- Prior art keywords
- component
- dissolved gas
- transformer oil
- random
- autoregression
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器油中溶解气体异常识别方法,该方法包括:获取变压器油中溶解气体历史数据,对所述数据进行预处理;计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;依据所述溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;计算组合函数的输出误差,依据所述输出误差来判定溶解气体的异常。相对于传统的异常识别方法,该方法简化了多维参量的复杂相关关系,实现异常的实时检测,提高溶解气体异常识别的准确性。
Description
技术领域
本发明涉及变压器技术领域,特别是涉及一种变压器油中溶解气体异常识别方法。
背景技术
目前,变压器油中溶解气体是评价变压器运行状态重要指标。目前电力部门普遍通过阈值法对变压器进行预警,在传统的异常识别方法中,对变压器油中溶解气体进行监测,当监测到的某种特征气体超过预先设定的注意值时,监测系统给出相应的报警信息,但是这种传统的阈值判定具有局限性,一方面设备信息利用率和状态评价正确率都偏低,另一方面难以检测出设备的潜伏性故障及故障类别,而且相关规范标准中的固定阈值难以结合设备运行工况的差异性,因此传统的异常识别方法进行的准确性较低。
发明内容
本发明的目的是提供一种变压器油中溶解气体异常识别方法,以实现提高溶解气体异常识别的准确性。
为解决上述技术问题,本发明提供一种变压器油中溶解气体异常识别方法,该方法包括:
获取变压器油中溶解气体历史数据,对所述数据进行预处理;
计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;
依据所述溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;
计算组合函数的输出误差,依据所述输出误差来判定溶解气体的异常。
优选的,所述计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量,包括:
利用平滑低通滤波器计算得到溶解气体的渐变分量P(t);
利用最小二乘法计算得到溶解气体的周期分量Q(t);
利用最小期望法计算得到溶解气体的随机自回归分量S(t)。
优选的,所述组合函数为f(t),f(t)为非平稳随机过程。
优选的,所述计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量之前,还包括:
获取变压器油中溶解气体的渐变分量估计值周期分量估计值和随机自回归分量估计值
优选的,所述组合函数的输出误差为V(t),
优选的,所述组合函数的标准差为S,V(t)的概率置信区间为[-qS,qS],q=2.5。
优选的,所述依据所述输出误差来判定溶解气体的异常,包括:
若组合函数的输出误差落在所述概率置信区间之外,确定溶解气体出现异常。
本发明所提供的一种变压器油中溶解气体异常识别方法,获取变压器油中溶解气体历史数据,对所述数据进行预处理;计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;依据所述溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;计算组合函数的输出误差,依据所述输出误差来判定溶解气体的异常。可见,相对于传统的异常识别方法,本方法既简化了多维参量的复杂相关关系,又能检测出设备运行状态的异常类型及异常发生时间,实现异常的实时检测,提高溶解气体异常识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种变压器油中溶解气体异常识别方法的流程图;
图2变压器油中溶解气体异常识别验证示意图。
具体实施方式
本发明的核心是提供一种变压器油中溶解气体异常识别方法,以实现提高溶解气体异常识别的准确性。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种变压器油中溶解气体异常识别方法的流程图,该方法包括:
S11:获取变压器油中溶解气体历史数据,对所述数据进行预处理;
S12:计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;
S13:依据溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;
S14:计算组合函数的输出误差,依据输出误差来判定溶解气体的异常。
可见,相对于传统的异常识别方法,本方法既简化了多维参量的复杂相关关系,又能检测出设备运行状态的异常类型及异常发生时间,实现异常的实时检测,提高溶解气体异常识别的准确性。
基于上述方法,具体的,步骤S12具体包括以下步骤:
S21:利用平滑低通滤波器计算得到溶解气体的渐变分量P(t);
S22:利用最小二乘法计算得到溶解气体的周期分量Q(t);
S23:利用最小期望法计算得到溶解气体的随机自回归分量S(t)。
获取的渐变分量、周期分量和随机自回归分量都是函数,也就是根据平滑低通滤波器求取渐变分量函数,根据最小二乘法求得周期分量函数,根据最小期望法求得随机自回归分量函数,然后再建立组合函数,输入数据求取输出误差,进行异常判断。
组合函数为f(t),f(t)为非平稳随机过程。
具体的,在计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量之前,还包括:获取变压器油中溶解气体的渐变分量估计值周期分量估计值和随机自回归分量估计值
其中,组合函数的输出误差为V(t),
其中,组合函数的标准差为S,V(t)的概率置信区间为[-qS,qS],q=2.5。
步骤S14中依据输出误差来判定溶解气体的异常的过程具体为:若组合函数的输出误差落在概率置信区间之外,确定溶解气体出现异常。即若组合函数的输出误差V(t)落在概率置信区间[-qS,qS]之外,确定溶解气体出现异常。
该方法通过油中溶解气体特征的数据预处理,计算含有渐变分量、周期分量、随机自回归分量的组合函数,并建立异常识别准则,异常识别准则即为:计算组合函数的输出误差,依据输出误差来判定溶解气体的异常。相对于传统的异常判定方法,本方法既简化了多维参量的复杂相关关系,又能检测出设备运行状态的异常类型及异常发生时间,实现异常的实时检测。
考虑油中溶解气体特性的数据预处理,介于油中溶解气体不同气体间存在一定关系,预处理包括缺失值多维气体插值补全、突变值采用3δ识别及均值替代处理。
详细的,根据组合估计值求取组合函数f(t),渐变成分估计值代表油中溶解气体随设备状态变化P(t),周期成分估计值代表监测传感器受周期环境变化Q(t),随机自回归估计值代表油中溶解气体随机干扰S(t)。
考虑不同气体之间的影响的平滑低通滤波器求取渐变分量,为Pi(t)的拟合值,一般形式为式中i=a,b,c…g分别代表H2、CH4、C2H6、C2H4、C2H2、CO、CO2气体。
周期分量时间序列Q(t)可表达为其拟合推估值可以用傅里叶级数表示,即式中a0,am,bm,m常数可由傅里叶变换及最小二乘法求得。
f(t)一般是非平稳随机过程,对于随机涨落自回归函数S(t),对S(t)可建立自回归预测模型当:为最小时,按下式求解回归系数b1,b2,…,bl。
式中R(0),R(1),…,R(l)是自相关系数,且
式中j=0,1,…,(l-1),E表示数学期望。
对于组合函数的异常识别准则,异常识别准则即为:计算组合函数的输出误差,依据输出误差来判定溶解气体的异常。异常识别准则是基于综合系统即组合函数的输出误差模型拟合系统标准差即组合函数的标准差为式中V(t)的概率置信区间为[-qS,qS],q在这里取2.5,对应置信度99%。当V(t)变化落在置信区间外判定为出现异常。
本方法简化了多维参量的复杂相关关系,又能检测出设备运行状态的异常类型及异常发生时间,实现动态数据的异常检测。解决了设备信息利用率和状态评价正确率都偏低,难以检测出设备的潜伏性故障的问题。
具体的,本方法中,获取变压器油中溶解气体历史数据,对数据进行预处理,根据平滑低通滤波器求取渐变分量函数,根据最小二乘法求得周期分量函数,根据最小期望法求得随机自回归分量函数,然后再建立组合函数,输入数据求取输出误差,进行异常判断,如此对油中溶解气体异常值进行了判断,由于判据充分考虑了气体之间的相互影响、数据波动、环境干扰因素的影响。因此这种方法更加适用于油中溶解气体的异常值评估。
例如,共获得某传感器采集到的某传感器一个月的H2含量数据,其中2月16日至3月5日数据用于训练组合模型,3月5日-3月8日用于测试模型。根据训练模型计算值、边界值及观测值如表1所示,根据本发明的异常识别方法,当观测值大于置信边界值识别为异常,识别出3月6日-3月9日氢气数据存在异常,如图2所示,图中的实际指代观测值,预测代表计算值。
表1
3月5日 | 3月6日 | 3月7日 | 3月8日 | 3月9日 | |
计算值 | 2.41 | 2.47 | 2.55 | 2.7 | 2.9 |
置信边界 | 3.91 | 3.97 | 4.05 | 4.2 | 4.4 |
观测值 | 3.5 | 5.5 | 4.9 | 7.1 | 6.7 |
综上,本发明所提供的一种变压器油中溶解气体异常识别方法,获取变压器油中溶解气体历史数据,对所述数据进行预处理;计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;依据溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;计算组合函数的输出误差,依据输出误差来判定溶解气体的异常。可见,相对于传统的异常识别方法,本方法既简化了多维参量的复杂相关关系,又能检测出设备运行状态的异常类型及异常发生时间,实现异常的实时检测,提高溶解气体异常识别的准确性。
以上对本发明所提供的一种变压器油中溶解气体异常识别方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种变压器油中溶解气体异常识别方法,其特征在于,包括:
获取变压器油中溶解气体历史数据,对所述数据进行预处理;
计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量;
依据所述溶解气体的渐变分量、周期分量和随机自回归分量建立组合函数;
计算组合函数的输出误差,依据所述输出误差来判定溶解气体的异常。
2.如权利要求1所述的方法,其特征在于,所述计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量,包括:
利用平滑低通滤波器计算得到溶解气体的渐变分量P(t);
利用最小二乘法计算得到溶解气体的周期分量Q(t);
利用最小期望法计算得到溶解气体的随机自回归分量S(t)。
3.如权利要求1所述的方法,其特征在于,所述组合函数为f(t),f(t)为非平稳随机过程。
4.如权利要求3所述的方法,其特征在于,所述计算变压器油中溶解气体的渐变分量、周期分量和随机自回归分量之前,还包括:
获取变压器油中溶解气体的渐变分量估计值周期分量估计值和随机自回归分量估计值
5.如权利要求4所述的方法,其特征在于,所述组合函数的输出误差为V(t),
6.如权利要求5所述的方法,其特征在于,所述组合函数的标准差为S,V(t)的概率置信区间为[-qS,qS],q=2.5。
7.如权利要求6所述的方法,其特征在于,所述依据所述输出误差来判定溶解气体的异常,包括:
若组合函数的输出误差落在所述概率置信区间之外,确定溶解气体出现异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610831818.7A CN106649204B (zh) | 2016-09-18 | 2016-09-18 | 一种变压器油中溶解气体异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610831818.7A CN106649204B (zh) | 2016-09-18 | 2016-09-18 | 一种变压器油中溶解气体异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106649204A true CN106649204A (zh) | 2017-05-10 |
CN106649204B CN106649204B (zh) | 2020-05-15 |
Family
ID=58852485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610831818.7A Active CN106649204B (zh) | 2016-09-18 | 2016-09-18 | 一种变压器油中溶解气体异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106649204B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490685A (zh) * | 2018-10-30 | 2019-03-19 | 华侨大学 | 一种基于油中溶解气体在线监测的变压器早期缺陷预警方法 |
CN110907544A (zh) * | 2019-11-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种变压器油中溶解气体含量异常阶跃数据识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967696A (zh) * | 2012-11-13 | 2013-03-13 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种直流输电换流变油中气体预测方法 |
CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
-
2016
- 2016-09-18 CN CN201610831818.7A patent/CN106649204B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967696A (zh) * | 2012-11-13 | 2013-03-13 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种直流输电换流变油中气体预测方法 |
CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
Non-Patent Citations (3)
Title |
---|
徐建建: "河北南部电网变电设备在线监测参数识别与典型故障判据研究", 《中国优秀硕士学位论文全文数据库》 * |
杨廷方: "变压器在线监测与故障诊断新技术的研究", 《中国博士学位论文全文数据库》 * |
梁永亮: "变压器状态评估方法与在线监测优化研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490685A (zh) * | 2018-10-30 | 2019-03-19 | 华侨大学 | 一种基于油中溶解气体在线监测的变压器早期缺陷预警方法 |
CN109490685B (zh) * | 2018-10-30 | 2020-10-09 | 华侨大学 | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 |
CN110907544A (zh) * | 2019-11-05 | 2020-03-24 | 国网江苏省电力有限公司南通供电分公司 | 一种变压器油中溶解气体含量异常阶跃数据识别方法 |
CN110907544B (zh) * | 2019-11-05 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 一种变压器油中溶解气体含量异常阶跃数据识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106649204B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021736B (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN110889088B (zh) | 一种应用电力模型辅助的企业排污监管方法 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
CN107730084A (zh) | 基于灰色预测和风险评估的变压器检修决策方法 | |
CN105975797B (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN107180367A (zh) | 一种基于机器学习的车辆估价的方法、存储介质及装置 | |
CN107272651A (zh) | 一种动车组制动系统间歇乘性传感器故障的鲁棒检测方法 | |
CN102736562A (zh) | 面向数控机床故障诊断与故障预报的知识库构建方法 | |
CN103699514A (zh) | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN106649204A (zh) | 一种变压器油中溶解气体异常识别方法 | |
CN110502590A (zh) | 基于格兰杰因果关系校验构建工业装备故障关系的方法 | |
CN115453236A (zh) | 一种船舶风翼动力系统的故障诊断与健康评估方法 | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN105843736B (zh) | 一种电力系统状态估计软件的测试方法 | |
CN105512761A (zh) | 一种电力变压器的经济寿命确定方法及装置 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
CN103870711A (zh) | 一种油品调合压力状态识别方法 | |
CN111428345B (zh) | 一种随机性负载扰动控制系统的性能评价系统及方法 | |
CN104360190B (zh) | 基于三传感器推理的换流变压器故障在线诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |