CN106649204B - 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 PDF

Info

Publication number
CN106649204B
CN106649204B CN201610831818.7A CN201610831818A CN106649204B CN 106649204 B CN106649204 B CN 106649204B CN 201610831818 A CN201610831818 A CN 201610831818A CN 106649204 B CN106649204 B CN 106649204B
Authority
CN
China
Prior art keywords
dissolved gas
component
calculating
output error
transformer oil
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
Application number
CN201610831818.7A
Other languages
English (en)
Other versions
CN106649204A (zh
Inventor
吴昊
王红斌
欧阳旭东
罗颖婷
黄勇
周恩泽
易萧然
叶海峰
杜双育
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN201610831818.7A priority Critical patent/CN106649204B/zh
Publication of CN106649204A publication Critical patent/CN106649204A/zh
Application granted granted Critical
Publication of CN106649204B publication Critical patent/CN106649204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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

一种变压器油中溶解气体异常识别方法
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
Figure BDA0001115622790000023
周期分量估计值
Figure BDA0001115622790000025
和随机自回归分量估计值
Figure BDA0001115622790000024
优选的，所述组合函数的输出误差为V(t)，
Figure BDA0001115622790000021
优选的，所述组合函数的标准差为S，
Figure BDA0001115622790000022
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
Figure BDA0001115622790000045
周期分量估计值
Figure BDA0001115622790000044
和随机自回归分量估计值
Figure BDA0001115622790000043
其中，组合函数的输出误差为V(t)，
Figure BDA0001115622790000041
其中，组合函数的标准差为S，
Figure BDA0001115622790000042
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
Figure BDA0001115622790000046
求取组合函数f(t)，渐变成分估计值
Figure BDA0001115622790000047
代表油中溶解气体随设备状态变化P(t)，周期成分估计值
Figure BDA0001115622790000048
代表监测传感器受周期环境变化Q(t)，随机自回归估计值
Figure BDA0001115622790000054
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，
Figure BDA0001115622790000055
为Pi(t)的拟合值，一般形式为
Figure BDA0001115622790000056
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
Figure BDA0001115622790000057
其拟合推估值可以用傅里叶级数表示，即
Figure BDA0001115622790000058
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)，
Figure BDA0001115622790000059
对S(t)可建立自回归预测模型
Figure BDA00011156227900000510
当：
Figure BDA00011156227900000511
为最小时，按下式求解回归系数b1,b2,…,bl。
Figure BDA0001115622790000051
Figure BDA0001115622790000052
式中R(0),R(1),…,R(l)是自相关系数，且
Figure BDA0001115622790000053
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
Figure BDA00011156227900000512
模型拟合系统标准差即组合函数的标准差为
Figure BDA0001115622790000061
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 (4)

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；其中，所述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；
利用平滑低通滤波器计算得到溶解气体的渐变分量，包括通过计算渐变分量pi(t)的拟合值
Figure FDA0002412606280000011
得到渐变分量pi(t)，其中，
Figure FDA0002412606280000012
分别代表H2、CH4、C2H6、C2H4、C2H2、CO、CO2气体；
利用最小二乘法计算得到溶解气体的周期分量，包括通过计算周期分量Q(t)的拟合推估值
Figure FDA0002412606280000013
得到周期分量Q(t)，其中，
Figure FDA0002412606280000014
利用最小期望法计算得到溶解气体的随机自回归分量，包括通过构建自回归预测模型
Figure FDA0002412606280000015
得到自回归函数S(t)，回归系数b1、b2…bl可满足
Figure FDA0002412606280000016
R(1)、R(2)…R(l)是自相关系数；
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；
所述依据所述输出误差判定溶解气体的异常，包括：
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。
2.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。
3.如权利要求2所述的方法，其特征在于，所述组合函数的输出误差为V(t)，
Figure FDA0002412606280000017
4.如权利要求3所述的方法，其特征在于，所述组合函数的标准差为S，
Figure FDA0002412606280000018
V(t)的概率置信区间为[-qS,qS]，q＝2.5。
CN201610831818.7A 2016-09-18 2016-09-18 一种变压器油中溶解气体异常识别方法 Active CN106649204B (zh)

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 CN106649204A (zh) 2017-05-10
CN106649204B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Citations (4)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
变压器在线监测与故障诊断新技术的研究;杨廷方;《中国博士学位论文全文数据库》;20091215(第12期);第85-103页 *
变压器状态评估方法与在线监测优化研究;梁永亮;《中国博士学位论文全文数据库》;20160115(第1期);第36-41页 *
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;徐建建;《中国优秀硕士学位论文全文数据库》;20160515(第05期);第23-39页 *

Also Published As

Publication number Publication date
CN106649204A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
CN109783903B (zh) 一种基于时间序列的工业用水管道故障诊断方法及系统
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN113033011B (zh) 一种船舶机械健康状态评估方法及系统
Ceschini et al. A Comprehensive Approach for Detection, Classification and Integrated Diagnostics of Gas Turbine Sensors (DCIDS)
CN106649204B (zh) 一种变压器油中溶解气体异常识别方法
CN113325357A (zh) 基于输出时间序列差分的电压互感器误差评估方法及系统
CN111340367A (zh) 基于多维度关联性数据分析的少油设备状态评估方法及系统
CN115081673A (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
CN113742993B (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
CN112882898B (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN113670611A (zh) 一种轴承早期退化评估方法、系统、介质及电子设备
Chen et al. Monitoring persistence change in infinite variance observations
CN116384843A (zh) 数字能源氮气站的能效评估模型训练方法及其监测方法
CN104980442A (zh) 一种基于元样本稀疏表示的网络入侵检测方法
Chang et al. Real-time detection of wave profile changes
CN110532698B (zh) 一种基于数据模型的工业设备振动特征值趋势预测方法
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、介质
Wang et al. Intelligent method for condition diagnosis of pump system using discrete wavelet transform, rough sets and neural network
CN110516323A (zh) 一种基于时序分析的压力管道损伤预测方法
CN110161382B (zh) 一种判断变压器是否需要停电试验的方法和装置
CN114115185A (zh) 一种基于区间运算的故障检测阈值计算方法
CN116453310B (zh) 一种铜排的温度异常报警方法及装置
CN117476040B (zh) 一种音频识别方法及识别系统

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