CN106844842A - 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 - Google Patents
一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 Download PDFInfo
- Publication number
- CN106844842A CN106844842A CN201611158965.9A CN201611158965A CN106844842A CN 106844842 A CN106844842 A CN 106844842A CN 201611158965 A CN201611158965 A CN 201611158965A CN 106844842 A CN106844842 A CN 106844842A
- Authority
- CN
- China
- Prior art keywords
- precedent
- cited
- power transformer
- defect
- diagnostic method
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种应用油色谱监测数据的电力变压器缺陷援例诊断方法。目前,变压器缺陷诊断仍是一项经验性较强的工作;由于缺乏行之有效的数学模型,在实际生产过程中多是基于测量、规程和运行人员的经验判断,诊断效率和准确性都很难有突破。本发明针对油色谱特征气体数据的分布特点提出了归一化超立方映射方法,将油色谱数据映射到可直接应用的超立方空间域中;同时,针对性地提出援例相似度算法和基于计权选举的诊断结果判定方法。本发明解决了电力变压器缺陷诊断问题,提高了诊断的准确性,提升了电网运维部门对油浸式变压器类设备的缺陷和故障的处理能力。
Description
技术领域
本发明涉及电力变压器油色谱监测数据处理和缺陷诊断等领域,具体地说是一种应用油色谱监测数据和缺陷案例数据,通过映射、比对、计权等数值方法推送援例的缺陷诊断方法。
背景技术
随着电力工业的快速发展、特高压交直流工程的建设投运,作为枢纽设备的电力变压器和换流变压器也向高电压、大容量的方向发展。关键设备的大型化增加了单体设备缺陷故障对电网整体安全的影响,因此,及时有效地评估变压器设备的运行状态,准确判断设备缺陷类型已成为电网运行维护的关键课题。随着带电检测和在线监测技术的普及和推广,实时监测变压器运行状态已成为可能,而如何进一步利用监测数据分析设备绝缘状况、判断缺陷类型是当前的热点研究问题。
目前,变压器缺陷诊断仍是一项经验性较强的工作。由于缺乏行之有效的数学模型,在实际生产过程中多是基于测量、规程和运行人员的经验判断,诊断效率和准确性都很难有突破。目前,采用结合人工智能方法的专家系统来协助实现变压器缺陷诊断方面的研究已逐步开展,并得到初步应用,是未来变压器缺陷诊断的发展方向。
变压器运行状态的监测方式,主要包括油色谱分析、铁心接地电流、局部放电、绕组位移变形测量等,其中油中溶解气体分析是当前发现油浸式变压器潜伏性缺陷最有效的手段,且已实现在线监测。随着计算机信息技术以及人工智能算法的发展,越来越多的学者以油色谱检测和监测数据为对象,开展了基于人工智能算法的变压器缺陷诊断方法研究,为电力变压器缺陷诊断技术的发展提供了新思路。常用智能算法包括BP神经网络、支持向量机、云理论等。
目前以DGA数据为对象的诊断模型主要存在以下两个影响诊断合理性和准确性的问题:
第一,油色谱包含的七种特征气体分布特性各不同,直接用于专家系统或特征库的构建存在困难。如何将七种特征气体数值映射到可以直接应用的目标域是建模的难点。部分直接应用监测值的模型普遍存在诊断准确性较低的问题;多数诊断模型采用规程中的三比值法或其他编码方式进行映射,这种映射过程带有较强人为性,在过程中容易丢失有效的信息,尚有提升空间。
第二,模型如何有效利用案例库数据,推送出目标范例的诊断结果是提高准确性的重要环节。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的建模难点,提供一种应用油色谱监测数据的电力变压器缺陷援例诊断方法,以解决电力变压器缺陷诊断问题,提高诊断的准确性,提升电网运维部门对油浸式变压器类设备的缺陷和故障的处理能力。
为此,本发明采用如下的技术方案,一种应用油色谱监测数据的电力变压器缺陷援例诊断方法,其包括如下步骤:
1)将案例库中的油色谱数据和待诊断变压器的油色谱数据通过同样的映射方式映射到归一化的空间域中,即归一化超立方映射方法;
2)通过援例相似度算法分析,在案例库中搜索与待诊断变压器油色谱相似的案例;
3)根据相似案例的缺陷类型、缺陷部位和缺陷原因等,结合各案例的权重,得出待诊断变压器缺陷的诊断结论,即基于计权选举的判断方法。
在案例库规模较小的情况下可以考虑神经网络、支持向量机等基于案例库训练的智能算法;随着在线监测的普及,合理的相似度判断准则和援例推理机制的结合更适合体量较大且不断丰富的专家数据库。
进一步地,若有必要且有条件开展待诊断变压器的解体验证,将待诊断油色谱和解体结论作为案例添加到原案例库中。
进一步地,在步骤1)中,所述归一化超立方映射方法的计算公式如下:
式中,gi为第i种特征气体的含量,也即源数据;为第i种特征气体的归一化含量,也即目标域数据;αi为第i种特征气体的分布系数;由于油色谱的异常值数值较大,映射前特征气体的绝大多数仅在整体值域的一小部分中分布,直接用于模型诊断会夸大异常值的作用而不易区分接近0的特征气体之间的差异。经过归一化映射后,所有特征气体的含量均归一至0-1区间内,且其中位数接近、整体分布一致,适合用于进一步的缺陷诊断。
进一步地,所述归一化超立方映射方法的计算公式中,采用指数函数的映射方式,以兼顾正常数据和故障数据。
进一步地,所述归一化超立方映射方法的计算公式中,第i种特征气体的分布系数αi选为该气体中位数的倒数,用来控制目标域中各特征气体含量的整体分布相接近。
进一步地,在步骤2)中,所述援例相似度的计算公式为:
式中,dij为归一化映射空间域中待诊断案例对应的点i和案例库某案例对应的点j之间的欧氏距离,rij为相似度;由于dij为七维向量的模,每个方向的值域均为[0,1),因此其最大值为相似度计算值在0-1区间内。
进一步地,在步骤3)中,所述基于计权选举的判断方法,其通过相似案例的计权选举确定诊断结果,权重的计算公式为:
式中,WA为结论A的权重,为结论A对应相似案例的相似度之和,计算出所有结论的权重后进一步作归一化,最大权重对应的结论便为最终的诊断结论。
本发明具有的有益效果如下:首先,经归一化超立方映射后,目标空间域中的特征气体的含量均归一至0-1区间内,且各种特征气体中位数相同、整体分布相似,适用于进一步缺陷诊断;其次,应用本发明提供的援例相似度算法可以在目标域中搜索到与待诊断案例最接近(欧氏距离)的案例;其三,本发明提供的计权选举法能够有效利用相似案例的相似度信息综合判断待诊断案例的缺陷类型、缺陷原因和缺陷部位。上述三点有助于缺陷诊断准确性的提升。
附图说明
图1为本发明的流程示意图。
图2为本发明归一化映射函数应具有的特征图。
图3为本发明相似案例示意图。
图4为本发明案例库中CO2特征气体含量直方图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明作进一步说明。
图1为本发明电力变压器缺陷援例诊断方法的流程示意图。
1、归一化映射方法(归一化超立方映射)
选择映射方法需要考虑两个方面:其一,需要根据特征气体数据的统计特征选择映射方法及其参数,使得目标域中七种特征气体具有相近的分布特性;其二,需要同时兼顾异常特征气体和正常特征气体,每种特征气体在不同案例中可能是正常特征气体也有可能是异常特征气体,且数值差异较大,作统一的归一化映射需要兼顾。
特征气体整体分布特性均较为类似,以CO2为例,其直方图如图4所示。可以看到,气体含量的频数随气体含量的增加而减小,绝大部分案例中特征气体含量是正常的,非常接近0。
为保证异常数据和正常数据的兼顾,使得特征气体在目标域中较均匀分布,选择的映射函数应为增凸函数。归一化映射函数的值域设为[0,1)。根据上述两点原则,选择映射函数应具有图2所示特性。
具体地,选择映射函数为:
式中,gi为第i种特征气体的含量,也即源数据;为第i种特征气体的归一化含量,也即目标域数据;αi为第i种特征气体的分布系数,选为该气体中位数的倒数,用来控制目标域中各特征气体含量的整体分布相接近。由于油色谱的异常值数值较大,映射前特征气体的绝大多数仅在整体值域的一小部分中分布,直接用于模型诊断会夸大异常值的作用而不易区分接近0的特征气体之间的差异。经过归一化映射后,所有特征气体的含量均归一至0-1区间内,且其中位数接近、整体分布一致,适合用于进一步的缺陷诊断。
2、援例相似度
归一化映射后,特征气体含量可以构成一个七维超立方空间,每一个案例对应空间中的一个点。空间中两个点的接近程度表征了两组油色谱数值的相似程度。如图3所示(以二维空间为例),在归一化空间中搜索最接近待诊断点的若干个(一般取3个)案例点作为相似案例,相似度的计算公式为:
式中,dij为待诊断案例对应的点i和案例库某案例对应的点j之间的欧氏距离;rij为相似度。由于dij为七维向量的模,每个方向的值域均为[0,1),因此其最大值为相似度计算值在0-1区间内。
3、基于计权选举的判断方法
通过相似案例的计权选举确定诊断结果,权重的计算方法为:
式中,WA为结论A的权重,为结论A对应相似案例的相似度之和。计算出所有结论的权重后可进一步作归一化。最大权重对应的结论便为最终的诊断结论。
Claims (7)
1.一种应用油色谱监测数据的电力变压器缺陷援例诊断方法,其包括如下步骤:
1)将案例库中的油色谱数据和待诊断变压器的油色谱数据通过同样的映射方式映射到归一化的空间域中,即归一化超立方映射方法;
2)通过援例相似度算法分析,在案例库中搜索与待诊断变压器油色谱相似的案例;
3)根据相似案例的缺陷类型、缺陷部位和缺陷原因等,结合各案例的权重,得出待诊断变压器缺陷的诊断结论,即基于计权选举的判断方法。
2.根据权利要求1所述的电力变压器缺陷援例诊断方法,其特征在于,若有必要且有条件开展待诊断变压器的解体分析,将待诊断油色谱和解体结论作为案例添加到原案例库中。
3.根据权利要求1或2所述的电力变压器缺陷援例诊断方法,其特征在于,在步骤1)中,所述归一化超立方映射方法的计算公式如下:
式中,gi为第i种特征气体的含量,也即源数据;为第i种特征气体的归一化含量,也即目标域数据;αi为第i种特征气体的分布系数;经过归一化映射后,所有特征气体的含量均归一至0-1区间内,且其中位数接近、整体分布一致,适合用于进一步的缺陷诊断。
4.根据权利要求3所述的电力变压器缺陷援例诊断方法,其特征在于,所述归一化超立方映射方法的计算公式中,采用指数函数的映射方式,以兼顾正常数据和故障数据。
5.根据权利要求3所述的电力变压器缺陷援例诊断方法,其特征在于,所述归一化超立方映射方法的计算公式中,第i种特征气体的分布系数αi选为该气体中位数的倒数,用来控制目标域中各特征气体含量的整体分布相接近。
6.根据权利要求1或2所述的电力变压器缺陷援例诊断方法,其特征在于,在步骤2)中,所述援例相似度的计算公式为:
式中,dij为归一化映射空间域中待诊断案例对应的点i和案例库某案例对应的点j之间的欧氏距离,rij为相似度;由于dij为七维向量的模,每个方向的值域均为[0,1),因此其最大值为相似度计算值在0-1区间内。
7.根据权利要求1或2所述的电力变压器缺陷援例诊断方法,其特征在于,在步骤3)中,所述基于计权选举的判断方法,其通过相似案例的计权选举确定诊断结果,权重的计算公式为:
式中,WA为结论A的权重,为结论A对应相似案例的相似度之和,计算出所有结论的权重后进一步作归一化,最大权重对应的结论便为最终的诊断结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158965.9A CN106844842B (zh) | 2016-12-15 | 2016-12-15 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158965.9A CN106844842B (zh) | 2016-12-15 | 2016-12-15 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106844842A true CN106844842A (zh) | 2017-06-13 |
CN106844842B CN106844842B (zh) | 2020-03-03 |
Family
ID=59140315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611158965.9A Active CN106844842B (zh) | 2016-12-15 | 2016-12-15 | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106844842B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107907783A (zh) * | 2017-12-19 | 2018-04-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN109523026A (zh) * | 2018-10-17 | 2019-03-26 | 中国电力科学研究院有限公司 | 援例推理方法及系统 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110040697A1 (en) * | 2009-08-14 | 2011-02-17 | Oracle International Corporation | Reassignment and reconciliation for multi-dimensional sales territories |
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
-
2016
- 2016-12-15 CN CN201611158965.9A patent/CN106844842B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110040697A1 (en) * | 2009-08-14 | 2011-02-17 | Oracle International Corporation | Reassignment and reconciliation for multi-dimensional sales territories |
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
NENG-SHENG PAI 等: "Fault Diagnosis of Electric Power System Transformer on CMAC Neural Network Approach", 《PROCEEDINGS OF 2012 INTERNATIONAL CONFERENCE ON FUZZY THEORY AND ITS APPLICATIONS》 * |
王晓霞 等: "基于BP神经网络的变压器故障诊断", 《华东电力》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN107907783A (zh) * | 2017-12-19 | 2018-04-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 |
CN107907783B (zh) * | 2017-12-19 | 2019-08-13 | 西安交通大学 | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 |
CN109523026A (zh) * | 2018-10-17 | 2019-03-26 | 中国电力科学研究院有限公司 | 援例推理方法及系统 |
CN110297841A (zh) * | 2019-06-25 | 2019-10-01 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
CN110297841B (zh) * | 2019-06-25 | 2021-08-27 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器故障诊断与快速索引方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106844842B (zh) | 2020-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685340B (zh) | 一种配电设备健康状态评估方法及系统 | |
CN106844842A (zh) | 一种应用油色谱监测数据的电力变压器缺陷援例诊断方法 | |
CN107843718A (zh) | 一种变压器绝缘油老化状态评估的方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
Jiang et al. | Fault diagnosis for rolling bearing using a hybrid hierarchical method based on scale-variable dispersion entropy and parametric t-SNE algorithm | |
CN111080072A (zh) | 配电变压器健康指数评估方法、装置及系统 | |
CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
Garg et al. | A two-phase approach for reliability and maintainability analysis of an industrial system | |
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
Chen et al. | Looseness diagnosis method for connecting bolt of fan foundation based on sensitive mixed-domain features of excitation-response and manifold learning | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN117517908B (zh) | 一种变电站全站容性设备绝缘一体化监测系统 | |
He et al. | A trend-based method for the prediction of offshore wind power ramp | |
CN108761263A (zh) | 一种基于证据理论的故障诊断系统 | |
CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 | |
Yang et al. | Early warning of stator winding overheating fault of water-cooled turbogenerator based on SAE-LSTM and sliding window method | |
CN103218758B (zh) | 电力通信设备维修方法和系统 | |
CN105528621A (zh) | 基于支持向量机的多维度多步骤寿命预测方法 | |
Liu et al. | Improved machine learning leak fault recognition for low-pressure natural gas valve | |
Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
Feng et al. | A methodology to identify multiple equipment coordinated control with power metering system | |
Guohua et al. | Distributed fault diagnosis framework for nuclear power plants |
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 |