CN107677903B - 一种变压器状态监测数据的聚类分析方法 - Google Patents
一种变压器状态监测数据的聚类分析方法 Download PDFInfo
- Publication number
- CN107677903B CN107677903B CN201710828174.0A CN201710828174A CN107677903B CN 107677903 B CN107677903 B CN 107677903B CN 201710828174 A CN201710828174 A CN 201710828174A CN 107677903 B CN107677903 B CN 107677903B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- transformer
- load
- clustering
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及电力设备状态监测与故障诊断技术领域，具体涉及一种变压器状态监测数据的聚类分析方法；该方法率先提出了计及同一运行条件下变压器状态（同一役龄区间、同一电压等级、同一负载率）的油中溶解气体分析方法，克服了排查设备潜伏性故障的关键难题，提升了电网安全稳定水平；成功研发了涵盖油中溶解气体数据抽取、清洗融合、聚类分析的检验体系，有效避免了频现变压器状态监测误告警、漏告警的被动局面，一举达到了风险、效能和成本的综合最优。
Description
技术领域
本发明涉及电力设备状态监测与故障诊断技术领域，具体涉及一种变压器状态监测数据的聚类分析方法。
背景技术
变压器油中溶解气体监测技术已在电力行业广泛应用，并实现了在省级监测主站系统平台的集中监视。然而，在对监测数据的利用和分析方面还存在局限。一方面目前针对监测数据的分析方法主要为静态分析的阈值告警，但告警阈值及告警等级的设定缺少充分依据，仅适用于发现显性缺陷。另一方面，监测主站系统平台在归集大量数据后，缺乏对数据的分析处理手段；因而依然需要依靠人工经验而分析数据和预测故障，亦未能实现对数据有效及时的自动纠错。此外，受限于监测装置电子元件老化、外部环境干扰、载气欠压等现场影响因素，导致监测数据产生误差，甚至导致误告警。
油中溶解气体监测数据不仅具有海量、高频、分散等特点，而且不同变压器监测数据之间存在关联性和相似性。同一役龄、厂商等变压器的监测数据中隐藏着可能隐藏着设备本体的潜伏性家族缺陷。利用聚类分析方法挖掘此类数据，有助于提前发现设备异常，采取个性化、差异化特巡特维等处置措施，进一步提升电力企业设备精益管理的水平，为在电力需求侧响应改革下的检修运维方式提供数据支撑。
鉴于此，有必要采用大数据技术来解决经典计算问题的性能瓶颈和提供智能化分析是未来发展的趋势，以检验、剔除变压器油中溶解气体监测数据中的测量误差，避免因随机误差而导致误告警、漏告警，提升监测系统预警结果的准确性。
发明内容
为了解决上述问题，本发明提供了一种变压器状态监测数据的聚类分析方法，具体技术方案如下：
一种变压器状态监测数据的聚类分析方法包括以下步骤：
（1）数据抽取：由终端监测装置抽取变压器油中溶解气体的阶段性的监测数据，阶段性的周期是一个月至三个月；由海量准实时数据服务平台抽取对应变压器的投运时间、制造商、电压等级及对应时段内的负载；
（2）数据清洗：对监测数据进行归一化处理，即将数据映射至[0,1]区间内，计算公式如下：
；
上式中，x ij 是第i台变压器在第j天的一类气体监测数据，max j (x ij ) 为第i台变压器在第j天的一类气体监测数据的最大监测数据，min j (x ij )为第i台变压器在第j天的一类气体监测数据的最小监测数据；
（3）数据融合：对监测数据进行融合预处理，即当分析的监测数据包含不同指标度量单位时，通过函数变换将指标数值映射到[0,1]区间内来进行规范化处理，计算公式如下：
；
上式中，x ij 为第i台变压器在第j天的一类气体监测数据，mean j (x ij ) 为第i台变压器在第j天的一类气体监测数据的平均值，SD(x ij ) 为第i台变压器一类气体监测数据的均方差；
（4）聚类分析：采用K-均值算法聚类分析同一范围内变压器油中溶解气体的阶段性的监测数据，所述监测数据为聚类对象，输出聚类结果，即：输出监测数据所属类别或者该类别的中心对象，所述中心对象为该类别聚类对象的均值；
（5）状态分析：筛选、排序聚类对象与中心对象的距离的大小，接近中心对象则该变压器的检测数据接近正常值，反之，则远离正常值，该变压器疑似异常。
进一步，所述步骤（4）中的K-均值算法具体步骤为：
1）从同一范围的n台变压器的监测数据对象中选择 k台变压器的监测数据作为初始聚类对象的初始中心对象，即：
；
即；
其中，i为k台变压器的编号，为该变压器的监测数据，即初始聚类对象，为该变压器的监测数据的均值，即该聚类对象的初始中心对象；
2）根据每个初始聚类对象的初始中心对象，计算每个聚类对象与这些初始中心对象的距离；并根据最小距离重新划分相应的聚类对象；
其中，j为n台变压器的编号，，；
即：将分别与比较，设与的距离最小，则将对应的聚类对象标记为i类；
3）重新计算每个有变化的聚类对象的中心对象：
设有m个聚类对象被标记为i类，对于所有标记为i类的聚类对象，重新计算该i类聚类对象的中心对象，计算公式如下：
；
4）计算标准测度函数，当达到既定条件时，则算法终止，否则回到步骤2）继续执行算法；即是循环步骤2）至步骤4），直至所有值的变化小于既定的阈值。
进一步，所述同一范围表示同一役龄区间、同一电压等级、同一负载率。
进一步，：所述役龄区间包括1～5年、6～10年、11～15年、16～20年、21～25年、25年以上这6个役龄区间。
进一步，所述电压等级包括110千伏、220千伏、500千伏这3个电压等级.
进一步，所述负载率包括空载、轻载、中载、重载、满载这五个负载率；所述空载的负载率为0%；所述轻载的负载率为0%～30%；所述中载的负载率为30%～80%；所述重载的负载率为80%～100%；所述满载的负载率为100%。
进一步，所述步骤4）中的既定条件为达到迭代次数或者的值没有变化。
本发明的有益效果为：
率先提出了计及同一运行条件下变压器状态（同一役龄区间、同一电压等级、同一负载率）的油中溶解气体分析方法，克服了排查设备潜伏性故障的关键难题，提升了电网安全稳定水平；
成功研发了涵盖油中溶解气体数据抽取、清洗融合、聚类分析的检验体系，有效避免了频现变压器状态监测误告警、漏告警的被动局面，一举达到了风险、效能和成本的综合最优；
一举实现了监测数据均值算法聚类分析在随机过程理论中实际应用，工况了监测数据先验概率是在一定置信条件下的近似，但难以揭示各发展阶段的特征或趋势的技术难题，显著提升了准确评价设备健康状态的概率。
附图说明
图1为本发明的流程图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体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聚类分析方法包括以下步骤：
S1：数据抽取：由终端监测装置抽取变压器油中溶解气体的阶段性的监测数据，阶段性的周期是一个月至三个月；由海量准实时数据服务平台抽取对应变压器的投运时间、制造商、电压等级及对应时段内的负载。
S2：数据清洗：对监测数据进行归一化处理，即将数据映射至[0,1]区间内，计算公式如下：
；
上式中，x ij 是第i台变压器在第j天的一类气体监测数据，max j (x ij ) 为第i台变压器在第j天的一类气体监测数据的最大监测数据，min j (x ij )为第i台变压器在第j天的一类气体监测数据的最小监测数据。
S3：数据融合：对监测数据进行融合预处理，即当分析的监测数据包含不同指标度量单位时，通过函数变换将指标数值映射到[0,1]区间内来进行规范化处理，计算公式如下：
；
上式中，x ij 为第i台变压器在第j天的一类气体监测数据，mean j (x ij ) 为第i台变压器在第j天的一类气体监测数据的平均值，SD(x ij ) 为第i台变压器一类气体监测数据的均方差。
S4：聚类分析：采用K-均值算法聚类分析同一范围内变压器油中溶解气体的阶段性的监测数据，监测数据为聚类对象，输出聚类结果，即：输出监测数据所属类别或者该类别的中心对象，中心对象为该类别聚类对象的均值；同一范围表示同一役龄区间、同一电压等级、同一负载率；役龄区间包括1～5年、6～10年、11～15年、16～20年、21～25年、25年以上这6个役龄区间；电压等级包括110千伏、220千伏、500千伏这3个电压等级；负载率包括空载、轻载、中载、重载、满载这五个负载率；空载的负载率为0%；轻载的负载率为0%～30%；中载的负载率为30%～80%；重载的负载率为80%～100%；满载的负载率为100%。
具体步骤如下：
S41：从同一范围的n台变压器的监测数据对象中选择 k台变压器的监测数据作为初始聚类对象的初始中心对象，即：
；
即；
其中，i为k台变压器的编号，为该变压器的监测数据，即初始聚类对象，为该变压器的监测数据的均值，即该聚类对象的初始中心对象；
S42：根据每个初始聚类对象的初始中心对象，计算每个聚类对象与这些初始中心对象的距离；并根据最小距离重新划分相应的聚类对象；
其中，j为n台变压器的编号，，；
即：将分别与比较，设与的距离最小，则将对应的聚类对象标记为i类；
S43：重新计算每个有变化的聚类对象的中心对象：
设有m个聚类对象被标记为i类，对于所有标记为i类的聚类对象，重新计算该i类聚类对象的中心对象，计算公式如下：
；
S44：计算标准测度函数，当达到迭代次数或者的值没有变化时，则算法终止，否则回到步骤2）继续执行算法；即是循环步骤2）至步骤4），直至所有值的变化小于既定的阈值。
S5：状态分析：筛选、排序聚类对象与中心对象的距离的大小，接近中心对象则该变压器的检测数据接近正常值，反之，则远离正常值，该变压器疑似异常。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种变压器状态监测数据的聚类分析方法，其特征在于：包括以下步骤：
(1)数据抽取：由终端监测装置抽取变压器油中溶解气体的阶段性的监测数据，阶段性的周期是一个月至三个月；由海量准实时数据服务平台抽取对应变压器的投运时间、制造商、电压等级及对应时段内的负载；
(2)数据清洗：对监测数据进行归一化处理，即将数据映射至[0,1]区间内，计算公式如下：
上式中，xij是第i台变压器在第j天的一类气体监测数据，maxj(xij)为第i台变压器在第j天的一类气体监测数据的最大监测数据，minj(xij)为第i台变压器在第j天的一类气体监测数据的最小监测数据；
(3)数据融合：对监测数据进行融合预处理，即当分析的监测数据包含不同指标度量单位时，通过函数变换将指标数值映射到[0,1]区间内来进行规范化处理，计算公式如下：
上式中，xij为第i台变压器在第j天的一类气体监测数据，meanj(xij)为第i台变压器在第j天的一类气体监测数据的平均值，SD(xij)为第i台变压器一类气体监测数据的均方差；
(4)聚类分析：采用K-均值算法聚类分析同一范围内变压器油中溶解气体的阶段性的监测数据，所述监测数据为聚类对象，输出聚类结果，即：输出监测数据所属类别或者该类别的中心对象，所述中心对象为该类别聚类对象的均值；
(5)状态分析：筛选、排序聚类对象与中心对象的距离的大小，接近中心对象则该变压器的检测数据接近正常值，反之，则远离正常值，该变压器疑似异常；所述步骤(4)中的K-均值算法具体步骤为：
1)从同一范围的n台变压器的监测数据对象中选择k台变压器的监测数据作为初始聚类对象的初始中心对象，即：
x[i]＝data[i],i＝0,1,…,k-1； ③
即x[0]＝data[0],…,x[k-1]＝data[k-1]； ④
其中，i为k台变压器的编号，data[i]为该变压器的监测数据，即初始聚类对象，x[i]为该变压器的监测数据的均值，即该聚类对象的初始中心对象；
2)根据每个初始聚类对象的初始中心对象，计算每个聚类对象data[j]与这些初始中心对象x[i]的距离；并根据最小距离重新划分相应的聚类对象data[j]；
其中，j为n台变压器的编号，j＝0,1,…,n-1，i＝0,1,…,k-1；
即：将data[0]至data[n-1]分别与x[0]至x[k-1]比较，设与x[i]的距离最小，则将对应的聚类对象data[j]标记为i类；
3)重新计算每个有变化的聚类对象的中心对象：
设有m个聚类对象被标记为i类，对于所有标记为i类的聚类对象，重新计算该i类聚类对象的中心对象x[i]'，计算公式如下：
4)计算标准测度函数，当达到既定条件时，则算法终止，否则回到步骤2)继续执行算法；即是循环步骤2)至步骤4)，直至所有x[i]'值的变化小于既定的阈值。
2.根据权利要求1所述的一种变压器状态监测数据的聚类分析方法，其特征在于：所述同一范围表示同一役龄区间、同一电压等级、同一负载率。
3.根据权利要求2所述的一种变压器状态监测数据的聚类分析方法，其特征在于：所述役龄区间包括1～5年、6～10年、11～15年、16～20年、21～25年、25年以上这6个役龄区间。
4.根据权利要求2所述的一种变压器状态监测数据的聚类分析方法，其特征在于：所述电压等级包括110千伏、220千伏、500千伏这3个电压等级。
5.根据权利要求2所述的一种变压器状态监测数据的聚类分析方法，其特征在于：所述负载率包括空载、轻载、中载、重载、满载这五个负载率；所述空载的负载率为0％；所述轻载的负载率为0％～30％；所述中载的负载率为30％～80％；所述重载的负载率为80％～100％；所述满载的负载率为100％。
6.根据权利要求1所述的一种变压器状态监测数据的聚类分析方法，其特征在于：所述步骤4)中的既定条件为达到迭代次数或者x[i]'的值没有变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828174.0A CN107677903B (zh) | 2017-09-14 | 2017-09-14 | 一种变压器状态监测数据的聚类分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828174.0A CN107677903B (zh) | 2017-09-14 | 2017-09-14 | 一种变压器状态监测数据的聚类分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107677903A CN107677903A (zh) | 2018-02-09 |
| CN107677903B true CN107677903B (zh) | 2019-12-24 |
Family
ID=61136752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710828174.0A Active CN107677903B (zh) | 2017-09-14 | 2017-09-14 | 一种变压器状态监测数据的聚类分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107677903B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685096A (zh) * | 2018-10-25 | 2019-04-26 | 广东电网有限责任公司 | 一种基于模糊聚类的配电变压器分类方法 |
| CN109656738B (zh) * | 2018-11-28 | 2021-01-15 | 北京航空航天大学 | 一种基于离散化多值扩展d矩阵的电子产品故障诊断方法 |
| CN109919201A (zh) * | 2019-02-14 | 2019-06-21 | 北京市环境保护监测中心 | 一种基于多浓度数据的污染类型分析方法 |
| CN110163531A (zh) * | 2019-06-02 | 2019-08-23 | 南京邮电大学盐城大数据研究院有限公司 | 基于k-聚类的电网变压器异常状态预警方法 |
| CN110703149B (zh) * | 2019-10-02 | 2021-09-24 | 广东石油化工学院 | 一种利用字符间距的变压器运行状态振声检测方法和系统 |
| CN112733878A (zh) * | 2020-12-08 | 2021-04-30 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于kmeans-SVM算法的变压器故障诊断方法 |
| CN113484723A (zh) * | 2021-07-08 | 2021-10-08 | 上海交通大学 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512474B (zh) * | 2015-12-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种变压器状态监测数据的异常检测方法 |
| CN106093612B (zh) * | 2016-05-26 | 2019-03-19 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
| CN106156485A (zh) * | 2016-06-16 | 2016-11-23 | 广州供电局有限公司 | 电力变压器故障诊断方法及装置 |
| CN106324405A (zh) * | 2016-09-07 | 2017-01-11 | 南京工程学院 | 一种基于改进主成分分析的变压器故障诊断方法 |
| CN106569056B (zh) * | 2016-10-21 | 2019-05-31 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
-
2017
- 2017-09-14 CN CN201710828174.0A patent/CN107677903B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107677903A (zh) | 2018-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107677903B (zh) | 一种变压器状态监测数据的聚类分析方法 | |
| CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
| CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| CN110498314B (zh) | 电梯门系统的健康评估方法、系统、电子设备及存储介质 | |
| CN106291253A (zh) | 一种防窃电预警分析方法 | |
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN115389854B (zh) | 一种直流电源供电系统的安全监测系统及方法 | |
| CN206312210U (zh) | 一种配电网设备的状态评估系统 | |
| CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
| CN103810533A (zh) | 一种基于云模型的配电网故障风险识别方法 | |
| CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
| CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控系统 | |
| CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
| CN114156901B (zh) | 一种低压配变无功补偿装置状态异常检测方法 | |
| CN115061061A (zh) | 用于无线站点开关电源的异常状态预判方法及其装置 | |
| CN111458601A (zh) | 故障检测方法及装置 | |
| CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
| CN110738415A (zh) | 基于用电采集系统和离群点算法的窃电用户分析方法 | |
| CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN107862459A (zh) | 一种基于大数据的计量设备状态评估方法及系统 | |
| Tianshan et al. | Failure rate prediction of substation equipment combined with grey linear regression combination model | |
| CN113591396B (zh) | 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 |
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 |