CN108646124A - 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 - Google Patents
一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 Download PDFInfo
- Publication number
- CN108646124A CN108646124A CN201810189484.7A CN201810189484A CN108646124A CN 108646124 A CN108646124 A CN 108646124A CN 201810189484 A CN201810189484 A CN 201810189484A CN 108646124 A CN108646124 A CN 108646124A
- Authority
- CN
- China
- Prior art keywords
- oil chromatography
- monitoring data
- online monitoring
- wavelet
- small echo
- 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.)
- Pending
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于小波极大值的油色谱在线监测数据变化趋势检测方法,大量油色谱在线监测装置的普及,为及时监测油色谱异常变化提供了基础。根据在线监测数据分析,油色谱数据异常变化分为快速渐变、跃变两种类型,首先,基于时间序列对油色谱在线监测数据建立函数模型,并计算拟合残差,其次,对拟合残差进行小波分析,可识别了油色谱数据异常数据,最后,利用小波变换模极大值与Lipschitz指数关系,在两个不同的小波尺度下对拟合残差进行小波分解,识别了油色谱在线监测数据渐变、跃变异常类型,实践证明,该油色谱异常数据检测方法,能够检测油色谱在线监测数据异常变化趋势,及时发现潜伏故障,提高变压器的运行可靠性。
Description
技术领域
本发明涉及电力变压器状态评估技术,尤其涉及一种基于小波极大值的油色谱在线监测数据变化趋势检测方法。
背景技术
变压器是电力系统中最重要的电气设备之一,其直接影响系统的安全运行水平,一旦发生事故,会造成巨大的直接和间接损失。油色谱分析是监测变压器内部运行状态的重要手段,目前大部分变压器故障是通过油色谱分析发现的,传统油色谱分析主要基于定期的检测的静态数据,难以对油色谱数据动态变化趋势分析,及时发现变压器潜伏性故障。电力公司近年来对大型变压器安装了大量的油色谱在线监测装置,以江苏为例,截止2014年,共装设256台变压器在线油色谱监测装置,为监测油色谱动态变化趋势提供了基础。大量在线监测数据分析表明,油色谱监测数据异常变化趋势为快速渐变和跃变。由大量数据分析表明,气体快速渐变可能由设备处于加速老化或潜伏性故障状态。气体监测数据跃变可能由变压器过热故障或放电故障引起的,应立即检修。因此,识别油色谱在线监测变化趋势非常必要,可实时监测变压器运行状态,合理安排变压器检修。
发明内容
发明目的:针对线监测数据量大、实时性要求高的现状,本发明提出一种基于小波极大值油色谱在线监测数据变化趋势检测方法,可进一步实现变压器状态检修,提高变压器安全运行性。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于小波极大值的油色谱在线监测数据变化趋势检测方法,包括以下步骤:
(1)获取油色谱在线监测数据,基于时间序列对油色谱在线监测数据建立模型,计算拟合残差et;
(2)对拟合残差et进行小波分解,计算小波系数Ak;
(3)在随机的M分解尺度下对小波系数Ak进行分解,得到小波模值;判断小波系数Ak是否有小波模极大值:若无,则判断油色谱在线监测数据正常;否则,判断油色谱在线监测数据异常,进入步骤(4);
(4)在随机的N分解尺度下对小波系数Ak进行分解,得到小波模值,M≠N;计算M分解尺度和N分解尺度下的小波模差值Ek,判断小波模差值Ek是否有极大值点:若无,则判断油色谱在线监测数据的异常变化趋势为跃变;否则,判断油色谱在线监测数据的异常变化趋势为渐变;
(5)若油色谱在线监测数据的异常变化趋势为跃变,则判断电力变压器存在严重故障,应立即对变压器进行维修;若油色谱在线监测数据的异常变化趋势为渐变,则判断电力变压器存在潜伏性故障,应尽快对变压器进行维修。
所述步骤(1)中,基于时间序列对油色谱在线监测数据建立模型,可以采用MATLAB仿真实现,将t时刻的油色谱在线监测数据xt表示成函数形式:
xt=g(xt-υ,…,xt-1)+et
其中:下标υ表示模型阶次;xt-υ~xt-1表示t-υ时刻到t-1时刻的油色谱在线监测数据;当油色谱在线监测数据无异常,则t时刻的油色谱在线监测数据可以使用t-υ时刻到t-1时刻的油色谱在线监测数据进行拟合,拟合残差et稳定;否则拟合残差et会发生超过稳定范围的波动或跃变。
优选的,所述步骤(2)中,采用在线递推小波分解方法对拟合残差et进行小波分解,通用的母小波函数为:
其中,ψ(t)、β、i和w0同通用母小波函数定义。
通用递推小波分解公式为:
其中:Wx,ψ(kT,f)表示kT时刻、f频率下x空间位置的小波模,T为采样周期,k为整数标记采样点,δ1~δ5和λ1~λ5均表示常数,同通用递推小波分解公式定义。
在计算小波模极大值时,设在包含x0空间位置的某一领域S内,对一切空间位置x有:
|Wx,ψ(kT,f)|≤|Wx0,ψ(kT,f)|
则称x0为小波模极大值点,Wx0,ψ(kT,f)为小波模极大值。
小波模极大值与油色谱在线监测异常数据是一一对应的:若油色谱监测在线数据有异常变化,则从异常数据起,其分解的小波系数将出现小波模极大值;反之,由于拟合残差et在零附近近似一条直线,分解的小波系数也应在零附近。
所述步骤(4)中,计算两个不同分解尺度下的小波模差值Ek,首先需要分析李氏系数与小波模极大值之间的关系:
log2|Wf(s,x)|≤log2K+fα
其中:Wf(s,x)为小波系数Ak在某分解尺度下的小波模,s为决定Wf(s,x)分解尺度的尺度因子,x表示Wf(s,x)的空间位置;α为李氏系数;当α>0时,小波模极大值随分解尺度的增大而增大;当α=0时,小波模极大值与分解尺度无关;
当油色谱监测数据为渐变趋势时,拟合残差et表征为斜坡函数,则α>0,小波模极大值随分解尺度的增大而增大;当油色谱监测数据为跃变趋势时,拟合残差et表征为阶跃函数,则α=0,小波模极大值与分解尺度无关;因此,可在两个分解尺度下对拟合残差et进行分解来区分油色谱在线监测数据的变化趋势。
计算M分解尺度和N分解尺度下的小波模差值Ek,判断小波模差值Ek是否有极大值点:若小波模差值Ek出现极大值点,表明油色谱在线监测数据发生渐变现象;若小波模差值Ek没有出现极大值点,而是在零附近,则油色谱在线监测数据发生跃变现象。
有益效果:本发明提供的基于小波极大值的油色谱在线监测数据变化趋势检测方法,能够检测油色谱在线监测数据异常变化趋势,及时发现潜伏故障,进一步实现变压器状态检修,提高变压器的运行可靠性。
附图说明
图1为油色谱在线监测数据渐变趋势实例;
图2为油色谱在线监测数据跃变趋势实例;
图3为本发明的实施流程图;
图4为CH4和H2拟合残差et的小波系数,4(a)为CH4,4(b)为H2;
图5为CH4和H2在两个不同分解尺度下的小波模差值Ek,5(a)为CH4,5(b)为H2。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一、油色谱在线监测数据快速渐变、跃变两种异常变化趋势分析
油色谱渐变现象是指在某个拐点后,状态量总体变化趋势上升较快,但其状态量大小和绝对速率大都没有超过注意值,且变化趋势没有趋缓迹象。由大量数据分析表明,渐变趋势可能由变压器潜伏性故障引起的。如图1。
油色谱在线监测数据跃变现象是指前期在线监测变化趋势变化正常,在某个时刻数值突然变化较大,发生明显的跳变。监测数据分析表明,跃变往往较为严重的故障引起的。如图2。
二、获取油色谱在线监测数据,基于时间序列对油色谱在线监测数据建立模型,计算拟合残差et。
基于时间序列对油色谱在线监测数据建立模型,可以采用MATLAB仿真实现,将t时刻的油色谱在线监测数据xt表示成函数形式:
xt=g(xt-υ,…,xt-1)+et
其中:下标υ表示模型阶次;xt-υ~xt-1表示t-υ时刻到t-1时刻的油色谱在线监测数据;当油色谱在线监测数据无异常,则t时刻的油色谱在线监测数据可以使用t-υ时刻到t-1时刻的油色谱在线监测数据进行拟合,拟合残差et稳定;否则拟合残差et会发生超过稳定范围的波动或跃变。
三、采用在线递推小波分解方法对拟合残差et进行小波分解,计算小波系数Ak。
在随机的M分解尺度下对小波系数Ak进行分解,得到小波模值;判断小波系数Ak是否有小波模极大值:若无,则判断油色谱在线监测数据正常;否则,判断油色谱在线监测数据异常。
小波模极大值与油色谱在线监测异常数据是一一对应的:若油色谱监测在线数据有异常变化,则从异常数据起,其分解的小波系数将出现小波模极大值;反之,由于拟合残差et在零附近近似一条直线,分解的小波系数也应在零附近。
四、计算两个不同分解尺度下的小波模差值Ek,可对油色谱在线监测数据进行渐变、跃变识别。
对油色谱在线监测数据异常数据,在随机的N分解尺度下对小波系数Ak进行再次分解,得到小波模值,M≠N;计算M分解尺度和N分解尺度下的小波模差值Ek。
计算两个不同分解尺度下的小波模差值Ek,首先需要分析李氏系数与小波模极大值之间的关系:
log2|Wf(s,x)|≤log2K+fα
其中:Wf(s,x)为小波系数Ak在某分解尺度下的小波模,s为决定Wf(s,x)分解尺度的尺度因子,x表示Wf(s,x)的空间位置;α为李氏系数;当α>0时,小波模极大值随分解尺度的增大而增大;当α=0时,小波模极大值与分解尺度无关;
当油色谱监测数据为渐变趋势时,拟合残差et表征为斜坡函数,则α>0,小波模极大值随分解尺度的增大而增大;当油色谱监测数据为跃变趋势时,拟合残差et表征为阶跃函数,则α=0,小波模极大值与分解尺度无关;因此,可在两个分解尺度下对拟合残差et进行分解来区分油色谱在线监测数据的变化趋势。
计算M分解尺度和N分解尺度下的小波模差值Ek,判断小波模差值Ek是否有极大值点:若小波模差值Ek出现极大值点,表明油色谱在线监测数据发生渐变现象;若小波模差值Ek没有出现极大值点,而是在零附近,则油色谱在线监测数据发生跃变现象。
五、根据变压器运行状态进行维修。
若油色谱在线监测数据的异常变化趋势为跃变,则判断电力变压器存在严重故障,应立即对变压器进行维修;若油色谱在线监测数据的异常变化趋势为渐变,则判断电力变压器存在潜伏性故障,应尽快对变压器进行维修。
以实例说明,某市变压器,电压等级为500kV。取其2014-2015在线监测数据,取数据间隔时间24h,采用小波模极大值方法对CH4、C2H4、C2H6、H2四种气体监测数据变化趋势进行检测。对CH4、C2H4、C2H6的历史监测数据拟合函数,并计算拟合残差et,利用Matlab对拟合残差et小波分析,CH4、H2气体分别如图4(其他气体变化趋势正常,仿真图未给出),由图可看出CH4、H2气体的小波系数存在模极大值,可知CH4、H2气体监测数据存在异常,在分解因子s=8、s=11情况下分别对CH4、H2气体拟合残差et进行小波分解并计算小波模差值Ek,如图5,可知小波模差值Ek存在极大值,CH4、H2气体监测数据属于渐变趋势,因此应尽快对变压器检修。根据渐变气体分析,判断变压器油中油中杂质过多,与现场检修结果一致。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于小波极大值的油色谱在线监测数据变化趋势检测方法,其特征在于:包括以下步骤:
(1)获取油色谱在线监测数据,基于时间序列对油色谱在线监测数据建立模型,计算拟合残差et;
(2)对拟合残差et进行小波分解,计算小波系数Ak;
(3)在随机的M分解尺度下对小波系数Ak进行分解,得到小波模值;判断小波系数Ak是否有小波模极大值:若无,则判断油色谱在线监测数据正常;否则,判断油色谱在线监测数据异常,进入步骤(4);
(4)在随机的N分解尺度下对小波系数Ak进行分解,得到小波模值,M≠N;计算M分解尺度和N分解尺度下的小波模差值Ek,判断小波模差值Ek是否有极大值点:若无,则判断油色谱在线监测数据的异常变化趋势为跃变;否则,判断油色谱在线监测数据的异常变化趋势为渐变;
(5)若油色谱在线监测数据的异常变化趋势为跃变,则判断电力变压器存在严重故障;若油色谱在线监测数据的异常变化趋势为渐变,则判断电力变压器存在潜伏性故障。
2.根据权利要求1所述的基于小波极大值的油色谱在线监测数据变化趋势检测方法,其特征在于:所述步骤(2)中,采用在线递推小波分解方法对拟合残差et进行小波分解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189484.7A CN108646124A (zh) | 2018-03-08 | 2018-03-08 | 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189484.7A CN108646124A (zh) | 2018-03-08 | 2018-03-08 | 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108646124A true CN108646124A (zh) | 2018-10-12 |
Family
ID=63744263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189484.7A Pending CN108646124A (zh) | 2018-03-08 | 2018-03-08 | 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108646124A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109342630A (zh) * | 2018-11-23 | 2019-02-15 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN112284440A (zh) * | 2020-08-03 | 2021-01-29 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN113889198A (zh) * | 2021-09-24 | 2022-01-04 | 国网宁夏电力有限公司电力科学研究院 | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
CN103487514A (zh) * | 2013-09-05 | 2014-01-01 | 昆明理工大学 | 一种基于小波变换和证据推理的变压器在线监测信息聚合方法 |
CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
US20170206459A1 (en) * | 2016-01-20 | 2017-07-20 | Unist(Ulsan National Institute Of Science And Technology) | Failure prediction apparatus for electric device and failure prediction method using the same |
CN104573321B (zh) * | 2014-12-11 | 2017-12-08 | 国家电网公司 | 一种变压器油中溶解气体不良数据的识别和处理方法 |
-
2018
- 2018-03-08 CN CN201810189484.7A patent/CN108646124A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590716A (zh) * | 2012-02-11 | 2012-07-18 | 广东电网公司电力科学研究院 | 一种基于小波分析的电力电缆局部放电信号去噪方法 |
CN103487514A (zh) * | 2013-09-05 | 2014-01-01 | 昆明理工大学 | 一种基于小波变换和证据推理的变压器在线监测信息聚合方法 |
CN104573321B (zh) * | 2014-12-11 | 2017-12-08 | 国家电网公司 | 一种变压器油中溶解气体不良数据的识别和处理方法 |
CN105223293A (zh) * | 2015-11-09 | 2016-01-06 | 江苏省电力公司电力科学研究院 | 基于油色谱在线监测的变压器状态预警方法 |
US20170206459A1 (en) * | 2016-01-20 | 2017-07-20 | Unist(Ulsan National Institute Of Science And Technology) | Failure prediction apparatus for electric device and failure prediction method using the same |
Non-Patent Citations (4)
Title |
---|
吴奕等: "基于油色谱在线监测的变压器状态预警", 《变压器》 * |
李朝生等: "基于递推最小二乘法的变压器参数辨识", 《南京工程学院学报》 * |
苏卫星: "时间序列异常点及突变点的检测算法", 《计算机研究与发展》 * |
郝思鹏等: "融合在线监测数据的变压器状态评估", 《电力自动化设备》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109342630A (zh) * | 2018-11-23 | 2019-02-15 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN109342630B (zh) * | 2018-11-23 | 2022-09-20 | 中国电力科学研究院有限公司 | 变压器油色谱在线监测异常数据诊断方法 |
CN112284440A (zh) * | 2020-08-03 | 2021-01-29 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN112284440B (zh) * | 2020-08-03 | 2022-06-14 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN113889198A (zh) * | 2021-09-24 | 2022-01-04 | 国网宁夏电力有限公司电力科学研究院 | 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2082246B1 (en) | Cable fault detection | |
US7725295B2 (en) | Cable fault detection | |
CN106372735B (zh) | 一种继电保护状态评估方法 | |
CN104569481B (zh) | 瓦斯继电器油流流速采集系统和重瓦斯整定值校验方法 | |
CN201522543U (zh) | 变压器绕组匝间局部放电联合检测与诊断平台 | |
BR112015018578B1 (pt) | Sistema e método para determinar uma saúde de uma transmissão elétrica ou de recurso de distribuição | |
CN108646124A (zh) | 一种基于小波极大值的油色谱在线监测数据变化趋势检测方法 | |
CN101976881A (zh) | 一种变压器保护与绕组变形在线监测一体化装置及其应用方法 | |
CN105223293A (zh) | 基于油色谱在线监测的变压器状态预警方法 | |
CN116754901A (zh) | 一种基于快速定位的配电网故障分析管理平台 | |
CN110703149B (zh) | 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 | |
Wesley et al. | Evaluation of statistical interpretation methods for frequency response analysis based winding fault detection of transformers | |
US20130187389A1 (en) | Method for predictive monitoring of switch contactors and system therefor | |
EP3652761B1 (en) | System and method of determining age of a transformer | |
CN112327236B (zh) | 一种在线监测电容式电压互感器的方法及相关设备 | |
CN108152733B (zh) | 一种用于高压断路器机械特性的带电检测分合闸时间方法 | |
CN110161363B (zh) | 基于主频表征量的变压器运行状态振声检测方法和系统 | |
CN110286291B (zh) | 一种利用主成分的变压器运行状态振声检测方法和系统 | |
CN110261716B (zh) | 基于狄拉克混合机制的变压器运行状态振声检测方法 | |
KR101413788B1 (ko) | 변압기 이상 진단 방법 및 장치 | |
KR20210053846A (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
CN106645960A (zh) | 一种基于wams 线路参数动态辨识的电网线路山火预警方法 | |
CN113376276A (zh) | 一种七氟异丁腈混合气体绝缘设备故障预判方法及系统 | |
CN107576259A (zh) | 基于特快速暂态过电压特性的变压器绕组变形在线检测方法 | |
CN113078615A (zh) | 大型电力变压器主动保护方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |