CN109242205A - 一种变压器状态预测方法及系统 - Google Patents

一种变压器状态预测方法及系统 Download PDF

Info

Publication number
CN109242205A
CN109242205A CN201811172085.6A CN201811172085A CN109242205A CN 109242205 A CN109242205 A CN 109242205A CN 201811172085 A CN201811172085 A CN 201811172085A CN 109242205 A CN109242205 A CN 109242205A
Authority
CN
China
Prior art keywords
transformer
gas
future
transformer state
shot
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
Application number
CN201811172085.6A
Other languages
English (en)
Inventor
苏磊
司文荣
徐湘忆
林峻
盛戈皞
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201811172085.6A priority Critical patent/CN109242205A/zh
Publication of CN109242205A publication Critical patent/CN109242205A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种变压器状态预测方法，其包括步骤：(1)对长短期记忆神经网络和深度信念神经网络分别进行训练；(2)将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值；基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。此外，本发明还公开了一种变压器状态预测系统，其包括：长短期记忆神经网络模块和深度信念神经网络模块。所述的变压器状态预测方法能够高效并且准确地预测变压器状态，对变压器的运行维护具有指导意义。

Description

一种变压器状态预测方法及系统
技术领域
本发明涉及一种预测方法及系统，尤其涉及一种用于变压器的预测方法及系统。
背景技术
变压器在运行使用过程中，由于受到外界环境的影响，会发生老化、电、热等故障，并产生少量气体溶解在绝缘油中。油中气体各种成分体积分数以及不同成分之间比例关系的不同会与变压器的运行状态有密切的关系。
目前现有技术中，虽然可以通过历史数据分析以及数据模型对变压器油中的溶解气体进行一定程度上的分析，但是仍存在不足。例如：传统的研究方法主要是针对当前时刻的故障进行诊断，缺少对变压器未来时刻状态的评估以及故障预警的分析。除此以外，现有技术在对变压器进行状态评估和故障分类时，主要是将气体浓度比值编码作为模型的输入，存在编码不完备以及界限过于绝对等问题；并且预测方法通常只能采用单一或较少的参量推测未来的发展趋势。
基于此，期望获得一种预测方法，该预测方法可以更为有效地预测变压器未来时刻状态，极大地提高对变压器运行状态预测的精度。
发明内容
本发明的目的之一在于提供一种变压器状态预测方法，该变压器状态预测方法能够对复杂的表征变压器状态的数据进行快速有效处理，从而实现对变压器运行状态变化趋势进行预测，最终得到准确度较高的预测数据。利用该变压器状态预测方法能够及时对预测出的故障类型进行排查，从而极大程度的避免了故障对变压器运行所造成的不良影响，极大地提高了变压器运行维护的安全稳定性。
基于上述目的，本发明提出了一种变压器状态预测方法，包括步骤：
(1)对长短期记忆神经网络和深度信念神经网络分别进行训练：
其中将变压器油色谱历史数据中的每一种特征气体的浓度值输入长短期记忆神经网络对其进行训练，以使得长短期记忆神经网络的输出为每一种特征气体的未来气体浓度值；
基于已知的表征变压器故障的各种特征气体浓度值，获得表征变压器故障的选定气体浓度比值，将选定气体浓度比值输入深度信念神经网络对其进行训练，以使深度信念神经网络的输出为变压器的未来状态；
(2)将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值；基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。
在本发明所述的变压器状态预测方法中，由于油浸式变压器的状态检修能够以油色谱数据作为依据，使得变压器油色谱分析试验可以在不停电的情况下迅速有效地发现变压器内部的潜伏性故障及缺陷，尤其是对过热性故障、放电性故障和绝缘破坏性故障具有较高的识别度。因此，在变压器运行过程中，对变压器油进行色谱分析，可以了解变压器的状态运行。
本案的变压器状态预测方法就是利用变压器油色谱历史数据通过长短期记忆神经网络(Long Short-term Memory，简称LSTM)依据序列数据统计关系的特征进行提取，并确定该特征自身时间维度的相关性。同时，该变压器状态预测方法可以从输入的高维复杂的数据中提取抽象的用于表征变压器故障的相关特征，激活强相关影响因素，抑制、弱化无关和冗余信息，利用深度信念网络(Deep BeliefNetwork，简称DBN)的深度学习能力，逐层提取故障数据与故障类型的内在联系，最后综合长短期记忆神经网络和深度信念神经网络对变压器运行状态变化趋势进行准确预测。
此外，需要指出的是，在本发明所述的技术方案中，在步骤(1)中，对长短期记忆神经网络和深度信念网络的训练可以同时进行。而在步骤(2)中首先将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值，随后通过特征气体的未来浓度值获得选定气体未来浓度比值，以将其输入经过训练的深度信念神经网络，利用深度信念神经网络获得输出的变压器状态预测结果。
进一步地，在本发明所述的变压器状态预测方法中，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
变压器采用油纸复合绝缘。当变压器在正常运行状态下时，由于绝缘油和固体绝缘材料会逐渐老会、变质，并分解出少量的气体，这些气体包含H2，CH4，C2H2，C2H4，C2H6，CO和CO2等。当变压器内部发生性故障时，会加速这些气体的产生速度。因此，在本案中，特征气体可以选取H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
进一步地，在本发明所述的变压器状态预测方法中，所述选定气体浓度比值和选定气体未来浓度比值均来自下述各项的至少其中之一：CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4，C2H2/CH4，C2H6/C2H2，CH4/C1,C2H2/C1,C2H4/C1,H2/C2,CH4/C2,C2H2/C2,C2H4/C2,C2H6/C2,其中C1＝CH4+C2H2+C2H4，C2＝H2+CH4+C2H2+C2H4+C2H6。
进一步地，在本发明所述的变压器状态预测方法中，对所述长短期记忆神经网络的训练采用沿时间反向传播算法。
进一步地，在本发明所述的变压器状态预测方法中，所述变压器状态预测结果或变压器的未来状态包括：正常运行、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。
进一步地，在本发明所述的变压器状态预测方法中，对深度信念神经网络的训练包括预训练阶段和微调阶段，其中在预训练阶段采用对比散度算法，在微调阶段采用梯度下降法。
在上述方案中，预训练阶段采用对比散度算法，以逐层训练深度信念神经网络，以深度信念神经网络各个层的隐层输出作为该层上一层的显层输入。
微调阶段采用梯度下降法，将训练样本在深度信念神经网络所输出的数据与训练样本输入时所对应的表征变压器故障之间的误差沿深度信念神经网络的数据输入方向逐层向后传播，实现对整个深度信念神经网络参数的最优化。
此外，在上述方案中，深度信念网络可以采用受限玻尔兹曼机(RBM)，RBM包括显元构成的显层以及隐元构成的隐层，其中，显层用于输入训练数据，隐层用于进行特征检测。对于RBM的显层与隐层而言，其层间神经元全连接，层内神经元不连接。RBM的激活函数可以采用sigmoid函数、tanh函数或者ReLU函数，但考虑到ReLU函数可以提高RBM训练时的收敛速度，并且具有非饱和的特点，因此，在一些优选的实施方式中，可以优选采用ReLU函数作为激活函数。
相应地，本发明的另一目的在于提供一种变压器状态预测系统，，该变压器状态预测系统可以及时有效地对变压器状态进行预测，可以及时对预测出的故障类型进行排查，从而极大程度的避免了故障对变压器运行所造成的不良影响，极大地提高了变压器运行维护的安全稳定性。
基于上述目的，本发明提出了一种变压器状态预测系统，包括：长短期记忆神经网络模块和深度信念神经网络模块；其中将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络模块，以获得其输出的特征气体的未来浓度值；将基于特征气体的未来浓度值获得的选定气体未来浓度比值输入经过训练的深度信念神经网络模块，以获得其输出的变压器状态预测结果。
进一步地，在本发明所述的变压器状态预测系统中，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
进一步地，在本发明所述的变压器状态预测系统中，所述选定气体未来浓度比值来自下述各项的至少其中之一：CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4，C2H2/CH4，C2H6/C2H2，CH4/C1,C2H2/C1,C2H4/C1,H2/C2,CH4/C2,C2H2/C2,C2H4/C2,C2H6/C2,其中C1＝CH4+C2H2+C2H4，C2＝H2+CH4+C2H2+C2H4+C2H6。
进一步地，在本发明所述的变压器状态预测系统中，所述变压器状态预测结果包括：正常运行、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。
本发明所述的变压器状态预测方法能够对复杂的表征变压器状态的数据进行快速有效处理，从而实现对变压器运行状态变化趋势进行预测，最终得到准确度较高的预测数据。利用该变压器状态预测方法能够及时对预测出的故障类型进行排查，从而极大程度的避免了故障对变压器运行所造成的不良影响，极大地提高了变压器运行维护的安全稳定性。
此外，本发明所述的变压器状态预测系统同样具有上述优点和有益效果。
附图说明
图1为本发明所述的变压器状态预测方法在一些实施方式中的流程示意图。
图2示意性地显示了本发明所述的变压器状态预测方法在某些步骤中的操作过程。
图3示意性地显示了本发明所述的变压器状态预测方法在另一些步骤中的操作过程。
图4为本发明所述的变压器状态预测系统在一些实施方式中的框架结构示意图。
图5示意性地显示了本发明所述的变压器状态预测方法中通过长短期记忆神经网络预测甲烷气体浓度的预测情况。
图6示意性地显示了本发明所述的变压器状态预测方法中通过长短期记忆神经网络预测甲烷气体浓度的预测误差情况。
图7示意性地显示了采用实施例1进行识别的识别结果。
图8示意性地显示了采用对比例4进行识别的识别结果。
图9示意性地显示了采用对比例5进行识别的识别结果。
图10示意性地显示了实施例2所采用的油色谱数据。
具体实施方式
下面在对本发明所述的变压器状态预测方法及系统做进一步说明之前，先结合说明书附图说明本发明的基本原理。
图1为本发明所述的变压器状态预测方法在一些实施方式中的流程示意图。
如图1所示，在一些实施方式中，变压器状态预测方法包括以下步骤：
步骤100：对长短期记忆神经网络和深度信念神经网络分别进行训练：其中，将变压器油色谱历史数据中的每一种特征气体的浓度值输入长短期记忆神经网络对其进行训练，以使得长短期记忆神经网络的输出为每一种特征气体的未来气体浓度值；基于已知的表征变压器故障的各种特征气体浓度值，获得表征变压器故障的选定气体浓度比值，将选定气体浓度比值输入深度信念神经网络对其进行训练，以使深度信念神经网络的输出为变压器的未来状态。
步骤200：将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值；基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。
关于步骤100和步骤200的具体操作，可以参见图2和图3。图2示意性地显示了本发明所述的变压器状态预测方法在某些步骤中的操作过程。图3示意性地显示了本发明所述的变压器状态预测方法在另一些步骤中的操作过程。
图2显示了步骤100的操作过程。如图2所示，以变压器油色谱数据为输入特征量，通过长短期记忆神经网络(即图中所示的LSTM网络)依据序列数据统计关系的特征提取，确定该参量自身时间维度的相关性。同时，该变压器状态预测方法可以从输入的高维复杂的数据中提取抽象的用于表征变压器故障的相关特征，激活强相关影响因素，抑制、弱化无关和冗余信息，利用深度信念网络(即图中所示的DBN网络)的深度学习能力，逐层提取故障数据与故障类型的内在联系，最后综合长短期记忆神经网络和深度信念神经网络对变压器运行状态变化趋势进行准确预测。
由图2可以进一步看出，LSTM网络包括若干个LSTM单元层构成，LSTM单元层包括门控单元，由输入门、遗忘门以及输出门组成。通过LSTM网络提取每一种特征气体的浓度值输入数据与预测目标之间的特征表达，LSTM网络可以采用沿时间反向传播算法训练。
DBN网络包括若干个RBM单元层，每个RBM单元层包括显元构成的显层以及隐元构成的隐层，其中，显层用于输入训练数据，隐层用于进行特征检测。对于RBM单元层的显层与隐层而言，其层间神经元全连接，层内神经元不连接。RBM单元层的激活函数可以采用sigmoid函数、tanh函数或者ReLU函数，但考虑到ReLU函数可以提高RBM单元层训练时的收敛速度，并且具有非饱和的特点，因此，在一些优选的实施方式中，可以优选采用ReLU函数作为激活函数。
在对DBN网络进行训练时，包括预训练阶段和微调阶段，其中在预训练阶段采用对比散度算法，在微调阶段采用梯度下降法。
图3显示了步骤200的操作过程。如图3所示，将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值。随后，基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。
需要指出的是，图2和图3中的变压器油色谱数据可以通过对变压器油中的溶解气体进行分析获得，这是因为：变压器在运行使用过程中，由于受到外界环境的影响，会发生老化、电、热等故障，并产生少量气体溶解在绝缘油中。油中气体各种成分体积分数以及不同成分之间比例关系的不同会与变压器的运行状态有密切的关系。溶解气体包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2，当变压器内部发生故障时，会加速这些气体的产生速度。随着故障的发展，分解出的气体形成气泡分解出的气体形成气泡在油中对流、扩散，并不断溶解在油中。因此，将溶解气体用于作为表征变压器故障的特征气体，特征气体的组成及含量与故障类型和故障严重程度关系密切。虽然在变压器运行过程中，可以定期做油的色谱分析，以发现设备内部的潜伏性故障，进而避免设备发生故障或造成更大的损失，但是由于单纯依靠变压器油色谱进行分析，会存在试验操作复杂，数据采样间隔较长的缺陷，因而，采用本案所述的变压器状态预测方法具有重要意义，其可以根据有通过历史数据分析以及数据模型进行预测，从而克服现有技术的不足。在本案中，采用的是H2，CH4，C2H2，C2H4，C2H6作为特征气体。当然在一些其他的实施方式中，特征气体可以包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
还需要说明的是，在将变压器油色谱历史数据中的每一种特征气体的浓度值以及待识别的变压器油色谱数据中的特征气体的当前浓度值作为输入数据进行输入时，可以对数据进行标准化处理后输入。而在采用深度信念网络进行数据输入时可以利用无编码比值诊断法，即将选定气体浓度比值和选定气体未来浓度比值作为输入数据输入，这是因为从现场直接采集获取的油中溶解气体分析(DGA)数据，各种特征气体的浓度分散性较大，对同一故障类型诊断的准确性有一定影响。因此，选定气体浓度比值和选定气体未来浓度比值对变压器状态进行故障诊断，而考虑到气体各组分之间的比例，变压器状态预测方法实际是解决多变量复杂度较高的预测问题。因而，选定气体浓度比值和选定气体未来浓度比值可以选自下述各项的至少其中之一：CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4，C2H2/CH4，C2H6/C2H2，CH4/C1,C2H2/C1,C2H4/C1,H2/C2,CH4/C2,C2H2/C2,C2H4/C2,C2H6/C2,其中C1＝CH4+C2H2+C2H4，C2＝H2+CH4+C2H2+C2H4+C2H6。
图4为本发明所述的变压器状态预测系统在一些实施方式中的框架结构示意图。
如图4所示，在一些实施方式中，变压器状态预测系统包括：长短期记忆神经网络模块和深度信念神经网络模块。其中，将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络模块，以获得其输出的特征气体的未来浓度值。随后，将基于特征气体的未来浓度值获得的选定气体未来浓度比值输入经过训练的深度信念神经网络模块，以获得其输出的变压器状态预测结果。
下面将根据具体实施例及说明书附图对本发明所述的变压器状态预测方法及系统作进一步说明，但是该说明并不构成对本发明技术方案的不当限定。
以某220kV变压器油色谱在线监测装置采集到的油色谱监测数据为例，监测周期为1天。选定甲烷为特征气体，选取800组监测数据作为训练样本，训练长短期记忆神经网络。而选取100组监测数据作为预测样本，将其作为待识别的变压器油色谱数据输入训练后的长短期记忆神经网络，获得其输出的特征气体的未来浓度值，将所获得的未来浓度值与所监测到的实际值进行比较，比较结果如图5和图6所示。
图5示意性地显示了本发明所述的变压器状态预测方法中通过长短期记忆神经网络预测甲烷气体浓度的预测情况。如图5所示，曲线I所表示的监测到的实际值与曲线II所表示的采用长短期记忆神经网络进行预测所获得的特征气体的未来浓度值拟合度高，说明了本案所采用的长短期记忆神经网络对特征气体的变化趋势具有很好的拟合度。图6示意性地显示了本发明所述的变压器状态预测方法中通过长短期记忆神经网络预测甲烷气体浓度的预测误差情况。如图6所示，监测到的实际值与采用长短期记忆神经网络进行预测所获得的特征气体的未来浓度值之间误差极小，平均相对百分误差仅为0.26％，最大相对百分误差为1.21％。需要说明的是，图5和图6中横轴表示为序列点的序号。
为了更进一步说明本案所采用的变压器状态预测方法对于特征气体的预测效果，采用对比例1-3以及实施例1对某一种特征气体进行未来浓度值预测，并与监测到的实际值进行比较，比较结果列于表1。其中，对比例1采用广义回归神经网络(GRNN)对特征气体进行未来浓度值预测，对比例2采用常规的深度信念神经网络(DBN)对特征气体进行未来浓度值预测，对比例3采用支持向量机(SVM)对特征气体进行未来浓度值预测。
表1.
由表1可以看出，本案实施例1由于采用长短期记忆神经网络对特征气体进行未来浓度值预测的预测效果较好，其具有极高的稳定性和可靠性，在不同种类的特征气体进行检测时，本案实施例1的平均相对百分误差均远远低于对比例1-3。
随后为了验证本案实施例1在对变压器运行状态预测分析的效果，采用已知故障类型的案例库进行测试，该案例库共3870组数据，其中正常案例838组，故障案例组3032组，具体包括低温过热案例521组，中温过热案例376组，高温过热案例587组，局部放电案例519组，低能放电案例489组，高能放电案例540组。从案例库中随机选取90％的样本数据训练实施例1以及对比例4和5的神经网络，剩下10％的样本数据作为将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的实施例1以及对比例4和5的神经网络，以测试分类的准确性。
通过绘制混淆矩阵对实施例1以及对比例4和5的变压器运行状态分类结果进行评价，实施例1以及对比例4和5的分类结果如图7至图9所示，其中，本案实施例1采用深度信念神经网络(DBN)对变压器运行状态进行分类，对比例4采用支持向量机(SVM)对变压器运行状态进行分类，对比例5采用反向传播神经网络(BPNN)对变压器运行状态进行分类。
图7示意性地显示了采用实施例1进行识别的识别结果。图8示意性地显示了采用对比例4进行识别的识别结果。图9示意性地显示了采用对比例5进行识别的识别结果。
需要说明的是，图7至图9中，正常表示正常案例，LT表示低温过热案例，MT表示中温过热案例，HT表示高温过热案例，PD表示局部放电案例，LD表示低能放电案例，HD表示高能放电案例。混淆矩阵中实际类别与预测类别均对应相同的对角线所在方块数值表示预测类别与实际类别相符合的样本数，除了召回率所在列、精确率所在行以及上文所述的混淆矩阵对角线所在方块以外的其他方块数值表示错误识别的样本数。精确率由正确预测的样本数与预测的样本数的比值确定，召回率由正确预测的样本数与实际获得的样本数中间的比值确定，识别准确率由召回率所在列与精确率所在行相交的方块表示，其通过所有正确预测的样本数与所有样本数之间的比值确定。混淆矩阵的精确率用于衡量查准率，召回率用于衡量查全率。
结合图7至图9可以看出，和对比例4以及对比例5相比，本案实施例1对变压器状态分类识别准确率最高，分别将识别准确率提升了9.6％和16.2％。并且本案实施例1的精确率和召回率都很高，都超过了85％，说明了本案查准率和查全率都很高。由此可知，实施例1用于变压器运行状态分类具有很好的效果。此外，本案实施例1在保持较高的准确率的同时，具有较强的分类稳定性。
另外，实施例2采用本案变压器状态预测方法对某变电站进行预测，选取该某变电站主变压器的2015年1月-10月的油色谱数据进行分析，数据点的采样间隔时间为12h。其原始数据如图10所示。图10示意性地显示了实施例2所采用的油色谱数据。参考图10可以看出，2015年1月至2015年10月的某变电站主变压器的油色谱数据，该油色谱数据包括特征气体为H2、CH4、C2H4、C2H6以及C2H2，其中曲线III表示H2，曲线IV表示CH4，曲线V表示C2H4，曲线VI表示C2H6，曲线VII表示C2H2。图10中横轴表示为序列点的序号。
实施例2对该变压器进行运行状态预测评估。将2015年1月至4月的原始数据对长短期记忆神经网络和深度信念网络进行训练，其中将变压器油色谱历史数据中的每一种特征气体的浓度值输入长短期记忆神经网络对其进行训练，以使得长短期记忆神经网络的输出为每一种特征气体的未来气体浓度值；基于已知的表征变压器故障的各种特征气体浓度值，获得表征变压器故障的选定气体浓度比值，将选定气体浓度比值输入深度信念神经网络对其进行训练，以使深度信念神经网络的输出为变压器的未来状态。
随后从2015年5月开始，利用长短期记忆神经网络依次测未来的变压器气体浓度值以获得其输出的特征气体的未来浓度值，基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。
表2列出了实施例2的预测结果。
表2.
月份 正常 LT MT HT PD LD HD 故障案例占比率
5 57 1 3 0 1 0 0 8.1％
6 53 0 5 1 1 0 0 11.7％
9 49 0 10 2 0 0 1 20.9％
8 30 2 28 1 0 1 0 51.6％
9 21 4 34 1 0 0 0 65％
10 16 3 37 4 0 2 0 74.2％
注：表2中正常表示正常案例，LT表示低温过热案例，MT表示中温过热案例，HT表示高温过热案例，PD表示局部放电案例，LD表示低能放电案例，HD表示高能放电案例。
由表2可知，利用实施例2的长短期记忆神经网络分析得出的故障案例占比率逐渐升高，其中8月份的故障案例占比率已经超过了50％，在10月份的故障案例占比最高为74.2％。从而可知变压器在运行过程中存在潜在的运行故障。并且通过表2可知，在所有的故障类型分析结果中，中温过热的故障案例数目最多，从而可以判定该变压器存在中温过热的潜在故障类型。需要及时发出预警信号。综合考虑油色谱监测装置会受到外界环境的干扰导致数据采集存在误差以及模型本身存在一定的误差等，当故障案例占比率超过50％时，应立即引起工作人员的注意。因而，对应实施例2，可以在变压器状态预测系统中设置8月份预警信息，及时发出设备异常预警，以提示操作人员对变压器运行状态进行注意。
综上所述，本发明所述的变压器状态预测方法能够对复杂的表征变压器状态的数据进行快速有效处理，从而实现对变压器运行状态变化趋势进行预测，最终得到准确度较高的预测数据。利用该变压器状态预测方法能够及时对预测出的故障类型进行排查，从而极大程度的避免了故障对变压器运行所造成的不良影响，极大地提高了变压器运行维护的安全稳定性。
此外，本发明所述的变压器状态预测系统同样具有上述优点和有益效果。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种变压器状态预测方法，其特征在于，包括步骤：
(1)对长短期记忆神经网络和深度信念神经网络分别进行训练：
其中将变压器油色谱历史数据中的每一种特征气体的浓度值输入长短期记忆神经网络对其进行训练，以使得长短期记忆神经网络的输出为每一种特征气体的未来气体浓度值；
基于已知的表征变压器故障的各种特征气体浓度值，获得表征变压器故障的选定气体浓度比值，将选定气体浓度比值输入深度信念神经网络对其进行训练，以使深度信念神经网络的输出为变压器的未来状态；
(2)将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络，以获得其输出的特征气体的未来浓度值；基于特征气体的未来浓度值获得选定气体未来浓度比值；将选定气体未来浓度比值输入经过训练的深度信念神经网络，以获得其输出的变压器状态预测结果。
2.如权利要求1所述的变压器状态预测方法，其特征在于，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
3.如权利要求1或2所述的变压器状态预测方法，其特征在于，所述选定气体浓度比值和选定气体未来浓度比值均来自下述各项的至少其中之一：CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4，C2H2/CH4，C2H6/C2H2，CH4/C1,C2H2/C1,C2H4/C1,H2/C2,CH4/C2,C2H2/C2,C2H4/C2,C2H6/C2,其中C1＝CH4+C2H2+C2H4，C2＝H2+CH4+C2H2+C2H4+C2H6。
4.如权利要求1所述的变压器状态预测方法，其特征在于，对所述长短期记忆神经网络的训练采用沿时间反向传播算法。
5.如权利要求1所述的变压器状态预测方法，其特征在于，所述变压器状态预测结果或变压器的未来状态包括：正常运行、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。
6.如权利要求1所述的变压器状态预测方法，其特征在于，对深度信念神经网络的训练包括预训练阶段和微调阶段，其中在预训练阶段采用对比散度算法，在微调阶段采用梯度下降法。
7.一种变压器状态预测系统，其特征在于，包括：长短期记忆神经网络模块和深度信念神经网络模块；其中将待识别的变压器油色谱数据中的特征气体的当前浓度值输入经过训练的长短期记忆神经网络模块，以获得其输出的特征气体的未来浓度值；将基于特征气体的未来浓度值获得的选定气体未来浓度比值输入经过训练的深度信念神经网络模块，以获得其输出的变压器状态预测结果。
8.如权利要求7所述的变压器状态预测系统，其特征在于，所述特征气体包括H2，CH4，C2H2，C2H4，C2H6，CO和CO2的至少其中之一。
9.如权利要求7所述的变压器状态预测系统，其特征在于，所述选定气体未来浓度比值来自下述各项的至少其中之一：CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4，C2H2/CH4，C2H6/C2H2，CH4/C1,C2H2/C1,C2H4/C1,H2/C2,CH4/C2,C2H2/C2,C2H4/C2,C2H6/C2,其中C1＝CH4+C2H2+C2H4，C2＝H2+CH4+C2H2+C2H4+C2H6。
10.如权利要求7所述的变压器状态预测系统，其特征在于，所述变压器状态预测结果包括：正常运行、低温过热、中温过热、高温过热、局部放电、低能放电和高能放电。
CN201811172085.6A 2018-10-09 2018-10-09 一种变压器状态预测方法及系统 Pending CN109242205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811172085.6A CN109242205A (zh) 2018-10-09 2018-10-09 一种变压器状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811172085.6A CN109242205A (zh) 2018-10-09 2018-10-09 一种变压器状态预测方法及系统

Publications (1)

Publication Number Publication Date
CN109242205A true CN109242205A (zh) 2019-01-18

Family

ID=65054941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811172085.6A Pending CN109242205A (zh) 2018-10-09 2018-10-09 一种变压器状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN109242205A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045237A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于果蝇算法优化的变压器状态参量数据预测方法及系统
CN110045236A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于核主元分析优化的变压器状态参量数据预测方法及系统
CN110633874A (zh) * 2019-09-29 2019-12-31 国网重庆市电力公司电力科学研究院 一种变电站二次设备状态监测方法及可读存储介质
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN112396104A (zh) * 2020-11-17 2021-02-23 华中科技大学 一种基于机器学习的等离子体放电识别方法及系统
CN112580883A (zh) * 2020-12-24 2021-03-30 哈尔滨理工大学 一种基于机器学习与神经网络的电力变压器状态预测方法
CN113726559A (zh) * 2021-08-09 2021-11-30 国网福建省电力有限公司 基于人工智能网络安全分析预警模型
CN113850320A (zh) * 2021-09-24 2021-12-28 沈阳理工大学 基于改进支持向量机回归算法的变压器故障检测方法
CN115759185A (zh) * 2022-10-31 2023-03-07 国网山东省电力公司青岛供电公司 基于Elman神经网络变压器油色谱特征气体的预测方法
CN116595337A (zh) * 2023-07-17 2023-08-15 合肥工业大学 变压器健康状态直接预测的态势量构建方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN106093135A (zh) * 2016-06-02 2016-11-09 中国石油大学(华东) 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置
CN107545307A (zh) * 2017-07-28 2018-01-05 上海交通大学 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统
CN108037378A (zh) * 2017-10-26 2018-05-15 上海交通大学 基于长短时记忆网络的变压器运行状态预测方法及系统
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN106093135A (zh) * 2016-06-02 2016-11-09 中国石油大学(华东) 一种基于石墨烯气敏传感器阵列的电力变压器故障智能诊断装置
CN107545307A (zh) * 2017-07-28 2018-01-05 上海交通大学 基于深度信念网络的变压器油中溶解气体浓度预测方法及系统
CN108037378A (zh) * 2017-10-26 2018-05-15 上海交通大学 基于长短时记忆网络的变压器运行状态预测方法及系统
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110045237A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于果蝇算法优化的变压器状态参量数据预测方法及系统
CN110045236A (zh) * 2019-04-08 2019-07-23 国网上海市电力公司 基于核主元分析优化的变压器状态参量数据预测方法及系统
CN110633874A (zh) * 2019-09-29 2019-12-31 国网重庆市电力公司电力科学研究院 一种变电站二次设备状态监测方法及可读存储介质
CN110633874B (zh) * 2019-09-29 2022-06-28 国网重庆市电力公司电力科学研究院 一种变电站二次设备状态监测方法及可读存储介质
CN111060221A (zh) * 2019-12-31 2020-04-24 云领电气智能科技(苏州)有限公司 基于循环神经网络的变压器过热故障预警方法
US20210278478A1 (en) * 2020-03-02 2021-09-09 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil
CN111337768B (zh) * 2020-03-02 2021-01-19 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
CN111337768A (zh) * 2020-03-02 2020-06-26 武汉大学 变压器油中溶解气体的深度并行故障诊断方法及系统
US11656298B2 (en) * 2020-03-02 2023-05-23 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil
CN112396104A (zh) * 2020-11-17 2021-02-23 华中科技大学 一种基于机器学习的等离子体放电识别方法及系统
CN112580883A (zh) * 2020-12-24 2021-03-30 哈尔滨理工大学 一种基于机器学习与神经网络的电力变压器状态预测方法
CN113726559A (zh) * 2021-08-09 2021-11-30 国网福建省电力有限公司 基于人工智能网络安全分析预警模型
CN113726559B (zh) * 2021-08-09 2023-10-27 国网福建省电力有限公司 基于人工智能网络安全分析预警系统
CN113850320A (zh) * 2021-09-24 2021-12-28 沈阳理工大学 基于改进支持向量机回归算法的变压器故障检测方法
CN115759185A (zh) * 2022-10-31 2023-03-07 国网山东省电力公司青岛供电公司 基于Elman神经网络变压器油色谱特征气体的预测方法
CN116595337A (zh) * 2023-07-17 2023-08-15 合肥工业大学 变压器健康状态直接预测的态势量构建方法及系统

Similar Documents

Publication Publication Date Title
CN109242205A (zh) 一种变压器状态预测方法及系统
CN106291234B (zh) 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法
CN105868770B (zh) 一种基于非监督学习模型的高压断路器故障诊断方法
Duan et al. Method of inter‐turn fault detection for next‐generation smart transformers based on deep learning algorithm
Zhang et al. A new support vector machine model based on improved imperialist competitive algorithm for fault diagnosis of oil-immersed transformers
CN109886328B (zh) 一种电动汽车充电设施故障预测方法与系统
CN103745119A (zh) 一种基于故障概率模型的油浸式变压器故障诊断方法
Feng et al. A technical framework of PHM and active maintenance for modern high-speed railway traction power supply systems
CN117310353B (zh) 一种变电站一、二次回路通流加压故障测试方法及系统
Nanfak et al. Interpreting dissolved gases in transformer oil: A new method based on the analysis of labelled fault data
Laayati et al. Smart energy management system: oil immersed power transformer failure prediction and classification techniques based on DGA data
Rashidi et al. LEs based framework for transient instability prediction and mitigation using PMU data
Sun et al. A novel life prediction method for railway safety relays using degradation parameters
Wani et al. Diagnosis of incipient dominant and boundary faults using composite DGA method
CN107884663A (zh) 一种基于组合核相关向量机的变压器故障诊断方法
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
Duan et al. Deep‐learning‐based power distribution network switch action identification leveraging dynamic features of distributed energy resources
Ji et al. Typical current modelling and feature extraction of high voltage circuit breaker towards condition analysis and fault diagnosis
Wang et al. Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant
Duan et al. Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings
Jia Yong et al. Classification of fault and stray gassing in transformer by using duval pentagon and machine learning algorithms
Bin et al. Research on mechanical fault diagnosis method of power transformer winding
Liu et al. Integrated power transformer diagnosis using hybrid fuzzy dissolved gas analysis
Heng et al. Fault diagnosis of subway plug door based on KPCA and CS-LSSVM
Li et al. Combining conventional and artificial intelligence DGA interpretation methods using optimized weighting factor

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190118