CN109632975A - 一种变压器油色谱数据综合分析及缺陷预测系统及方法 - Google Patents
一种变压器油色谱数据综合分析及缺陷预测系统及方法 Download PDFInfo
- Publication number
- CN109632975A CN109632975A CN201811575597.7A CN201811575597A CN109632975A CN 109632975 A CN109632975 A CN 109632975A CN 201811575597 A CN201811575597 A CN 201811575597A CN 109632975 A CN109632975 A CN 109632975A
- Authority
- CN
- China
- Prior art keywords
- value
- data
- transformer
- transformer oil
- sample
- 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
- 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
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提出了一种变压器油色谱数据综合分析及缺陷预测系统及方法,从单一数据和组合数据两个维度开展油色谱无效数据的判别研究,规避单一方法误判率高的弊端,提升在线监测数据的可信度;综合运用多种预测模型开展油色谱在线监测数据的趋势预测,提高了预测的准确性;提出了变压器故障组合诊断技术,能够及早发现低能量的潜伏性故障;本发明在遵循最新行业标准的同时,综合运用各类数据分析方法,系统的研究变压器油色谱数据的异常判别、趋势预测、故障诊断及变压器状态综合评估,有效地降低管理部门的劳动强度,及时发现运行变压器的潜伏性故障,为变压器健康状态评价、检修决策提供业务数据支持,避免突发事故的发生,保障电网安全运行。
Description
技术领域
本发明涉及高压变电设备状态安全检测技术领域,具体为一种变压器油色谱数据综合分析及缺陷预测系统及方法。
背景技术
电力变压器作为重要的输变电设备,其工作可靠性直接关系到整个电力系统的安全运行,一旦发生停电事故必将造成巨大的经济损失。自20世纪50年代以来,变压器在线监测技术受到了电力部门和各国学者的广泛重视。其中,变压器油中溶解气体分析法因可连续监视变压器的运行状态,并能提供有价值的信息进行诊断和预测,对判断慢性局部潜伏性缺陷十分有效。大量实时的在线监测数据,使得对变压器油色谱统计规律的研究成为可能。此外,仅仅根据油色谱分析结果的绝对值是很难对故障的严重性做出正确判断的,因为故障常常以低能量的潜伏性故障开始,因此必须考虑故障的发展趋势,借助于大量的相关历史数据和设备信息进行智能分析。而根据己有的变压器油中溶解气体浓度预测变压器油中溶解气体浓度的变化,是变压器在线监测的必要补充和提前预警变压器故障的重要手段。通过预测,可以对油中溶解气体浓度随时进行估计,快速而全面地评估变压器的绝缘状况。如果从变压器现有的色谱数据出发,预测出该变压器未来时刻油中溶解气体的浓度,就能根据DGA技术提前对该变压器的绝缘状况作出诊断,以此为依据,对变压器进行跟踪和安排检修等工作。
本发明将系统的研究变压器油色谱数据的异常判别、趋势预测、故障诊断及变压器状态综合评估技术,能够有效地了解设备的运行状况,及时发现设备的潜伏性故障,避免突发事故的发生。不仅对变压器运检技术的科技进步有重要的价值,而且对提高电力系统运行的可靠性和科学管理水平也具有十分重要的意义。
发明内容
有鉴于此,本发明提出了一种变压器油色谱数据综合分析及缺陷预测系统及方法,解决了分析海量的变压器油色谱在线监测数据时,若依靠人工进行异常数据的识别和分析不仅工作效率较低,而且可能无法及时发现变压器故障的隐患。
本发明的技术方案是这样实现的:
一方面,本发明提供了一种变压器油色谱数据综合分析及缺陷预测系统,油色谱数据判别模块(1)、预测模型模块(2)、诊断模型模块(3)和变压器状态评估模型模块(4),其中,
油色谱数据判别模块(1),对变压器油色谱监测数据进行分析,提取异常值并对其进行单独分析;
预测模块(2),建立组合预测模型,对变压器油中各气体组分,求出预测值;
诊断模块(3),对变压器进行故障诊断与评价;
变压器状态评估模块(4),对变压器的运行健康状况进行评估,并制定相应的检修策略。
在以上技术方案的基础上,优选的,油色谱数据判别模块(1)包括3S检验单元(11)、指数分布检验单元(12)、稳健分析单元(13)和异常值判断单元(14),其中,
3S检验单元(11),对变压器油色谱监测数据,根据t分布,识别其中的无效值;
指数分布检验单元(12),对变压器油色谱监测数据样本,根据统计量识别其中的无效值;
稳健分析单元(13),对变压器油色谱监测数据样本,对变压器油中各气体组分含量进行进一步分析,识别出无效值;
异常值判断单元(14),将3S检验单元(11)、指数分布检验单元(12)和稳健分析单元(13)识别出来的无效数据分为孤立异常数据和连续异常数据两类。
进一步优选的,所述3S检验单元(11)执行以下步骤,
假设变压器油色谱监测数据样本为x1,x2,x3...xn,对于数据值xj,计算余下n-1个数据平均值及标准差sn-1,即
然后,按t分布来判别被提取的值xj是否为异常值,若则xj为无效值,予以剔除,否则为正常值,予以保留,其中:a为显著水平;n代表样本数据个数;k(n,a)为检验系数,通过查讯t分布临界值表表得到。
进一步优选的,所述指数分布检验单元(12)执行以下步骤,
对于变压器油色谱监测数据样本,计算统计量对于给定显著水平a和变压器油色谱监测数据样本数据个数n,若则判断xn为异常值;若则判断xn为无效值,予以剔除,否则为正常值,予以保留。
进一步优选的,所述稳健分析单元(13)执行以下步骤,
①均值和协方差初始化,变压器油色谱监测数据样本数据个数为n,从中随机抽取h个样本,每个样本包含m个指标,分别计算这m个指标的h个样本数据的均值并组成均值矩阵T1和协方差矩阵S1;
②通过Mahalanobis距离公式计算这n个样本数据的Mahalanobis距离,其中,xi作为第i个样本的m个指标所组成的向量;
③样本筛选,根据Mahalanobis距离计算结果,选出这n个距离中最小的h个;
④迭代计算,对新选的h个样本计算其均值矩阵T2和协方差矩阵S2,判断是否收敛稳定:否则,继续迭代下去,直到均值和协方差收敛稳定,并返回稳定的均值矩阵TMCD和协方差矩阵SMCD;
⑤异常值检验,根据TMCD和SMCD计算每个样本稳健的Mahalanobis距离,因计算出的Mahalanobis距离近似服从一个自由度为P的卡方分布,假设置信度为α,则当时判定第i点数据为无效值,否则为正常值。
进一步优选的,所述异常值判断单元(14)执行以下步骤,对于单个孤立异常值,若小于行标注意值,则将其视为无效数据;若大于行标注意值,则将其视为误报警,但提高对该台设备监测数据的分析频次,监控其是否转化为连续异常值;对于连续异常值,无论其是否超过行标预警值,均将导入到诊断模块3进行分析,并发出报警信息。
在以上技术方案的基础上,优选的,所述预测模块(2)执行以下步骤,
a)油色谱数据的各原始序列变量为:
X(000)=(X(000)(t1),X(000)(t2).........X(000)(tn)),其中t代表数据采集的时刻,n为样本数据个数;
b)对油色谱数据序列X(000)进行等时距处理,得新序列:
X(00)=(X(00)(1),X(00)(2).........X(00)(tn));
c)对新序列X(00)进行弱化处理,得新序列:
X(0)=(X(0)(1),X(0)(2).........X(0)(tn));
d)对序列X(0)作一次累加生成运算,得新序列:
X(1)=(X(1)(1),X(1)(2).........X(1)(tn));
e)对序列X(1)建立乘幂预测模型:X1 (1)(i)=f1(i),(i=1,2,......n);
对序列X(1)建立指数预测模型:X2 (1)(i)=f2(i),(i=1,2,......n);
对序列X(1)建立基于遗传算法的灰色预测模型:X3 (1)(i)=f3(i),(i=1,2,......n);
f)分别对模型X1 (1)(i)、X2 (1)(i)、X3 (1)(i)进行精度检验,设精度检验合格的乘幂预测模型、指数预测模型以及基于遗传算法的灰色预测模型三个独立预测模型的组合预测权系数分别为w1,w2,w33,根据组合预测理论,可得相应的组合预测模型:
X(1)(i)=w1f1(i)+w2f2(i)+w3f3(i)
且w1+w2+w3=1,wi>0,i=1,2...n;
g)求出i=n+1时刻的预测值X(1)(n+1),并对预测值作还原处理,得到与检测值相对应的预测值X(000)(n+1);
h)对变压器油中各气体组分,按照上述a-g步骤分别求出i=n+1时刻的预测值。
在以上技术方案的基础上,优选的,所述诊断模块(3)执行以下步骤,
通过比较产气率法、大卫三角形法、改良三比值法、灰色关联法所分别给出的七种评价对象的优序关系,得出7个被评价对象的Borda分数;然后将得到的Borda分数按大小排序,得分最高的对象即为最终评价结果;其中,七种故障类型包括:y1低温过热、y2中温过热、y3高温过热、y4局部放电、y5低能火花放电、y6高能电弧放电和y7放电兼过热;其中第k种诊断方法的评价矩阵为:
若第k种诊断方法的故障类型为yi,则由此得出第k种诊断方法对故障类型yi的评分为:
因此,所有诊断方法的评分矩阵为:
故障类型yi的综合评分为:其中wk为第k种诊断方法的权值,则7种诊断结论的最终得分矢量为:b=(b1,b2,b3......b7),最终结论为分数最高的bi(i=1,2.....7)所对应的故障类型。
在以上技术方案的基础上,优选的,所述变压器状态评估模块(4)执行以下步骤,
(1)单项状态量评分值的计算,其具体计算公式为:
其中:G1为单项状态量的评分值;x`为单项状态量的警示值,且xz为行标注意值;xf为该状态量在同类新设备中的平均值,若没有此值,以该设备出厂或交接试验值代替;x1为本次试验值;
(2)综合状态量评分值的计算,根据各单项状态量的评分值与常权重系数可以计算各综合状态量的评分值,其具体计算公式为:
其中:T1为综合状态量的评分值,m1为此综合状态量中包含的单项状态量个数,Gi为第i个单项状态量的评分值,W为第i个单项状态量的常权重系数;
(3)变权重系数的计算。根据各综合状态量的评分情况,计算各综合状态量的变权重系数。其具体计算方法如下式所示:
其中,wi为第i种综合状态量的变权重系数,xi为第i个综合状态量的得分,m为变压器综合状态量体系中综合状态量的个数为第i种综合状态量的常权重系数,为第j种综合状态量的常权重系数,α为均衡函数,其取值大小取决于各综合状态量的相对重要程度,由于综合状态量反映的变压器缺陷往往比较真实和严重,故取α=0;
(4)变压器最终评分值的计算,根据各综合状态量的评分值与变权重系数,可以计算变压器最终评分值,其具体计算公式为:
其中,T2为变压器最终评分值,m为变压器综合状态量体系中综合状态量的个数,Ti为第i个综合状态量的评分值,Wi为第i个综合状态量的变权重系数;
(5)评估结果的处理,根据变压器最终评分值对评估结果进行相应的处理,最后判断变压器的健康状况,并制定相应的检修策略。
第二方面,本发明提供了一种变压器油色谱数据综合分析及缺陷预测方法,包括以下步骤,
S1,对变压器油色谱监测数据进行分析,提取异常值并对其进行单独分析;
S2,建立组合预测模型,对变压器油中各气体组分,求出预测值;
S3,对变压器进行故障诊断与评价;
S4,对变压器的运行健康状况进行评估,并制定相应的检修策略。
本发明的变压器油色谱数据综合分析及缺陷预测系统及方法相对于现有技术具有以下有益效果:
(1)在油色谱监测过程中,由于人为因素、现场干扰或装置误差会导致部分数据出现异常,往往导致分析结果产生较大的偏差,而且异常数据的出现会掩盖真实数据的变化规律,以致使变压器或电抗器的状态变化规律异常,本发明从单一数据和组合数据两个维度开展油色谱无效数据的判别研究,能够规避单一方法误判率高的弊端,有效提升在线监测数据的可信度;综合运用多种预测模型开展油色谱在线监测数据的趋势预测,提高了预测的准确性,满足公司生产实际的需求;结合行标和多种权威诊断方法,提出了变压器故障组合诊断技术,能够及早发现低能量的潜伏性故障;
(2)面对海量的变压器油色谱在线监测数据,若依靠人工进行异常数据的识别和分析不仅工作效率较低,而且可能无法及时发现变压器故障隐患导致安全责任事故。本发明在遵循最新行业标准的同时,综合运用各类数据分析方法,系统的研究变压器油色谱数据的异常判别、趋势预测、故障诊断及变压器状态综合评估技术,不仅能够有效地降低管理部门的劳动强度,更能够及时发现运行变压器的潜伏性故障,从而为变压器健康状态评价、检修决策提供业务数据支持,避免突发事故的发生,保障电网安全运行。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的变压器油色谱数据综合分析及缺陷预测系统的框架图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种变压器油色谱数据综合分析及缺陷预测系统,包括油色谱数据判别模块1、预测模块2、诊断模块3和变压器状态评估模块4。
油色谱数据判别模块1包括3S检验单元11、指数分布检验单元12、稳健分析单元13和异常值判断单元14。
其中,3S检验单元11,对变压器油色谱监测数据,根据t分布,识别其中的无效值。具体的,假设变压器油色谱监测数据样本为x1,x2,x3...xn,对于数据值xj,计算余下n-1个数据平均值及标准差sn-1,即
然后,按t分布来判别被提取的值xj是否为异常值,若则xj为无效值,应予剔除,否则为正常值,应予以保留。其中:a为显著水平;n代表样本数据个数;k(n,a)为检验系数,可通过查讯t分布临界值表表得到。
指数分布检验单元12,对变压器油色谱监测数据样本,根据统计量识别其中的无效值。具体的,对于变压器油色谱监测数据样本,计算统计量对于给定显著水平a和变压器油色谱监测数据样本数据个数n,若则判断xn为异常值;若则判断xn为无效值,应予剔除,否则为正常值,应予以保留。
稳健分析单元13,对变压器油色谱监测数据样本,对其CO、H2和总烃(CH4、C2H6、C2H4、C2H2)三类气体含量进行进一步分析,识别出无效值。具体的,包括以下步骤:
①均值和协方差初始化。变压器油色谱监测数据样本数据个数为n,从中随机抽取h个样本,每个样本包含m个指标,分别计算这m个指标的h个样本数据的均值并组成均值矩阵T1和协方差矩阵S1;
②通过Mahalanobis距离公式计算这n个样本数据的Mahalanobis距离。其中,xi作为第i个样本的m个指标所组成的向量;
③样本筛选。根据Mahalanobis距离计算结果,选出这n个距离中最小的h个;
④迭代计算。对新选的h个样本计算其均值矩阵T2和协方差矩阵S2,判断是否收敛稳定:否则,继续迭代下去,直到均值和协方差收敛稳定,并返回稳定的均值矩阵TMCD和协方差矩阵SMCD;
⑤异常值检验。根据TMCD和SMCD计算每个样本稳健的Mahalanobis距离。因计算出的Mahalanobis距离近似服从一个自由度为P的卡方分布,假设置信度为α,则当时判定第i点数据为无效值,否则为正常值。
异常值判断单元14,将3S检验单元11、指数分布检验单元12和稳健分析单元13识别出来的无效数据分为孤立异常数据和连续异常数据两类。对于单个孤立异常值,若小于行标注意值,则将其视为无效数据;若大于行标注意值,则将其视为误报警,但提高对该台设备监测数据的分析频次,监控其是否转化为连续异常值;对于连续异常值,无论其是否超过行标预警值,均将导入到诊断模块3进行分析,并发出报警信息。
预测模块2,运用乘幂预测模型、指数预测模型以及基于遗传算法的灰色预测模型算法建立组合预测模型,对变压器油中各气体组分,求出预测值。具体的,按以下方法建立组合预测模型:
a)油色谱数据的各原始序列变量为:
X(000)=(X(000)(t1),X(000)(t2).........X(000)(tn)),其中t代表数据采集的时刻,n为样本数据个数;如此,将长时间的检测数据放到一起进行处理;
b)对油色谱数据序列X(000)进行等时距处理,得新序列:
X(00)=(X(00)(1),X(00)(2).........X(00)(tn));
c)对新序列X(00)进行弱化处理,得新序列:
X(0)=(X(0)(1),X(0)(2).........X(0)(tn));
d)对序列X(0)作一次累加生成运算,得新序列:
X(1)=(X(1)(1),X(1)(2).........X(1)(tn));
e)对序列X(1)建立乘幂预测模型:X1 (1)(i)=f1(i),(i=1,2,......n);
对序列X(1)建立指数预测模型:X2 (1)(i)=f2(i),(i=1,2,......n);
对序列X(1)建立基于遗传算法的灰色预测模型:X3 (1)(i)=f3(i),(i=1,2,......n);
f)分别对模型X1 (1)(i)、X2 (1)(i)、X3 (1)(i)进行精度检验。设精度检验合格的乘幂预测模型、指数预测模型以及基于遗传算法的灰色预测模型三个独立预测模型的组合预测权系数分别为w1,w2,w3 3,根据组合预测理论,可得相应的组合预测模型:
X(1)(i)=w1f1(i)+w2f2(i)+w3f3(i)
且w1+w2+w3=1,wi>0,i=1,2...n;
g)求出i=n+1时刻的预测值X(1)(n+1),并对预测值作还原处理,得到与检测值相对应的预测值X(000)(n+1);
h)对变压器油中各气体组分,按照上述a-g步骤分别求出i=n+1时刻的预测值。
诊断模块3,运用产气率法、大卫三角形法、改良三比值法、灰色关联法构建基于Borda模型的变压器故障组合诊断模型。具体的,通过比较产气率法、大卫三角形法、改良三比值法、灰色关联法所分别给出的七种评价对象的优序关系,得出7个被评价对象的Borda分数。然后将得到的Borda分数按大小排序,得分最高的对象即为最终评价结果。其中,七种故障类型包括:y1低温过热(低于300℃下)、y2中温过热(300~700℃)、y3高温过热(高于700℃下)、y4局部放电、y5低能火花放电、y6高能电弧放电和y7放电兼过热。其中第k种诊断方法的评价矩阵为:
若第k种诊断方法的故障类型为yi,则由此得出第k种诊断方法对故障类型yi的评分为:
因此,所有诊断方法的评分矩阵为:
故障类型yi的综合评分为:其中wk为第k种诊断方法的权值。则7种诊断结论的最终得分矢量为:b=(b1,b2,b3......b7),最终结论为分数最高的bi(i=1,2.....7)所对应的故障类型。
变压器状态评估模型模块4,为基于关联规则与变权重系数的变压器状态评估模型,依次计算单项状态量评分值、综合状态量评分值、变权重系数和变压器最终评分值,并对评估结果进行处理。具体的,包括以下步骤:
(1)单项状态量评分值的计算。其具体计算公式为:
其中:G1为单项状态量的评分值;x`为单项状态量的警示值,且为行标注意值;xf为该状态量在同类新设备中的平均值,若没有此值,以该设备出厂或交接试验值代替;x1为本次试验值;
(2)综合状态量评分值的计算。根据各单项状态量的评分值与常权重系数可以计算各综合状态量的评分值。其具体计算公式为:
其中:T1为综合状态量的评分值,m1为此综合状态量中包含的单项状态量个数,Gi为第i个单项状态量的评分值,W为第i个单项状态量的常权重系数;
(3)变权重系数的计算。根据各综合状态量的评分情况,计算各综合状态量的变权重系数。其具体计算方法如下式所示:
其中,wi为第i种综合状态量的变权重系数,xi为第i个综合状态量的得分,m为变压器综合状态量体系中综合状态量的个数为第i种综合状态量的常权重系数,为第j种综合状态量的常权重系数,α为均衡函数,其取值大小取决于各综合状态量的相对重要程度,由于综合状态量反映的变压器缺陷往往比较真实和严重,故取α=0;
(4)变压器最终评分值的计算。根据各综合状态量的评分值与变权重系数,可以计算变压器最终评分值。其具体计算公式为:
其中,T2为变压器最终评分值,m为变压器综合状态量体系中综合状态量的个数,Ti为第i个综合状态量的评分值,Wi为第i个综合状态量的变权重系数;
(5)评估结果的处理。根据变压器最终评分值对评估结果进行相应的处理,最后判断变压器的健康状况,并制定相应的检修策略。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变压器油色谱数据综合分析及缺陷预测系统,其特征在于:油色谱数据判别模块(1)、预测模型模块(2)、诊断模型模块(3)和变压器状态评估模型模块(4),其中,
油色谱数据判别模块(1),对变压器油色谱监测数据进行分析,提取异常值并对其进行单独分析;
预测模块(2),建立组合预测模型,对变压器油中各气体组分,求出预测值;
诊断模块(3),对变压器进行故障诊断与评价;
变压器状态评估模块(4),对变压器的运行健康状况进行评估,并制定相应的检修策略。
2.如权利要求1所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:油色谱数据判别模块(1)包括3S检验单元(11)、指数分布检验单元(12)、稳健分析单元(13)和异常值判断单元(14),其中,
3S检验单元(11),对变压器油色谱监测数据,根据t分布,识别其中的无效值;
指数分布检验单元(12),对变压器油色谱监测数据样本,根据统计量识别其中的无效值;
稳健分析单元(13),对变压器油色谱监测数据样本,对变压器油中各气体组分含量进行进一步分析,识别出无效值;
异常值判断单元(14),将3S检验单元(11)、指数分布检验单元(12)和稳健分析单元(13)识别出来的无效数据分为孤立异常数据和连续异常数据两类。
3.如权利要求2所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述3S检验单元(11)执行以下步骤,
假设变压器油色谱监测数据样本为x1,x2,x3...xn,对于数据值xj,计算余下n-1个数据平均值及标准差sn-1,即
然后,按t分布来判别被提取的值xj是否为异常值,若则xj为无效值,予以剔除,否则为正常值,予以保留,其中:a为显著水平;n代表样本数据个数;k(n,a)为检验系数,通过查讯t分布临界值表表得到。
4.如权利要求2所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述指数分布检验单元(12)执行以下步骤,
对于变压器油色谱监测数据样本,计算统计量及对于给定显著水平a和变压器油色谱监测数据样本数据个数n,若则判断xn为异常值;若则判断xn为无效值,予以剔除,否则为正常值,予以保留。
5.如权利要求2所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述稳健分析单元(13)执行以下步骤,
①均值和协方差初始化,变压器油色谱监测数据样本数据个数为n,从中随机抽取h个样本,每个样本包含m个指标,分别计算这m个指标的h个样本数据的均值并组成均值矩阵T1和协方差矩阵S1;
②通过Mahalanobis距离公式计算这n个样本数据的Mahalanobis距离,其中,xi作为第i个样本的m个指标所组成的向量;
③样本筛选,根据Mahalanobis距离计算结果,选出这n个距离中最小的h个;
④迭代计算,对新选的h个样本计算其均值矩阵T2和协方差矩阵S2,判断是否收敛稳定:否则,继续迭代下去,直到均值和协方差收敛稳定,并返回稳定的均值矩阵TMCD和协方差矩阵SMCD;
⑤异常值检验,根据TMCD和SMCD计算每个样本稳健的Mahalanobis距离,因计算出的Mahalanobis距离近似服从一个自由度为P的卡方分布,假设置信度为α,则当时判定第i点数据为无效值,否则为正常值。
6.如权利要求2所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述异常值判断单元(14)执行以下步骤,对于单个孤立异常值,若小于行标注意值,则将其视为无效数据;若大于行标注意值,则将其视为误报警,但提高对该台设备监测数据的分析频次,监控其是否转化为连续异常值;对于连续异常值,无论其是否超过行标预警值,均将导入到诊断模块3进行分析,并发出报警信息。
7.如权利要求1所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述预测模块(2)执行以下步骤,
a)油色谱数据的各原始序列变量为:
X(000)=(X(000)(t1),X(000)(t2).........X(000)(tn)),其中t代表数据采集的时刻,n为样本数据个数;
b)对油色谱数据序列X(000)进行等时距处理,得新序列:
X(00)=(X(00)(1),X(00)(2).........X(00)(tn));
c)对新序列X(00)进行弱化处理,得新序列:
X(0)=(X(0)(1),X(0)(2).........X(0)(tn));
d)对序列X(0)作一次累加生成运算,得新序列:
X(1)=(X(1)(1),X(1)(2).........X(1)(tn));
e)对序列X(1)建立乘幂预测模型:X1 (1)(i)=f1(i),(i=1,2,......n);
对序列X(1)建立指数预测模型:X2 (1)(i)=f2(i),(i=1,2,......n);
对序列X(1)建立基于遗传算法的灰色预测模型:X3 (1)(i)=f3(i),(i=1,2,......n);
f)分别对模型X1 (1)(i)、X2 (1)(i)、X3 (1)(i)进行精度检验,设精度检验合格的乘幂预测模型、指数预测模型以及基于遗传算法的灰色预测模型三个独立预测模型的组合预测权系数分别为w1,w2,w33,根据组合预测理论,可得相应的组合预测模型:
X(1)(i)=w1f1(i)+w2f2(i)+w3f3(i)
且w1+w2+w3=1,wi>0,i=1,2...n;
g)求出i=n+1时刻的预测值X(1)(n+1),并对预测值作还原处理,得到与检测值相对应的预测值X(000)(n+1);
h)对变压器油中各气体组分,按照上述a-g步骤分别求出i=n+1时刻的预测值。
8.如权利要求1所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述诊断模块(3)执行以下步骤,
通过比较产气率法、大卫三角形法、改良三比值法、灰色关联法所分别给出的七种评价对象的优序关系,得出7个被评价对象的Borda分数;然后将得到的Borda分数按大小排序,得分最高的对象即为最终评价结果;其中,七种故障类型包括:y1低温过热、y2中温过热、y3高温过热、y4局部放电、y5低能火花放电、y6高能电弧放电和y7放电兼过热;其中第k种诊断方法的评价矩阵为:
若第k种诊断方法的故障类型为yi,则由此得出第k种诊断方法对故障类型yi的评分为:
因此,所有诊断方法的评分矩阵为:
故障类型yi的综合评分为:其中wk为第k种诊断方法的权值,则7种诊断结论的最终得分矢量为:b=(b1,b2,b3......b7),最终结论为分数最高的bi(i=1,2.....7)所对应的故障类型。
9.如权利要求1所述的变压器油色谱数据综合分析及缺陷预测系统,其特征在于:所述变压器状态评估模块(4)执行以下步骤,
(1)单项状态量评分值的计算,其具体计算公式为:
其中:G1为单项状态量的评分值;x`为单项状态量的警示值,且xz为行标注意值;xf为该状态量在同类新设备中的平均值,若没有此值,以该设备出厂或交接试验值代替;x1为本次试验值;
(2)综合状态量评分值的计算,根据各单项状态量的评分值与常权重系数可以计算各综合状态量的评分值,其具体计算公式为:
其中:T1为综合状态量的评分值,m1为此综合状态量中包含的单项状态量个数,Gi为第i个单项状态量的评分值,W为第i个单项状态量的常权重系数;
(3)变权重系数的计算。根据各综合状态量的评分情况,计算各综合状态量的变权重系数。其具体计算方法如下式所示:
其中,wi为第i种综合状态量的变权重系数,xi为第i个综合状态量的得分,m为变压器综合状态量体系中综合状态量的个数为第i种综合状态量的常权重系数,为第j种综合状态量的常权重系数,α为均衡函数,其取值大小取决于各综合状态量的相对重要程度,由于综合状态量反映的变压器缺陷往往比较真实和严重,故取α=0;
(4)变压器最终评分值的计算,根据各综合状态量的评分值与变权重系数,可以计算变压器最终评分值,其具体计算公式为:
其中,T2为变压器最终评分值,m为变压器综合状态量体系中综合状态量的个数,Ti为第i个综合状态量的评分值,Wi为第i个综合状态量的变权重系数;
(5)评估结果的处理,根据变压器最终评分值对评估结果进行相应的处理,最后判断变压器的健康状况,并制定相应的检修策略。
10.一种变压器油色谱数据综合分析及缺陷预测方法,其特征在于:包括以下步骤,
S1,对变压器油色谱监测数据进行分析,提取异常值并对其进行单独分析;
S2,建立组合预测模型,对变压器油中各气体组分,求出预测值;
S3,对变压器进行故障诊断与评价;
S4,对变压器的运行健康状况进行评估,并制定相应的检修策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811575597.7A CN109632975A (zh) | 2018-12-22 | 2018-12-22 | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811575597.7A CN109632975A (zh) | 2018-12-22 | 2018-12-22 | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109632975A true CN109632975A (zh) | 2019-04-16 |
Family
ID=66076568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811575597.7A Pending CN109632975A (zh) | 2018-12-22 | 2018-12-22 | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109632975A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472671A (zh) * | 2019-07-24 | 2019-11-19 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
CN113722659A (zh) * | 2021-08-30 | 2021-11-30 | 北京智盟信通科技有限公司 | 一种基于缺陷模式的变电主设备诊断方法和系统 |
CN114324710A (zh) * | 2021-11-15 | 2022-04-12 | 杭州柯林电气股份有限公司 | 变压器油色谱检测系统及检测方法 |
CN114354783A (zh) * | 2021-12-17 | 2022-04-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于在运数据的特高压油色谱监测装置健康度评估方法 |
CN115032323A (zh) * | 2022-06-06 | 2022-09-09 | 云南电网有限责任公司电力科学研究院 | 确定油色谱数据异常的方法、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
WO2016029629A1 (zh) * | 2014-08-29 | 2016-03-03 | 国家电网公司 | 电力变压器内部松动判断系统及其方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
-
2018
- 2018-12-22 CN CN201811575597.7A patent/CN109632975A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029629A1 (zh) * | 2014-08-29 | 2016-03-03 | 国家电网公司 | 电力变压器内部松动判断系统及其方法 |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
CN106066432A (zh) * | 2016-05-26 | 2016-11-02 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器的故障检测与故障诊断综合系统 |
Non-Patent Citations (8)
Title |
---|
刘新苗: "基于油中溶解气体在线监测的变压器故障动态预警方法分析", 《广东科技》 * |
史晏廷 等: "基于神经网络综合分析的变压器油色谱在线监测系统", 《电工电气》 * |
周源泉 等: "《质量可靠性增长与评定方法》", 31 December 1997, 北京航空航天大学出版社 * |
孙宝盛等: "《环境分析检测理论与技术》", 30 September 2007, 化学工业出版社 * |
廖瑞金: "变压器绝缘故障诊断黑板型专家系统和基于遗传算法的故障预测研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
李黎 等: "采用关联规则综合分析和变权重系数的电力变压器状态评估方法", 《中国电机工程学报》 * |
范辉等: "多指标加权分析的变压器故障油色谱诊断方法可靠性评估", 《高压电器》 * |
高树国 等: "基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性", 《高电压技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472671A (zh) * | 2019-07-24 | 2019-11-19 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
CN113722659A (zh) * | 2021-08-30 | 2021-11-30 | 北京智盟信通科技有限公司 | 一种基于缺陷模式的变电主设备诊断方法和系统 |
CN113722659B (zh) * | 2021-08-30 | 2023-04-18 | 北京智盟信通科技有限公司 | 一种基于缺陷模式的变电主设备诊断方法和系统 |
CN114324710A (zh) * | 2021-11-15 | 2022-04-12 | 杭州柯林电气股份有限公司 | 变压器油色谱检测系统及检测方法 |
CN114354783A (zh) * | 2021-12-17 | 2022-04-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于在运数据的特高压油色谱监测装置健康度评估方法 |
CN115032323A (zh) * | 2022-06-06 | 2022-09-09 | 云南电网有限责任公司电力科学研究院 | 确定油色谱数据异常的方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109632975A (zh) | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
CN110377491A (zh) | 一种数据异常检测方法及装置 | |
CN109416531A (zh) | 异常数据的重要度判定装置及异常数据的重要度判定方法 | |
CN110458313A (zh) | 一种基于svm的电力用户信用风险预警方法及系统 | |
CN104616212B (zh) | 继电保护系统可靠性分析方法与系统 | |
WO2013039911A1 (en) | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators | |
KR100997009B1 (ko) | 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN104992299A (zh) | 一种电网风险分析及预警的方法 | |
CN108228412A (zh) | 一种基于系统健康度监测系统故障及隐患的方法及装置 | |
CN111178732A (zh) | 基于大数据赋能条件下的区域动态火灾风险评估方法 | |
CN105242110B (zh) | 一种配电网多点谐波污染溯源方法 | |
CN102129776A (zh) | 行人异常交通状态自动检测方法及系统 | |
CN110020760A (zh) | 石化企业安全风险等级定量评估方法 | |
CN106872172A (zh) | 航空发动机试验安全参数监视的实时判别方法及系统 | |
CN114372682A (zh) | 基于ahp-模糊综合评价的消防服环境适应性评估方法及系统 | |
Bashiri et al. | Multi-objective efficient design of np control chart using data envelopment analysis | |
CN111178731A (zh) | 基于大数据赋能条件下的社会单位动态火灾风险评估方法 | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
Goldsmith | Quantity-Accuracy Profiles or type-2 signal detection measures? Similar methods towards a common goal | |
CN115685045A (zh) | 一种电压互感器在线评估方法 | |
CN114021915A (zh) | 基于改进均衡权重和可变模糊集的电气火灾风险评估方法 | |
CN108931713A (zh) | 电缆局放检测装置选型方法及装置 | |
CN104731056B (zh) | 快速判断化工生产装置的运行稳定性的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |