CN110108806B - 基于概率信息压缩的变压器油色谱数据表示方法 - Google Patents

基于概率信息压缩的变压器油色谱数据表示方法 Download PDF

Info

Publication number
CN110108806B
CN110108806B CN201910270527.9A CN201910270527A CN110108806B CN 110108806 B CN110108806 B CN 110108806B CN 201910270527 A CN201910270527 A CN 201910270527A CN 110108806 B CN110108806 B CN 110108806B
Authority
CN
China
Prior art keywords
transformer
chromatographic data
oil chromatographic
fault
data
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
Application number
CN201910270527.9A
Other languages
English (en)
Other versions
CN110108806A (zh
Inventor
陈剑
朱俊鹏
许中
马智远
肖天为
刘田
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201910270527.9A priority Critical patent/CN110108806B/zh
Publication of CN110108806A publication Critical patent/CN110108806A/zh
Application granted granted Critical
Publication of CN110108806B publication Critical patent/CN110108806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1281—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本申请涉及基于概率信息压缩的变压器油色谱数据表示方法，其包括以下步骤：采用变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；获取当前油色谱数据；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障。通过利用变压器油中溶解气体分析反映变压器的运行状态，简化了变压器故障类型与油中溶解气体的组分间的映射关系，能够发现变压器早期潜伏的故障且还可追溯故障的发展趋势，从而有助于变压器的运行维护，避免变压器自身故障的发生及其引发电力事故，进而保证变压器的正常稳定运行，确保电力系统运维工作的正常、有效。

Description

基于概率信息压缩的变压器油色谱数据表示方法
技术领域
本申请涉及变压器领域，特别是涉及基于概率信息压缩的变压器油色谱数据表示方法。
背景技术
电力变压器(简称为：变压器)是电力传输系统中必不可少的枢纽设备，应用于电力系统的各个方面；其中，电厂作为电力输出端，需要使用升压变压器把电能输入到电网，电网通过变压器连接各个主干网和子网系统，实现互联、互通；用户作为接收端，则需要通过降压变压器将接收到高电压降至自己所需要的电压范围。因此，变压器正常、稳定的运行与整个电力系统的稳定性紧密相关，一旦变压器产生故障，必将导致局部或者大面积的停电事故，由此引起的经济损失也是非常巨大乃至于无法估量的。由于变压器的生产过程中不可避免的会出现气泡、裂缝等各种小的质量问题，以及变压器在长期工作中，受各种应力如电应力、热应力等作用引起的材质损坏、绝缘老化等问题，从而引发自身故障和电力事故。所以保证变压器的正常稳定运行是电力系统运维工作中必不可少的环节。
长期研究表明，变压器油中溶解气体分析(Dissolved Gas Analysis，简称DGA)是一种效率很高的变压器变压器油色谱数据表示方法，因为该方法受外界电场或磁场等因素的影响极小，变压器的运行状态能够被变压器油中溶解气体的含量和组分含量所反映。因此，可以使用基于DGA数据的故障诊断方法来发现变压器早期潜伏的故障，且还可追溯故障的发展趋势。现有DGA数据表示方法有三比值法、改良三比值法、Dornerburg法和Rogers法等。但由于变压器发生故障时产生气体的机理比较复杂，变压器故障类型与油中溶解气体的组分间存在复杂的映射关系，传统分析方法在一定程度上都存在诊断结果片面和不能准确掌握故障情况的问题。
发明内容
基于此，有必要提供一种基于概率信息压缩的变压器油色谱数据表示方法。
一种基于概率信息压缩的变压器油色谱数据表示方法，其包括以下步骤：采用变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；获取当前油色谱数据；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障。
上述基于概率信息压缩的变压器油色谱数据表示方法，通过利用变压器油中溶解气体分析反映变压器的运行状态，简化了变压器故障类型与油中溶解气体的组分间的映射关系，改进了传统分析方法复杂、结果片面及难以准确掌握故障情况的问题，能够发现变压器早期潜伏的故障且还可追溯故障的发展趋势，从而有助于变压器的运行维护，避免变压器自身故障的发生及其引发电力事故，进而保证变压器的正常稳定运行，确保电力系统运维工作的正常、有效。
在其中一个实施例中，采用变压器油色谱数据构建数据集之前，所述变压器油色谱数据表示方法还包括以下步骤：采集油色谱数据。
在其中一个实施例中，确定变压器的可能故障之后，所述变压器油色谱数据表示方法还包括以下步骤：发送变压器的可能故障。
在其中一个实施例中，确定变压器的可能故障之后，所述变压器油色谱数据表示方法还包括以下步骤：根据变压器的可能故障进行维护。
在其中一个实施例中，采用变压器油色谱数据构建数据集时，所述变压器油色谱数据表示方法还包括以下步骤：进行清洗标准化处理，剔除缺项。
在其中一个实施例中，对油色谱数据进行归一化处理时，所述变压器油色谱数据表示方法还包括以下步骤：确定数据集中每一种气体含量在数据集中的最大值与平均值。
在其中一个实施例中，根据油色谱数据中的各种气体含量，确定油色谱数据对应的故障类别。
在其中一个实施例中，确定每一种气体含量对应的故障类别时或之后，所述变压器油色谱数据表示方法还包括以下步骤：对每一种故障类别进行独热码编码。
在其中一个实施例中，采用隐变量进行内嵌空间表示。
在其中一个实施例中，所述变压器油色谱数据表示方法具体包括以下步骤：
S010，采用变压器油色谱数据构建数据集；
S020，确定数据集中每一种气体含量在数据集中的最大值与平均值，并对油色谱数据进行归一化处理，以确定油色谱数据对应的故障类别；
S030，对每一种故障类别进行独热码编码；
S040，建立输入变量与隐变量之间的相对熵；
S050，根据输入变量关于其对应隐变量的含参数后验概率以及输入变量自身的先验概率，处理所述相对熵；
S060，对处理后的相对熵进行非依赖项整理并利用输入变量的构造分布使得相对熵最小；
S070，采用近似后验分布作为真实后验分布，确定近似后验分布与真实后验分布的交叉熵以及数据集的边缘似然；
S080，根据交叉熵的非负性以及边缘似然的变分下界，得到含有正则化项和重构误差的变分下界随机梯度贝叶斯评估器；
S090，进行正则变换；
S100，求解隐变量函数的平均值，计算得到重构误差项；
S110，得到需要最大化的优化目标的函数关系式；
S120，建立输入变量与隐变量之间的函数关系式，生成解码矩阵；
S130，优化目标函数；
S140，从均值为0，标准差为1的高斯分布中取随机数初始化生成解码矩阵，根据输入变量、初始化生成解码矩阵以及优化目标的函数关系式，得到初始化隐变量，并计算得到初始化目标函数；
S150，计算目标函数的梯度，得到生成解码矩阵的更新公式；
S160，重复迭代上一步骤，直到目标函数达到最大，得到最终的隐变量和最终的生成解码矩阵；
S170，根据当前变压器油色谱数据、最终的隐变量和最终的生成解码矩阵，确定变压器的可能故障。
附图说明
图1为本申请一实施例的流程示意图。
图2为本申请另一实施例的流程示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本申请的一个实施例是，一种基于概率信息压缩的变压器油色谱数据表示方法，其包括以下步骤：采用变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；获取当前油色谱数据；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障。上述基于概率信息压缩的变压器油色谱数据表示方法，通过利用变压器油中溶解气体分析反映变压器的运行状态，简化了变压器故障类型与油中溶解气体的组分间的映射关系，改进了传统分析方法复杂、结果片面及难以准确掌握故障情况的问题，能够发现变压器早期潜伏的故障且还可追溯故障的发展趋势，从而有助于变压器的运行维护，避免变压器自身故障的发生及其引发电力事故，进而保证变压器的正常稳定运行，确保电力系统运维工作的正常、有效。
在本申请一个实施例中，一种基于概率信息压缩的变压器油色谱数据表示方法，其包括以下实施例的部分步骤或全部步骤；即，所述变压器油色谱数据表示方法包括以下的部分技术特征或全部技术特征。
在其中一个实施例中，采用变压器油色谱数据构建数据集；在其中一个实施例中，采用变压器油色谱数据构建数据集之前，所述变压器油色谱数据表示方法还包括以下步骤：采集油色谱数据；即所述变压器油色谱数据表示方法包括以下步骤：采集油色谱数据，采用变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；获取当前油色谱数据；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障；其余实施例以此类推，不再赘述。进一步地，在其中一个实施例中，采集大量油色谱数据，形成一个大数据集。进一步地，在其中一个实施例中，采用变压器油色谱数据构建数据集之前，所述变压器油色谱数据表示方法还包括以下步骤：接收历史油色谱数据；且采用变压器油色谱数据构建数据集包括或具体为：采用变压器的历史油色谱数据构建数据集。由于变压器类型相异较大，尤其是变压器的大小及应用领域存在较大差异，进一步地，在其中一个实施例中，采用变压器油色谱数据构建数据集，包括：根据变压器的分类或型号，采用变压器油色谱数据构建数据集；这样可以获得更准确的、更符合不同变压器类型的变压器数据集。在其中一个实施例中，采用变压器油色谱数据构建数据集时，所述变压器油色谱数据表示方法还包括以下步骤：进行清洗标准化处理，剔除缺项。在其中一个实施例中，采用变压器油色谱数据构建数据集，进行清洗标准化处理，剔除缺项；或者，采集或接收油色谱数据，进行清洗标准化处理，剔除缺项，然后采用变压器油色谱数据构建数据集。这样的设计，可以清除不必要的或者多余的或者不准确的数据，避免对后续步骤造成干扰。
在其中一个实施例中，对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；在其中一个实施例中，对油色谱数据进行归一化处理时，所述变压器油色谱数据表示方法还包括以下步骤：确定数据集中每一种气体含量在数据集中的最大值与平均值。在其中一个实施例中，根据油色谱数据中的各种气体含量，确定油色谱数据对应的故障类别。在其中一个实施例中，确定每一种气体含量对应的故障类别时或之后，所述变压器油色谱数据表示方法还包括以下步骤：对每一种故障类别进行独热码(One-Hot Code)编码。这样的设计，可以有效地将油色谱数据的每一种气体含量或者多种气体的含量组合，一一对应于故障类别，并且通过独热码编码以便后续步骤进行处理。
在其中一个实施例中，确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；在其中一个实施例中，采用隐变量进行内嵌空间表示。在其中一个实施例中，采用概率信息压缩方式，确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；在其中一个实施例中，所述概率信息压缩方式采用相对熵、交叉熵及变分下界随机梯度贝叶斯评估器等实现。
在其中一个实施例中，获取当前油色谱数据；在其中一个实施例中，获取当前油色谱数据包括主动获取当前油色谱数据或者被动接收当前油色谱数据；在其中一个实施例中，获取当前油色谱数据之后，所述变压器油色谱数据表示方法还包括以下步骤：根据当前油色谱数据对应的变压器类型，选择采用该类型的变压器油色谱数据所构建的数据集。在其中一个实施例中，所述变压器油色谱数据表示方法包括以下步骤：对于各种类型的变压器，采用该类型的变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；获取当前油色谱数据，确定变压器类型，选择该类型变压器不同故障类别的内嵌空间表示和生成解码矩阵；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障；其余实施例以此类推。在其中一个实施例中，所述变压器油色谱数据表示方法包括以下步骤：获取当前油色谱数据，确定变压器类型，采用该类型的变压器油色谱数据构建数据集；对油色谱数据进行归一化处理，确定油色谱数据对应的故障类别；确定变压器不同故障类别的内嵌空间表示和生成解码矩阵；根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障；其余实施例以此类推。即各实施例中，所述变压器油色谱数据表示方法各步骤之间的顺序可以适当调整。所述变压器油色谱数据表示方法各实施例中，可以先构建大数据集，也可以先根据各种类型的变压器的油色谱数据构建相应的数据集，还可以先获取当前油色谱数据，然后调用或者构建相应的数据集。
在其中一个实施例中，根据当前油色谱数据、内嵌空间表示和生成解码矩阵，确定变压器的可能故障。在其中一个实施例中，确定变压器的可能故障之后，所述变压器油色谱数据表示方法还包括以下步骤：发送变压器的可能故障。在其中一个实施例中，发送变压器的可能故障到管理终端或者控制系统。在其中一个实施例中，确定变压器的可能故障之后，所述变压器油色谱数据表示方法还包括以下步骤：根据变压器的可能故障进行维护。这样的设计，真正实现了防患未然，在变压器故障发生之前，就可以通过油色谱数据及时有效地确认故障的可能性，提前进行维护、维修或者更换处理。
如图2所示，在其中一个实施例中，所述变压器油色谱数据表示方法具体包括以下步骤：
S010，采用变压器油色谱数据构建数据集；
S020，确定数据集中每一种气体含量在数据集中的最大值与平均值，并对油色谱数据进行归一化处理，以确定油色谱数据对应的故障类别；
S030，对每一种故障类别进行独热码编码；
S040，建立输入变量与隐变量之间的相对熵；
S050，根据输入变量关于其对应隐变量的含参数后验概率以及输入变量自身的先验概率，处理所述相对熵；
S060，对处理后的相对熵进行非依赖项整理并利用输入变量的构造分布使得相对熵最小；
S070，采用近似后验分布作为真实后验分布，确定近似后验分布与真实后验分布的交叉熵以及数据集的边缘似然；
S080，根据交叉熵的非负性以及边缘似然的变分下界，得到含有正则化项和重构误差的变分下界随机梯度贝叶斯评估器；
S090，进行正则变换；
S100，求解隐变量函数的平均值，计算得到重构误差项；
S110，得到需要最大化的优化目标的函数关系式；
S120，建立输入变量与隐变量之间的函数关系式，生成解码矩阵；
S130，优化目标函数；
S140，从均值为0，标准差为1的高斯分布中取随机数初始化生成解码矩阵，根据输入变量、初始化生成解码矩阵以及优化目标的函数关系式，得到初始化隐变量，并计算得到初始化目标函数；
S150，计算目标函数的梯度，得到生成解码矩阵的更新公式；
S160，重复迭代上一步骤，即重复迭代步骤S150，直到目标函数达到最大，得到最终的隐变量和最终的生成解码矩阵；
S170，根据当前变压器油色谱数据、最终的隐变量和最终的生成解码矩阵，确定变压器的可能故障。
这样的设计，实现了基于概率信息压缩的变压器油色谱数据表示，在此基础上提供了基于概率信息压缩的变压器油色谱数据表示方法，可对后续新增测量气体数据进行有效故障检测，能够发现变压器早期潜伏的故障且还可追溯故障的发展趋势，从而有助于变压器的运行维护，避免变压器自身故障的发生及其引发电力事故，进而保证变压器的正常稳定运行，为电网安全稳定运行提供保障。
在其中一个实施例中，所述变压器油色谱数据表示方法具体包括以下步骤中的一项、二项、多项或者全部：
步骤S010：首先对采集到的油色谱数据进行清洗标准化处理，剔除缺项，构建新的处理后的数据集C1；
步骤S020：对数据集C1中每一种气体含量，寻找在数据集C1中的最大值与平均值并将上述清理后的油色谱数据进行归一化；
步骤S030：对每一种故障类别进行独热码编码；
步骤S040：建立输入变量
Figure BDA0002018215810000091
与隐变量z＝z(i)之间的相对熵，如下所示：
DKL[qφ(z|x)||pθ(z|x)]＝Eqφ(z|x)[log qφ(z|x)-log pθ(z|x)]；
其中，相对熵表示使用理论分布拟合真实分布时产生的信息损耗。
步骤S050：将pθ(x|z)和pθ(x)作用于上式可得下式，其中pθ(x|z)和pθ(x)分别为输入变量
Figure BDA0002018215810000092
关于其对应隐变量z＝z(i)的含参数后验概率与输入变量
Figure BDA0002018215810000093
自身的先验概率：
DKL[qφ(z|x)||pθ(z|x)]＝
Eqφ(z|x)[log qφ(z|x)-log pθ(x|z)-log pθ(z)]+log pθ(x)
步骤S060：对上式进行非依赖项整理并利用输入变量
Figure BDA0002018215810000094
构造分布qφ(z|x)使得DKL[qφ(z|x)||pθ(z|x)]最小可得下式：
log pθ(x)-DKL[qφ(z|x)||pθ(z|x)]＝Eqφ(z|x)[log pθ(x|z)]-DKL[qφ(z|x)||pθ(z)]；
步骤S070：在上式的基础上，需要最大化log pθ(x)同时最小化log DKL[qφ(z|x)||pθ(z|x)]，采用对数据集的边缘似然
Figure BDA0002018215810000095
通过近似后验分布qφ(z|x)替代真实后验分布pθ(z|x)，具体可由下式表示：
Figure BDA0002018215810000096
其中右边第一项为近似后验与真实后验的交叉熵；交叉熵主要用于度量两个概率分布间的差异性信息。
步骤S080：根据交叉熵的非负性以及上式右边第二项
Figure BDA0002018215810000097
为数据点
Figure BDA0002018215810000101
的边缘似然的变分下界，因此可由上式进一步得到含有正则化项和重构误差的变分下界随机梯度贝叶斯评估器：
Figure BDA0002018215810000102
由上式即可得到：
Figure BDA0002018215810000103
步骤S090：步骤S080式中等号右边第一项为正则化项，在z满足均值为0，方差为I的高斯分布时，即p(z)＝N(z；0,I)，近似后验
Figure BDA0002018215810000104
时，正则项可变换为下式，其中J为z的维度：
Figure BDA0002018215810000105
步骤S100：步骤S080式中等号右边第二项为重构误差项，应用蒙特卡洛评估来求解函数f(z)关于
Figure BDA0002018215810000106
的期望，L个隐变量z(i,l)l＝1,2,3,K,L则通过从
Figure BDA0002018215810000107
中采样得到，最后求解f(z)的平均值如下式所示。
Figure BDA0002018215810000108
进一步得到重构误差项如下式所示：
Figure BDA0002018215810000109
步骤S110：通过步骤S090、步骤S100得到需要最大化的优化目标log pθ(x(i))，由正则化项和重构误差项构成，其具体表达式如下：
Figure BDA00020182158100001010
步骤S120：建立输入变量
Figure BDA0002018215810000111
与隐变量z＝z(i)之间的函数关系如下式：
z＝xW+b，
其中隐变量z的矩阵表示为：
Figure BDA0002018215810000112
生成解码矩阵表示为：
D＝[W,b]；
步骤S130：结合步骤S110和步骤S120，优化目标函数log pθ(x(i))可进一步表示为：
F(W,b)＝log pθ(x(i))；
步骤S140：从均值为0，标准差为1的高斯分布中取随机数初始化生成解码矩阵D，得到其初始化值D0＝[W0,b0]；将步骤S040中得到的输入变量x以及初始化生成解码矩阵D0代入步骤S110中的函数关系式，得到初始化隐变量
Figure BDA0002018215810000113
并计算得到初始化目标函数F(W0,b0)；
步骤S150：计算目标函数F(W,b)的梯度，得到生成解码矩阵D的更新公式如下：
Figure BDA0002018215810000114
Figure BDA0002018215810000115
步骤S160：重复迭代步骤S150，直到目标函数F(W,b)达到最大，得到最终的隐变量
Figure BDA0002018215810000116
和生成解码矩阵Dn，其中，隐变量
Figure BDA0002018215810000117
即为变压器不同故障类别的内嵌空间表示，n为迭代次数；基于概率信息压缩的变压器油色谱数据表示，得到变压器不同故障类别的内嵌空间表示
Figure BDA0002018215810000121
和生成解码矩阵Dn。
至此，得到了变压器不同故障类别的内嵌空间表示和生成解码矩阵，建立了基于概率信息压缩的变压器油色谱数据表示，能够简化变压器油色谱数据与变压器故障类型的映射关系，从而方便地将变压器油色谱数据对应于变压器故障类别。
步骤S170：获取当前油色谱数据，根据当前变压器油色谱数据、最终的隐变量和最终的生成解码矩阵，确定变压器的可能故障。
下面结合某地区供电公司变压器油DGA油色谱数据为实例对本发明作更详细的说明。
步骤S010：首先对某市供电公司采集到的油色谱数据进行清洗标准化处理，剔除缺省项，构建新的处理后的数据集C1。
步骤S020：对数据集C1中每一种气体含量，寻找在数据集C1中的最大值与平均值并将上述清理后的油色谱数据进行归一化，如下表1所示。
H<sub>2</sub> CH<sub>4</sub> C<sub>2</sub>H<sub>6</sub> C<sub>2</sub>H<sub>4</sub> C<sub>2</sub>H<sub>2</sub> 故障类型
-0.05907 -0.23081 -0.14339 -0.26366 -0.07101 局部放电
-0.3408 -0.21433 -0.13667 -0.25253 -0.07098 中低温过热
-0.15745 -0.22419 -0.12517 -0.24541 -0.04945 高能放电
-0.31723 -0.23815 -0.14364 -0.26418 -0.06416 低能放电
-0.18135 -0.22881 -0.14359 -0.2647 -0.07096 正常
-0.341 -0.23297 -0.14416 -0.25866 -0.07066 高温过热
表1
步骤S030：对每一种故障类别进行独热码编码，如下表2所示。
Figure BDA0002018215810000122
Figure BDA0002018215810000131
表2
步骤S040：建立输入变量x＝[x1,x2,x3,x4,x5]i与隐变量z＝z(i)之间的相对熵，如下所示，其中x为表1中第i行DGA数据；
DKL[qφ(z|x)||pθ(z|x)]＝Eqφ(z|x)[log qφ(z|x)-log pθ(z|x)]
步骤S050：将pθ(x|z)和pθ(x)作用于上式可得下式，其中pθ(x|z)和pθ(x)分别为输入变量x＝[x1,x2,x3,x4,x5]i关于其对应隐变量z＝z(i)的含参数后验概率与输入变量x＝[x1,x2,x3,x4,x5]i自身的先验概率。
DKL[qφ(z|x)||pθ(z|x)]＝Eqφ(z|x)[log qφ(z|x)-log pθ(x|z)-log pθ(z)]+log pθ(x)
步骤S060：对上式进行非依赖项整理并利用输入变量x＝[x1,x2,x3,x4,x5]i构造分布qφ(z|x)使得DKL[qφ(z|x)||pθ(z|x)]最小可得下式：
log pθ(x)-DKL[qφ(z|x)||pθ(z|x)]＝Eqφ(z|x)[log pθ(x|z)]-DKL[qφ(z|x)||pθ(z)]
步骤S070：对步骤S060中式子，最大化log pθ(x)同时最小化log DKL[qφ(z|x)||pθ(z|x)]，采用对数据集的边缘似然
Figure BDA0002018215810000132
通过近似后验分布qφ(z|x)替代真实后验分布pθ(z|x)，具体可由下式表示：
Figure BDA0002018215810000133
其中右边第一项为近似后验与真实后验的交叉熵。
步骤S080：根据交叉熵的非负性以及上式右边第二项
Figure BDA0002018215810000141
为数据点x＝[x1,x2,x3,x4,x5]i的边缘似然的变分下界，因此可由上式进一步得到含有正则化项和重构误差的变分下界随机梯度贝叶斯评估器：
Figure BDA0002018215810000142
由上式即可得到：
Figure BDA0002018215810000143
步骤S090：步骤S080式中等号右边第一项正则化项，在z满足均值为0，方差为I的高斯分布时，即p(z)＝N(z；0,I)，近似后验
Figure BDA0002018215810000144
时，正则项可变换为下式，其中J为z的维度。
Figure BDA0002018215810000145
步骤S100：步骤S080式中等号右边第二项为重构误差项，应用蒙特卡洛评估来求解函数f(z)关于
Figure BDA0002018215810000146
的期望，6个隐变量z(i,l)l＝1,2,3,K,L则通过从
Figure BDA0002018215810000147
中采样得到，最后求解f(z)的平均值如下式所示。
Figure BDA0002018215810000148
进一步得到重构误差项如下式所示：
Figure BDA0002018215810000149
步骤S110：通过步骤S090、步骤S100得到需要最大化的优化目标log pθ(x(i))，由正则化项和重构误差项构成，其具体表达式如下：
Figure BDA0002018215810000151
步骤S120：建立输入变量x＝[x1,x2,x3,x4,x5]i与隐变量z＝z(i)之间的函数关系如下式：
z＝xW+b
其中W的矩阵表示为：
Figure BDA0002018215810000152
其中b的矩阵表示为：
b＝[b1 b2]
其中隐变量z的矩阵表示为：
Figure BDA0002018215810000153
生成解码矩阵表示为：
D＝[W,b]
步骤S130：结合步骤S110和步骤S120，优化目标函数log pθ(x(i))可进一步表示为：
Figure BDA0002018215810000154
步骤S140：从均值为0，标准差为1的高斯分布中取随机数初始化生成解码矩阵D，得到其初始化值D0＝[W0,b0]；将步骤S040中得到的输入变量x以及初始化生成解码矩阵D0代入步骤S110中的函数关系式，得到初始化隐变量
Figure BDA0002018215810000161
并计算得到初始化目标函数F(W0,b0)。
步骤S150：计算目标函数F(W,b)的梯度，得到生成解码矩阵D的更新公式如下：
Figure BDA0002018215810000162
Figure BDA0002018215810000163
步骤S160：重复迭代步骤S150的次数为1000次或以上，直到目标函数F(W,b)达到最大，得到最终的数据集C1不同故障类别的内嵌空间表示和生成解码矩阵D，
Figure BDA0002018215810000164
Figure BDA0002018215810000165
至此，得到了变压器不同故障类别的内嵌空间表示和生成解码矩阵，建立了基于概率信息压缩的变压器油色谱数据表示，能够简化变压器油色谱数据与变压器故障类型的映射关系，从而方便地将变压器油色谱数据对应于变压器故障类别。
步骤S170：获取当前油色谱数据，根据当前变压器油色谱数据、最终的隐变量和最终的生成解码矩阵，确定变压器的可能故障。
这样的设计，根据所述的基于概率信息压缩的变压器油色谱数据表示，可对后续新增测量气体数据进行有效故障检测，减小变压器运行风险，为电网安全稳定运行提供保障，具有重要的实际意义。
需要说明的是，本申请的其它实施例还包括，上述各实施例中的技术特征相互组合所形成的、能够实施的基于概率信息压缩的变压器油色谱数据表示方法。各实施例所述基于概率信息压缩的变压器油色谱数据表示方法，亦可称为基于变压器油色谱数据的故障分析方法，即基于概率信息压缩的变压器油色谱数据表示方法等同于基于变压器油色谱数据的故障分析方法；各实施例所述变压器油色谱数据表示方法，亦可称为故障分析方法，即变压器油色谱数据表示方法等同于故障分析方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的专利保护范围应以所附权利要求为准。

Claims (1)

1.一种基于概率信息压缩的变压器油色谱数据表示方法，其特征在于，包括以下步骤：
S010，采用变压器油色谱数据构建数据集C1；
S020，确定数据集C1中每一种气体含量在数据集中的最大值与平均值，并对油色谱数据进行归一化处理，以确定油色谱数据对应的故障类别；
S030，对每一种故障类别进行独热码编码；
S040，建立输入变量
Figure FDA0003478304880000011
与隐变量z＝z(i)之间的相对熵：
Figure FDA0003478304880000012
S050，根据输入变量关于其对应隐变量的含参数后验概率以及输入变量自身的先验概率，处理所述相对熵；
Figure FDA0003478304880000013
其中pθ(x|z)和pθ(x)分别为输入变量
Figure FDA0003478304880000014
关于其对应隐变量z＝z(i)的含参数后验概率与输入变量
Figure FDA0003478304880000015
自身的先验概率；
S060，对处理后的相对熵进行非依赖项整理并利用输入变量的构造分布qφ(z|x)使得相对熵最小；
Figure FDA0003478304880000016
；
S070，最大化logpθ(x)同时最小化logDKL[qφ(z|x)||pθ(z|x)]，采用对数据集的边缘似然
Figure FDA0003478304880000017
通过近似后验分布qφ(z|x)作为真实后验分布pθ(z|x)，确定近似后验分布与真实后验分布的交叉熵以及数据集的边缘似然；
Figure FDA0003478304880000018
其中右边第一项为近似后验与真实后验的交叉熵；交叉熵主要用于度量两个概率分布间的差异性信息；
S080，根据交叉熵的非负性以及
Figure FDA0003478304880000021
为数据点
Figure FDA0003478304880000022
的边缘似然的变分下界，得到含有正则化项和重构误差的变分下界随机梯度贝叶斯评估器；
Figure FDA0003478304880000023
并且，由上式得到：
Figure FDA0003478304880000024
S090，进行正则变换，其中，在z满足均值为0，方差为I的高斯分布时，p(z)＝N(z；0,I)，近似后验
Figure FDA0003478304880000025
时，正则变换得到：
Figure FDA0003478304880000026
其中J为z的维度；
S100，应用蒙特卡洛评估来求解函数f(z)关于
Figure FDA0003478304880000027
的期望，L个隐变量z(i,l)l＝1,2,3,...,L则通过从
Figure FDA0003478304880000028
中采样得到，求解隐变量函数的平均值，计算得到重构误差项：
Figure FDA0003478304880000029
进一步得到重构误差项：
Figure FDA00034783048800000210
S110，得到需要最大化的优化目标logpθ(x(i))的函数关系式；
Figure FDA00034783048800000211
S120，建立输入变量
Figure FDA0003478304880000031
与隐变量z＝z(i)之间的函数关系式z＝xW+b，其中隐变量z的矩阵表示为：
Figure FDA0003478304880000032
生成解码矩阵表示为：D＝[W,b]；
S130，优化目标函数logpθ(x(i))，得到：
F(W,b)＝logpθ(x(i))；
S140，从均值为0，标准差为1的高斯分布中取随机数初始化生成解码矩阵D，得到其初始化值D0＝[W0,b0]；根据输入变量、初始化生成解码矩阵以及优化目标的函数关系式，得到初始化隐变量
Figure FDA0003478304880000033
并计算得到初始化目标函数F(W0,b0)；
S150，计算目标函数F(W,b)的梯度，得到生成解码矩阵D的更新公式如下：
Figure FDA0003478304880000034
Figure FDA0003478304880000035
S160，重复迭代上一步骤，直到目标函数F(W,b)达到最大，得到最终的隐变量
Figure FDA0003478304880000036
和最终的生成解码矩阵Dn，其中，隐变量
Figure FDA0003478304880000037
为变压器不同故障类别的内嵌空间表示，n为迭代次数；
S170，根据当前变压器油色谱数据、最终的隐变量和最终的生成解码矩阵，确定变压器的可能故障。
CN201910270527.9A 2019-04-04 2019-04-04 基于概率信息压缩的变压器油色谱数据表示方法 Active CN110108806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910270527.9A CN110108806B (zh) 2019-04-04 2019-04-04 基于概率信息压缩的变压器油色谱数据表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910270527.9A CN110108806B (zh) 2019-04-04 2019-04-04 基于概率信息压缩的变压器油色谱数据表示方法

Publications (2)

Publication Number Publication Date
CN110108806A CN110108806A (zh) 2019-08-09
CN110108806B true CN110108806B (zh) 2022-03-22

Family

ID=67485259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910270527.9A Active CN110108806B (zh) 2019-04-04 2019-04-04 基于概率信息压缩的变压器油色谱数据表示方法

Country Status (1)

Country Link
CN (1) CN110108806B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112363099B (zh) * 2020-10-30 2023-05-09 天津大学 一种tmr电流传感器温漂与地磁场校正装置及方法
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197177B (zh) * 2013-03-20 2015-09-23 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法
CN105989368A (zh) * 2015-02-13 2016-10-05 展讯通信(天津)有限公司 一种目标检测方法及装置以及移动终端
CN106203625A (zh) * 2016-06-29 2016-12-07 中国电子科技集团公司第二十八研究所 一种基于多重预训练的深层神经网络训练方法
CN106709626A (zh) * 2016-11-14 2017-05-24 国家电网公司 一种基于贝叶斯网络的电网发展动态综合评价方法
CN107464247A (zh) * 2017-08-16 2017-12-12 西安电子科技大学 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法
CN107808240A (zh) * 2017-10-12 2018-03-16 广州供电局有限公司 电网风险场景故障概率的计算方法和系统
CN108491925A (zh) * 2018-01-25 2018-09-04 杭州电子科技大学 基于隐变量模型的深度学习特征泛化方法
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
CN109298258A (zh) * 2018-09-18 2019-02-01 四川大学 结合rvm和dbn的变压器故障诊断方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088953A1 (en) * 2013-09-23 2015-03-26 Infosys Limited Methods, systems and computer-readable media for distributed probabilistic matrix factorization
CN104655948A (zh) * 2013-11-21 2015-05-27 国家电网公司 一种新型的电力变压器多级故障诊断方法
US10310068B2 (en) * 2014-12-08 2019-06-04 Northrop Grumman Systems Corporation Variational track management
US10255554B2 (en) * 2015-07-28 2019-04-09 Futurewei Technologies, Inc. Anomaly detection apparatus, method, and computer program using a probabilistic latent semantic analysis
US11499999B2 (en) * 2017-05-10 2022-11-15 Carnegie Mellon University Electrical meter system for energy desegregation
CN107478988B (zh) * 2017-09-21 2019-11-05 山东大学 基于非精确贝叶斯模型的断路器异常判别方法和系统
CN108985330B (zh) * 2018-06-13 2021-03-26 华中科技大学 一种自编码网络及其训练方法、异常用电检测方法和系统
CN109033513B (zh) * 2018-06-15 2023-05-19 广东电网有限责任公司广州供电局 电力变压器故障诊断方法与电力变压器故障诊断装置
CN108932705B (zh) * 2018-06-27 2022-05-03 北京工业大学 一种基于矩阵变量变分自编码器的图像处理方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197177B (zh) * 2013-03-20 2015-09-23 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法
CN105989368A (zh) * 2015-02-13 2016-10-05 展讯通信(天津)有限公司 一种目标检测方法及装置以及移动终端
CN106203625A (zh) * 2016-06-29 2016-12-07 中国电子科技集团公司第二十八研究所 一种基于多重预训练的深层神经网络训练方法
CN106709626A (zh) * 2016-11-14 2017-05-24 国家电网公司 一种基于贝叶斯网络的电网发展动态综合评价方法
CN107464247A (zh) * 2017-08-16 2017-12-12 西安电子科技大学 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法
CN107808240A (zh) * 2017-10-12 2018-03-16 广州供电局有限公司 电网风险场景故障概率的计算方法和系统
CN108491925A (zh) * 2018-01-25 2018-09-04 杭州电子科技大学 基于隐变量模型的深度学习特征泛化方法
CN108717149A (zh) * 2018-05-25 2018-10-30 西安工程大学 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法
CN109298258A (zh) * 2018-09-18 2019-02-01 四川大学 结合rvm和dbn的变压器故障诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于深度自编码网络的电力变压器故障诊断;石鑫 等;《电力自动化设备》;20160531;第36卷(第5期);第122-124页 *
基于高斯混合模型的变分自动编码器;李鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180215(第02期);第16-17、21-24页 *
石鑫 等.基于深度自编码网络的电力变压器故障诊断.《电力自动化设备》.2016,第36卷(第5期),第122-124页. *

Also Published As

Publication number Publication date
CN110108806A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
Balzano et al. Online identification and tracking of subspaces from highly incomplete information
Malaescu An iterative, dynamically stabilized (IDS) method of data unfolding
Celik et al. An incremental measurement placement algorithm for state estimation
CN110108806B (zh) 基于概率信息压缩的变压器油色谱数据表示方法
CN107238765A (zh) 基于加速性能退化参数的led集成驱动电源可靠性分析方法
CN111159638A (zh) 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法
CN106384302B (zh) 配电网可靠性评估方法和系统
CN104504475A (zh) 基于ar*-svm混合建模的雾霾时间序列预测方法
Mohamed et al. Inference on constant-stress accelerated life testing based on geometric process for extension of the exponential distribution under type-II progressive censoring
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN112418476A (zh) 一种超短期电力负荷预测方法
CN112380998A (zh) 一种基于矩阵补全的低压台区缺失数据补全方法
CN113866552A (zh) 一种基于机器学习的中压配网用户用电异常诊断方法
Nadar Statistical inference of $ P (X< Y) $ for the Burr Type XII distribution based on records
CN107800437A (zh) 数据压缩方法和装置
Jaber et al. Future smart grids creation and dimensionality reduction with signal handling on smart grid using targeted projection
CN115051363B (zh) 一种配网台区户变关系辨识方法、装置及计算机存储介质
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN111506874A (zh) 一种含噪声的暂降源定位数据缺失值估计方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
CN113919162B (zh) 基于仿真与多源实测数据融合的电压暂降风险预警方法
CN113537573B (zh) 基于双重时空特征提取的风电功率运行趋势预测方法
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN106529805B (zh) 一种基于发电机重要度的发电系统可靠性评估方法

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
TA01 Transfer of patent application right

Effective date of registration: 20200921

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant