CN110146634A - 一种油色谱数据的故障诊断方法、装置、设备和存储介质 - Google Patents
一种油色谱数据的故障诊断方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110146634A CN110146634A CN201910590668.9A CN201910590668A CN110146634A CN 110146634 A CN110146634 A CN 110146634A CN 201910590668 A CN201910590668 A CN 201910590668A CN 110146634 A CN110146634 A CN 110146634A
- Authority
- CN
- China
- Prior art keywords
- analyzed
- oil
- data sequence
- data
- oil chromatography
- 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.)
- Granted
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
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
- G01N30/8634—Peak quality criteria
-
- 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
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8696—Details of Software
Abstract
本申请公开了一种油色谱数据的故障诊断方法、装置、设备和存储介质,其中方法包括:对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,待分析油色谱数据序列为预置时长的待分析油色谱数据;利用修正序列修正待分析油色谱数据序列;将修正后的待分析油色谱数据序列与运维数据库进行对比,得到待分析油色谱数据序列对应的运维对比结果,运维数据库为变压器运维时对应的油色谱数据序列;对修正后的待分析油色谱数据序列进行故障识别,得到待分析油色谱数据序列对应的故障识别结果;根据运维对比结果和故障识别结果,得到待分析油色谱数据序列中各数据的最终故障结果,解决了现有的变压器油的油色谱数据分析方法准确率低的技术问题。
Description
技术领域
本申请属于雷电防护技术领域,尤其涉及一种油色谱数据的故障诊断方法、装置、设备和存储介质。
背景技术
电力设备作为电网的重要组成部分,其稳定运行是保障电力系统正常运行的必要因素,而变压器作为电力系统中最重要的电力设备之一,对变压器状态进行有效评估对维持电力系统可靠运行意义重大。
变压器油与变压器故障存在密切的关系,对变压器油的状态进行评估有助于变压器的故障诊断,有助于及时发现变压器内部存在的故障,预防隐患。现有对变压器油的状态方法主要有油色谱分析法,该评估方法虽然取得了一定的效果,但是准确率较低。
因此,对现有油色谱分析方法进行改进,以解决上述的技术缺陷成为本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本申请提供了一种油色谱数据的故障诊断方法、装置、设备和存储介质,解决了变压器油的油色谱数据分析方法准确率低的技术问题。
本申请第一方面提供了一种油色谱数据的故障诊断方法,包括:
对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,所述待分析油色谱数据序列为预置时长的待分析油色谱数据;
利用所述修正序列修正所述待分析油色谱数据序列;
将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列;
对修正后的所述待分析油色谱数据序列进行故障识别,得到所述待分析油色谱数据序列对应的故障识别结果;
根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果。
可选地,
所述对待分析油色谱数据序列进行周期性分析,得到所述待分析油色谱数据序列对应的周期修正序列具体包括:
将所述待分析油色谱数据序列与季节时间性序列进行匹配,得到所述待分析油色谱数据序列对应的匹配季节;
根据匹配季节和修正序列的对应关系,确定所述匹配季节对应的修正序列,并将所述修正序列作为所述待分析油色谱数据序列对应的修正序列。
可选地,
所述将所述待分析油色谱数据序列与季节时间性序列进行匹配,得到所述待分析油色谱数据序列对应的匹配季节具体包括:
将所述待分析油色谱数据序列在所述季节性时间序列上进行滑动;
根据预置判断依据,得到所述待分析色谱数据对应的匹配季节。
可选地,
所述方法还包括:
当所述季节性时间序列对应的时长小于所述待分析油色谱数据序列对应的时长时,复制所述季节性时间序列得到新的季节性时间序列,使得所述季节性时间序列的时长大于所述待分析油色谱数据序列对应的时长。
可选地,
所述将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列具体包括:
将修正后的所述待分析油色谱数据序列和运维数据库的各数据进行对比,所述运维数据库的数据为变压器运维时对应的油色谱数据序列;
当所述待分析油色谱数据序列和对比的数据相似度超过预置阈值时,将对比的数据对应的运维事件作为所述待分析油色谱数据序列的运维对比结果;
当所述待分析油色谱数据序列和运维数据库的各数据的相似度均小于所述预置阈值时,得到所述待分析油色谱数据序列对应的事件为非运维事件。
可选地,
所述根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果具体包括:
当所述待分析油色谱数据序列对应的事件为运维事件时,判定所述待分析油色谱数据序列的最终故障结果为运维事件;
当所述待分析油色谱数据序列对应的事件为非运维事件时,根据所述故障识别结果判定所述待分析数据序列中各数据的最终故障结果。
可选地,
所述对待分析油色谱数据序列进行周期性分析,得到所述待分析油色谱数据序列对应的修正序列之前还包括:
对所述待分析油色谱数据序列进行预处理。
本申请第二方面提供了一种变压器油状态的评估装置,包括:
分析单元,用于对待分析油色谱数据序列进行周期性分析,得到所述待分析油色谱数据序列对应的修正序列;
修正单元,用于利用所述修正序列修正所述待分析油色谱数据序列;
对比单元,用于将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列;
识别单元,用于对修正后的所述待分析油色谱数据序列进行故障识别,得到所述待分析油色谱数据序列对应的故障识别结果;
检测单元,用于根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果。
本申请第三方面提供了一种油色谱数据的检测设备,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码的指令执行上述第一方面所述的油色谱数据的故障诊断方法。
本申请第四方面提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的油色谱数据的故障诊断方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种油色谱数据的故障诊断方法,包括:
对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,待分析油色谱数据序列为预置时长的待分析油色谱数据;利用修正序列修正待分析油色谱数据序列;将修正后的待分析油色谱数据序列与运维数据库进行对比,得到待分析油色谱数据序列对应的运维对比结果,运维数据库为变压器运维时对应的油色谱数据序列;对修正后的待分析油色谱数据序列进行故障识别,得到待分析油色谱数据序列对应的故障识别结果;根据运维对比结果和故障识别结果,得到待分析油色谱数据序列中各数据的最终故障结果。
本申请中,在对变压器油的油色谱数据进行故障诊断时,首先对待分析油色谱数据进行周期性分析,并根据对应的修正序列对待分析油色谱数据序列进行修正,然后根据运维数据对库修正后的待分析修正序列进行运维事件的识别,且对修正后的待分析油色谱数据序列进行故障识别,最后根据故障识别结果和运维事件的识别结果,得到待分析油色谱数据序列中各数据的故障诊断结果,根据运维对比结果和故障识别结果通过周期性的识别和消除,整个过程中,排除数据本身对评估结果的干扰,且根据运维事件在“真故障”和“假故障”之间达到了良好的平衡,从而解决了现有的变压器油的油色谱数据分析方法准确率低的技术问题。
附图说明
图1为本申请实施例中一种油色谱数据的故障诊断方法的第一实施例的流程示意图;
图2为本申请实施例中一种油色谱数据的故障诊断方法的第二实施例的流程示意图;
图3为本申请实施例中一种油色谱数据的故障诊断方法的应用例的流程示意图;
图4为本申请应用例中的季节性时间序列图;
图5为本申请应用例中的季节性时间序列的拼接示意图;
图6为本申请应用例中对DGA数据消除季节波动的示意图;
图7为运维事件对应的油色谱数据示意图;
图8为某变压器总烃含量时间变化趋势图;
图9为本申请实施例中一种变压器油状态的评估装置的结构示意图。
具体实施方式
有鉴于此,本申请提供了一种油色谱数据的故障诊断方法、装置、设备和存储介质,解决了变压器油的油色谱数据分析方法准确率低的技术问题。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例的附图,对本申请实施例的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请的实施例,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例,都属于本申请保护的范围。
基于上述背景技术中的技术问题,申请人研究现有变压器油的油色谱数据分析方法后发现,造成背景技术中准确率的原因主要在于以下两点:
1、在对油色谱数据进行分析时,均是在假定数据完全可用的前提下,这样虽然提高了系统对故障的识别能力,但未考虑在线油色谱色谱数据本身有误的情况。
2、变压器在进行运维时,变压器油中的油色谱数据同样会出现“异常”,只不过这种“异常”其实不是变压器故障引起的。
有鉴于此,本申请实施例提供了一种油色谱数据的故障诊断方法的实施例,请参阅图1。
本申请实施例中一种油色谱数据的故障诊断方法,包括:
步骤101、对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,待分析油色谱数据序列为预置时长的待分析油色谱数据。
需要说明的是,变压器油的油色谱数据呈现周期性地变化,这些周期性的变化在其对应的周期内,属于正常现象,但是如果将该现象一视同仁地认为是故障数据,必然会导致误判。因此,本申请中首先将油色谱数据中由于时间周期变化引起的扰动消除,即首先对待分析油色谱数据进行周期性分析后得到对应的修正序列。
步骤102、利用修正序列修正待分析油色谱数据序列。
需要说明的是,在得到修正序列后,利用修正序列对待分析油色谱数据序列进行修正,将由于周期变化引起的油色谱数据的扰动消除。
步骤103、将修正后的待分析油色谱数据序列与运维数据库进行对比,得到待分析油色谱数据序列对应的运维对比结果,运维数据库为变压器运维时对应的油色谱数据序列。
需要说明的是,变压器进行运维时,可能会引起油色谱数据的扰动。因此,本申请中需要将由于变压器运维引起的油色谱数据的变化进行排除,对待分析油色谱数据序列修正后,具体为将修正后的待分析油色谱数据序列与运维数据库进行对比,得到待分析油色谱数据序列的运维对比结果。可以理解的是,此处描述的运维数据库为变压器运维时对应的油色谱数据序列,变压器的运维事件可以为装置维护和传感器谱峰重叠等。
步骤104、对修正后的待分析油色谱数据序列进行故障识别,得到待分析油色谱数据序列对应的故障识别结果。
需要说明的是,消除周期性变化引起的扰动后,对修正后的待分析油色谱数据序列进行故障识别,得到待分析油色谱数据序列对应的故障识别结果。
步骤105、根据运维对比结果和故障识别结果,得到待分析油色谱数据序列中各数据的最终故障结果。
需要说明的是,在对油色谱数据进行运维识别和故障识别后,通过结合运维的对比结果与故障识别结果,将由于运维引起的故障进行排除,以得到真实的故障识别结果,从而提高真故障的识别准确率。
本实施例中,在对变压器油的油色谱数据进行故障诊断时,首先对待分析油色谱数据进行周期性分析,并根据对应的修正序列对待分析油色谱数据序列进行修正,然后根据运维数据对库修正后的待分析修正序列进行运维事件的识别,且对修正后的待分析油色谱数据序列进行故障识别,最后根据故障识别结果和运维事件的识别结果,得到待分析油色谱数据序列中各数据的故障诊断结果,根据运维对比结果和故障识别结果通过周期性的识别和消除,整个过程中,排除数据本身对评估结果的干扰,且根据运维事件在“真故障”和“假故障”之间达到了良好的平衡,从而解决了现有的变压器油的油色谱数据分析方法准确率低的技术问题。
以上为本申请实施例提供的一种油色谱数据的故障诊断方法的第一实施例,以下为本申请实施例提供的一种油色谱数据的故障诊断方法的第二实施例。
请参阅图2,本申请实施例中一种油色谱数据的故障诊断方法的第二实施例的流程示意图,包括:
步骤201、对待分析油色谱数据序列进行预处理,待分析油色谱数据序列为预置时长的待分析油色谱数据。
需要说明的是,待分析油色谱数据序列受环境干扰和数据传输等的影响往往会存在异常点,这些异常点会影响后续的数据处理和最终的结果,因此,需要将这些异常点数据的剔除。可以理解的是,进行预处理可以是:采用滑动时间窗口进行,具体为:在某时间点前选择长度一定的时间窗口,判断该点在当前时间窗口下是否满足拉依达准则,若满足,则以当前时间窗口下的均值代替该点数据,并继续向后滑动时间窗口;若不满足,则以当前点为起点,重新启动滑动时间窗口。判断当两个不满足拉依达准则的相邻点之间的点数不超过三个时,认为该段数据异常,予以剔除。
步骤202、将待分析油色谱数据序列与季节时间性序列进行匹配,得到待分析油色谱数据序列对应的匹配季节。
需要说明的是,在对待分析油色谱数据序列预处理后,对待分析油色谱数据序列进行周期性识别与消除。可以理解的是,进行周期性识别具体根据数据表现和分析需求进行。例如可能是白天的油色谱数据和夜晚的油色谱数据不同,可以设定周期性识别针对昼夜进行识别等,还可以根据月份或者季节等进行识别。因此,本实施例中以季节性识别为例进行详述,其他类型可以参见本实施例中的描述,在此不再赘述。
本实施例中,将将待分析油色谱数据序列与季节时间性序列进行匹配,得到待分析油色谱数据序列对应的匹配季节具体包括:
将待分析油色谱数据序列在季节性时间序列上进行滑动;
根据预置判断依据,得到待分析色谱数据对应的匹配季节。
可以理解的是,预置判断依据可以根据需要进行设置,本实施例中以某变压器H2含量为例,判断依据为:corr>1.8;corr_p>0.85;corr_s>0.85;其中,corr_p是指待分析色谱数据序列和季节性时间序列的Pearson相关系数,corr_s是Spearman相关系数。corr为Pearson相关系数与Spearman相关系数之和,corr=corr_p+corr_s,Pearson系数是基于数值的相关系数,对数据曲线的形状比较敏感,但是受异常(或突变值)数据影响很大,Spearman系数是基于排序的相关系数,受异常值影响很小,但是因为其已经将数值转换成了排序,对数据曲线的形状不敏感;季节波动幅值>20%×考察年气体均值,将设定该判断依据对应的季节对应的季节作为匹配季节。还可以为待分析色谱数据序列的波形与对比的季节性时间序列的某段波形相似时,认为该段波形对应的季节为待分析油色谱数据序列的匹配季节。
步骤203、当季节性时间序列对应的时长小于待分析油色谱数据序列对应的时长时,复制季节性时间序列得到新的季节性时间序列,使得季节性时间序列的时长大于待分析油色谱数据序列对应的时长。
需要理解的是,在进行滑动时,若季节性时间序列对应的时长小于待分析油色谱数据序列,需要延长季节性时间序列。本实施例中的延长方式为,复制季节性时间序列得到新的季节性时间序列。可以理解的是,复制方式可以为全部复制或者部分复制的方式。
可以理解的是,为了进一步的确保结果的正确性,在进行复制拼接时,复制的数据为几月份,对应的将该数据拼接放置至相同的月份,例如,复制了的数据为2017年1月至5月的数据,放置拼接时对应的放置在2018年的1月至5月时间段内。
步骤204、根据匹配季节和修正序列的对应关系,确定匹配季节对应的修正序列,并将修正序列作为待分析油色谱数据序列对应的修正序列。
可以理解的是,对应关系可以根据预置需要进行设置,例如一个季节有一个修正序列,也可以两季一个修正序列或者其他的方式,此处不做具体限定。
步骤205、利用修正序列修正待分析油色谱数据序列。
需要说明的是,得到修正序列后对,利用修正序列对待分析油色谱数据序列进行修正。
步骤206、将修正后的待分析油色谱数据序列和运维数据库的各数据进行对比,运维数据库的数据为变压器运维时对应的油色谱数据序列。
步骤207、当待分析油色谱数据序列和对比的数据相似度超过预置阈值时,将对比的数据对应的运维事件作为待分析油色谱数据序列的运维对比结果。
需要说明的是,相似度可以根据分析需求等进行设置,例如设定为80%或者其他的数字,此处不做具体限定。
步骤208、当待分析油色谱数据序列和运维数据库的各数据的相似度均小于预置阈值时,得到待分析油色谱数据序列对应的事件为非运维事件。
步骤209、当待分析油色谱数据序列对应的事件为运维事件时,判定待分析油色谱数据序列的最终故障结果为运维事件。
需要说明的是,当待分析油色谱数据序列对应的事件为运维事件时,判定待分析油色谱数据序列的最终故障结果为运维事件,具体的运维事件为步骤207得到的运维事件。
步骤210、当待分析油色谱数据序列对应的事件为非运维事件时,根据故障识别结果判定待分析数据序列中各数据的最终故障结果。
需要说明的是,当待分析油色谱数据序列对应的事件为运维事件时,说明待分析油色谱数据序列是可信数据,可以将其上的数据作为最终结果的判定依据,此时可以根据具体的故障识别结果判定待分析油色谱数据序各数据。
本实施例中,在对变压器油的油色谱数据进行故障诊断时,首先对待分析油色谱数据进行周期性分析,并根据对应的修正序列对待分析油色谱数据序列进行修正,然后根据运维数据对库修正后的待分析修正序列进行运维事件的识别,且对修正后的待分析油色谱数据序列进行故障识别,最后根据故障识别结果和运维事件的识别结果,得到待分析油色谱数据序列中各数据的故障诊断结果,根据运维对比结果和故障识别结果通过周期性的识别和消除,整个过程中,排除数据本身对评估结果的干扰,且根据运维事件在“真故障”和“假故障”之间达到了良好的平衡,从而解决了现有的变压器油的油色谱数据分析方法准确率低的技术问题。
以上为本申请实施例提供的一种油色谱数据的故障诊断方法的第二实施例,以下为本申请实施例提供的一种变压器油状态的评估方法的应用例,如图3所示。
A1:变压器油色谱数据序列(以下简称为:DGA数据)预处理。
DGA数据由于受环境干扰和数据传输等问题的影响往往会存在异常点,异常点的存在会对后续数据处理过程造成影响。采用滑动时间窗口进行数据预处理操作:在某时间点前选择长度一定的时间窗口,判断该点在当前时间窗口下是否满足拉依达准则,若满足,则以当前时间窗口下的均值代替该点数据,并继续向后滑动时间窗口;若不满足,则以当前点为起点,重新启动滑动时间窗口。当两个不满足拉依达准则的相邻点之间的点数不超过三个时,认为该段数据异常,予以剔除。
A2:采用Shapelet算法对DGA数据进行季节性识别与消除。
部分变压器油中溶解气体含量随时间推移呈现有规律的季节性变化,是变压器运行中一种正常特征,然而较大波动可能遮盖或混淆变压器真实状态,造成误报或漏报。采用Shapelet发现算法来发现和消除季节因素,可提升后续算法的灵敏性。
A21:数据采集和训练
(1)搜集同地区、历史数据相对完整的待分析对象,片段长度为365天按是否存在季节性分类,采用Shapelet发现算法进行训练后,得到当地季节性时间序列season(t),如附图4所示。
(2)季节性时序数据滚动拼接。由于季节性时间序列season(t)的季节特性,滑动匹配时,需要根据所对应的时间段,进行如附图5所示的序列拼接,滚动前进。
(3)判断DGA数据是否存在季节性。以某变压器H2含量的Shapelet匹配示例,序列存在季节性判据为:corr>1.8;corr_p>0.85;corr_s>0.85;季节波动幅值>20%×考察年气体均值。
(4)季节性修正。若DGA数据存在季节性特性,则需进行季节性修正,对季节性时间序列season(t),逐点计算其距均值avg(season(t))的偏差,得到修正序列fix(t):
fix(t)=season(t)–avg(season(t))
用季节性时间序列season(t)对某变压器H2时间序列T进行拟合,设最优拟合为
S'fittest(t)=kf·season(t)+bf
其中kf,af,bf分别为最优拟合中的参数。为除去H2季节性时间序列T的线性趋势,对应的修正变量为:
fixf(t)=kf·fix(t)
对H2时间序列T上任一点T(ti),修正方式为:
其中,Tfix(ti)为该点消除季节波动后的数据,fixf(ti)为该点对应的修正变量,S'fittest(ti)为最优拟合S'fittest(t)对应该点的数据。
某变压器H2时间序列T消除季节波动后的数据如附图6所示。
A3:采用Shapelet运维事件识别方法对DGA数据进行运维事件匹配。
在消除季节性因素后,通过发现算法识别运维事件,有效处理DGA数据分析中误报与漏报的平衡问题。
A31:建立基于Shapelet算法的运维数据库。通过实际数据运行质量得出DGA数据有气体突增、装置维护、数据异常和传感器谱峰重叠等问题,如附图7所示。
A32:利用运维事件或运维事件的组合事件对事件序列进行分类,得出DGA数据的运维事件识别结果,示例如附图8所示。
A4:基于ESD检验算法的异常识别。
结合ESD检验算法,对DGA数据进行有效识别。
A41:采用滑窗内线性回归预测求得下一时间点预测值,得到预测值与实际值的偏差,用ESD时序异常检验算法对偏差序列进行异常诊断。给定数据集X=(x1,x2,...xi...xn),原假设和备择假设分别为:H0:数据集中没有异常值;H1:数据集中存在异常值。检验统计量如下式:
其中,为样本均值,s为样本标准差。
检验的临界值如下式所示:
其中,tp,n-i-1为显著度为自由度为n-i-1的t分布临界值,α为显著性水平,一般取0.05。当Ri>λi时,原假设H0被拒绝,使最大的xi为数据集中的异常值,剔除xi形成新的数据集,重复上述计算判断过程,直至找不出新的异常值时算法结束,得到DGA数据中每一点的故障识别结果。
A42:ESD算法与Shapelet运维事件识别算法配合输出DGA数据中各数据的最终故障结果。
以上为本申请实施例提供的一种油色谱数据的故障诊断方法的应用例,以下为本申请实施例提供的一种变压器油状态的评估装置的实施例。
请参阅图9,本申请实施例中一种变压器油状态的评估装置的结构示意图,包括:
分析单元901,用于对待分析油色谱数据序列进行周期性分析,得到待分析油色谱数据序列对应的修正序列;
修正单元902,用于利用修正序列修正待分析油色谱数据序列;
对比单元903,用于将修正后的待分析油色谱数据序列与运维数据库进行对比,得到待分析油色谱数据序列对应的运维对比结果,运维数据库为变压器运维时对应的油色谱数据序列;
识别单元904,用于对修正后的待分析油色谱数据序列进行故障识别,得到待分析油色谱数据序列对应的故障识别结果;
检测单元905,用于根据运维对比结果和故障识别结果,得到待分析油色谱数据序列中各数据的最终故障结果。
本实施例中,在对变压器油的油色谱数据进行故障诊断时,首先对待分析油色谱数据进行周期性分析,并根据对应的修正序列对待分析油色谱数据序列进行修正,然后根据运维数据对库修正后的待分析修正序列进行运维事件的识别,且对修正后的待分析油色谱数据序列进行故障识别,最后根据故障识别结果和运维事件的识别结果,得到待分析油色谱数据序列中各数据的故障诊断结果,根据运维对比结果和故障识别结果通过周期性的识别和消除,整个过程中,排除数据本身对评估结果的干扰,且根据运维事件在“真故障”和“假故障”之间达到了良好的平衡,从而解决了现有的变压器油的油色谱数据分析方法准确率低的技术问题。
本申请实施例还提供了一种油色谱数据的检测设备,包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码的指令执行上述的油色谱数据的故障诊断方法。
本申请实施例还提供了一种存储介质,其特征在于,存储介质用于存储程序代码,程序代码用于执行上述的油色谱数据的故障诊断方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的待安装电网网络,装置和单元的具体工作过程,可以参考前述方法实施例的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种油色谱数据的故障诊断方法,其特征在于,包括:
对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,所述待分析油色谱数据序列为预置时长的待分析油色谱数据;
利用所述修正序列修正所述待分析油色谱数据序列;
将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列;
对修正后的所述待分析油色谱数据序列进行故障识别,得到所述待分析油色谱数据序列对应的故障识别结果;
根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果。
2.根据权利要求1所述的油色谱数据的故障诊断方法,其特征在于,所述对待分析油色谱数据序列进行周期性分析,得到所述待分析油色谱数据序列对应的周期修正序列具体包括:
将所述待分析油色谱数据序列与季节时间性序列进行匹配,得到所述待分析油色谱数据序列对应的匹配季节;
根据匹配季节和修正序列的对应关系,确定所述匹配季节对应的修正序列,并将所述修正序列作为所述待分析油色谱数据序列对应的修正序列。
3.根据权利要求2所述的油色谱数据的故障诊断方法,其特征在于,所述将所述待分析油色谱数据序列与季节时间性序列进行匹配,得到所述待分析油色谱数据序列对应的匹配季节具体包括:
将所述待分析油色谱数据序列在所述季节性时间序列上进行滑动;
根据预置判断依据,得到所述待分析色谱数据对应的匹配季节。
4.根据权利要求2所述的油色谱数据的故障诊断方法,其特征在于,所述方法还包括:
当所述季节性时间序列对应的时长小于所述待分析油色谱数据序列对应的时长时,复制所述季节性时间序列得到新的季节性时间序列,使得所述季节性时间序列的时长大于所述待分析油色谱数据序列对应的时长。
5.根据权利要求1所述的油色谱数据的故障诊断方法,其特征在于,所述将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列具体包括:
将修正后的所述待分析油色谱数据序列和运维数据库的各数据进行对比,所述运维数据库的数据为变压器运维时对应的油色谱数据序列;
当所述待分析油色谱数据序列和对比的数据相似度超过预置阈值时,将对比的数据对应的运维事件作为所述待分析油色谱数据序列的运维对比结果;
当所述待分析油色谱数据序列和运维数据库的各数据的相似度均小于所述预置阈值时,得到所述待分析油色谱数据序列对应的事件为非运维事件。
6.根据权利要求5所述的油色谱数据的故障诊断方法,其特征在于,所述根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果具体包括:
当所述待分析油色谱数据序列对应的事件为运维事件时,判定所述待分析油色谱数据序列的最终故障结果为运维事件;
当所述待分析油色谱数据序列对应的事件为非运维事件时,根据所述故障识别结果判定所述待分析数据序列中各数据的最终故障结果。
7.根据权利要求1所述的油色谱数据的故障诊断方法,其特征在于,所述对待分析油色谱数据序列进行周期性分析,得到所述待分析油色谱数据序列对应的修正序列之前还包括:
对所述待分析油色谱数据序列进行预处理。
8.一种油色谱数据的检测装置,其特征在于,包括:
分析单元,用于对待分析油色谱数据序列进行周期性分析,得到对应的修正序列,所述待分析油色谱数据序列为预置时长的待分析油色谱数据;
修正单元,用于利用所述修正序列修正所述待分析油色谱数据序列;
对比单元,用于将修正后的所述待分析油色谱数据序列与运维数据库进行对比,得到所述待分析油色谱数据序列对应的运维对比结果,所述运维数据库为变压器运维时对应的油色谱数据序列;
识别单元,用于对修正后的所述待分析油色谱数据序列进行故障识别,得到所述待分析油色谱数据序列对应的故障识别结果;
检测单元,用于根据所述运维对比结果和所述故障识别结果,得到所述待分析油色谱数据序列中各数据的最终故障结果。
9.一种油色谱数据的检测设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码的指令执行权利要求1至7中任一项所述的油色谱数据的故障诊断方法。
10.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1至7中任一项所述的油色谱数据的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590668.9A CN110146634B (zh) | 2019-06-20 | 2019-06-20 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590668.9A CN110146634B (zh) | 2019-06-20 | 2019-06-20 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146634A true CN110146634A (zh) | 2019-08-20 |
CN110146634B CN110146634B (zh) | 2021-07-23 |
Family
ID=67597067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910590668.9A Active CN110146634B (zh) | 2019-06-20 | 2019-06-20 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146634B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252827A (zh) * | 2021-05-12 | 2021-08-13 | 国网安徽省电力有限公司电力科学研究院 | 基于卡方检验的变压器油色谱装置性能评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018344A (zh) * | 2012-12-07 | 2013-04-03 | 汉中供电局 | 油中色谱在线检测装置校正方法 |
CN206020348U (zh) * | 2016-09-26 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种变压器油色谱预警系统 |
CN106841846A (zh) * | 2016-12-19 | 2017-06-13 | 广东电网有限责任公司电力调度控制中心 | 一种变压器状态分析与故障诊断方法及系统 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断系统 |
US20180210060A1 (en) * | 2015-10-13 | 2018-07-26 | Schweitzer Engineering Laboratories, Inc. | Testing system for traveling wave fault detectors |
CN109100429A (zh) * | 2018-06-26 | 2018-12-28 | 武汉大学 | 一种组合预测残差修正的油中气体预测方法 |
-
2019
- 2019-06-20 CN CN201910590668.9A patent/CN110146634B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018344A (zh) * | 2012-12-07 | 2013-04-03 | 汉中供电局 | 油中色谱在线检测装置校正方法 |
US20180210060A1 (en) * | 2015-10-13 | 2018-07-26 | Schweitzer Engineering Laboratories, Inc. | Testing system for traveling wave fault detectors |
CN206020348U (zh) * | 2016-09-26 | 2017-03-15 | 广东电网有限责任公司电力科学研究院 | 一种变压器油色谱预警系统 |
CN106841846A (zh) * | 2016-12-19 | 2017-06-13 | 广东电网有限责任公司电力调度控制中心 | 一种变压器状态分析与故障诊断方法及系统 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断系统 |
CN109100429A (zh) * | 2018-06-26 | 2018-12-28 | 武汉大学 | 一种组合预测残差修正的油中气体预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113252827A (zh) * | 2021-05-12 | 2021-08-13 | 国网安徽省电力有限公司电力科学研究院 | 基于卡方检验的变压器油色谱装置性能评估方法及系统 |
CN113252827B (zh) * | 2021-05-12 | 2022-07-22 | 国网安徽省电力有限公司电力科学研究院 | 基于卡方检验的变压器油色谱装置性能评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110146634B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8341106B1 (en) | System and method for identifying related events in a resource network monitoring system | |
CN101701940B (zh) | 基于svm和dga的变压器在线故障诊断方法 | |
CN104919384B (zh) | 用于设备维护和/或风险减缓的电力系统设备的评估 | |
CN110824270A (zh) | 结合台区线损和异常事件的窃电用户辨识方法及装置 | |
EP3105644B1 (en) | Method of identifying anomalies | |
EP3191905B1 (en) | Gas turbine failure prediction utilizing supervised learning methodologies | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
da Silva et al. | A new methodology for multiple incipient fault diagnosis in transmission lines using QTA and Naïve Bayes classifier | |
Zhang et al. | Bearing performance degradation assessment based on time-frequency code features and SOM network | |
Basuki | Online dissolved gas analysis of power transformers based on decision tree model | |
CN109188502A (zh) | 一种基于自编码器的束流位置监测器异常检测方法及装置 | |
CN113672606A (zh) | 油色谱监测数据质量评价方法 | |
Aleem et al. | Comparative performance analysis of machine learning techniques for software bug detection | |
CN110146634A (zh) | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 | |
CN115526234A (zh) | 基于迁移学习的跨域模型训练与日志异常检测方法及设备 | |
Al-Sabbagh et al. | Improving test case selection by handling class and attribute noise | |
CN113313144A (zh) | 一种基于大数据的电力变压器故障诊断系统及方法 | |
CN106054857B (zh) | 基于维修决策树/词向量的故障远程诊断平台 | |
CN111475643A (zh) | 数据中心交换机异常日志的处理方法、装置及存储介质 | |
CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 | |
Angelosante et al. | A sensor fault-resilient framework for predictive emission monitoring systems | |
CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 | |
Bao et al. | Identifying hot socket problem in smart meters | |
Senoussaoui et al. | Improved gas ratios models for DGA interpretation using artificial neural networks | |
Yu et al. | Machine learning for data verification in emissions trading system |
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 |