CN111175458A - 一种基于XGBoost算法的变压器油中溶解气体分析方法 - Google Patents
一种基于XGBoost算法的变压器油中溶解气体分析方法 Download PDFInfo
- Publication number
- CN111175458A CN111175458A CN202010157314.8A CN202010157314A CN111175458A CN 111175458 A CN111175458 A CN 111175458A CN 202010157314 A CN202010157314 A CN 202010157314A CN 111175458 A CN111175458 A CN 111175458A
- Authority
- CN
- China
- Prior art keywords
- dissolved gas
- transformer oil
- fault
- xgboost algorithm
- gas
- 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
- 238000004458 analytical method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000007789 gas Substances 0.000 claims description 40
- 238000013021 overheating Methods 0.000 claims description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 3
- 239000005977 Ethylene Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于XGBoost算法的变压器油中溶解气体分析方法，基于设备正常运行和故障时所对应的变压器油六种气体浓度数据，建立机器学习模型，然后再将实时检测到的变压器油六种气体浓度数据输入模型，模型可以准确的识别测试集数据特征，判断故障类别，以及给出潜在故障概率图。
Description
技术领域
本发明涉及电力变压器领域，具体涉及一种基于XGBoost算法的变压器油中溶解气体分析方法。
背景技术
电力变压器在电力系统中扮演着电压、电流转换的重要角色，它的稳定运行是整个系统的安全保证。提高变压器的故障诊断正确率，快速、准确的评估其运行状况，对电力系统安全运行有着关键而长远的意义。
目前较为成熟并被广泛认可的故障诊断方法是油中溶解气体分析(dissolvedgas analysis，DGA)。在油中气体在线监测装置逐步部署的背景下，如何利用几种气体数据准确地诊断变压器故障，以及判断潜伏性故障的可能性，是目前电力运检工作的重点。考虑气体种类及特征，气体法需要丰富的机理经验，国际电工委员会提出的三比值法在国际上的认可度较高，但也会随着时间不断迭代更新。我国电力研究人员改良了三比值法，提出了故障编码法和无编码比值法。然而这些方法在本质上属于阈值分析和线性分类，无法对靠近阈值边界的故障数据进行有效分析，并且当气体浓度整体较低时，对故障特征的判断误差较大。聚类和支持向量机等方法可以改善阈值分类过于绝对的缺陷，但是由于算法难以实现多层特征提取，故其所提高的分类正确率有限。
近年来，专家系统、模糊理论、神经网络等人工智能技术均被已应用于变压器故障诊断虽然分析方法的革新使故障诊断的精确度得以提升，但上述算法自身的缺陷也阻碍了其在实际应用中的推广。例如，应用专家系统所需要的机理知识储备难以准确获取，故障推理的逻辑性也不够严谨；模糊理论的应用具有“内涵明确，外延不确定”的特点，对变压器内部机理理解和故障原因分析的要求较高；BP神经网络收敛速度慢，容易出现过拟合现象，数据量较少时预测误差较大，推广性较差。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种一种基于XGBoost算法的变压器油中溶解气体分析方法，能够提高对于变压器故障识别准确率，优化智能运检效率。
实现上述目的的一种技术方案是：一种基于XGBoost算法的变压器油中溶解气体分析方法，其特征在于包括如下步骤：
步骤1，通过油中气体在线监测装置收集过往的电力变压器正常运行和发生故障时所对应的变压器油中溶解气体的浓度数据；
步骤2，应用XGBoost算法训练故障识别模型；
步骤3，通过油中气体在线监测装置手收集实时变压器油中溶解气体的浓度数据；
步骤4，对实时变压器油中溶解气体的浓度数据进行数据清洗，清除异常数据；
步骤5，将实时变压器油中溶解气体的浓度数据输入故障识别模型，分析设备状态和潜在故障概率。
进一步的，所述故障的类别包括低温过热(300℃以下)、中温过热(300-700℃)、高温过热(700℃以上)、低能量放电、高能量放电和局部放电。
进一步的，所述变压器油中溶解气体的种类包括氢气，甲烷，乙炔，乙烯，乙烷和一氧化碳。
本发明的一种基于XGBoost算法的变压器油中溶解气体分析方法，基于设备正常运行和故障时所对应的六种气体浓度数据，建立机器学习模型，模型可以准确的识别测试集数据特征，判断故障类别，以及给出潜在故障概率图。
附图说明
图1为本发明的一种基于XGBoost算法的变压器油中溶解气体分析方法的XGBoost算法示意图；
图2为本发明的一种基于XGBoost算法的变压器油中溶解气体分析方法的经过特征工程的事故发生概率示意图。
具体实施方式
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
本发明的一种基于XGBoost算法的变压器油中溶解气体分析方法，包括如下步骤：
步骤1，收集电力变压器正常运行和发生故障时所对应的油中溶解气体浓度数据。故障类别包括：低温过热(300℃以下)、中温过热(300-700℃)、高温过热(700℃以上)、低能量放电、高能量放电和局部放电。气体种类包括：氢气(H2)，甲烷(CH4)，乙炔(C2H2)，乙烯(C2H4)，乙烷(C2H6)和一氧化碳(CO)。
步骤2，应用XGBoost算法训练故障识别模型，算法示意图如图1所示。将XGBoost算法应用于油中溶解气体分析，对油中气体故障特征的特性、数据特征选取、优化调参过程进行逐步分析，并对潜在故障进行预测。通过算例测试表明，相比于三比值法、无编码比值法和SVM，XGBoost算法得益于其具有拓展泛化能力强，精度高，鲁棒性好的特点，其分类结果具有最高的准确率。
步骤3，通过油中气体在线监测装置手收集实时变压器油中溶解气体的浓度数据。
步骤4，对实时变压器油中溶解气体的浓度数据进行数据清洗，清除异常数据。
步骤5，将实时变压器油中溶解气体的浓度数据输入故障识别模型，分析设备状态和潜在故障概率。请参阅图2，同时可对数据进行特征工程，将数据进行可视化呈现，从而清洗明确的呈现事故发生概率。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (3)
1.一种基于XGBoost算法的变压器油中溶解气体分析方法，其特征在于包括如下步骤：
步骤1，通过油中气体在线监测装置收集过往的电力变压器正常运行和发生故障时所对应的变压器油中溶解气体的浓度数据；
步骤2，应用XGBoost算法训练故障识别模型；
步骤3，通过油中气体在线监测装置手收集实时变压器油中溶解气体的浓度数据；
步骤4，对实时变压器油中溶解气体的浓度数据进行数据清洗，清除异常数据；
步骤5，将实时变压器油中溶解气体的浓度数据输入故障识别模型，分析设备状态和潜在故障概率。
2.根据权利要求1所述的一种基于XGBoost算法的变压器油中溶解气体分析方法，其特征在于，所述故障的类别包括低温过热(300℃以下)、中温过热(300-700℃)、高温过热(700℃以上)、低能量放电、高能量放电和局部放电。
3.根据权利要求1所述的一种基于XGBoost算法的变压器油中溶解气体分析方法，其特征在于，所述变压器油中溶解气体的种类包括氢气，甲烷，乙炔，乙烯，乙烷和一氧化碳。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010157314.8A CN111175458A (zh) | 2020-03-09 | 2020-03-09 | 一种基于XGBoost算法的变压器油中溶解气体分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010157314.8A CN111175458A (zh) | 2020-03-09 | 2020-03-09 | 一种基于XGBoost算法的变压器油中溶解气体分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111175458A true CN111175458A (zh) | 2020-05-19 |
Family
ID=70648514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010157314.8A Pending CN111175458A (zh) | 2020-03-09 | 2020-03-09 | 一种基于XGBoost算法的变压器油中溶解气体分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111175458A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721002A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于硬投票集成学习的变压器故障诊断的方法 |
| CN113959956A (zh) * | 2021-10-21 | 2022-01-21 | 河北卫讯电力自动化设备有限公司 | 一种变压器油中溶解气体双腔室光声光谱监测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
| CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
-
2020
- 2020-03-09 CN CN202010157314.8A patent/CN111175458A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289682A (zh) * | 2011-05-18 | 2011-12-21 | 华北电力大学 | 基于集成学习Bagging算法的变压器故障诊断方法 |
| CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙琛等: "基于XGBOOST算法的变压器故障诊断", 《佳木斯大学学报(自然科学版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721002A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于硬投票集成学习的变压器故障诊断的方法 |
| CN113959956A (zh) * | 2021-10-21 | 2022-01-21 | 河北卫讯电力自动化设备有限公司 | 一种变压器油中溶解气体双腔室光声光谱监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104730378B (zh) | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 | |
| Dukarm | Transformer oil diagnosis using fuzzy logic and neural networks | |
| CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
| CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
| Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
| CN111175458A (zh) | 一种基于XGBoost算法的变压器油中溶解气体分析方法 | |
| CN110879373A (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| Basuki | Online dissolved gas analysis of power transformers based on decision tree model | |
| CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
| CN112183610A (zh) | 变压器故障预测方法及变压器故障预测装置 | |
| CN104360194A (zh) | 一种智能电网故障诊断方法 | |
| Levin et al. | Predicting the technical condition of the power transformer using fuzzy logic and dissolved gas analysis method | |
| Zhang et al. | Anomalous state detection of dissolved gases in transformer oil based on the canopy hyper sphere model | |
| Dhiman et al. | Fuzzy logic-based incipient fault detection in power transformers using IEC Method | |
| Ibrahim et al. | Diagnosis of power transformer incipient faults using fuzzy logic-IEC based approach | |
| Yin et al. | Deep learning based transformer fault diagnosis method | |
| CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 | |
| Paul et al. | A probabilistic approach of fault detection through dissolved gas analysis in transformer and reactor | |
| Waghmare et al. | Modeling of transformer DGA using IEC & fuzzy based three gas ratio method | |
| Afiqah et al. | Fuzzy logic application in DGA methods to classify fault type in power transformer | |
| KR20190043792A (ko) | 수력발전용 어플 기반 고장복구 시스템 | |
| CN113283479A (zh) | 一种适用于电力变压器故障的特征提取与诊断方法 | |
| CN113673162A (zh) | 一种基于模糊评判及DSmT的变压器本体状态评估方法 | |
| Bondarenko et al. | Development of fuzzy neural network for the interpretation of the results of dissolved in oil gases analysis |
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 |
Application publication date: 20200519 |
|
| WD01 | Invention patent application deemed withdrawn after publication |