CN111667102A - 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 - Google Patents

Abstract

本发明涉及一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法，包括：步骤一，采用皮尔逊积矩相关系数法对变压器运行的多个维度的数据进行相关性分析；步骤二，利用格兰杰因果关系假设进行变压器故障强因果关系因素检测，设定变压器故障强因果关系阈值，对于分析结果大于既定阈值的数据集进行保留；步骤三，建立变压器故障运行的概率图模型；步骤四，对变压器运行数据中概率图因果结构中故障或异常节点与多维祖先节点的相关系数进行计算；步骤五，形成最终的变压器故障决策模型，对变压器潜在故障风险进行干预和排除；步骤六，建立敏感故障趋势及预警分析结果集。本发明能够在多源、多维、异构数据体系下对变压器故障进行精确预警。

Description

一种用于电力系统变压器元件运行状态故障预警的智能挖掘 算法

技术领域

本发明专利涉及一种电力系统变压器元件故障预警方法，尤其是涉及一种含有变压器多元、多维、异构运行数据的预测方法。

背景技术

随着国家电网“泛在电力物联网”发展目标和发展战略的提出，大数据和数据挖掘技术在电力系统方面的应用研究如火如荼，随着物联网以及大数据的不断发展，传统有人值守变电站逐渐朝着无人值守变电站方向发展，传统的调度监控系统open3000、D5000以及OMS系统监控设备和数据源较为单一，无法对电力系统运行形成有效支撑。目前的电力系统元件的故障预警数据源和数据维数较为单一，无法建立历史数据之间的因果联系，因此也无法有效对引发电力系统元件发生故障的原因进行深入挖掘。

变压器是电网中重要运行元件，如果变压器发生故障容易导致电力负荷的损失，从而引发大面积停电事故，如何利用目前大量、多维、多源的运行的实际历史数据来挖掘和辨识变压器存在的潜在风险，并提前进行预判和故障隐患排除是目前研究的关键点。传统的数据挖掘算法忽略了电网实际运行多维数据之间的因果强关联性，因此也无法对导致元件故障异常特定原因进行分析，本专利有针对性的对引发变压器元件发生故障的潜在因素进行大数据挖掘和分析，对变压器运行的多个维度的历史数据分别进行相关性分析和因果关系分析，找出引发故障的关键因素，采取预控手段和措施将可能发生的故障进行遏制，最大可能降低变压器发生故障的风险，确保电网安全稳定运行。

在这种背景下，一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法研究，首先采用皮尔逊积矩相关系数法对变压器运行的多维、多源数据进行相关性分析，保留相关性强的数据；随后采用格兰杰因果关系检验各数据源之间的因果关系，保留因果联系较强的数据；其次是基于步骤2的数据集进行有向概率图建模，其节点为因果关系要素集中的元素，其节点间的有向边为节点间的因果关系。最后是基于大数据分析得到的人工经验和算法推荐的因果模型来做出决策。

发明内容

本发明专利的目的是针对上述现状，提出一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法，该算法充分结合数据源的相关性分析和因果性，避免多维不相关数据源带来的辨识干扰问题，也挖掘出了多维、多源复杂数据中变压器故障的因果联系，使得对于变压器运行故障的挖掘和预判更加精确。

本发明的上述技术问题主要通过以下技术方案实现的：

一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法，其特征在于：包括以下步骤，

步骤1：获取电力变压器运行中多源数据，其维度包括“降雨、湿度、主变温升、环境温度、冷却器故障、电流水平、电压水平、变压器声音、变压器负载率、变压器使用年限、主变绝缘、变压器色谱”等多个维度数据。采用式一的皮尔逊积矩相关系数法对变压器运行的多个维度的数据进行相关性分析。制定相关性阈值，对相关性结果大于既定阈值的数据集进行保留。

X和Y表示的是变压器运行过程中任取的两个数据样本，X_i和Y_i分别表示两个样本在i时刻的取值；

和

分别表示两个样本的均值；N表示样本的时序数量。

步骤2：计算获得因果关系数据集。基于步骤1保留的强相关性数据集，利用式二及式三中格兰杰因果关系假设进行变压器故障强因果关系因素检测，设定变压器故障强因果关系阈值，对于分析结果大于既定阈值的数据集进行保留。

式中：X_T和X_i分别表示数据集X在T时刻和i时刻的取值；Y_T和Y_i分别表示数据集Y在T时刻和i时刻的取值；μ₁和μ₂为随机白噪声，α_i,β_j,λ_i,δ_j均为系数。

步骤3：建立变压器故障运行的概率图模型。其中节点表示随机变量，有向边表示节点之间的因果关系。节点之间的因果关系通过“父节点”与“子节点”因果关系进行展现，在建立概率图模型中，节点X_i与父节点集π(X_i)之间的因果权重记为P(X_i|π(X_i))，式四为因果权重计算公式。

P(X_i|π(X_i))＝P(X_i|X₁,X₂,…,X_i-1) 式四

步骤4：变压器运行数据中概率图因果结构中故障或异常节点X_i与多维祖先节点的相关系数计算方法。指定故障节点X_i具有m个相对独立的祖先节点，与X_i相关的祖先节点记为{π¹(X_i),π²(X_i),…π^m(X_i)}，π^j(X_i)→X_i表示的是X_i与第j个祖先节点之间的因果关系，相应的依赖关系系数P(X_i|π^j(X_i))记为π^j(X_i)→X_i的权重

步骤5：基于因果关联性分析结果与人工经验判断相互结合形成最终的变压器故障决策模型，对变压器潜在故障风险进行干预和排除，具体方法如式五所示。

式中：实际运行专家对各组因果依赖关系进行评定，结合评定结果并考虑人工经验来对π^j(X_i)→X_i进行参数结构合理性评估的系数a_j进行取值，并且

P(π^j(X_i))为变压器运行过程中各个影响要素集合的实时预测概率。

步骤6：基于步骤5分析的结果来建立敏感故障趋势及预警分析结果集。针对变压器运行中出现故障或者有故障趋势的“果”节点X_i对应的祖先节点π^j(X_i)对应的实时概率P(π^j(X_i))进行计算，设定式五中的预警系数H的阈值，判断H是否大于阈值，如果大于阈值，则节点X_i告警，表明变压器运行存在故障风险，否则不告警。

因此，本发明可达到如下的有益效果：1、与传统变压器故障预警挖掘算法相比，考虑到变压器运行多维、多源、异构数据的复杂性，本发明结合智能挖掘算法的特征，提出将相关性挖掘和因果性挖掘进行结合的综合性智能挖掘算法，解决了电力变压器运行过程中多维、多源、异构数据挖掘的难点问题。2、考虑变压器运行过程中“降雨、湿度、主变温升、环境温度、冷却器故障、电流水平、电压水平、变压器声音、变压器负载率、变压器使用年限、主变绝缘、变压器色谱”等要素充分挖掘出影响变压器安全运行的潜在风险和要素，使得预警结果更加全面丰富。3、为了充分挖掘“果”要素与众多“因”要素，本专利采用了大数据概率图模型，将影响变压器故障的多个因素进行挖掘分析，形象具体的建立了故障和原因之间的因果关系要素集。

附图说明

图1变压器运行故障预警智能挖掘算法流程图

图2变压器运行故障趋势概率图

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。

本发明涉及一种电力变压器元件运行状态故障预警的智能挖掘算法，由于目前变压器大量运行数据存在多维、多源、异构特点，在故障预警故障中对于数据的深度挖掘十分重要。

实施例

本发明的技术方案主要包括两部分，即利用皮尔逊积矩相关系数法对电力变压器多源、多维、异构数据进行相关性分析，在此基础上采用格兰杰因果关系检验数据集的因果关系。

一、首先介绍本发明的原理。

步骤1：获取电力变压器运行中多源数据，其维度包括“降雨、湿度、主变温升、环境温度、冷却器故障、电流水平、电压水平、变压器声音、变压器负载率、变压器使用年限、主变绝缘、变压器色谱”等多个维度数据。采用式(1)的皮尔逊积矩相关系数法对变压器运行的多个维度的数据进行相关性分析。制定相关性阈值，对相关性结果大于既定阈值的数据集进行保留。

X和Y表示的是变压器运行过程中任取的两个数据样本，X_i和Y_i分别表示两个样本在i时刻的取值；

和

分别表示两个样本的均值；N表示样本的时序数量。

步骤2：计算获得因果关系数据集。基于步骤1保留的强相关性数据集，利用式(2)及式(3)中格兰杰因果关系假设进行变压器故障强因果关系因素检测，设定变压器故障强因果关系阈值，对于分析结果大于既定阈值的数据集进行保留。

式中：X_T和X_i分别表示数据集X在T时刻和i时刻的取值；Y_T和Y_i分别表示数据集Y在T时刻和i时刻的取值；μ₁和μ₂为随机白噪声，α_i,β_j,λ_i,δ_j均为系数。

步骤3：建立变压器故障运行的概率图模型。其中节点表示随机变量，有向边表示节点之间的因果关系。节点之间的因果关系通过“父节点”与“子节点”因果关系进行展现，在建立概率图模型中，节点X_i与父节点集π(X_i)之间的因果权重记为P(X_i|π(X_i))，式(4)为因果权重计算公式。

P(X_i|π(X_i))＝P(X_i|X₁,X₂,…,X_i-1) (4)

步骤4：变压器运行数据中概率图因果结构中故障或异常节点X_i与多维祖先节点的相关系数计算方法。指定故障节点X_i具有m个相对独立的祖先节点，与X_i相关的祖先节点记为{π¹(X_i),π²(X_i),…π^m(X_i)}，π^j(X_i)→X_i表示的是X_i与第j个祖先节点之间的因果关系，相应的依赖关系系数P(X_i|π^j(X_i))记为π^j(X_i)→X_i的权重

步骤5：基于因果关联性分析结果与人工经验判断相互结合形成最终的变压器故障决策模型，对变压器潜在故障风险进行干预和排除，具体方法如式(5)所示。

式中：实际运行专家对各组因果依赖关系进行评定，结合评定结果并考虑人工经验来对π^j(X_i)→X_i进行参数结构合理性评估的系数a_j进行取值，并且

P(π^j(X_i))为变压器运行过程中各个影响要素集合的实时预测概率。

步骤6：基于步骤5分析的结果来建立敏感故障趋势及预警分析结果集。针对变压器运行中出现故障或者有故障趋势的“果”节点X_i对应的祖先节点π^j(X_i)对应的实时概率P(π^j(X_i))进行计算，设定式(5)中的预警系数H的阈值，判断H是否大于阈值，如果大于阈值，则节点X_i告警，表明变压器运行存在故障风险，否则不告警。

二、下面选取2018年某省电网在高温极端电气下电网运行的数据为样本集，该电网在高温极端天气下变压器处于重载运行状态，采样的数据包括“降雨、湿度、主变温升、环境温度、冷却器故障、电流水平、电压水平、变压器声音、变压器负载率、变压器使用年限、主变绝缘、变压器色谱”等，采用本专利的智能挖掘进行采样和故障预警，结合附图和实施案例详细说明本发明技术方案。

收集电网在高温极端天气下的电力变压器运行的多维度历史数据以及实时运行数据，构建多维度数据集合X₁,X₂,…,X_m。利用图1的智能挖掘算法流程来进行相关性挖掘和因果性挖掘。

采集到变压器多维运行数据后，建立变压器全数据源，如图2的第I部分，针对变压器故障要素首先进行相关性检测，筛选出相关性较高的条件要素，在相关性较高条件要素筛选过程中，设置皮尔逊检测阈值为0.6，对所有要素进行筛选，筛选出与变压器故障相关的七个要素，变压器使用年限、湿度、主变温升、环境温度、变压器负载率、冷却器故障、变压器声音，七个要素的相关系数分别为0.65、0.71、0.68、0.69、0.70、0.74、0.69、0.72。

对上述经过强相关性筛选出的七个要素进行格兰杰因果检验进行第二层筛选，如图2的第II部分，将筛选后的强因果关系的要素建立有向无环结构图，格兰杰因果检验的阈值设为0.05，通过格兰杰因素检验的会认为，被检测出来的“因”要素会导致“果”要素的发生，也就是检测出来的“因”要素会导致变压器故障的发生。

根据格兰杰因果检验得到的结果构造概率图模型，如图2第III部分所示，概率图模型显示影响变压器故障(“果”要素)相关联的“祖先”要素包括五个，分别是：湿度、主变温升、环境温度、变压器负载率、冷却器故障。

1)湿度高要素(湿度大于75％)时导致变压器故障的概率为63.2％；

2)主变温升高(温度大于70℃)时导致变压器故障的概率为71.4％；

3)环境温度高(温度大于35℃)时导致变压器故障的概率为59.6％；

4)变压器负载率高(大于80％)时导致变压器故障的概率为76.4％；

5)冷却器发生故障时导致变压器故障的概率为67.2％。

结合专家经验判断以及构造的概率图模型来构建决策判断模型，并通过参数的调整来完成预警模型的建立，从而确定变压器运行过程中是否进行故障预警。五个“祖先”要素的评估取值分别为0.2、0.25、0.15、0.3、0.1。变压器运行故障趋势预警系数H(X_i)设置为0.80，在数据采集和挖掘分析过程中一旦发现预警系数超过0.80就开始发出变压器故障预警，这样可以方便电网运行人员提前进行干预和控制。

以上实施例仅用以说明本发明的技术方案而非对其限制，本发明所属技术领域的技术人员可对说描述的具体实例做各种修改或补偿，但并不会偏离本发明所附权利要求所定义的范围。

Claims (1)

1.一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法，其特征在于：包括以下步骤，

步骤1：获取电力变压器运行中多源数据，其维度包括降雨、湿度、主变温升、环境温度、冷却器故障、电流水平、电压水平、变压器声音、变压器负载率、变压器使用年限、主变绝缘、变压器色谱多个维度数据；采用式一的皮尔逊积矩相关系数法对变压器运行的多个维度的数据进行相关性分析；制定相关性阈值，阈值大小设定为0.7,对相关性结果大于既定阈值0.7的数据集进行保留；

X和Y表示的是变压器运行过程中任取的两个数据样本，X_i和Y_i分别表示两个样本在i时刻的取值；

和

分别表示两个样本的均值；N表示样本的时序数量；

步骤2：计算获得因果关系数据集；基于步骤1保留的强相关性数据集，利用式二及式三中格兰杰因果关系假设进行变压器故障强因果关系因素检测，设定变压器故障强因果关系阈值，对于分析结果大于既定阈值的数据集进行保留；

式中：X_T和X_i分别表示数据集X在T时刻和i时刻的取值；Y_T和Y_i分别表示数据集Y在T时刻和i时刻的取值；μ₁和μ₂为随机白噪声，α_i,β_j,λ_i,δ_j均为系数；

步骤3：建立变压器故障运行的概率图模型；其中节点表示随机变量，有向边表示节点之间的因果关系；节点之间的因果关系通过“父节点”与“子节点”因果关系进行展现，在建立概率图模型中，节点X_i与父节点集π(X_i)之间的因果权重记为P(X_i|π(X_i))，式四为因果权重计算公式；

P(X_i|π(X_i))＝P(X_i|X₁,X₂,…,X_i-1) 式四

步骤4：变压器运行数据中概率图因果结构中故障或异常节点X_i与多维祖先节点的相关系数计算方法；指定故障节点X_i具有m个相对独立的祖先节点，与X_i相关的祖先节点记为{π¹(X_i),π²(X_i),…π^m(X_i)}，π^j(X_i)→X_i表示的是X_i与第j个祖先节点之间的因果关系，相应的依赖关系系数P(X_i|π^j(X_i))记为π^j(X_i)→X_i的权重

步骤5：基于因果关联性分析结果与人工经验判断相互结合形成最终的变压器故障决策模型，对变压器潜在故障风险进行干预和排除，具体方法如式五所示；

式中：实际运行专家对各组因果依赖关系进行评定，结合评定结果并考虑人工经验来对π^j(X_i)→X_i进行参数结构合理性评估的系数a_j进行取值，并且

P(π^j(X_i))为变压器运行过程中各个影响要素集合的实时预测概率；

步骤6：基于步骤5分析的结果来建立敏感故障趋势及预警分析结果集；针对变压器运行中出现故障或者有故障趋势的“果”节点X_i对应的祖先节点π^j(X_i)对应的实时概率P(π^j(X_i))进行计算，设定式五中的预警系数H的阈值，判断H是否大于阈值，如果大于阈值，则节点X_i告警，表明变压器运行存在故障风险，否则不告警。

Images