CN112115417A - 一种基于概率密度聚类的变压器实时故障概率计算方法 - Google Patents
一种基于概率密度聚类的变压器实时故障概率计算方法 Download PDFInfo
- Publication number
- CN112115417A CN112115417A CN202010796973.6A CN202010796973A CN112115417A CN 112115417 A CN112115417 A CN 112115417A CN 202010796973 A CN202010796973 A CN 202010796973A CN 112115417 A CN112115417 A CN 112115417A
- Authority
- CN
- China
- Prior art keywords
- transformer
- state
- clustering
- sample
- fault
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 229930195733 hydrocarbon Natural products 0.000 claims description 14
- 150000002430 hydrocarbons Chemical class 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000004451 qualitative analysis Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/005—H2
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medicinal Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开了一种基于概率密度聚类的变压器实时故障概率计算方法,用于评估电网运行风险。首先根据在线监测数据、台账信息和在线调度数据建立变压器运行故障概率模型,然后根据概率模型对当前时刻的变压器运行状态进行判别,进而计算该运行状态下的故障概率,该方法可以用于电网短期运行方式和变压器在线调度的决策过程。
Description
技术领域
本发明涉及电力设备故障监测技术领域,特别涉及一种基于概率密度聚类的变压器实时故障概率计算方法。
背景技术
变压器的运行状态直接影响电网安全,为保证变压器平稳运行和电网的运行效率,必须实时监测变压器运行状态并估计其发生故障的概率,及时发现问题,降低电网运行风险。
发明内容
有鉴于此,本发明的第一方面的目的是提供一种基于概率密度聚类的变压器实时故障概率计算方法。
本发明的第一方面的目的是通过以下技术方案实现的:
本发明的一种基于概率密度聚类的变压器实时故障概率计算方法,包括
根据变压器在线监测数据、台账信息和在线调度数据提取和构建影响变压器运行状态的主要特征;
对提取和构建的主要特征进行状态聚类,根据聚类结果和权重设定综合定性分析变压器运行状态;
将正常与异常状态的数据聚类中心作为标签,通过相关性定量分析计算出当前状态下变压器的故障概率。
特别地,所述主要特征至少包括H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体这六个时间序列特征。
特别地,分析变压器运行状态的具体分析步骤如下:
步骤S21:构造训练集,依次对主要特征中的时间序列特征进行数据重构,每一个时间序列特征的在线监测样本集为D={x1,x2,…,xn,xn+1,…,xn+t},以t为滑动窗口截取数据并转置后得到训练集D_train:
其中,n表示构造出的训练样本个数;t表示滑动窗口大小,一般设置为在线监测数据取样频率的倍数,如一天记录6个点,则设置t=12或18,t也表示构造出的训练集单个样本的长度;
步骤S22:对概率密度状态聚类;
步骤S23:综合特征状态判别,根据聚类结果综合判别设备当前的状态。
特别地,步骤S22中,通过Mean-Shift密度均值偏移算法对在线监测的至少六个时间序列特征分别进行状态聚类的步骤如下:
步骤S221:在训练集空间中随机选取一个初始样本点c,以c为圆心,r为半径做圆,则圆内k个样本点x的集合Sk为:
Sk(c)={x:(x-c)T(x-c)<r2};
其中,k表示n个训练样本中有k个落入Sk区域中,k≤n;
步骤S222:以c为起点,圆内所有的点为终点,构造k个向量并相加得到迁移向量Mr:
其中,xi表示Sk集合中的第i个样本点;
步骤S223:以迁移向量Mr的终点为圆心,r为半径继续画圆,重复步骤S221和S222,直到圆心不再移动,此时,圆心位于训练集概率密度最大的位置,这个迭代过程中访问的样本都被标记为同一个类;
步骤S224:在未被标记的训练集空间中继续随机选取一个样本点作为新的圆心c,重复上述所有步骤,直到训练集中所有的样本都被标记;
步骤S225:获取聚类结果:统计每一类对每个样本的访问次数,以此来划分类。
特别地,步骤S225中,聚类将样本聚为三类,如果类A的样本量远大于类B和类C,则认为类A为正常状态的样本类,类B和C为异常状态;
在线监测的H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体6个特征都可以由聚类得出当前时刻的样本X={xn,xn+1,…,xn+t}属于哪种状态标签;
根据主要特征的重要程度评定的权重系数α1,α2,…,αn,n等于主要特征的数量,用于综合判别变压器运行状态,判别方法如下:将正常的权重系数之和与异常的权重系数之和进行比较,如果如正常系数较大,则最终状态为正常;如异常系数较大,最终状态为异常;如二者相等,则参考H2、C2H2、总烃三个比较重要的特征的状态占比,占比大的为最终状态。
特别地,定量计算变压器故障概率是根据定性分析的结果,将H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体定义为正常的类中心作为标签数据,用于计算每个特征的故障参数,计算方法如下:
步骤S31:获取正常状态的样本类中心C;
步骤S32:对于特征j,j={1,2,3,4,5,6},计算当前时刻测试样本X={xn,xn+1,…,xn+t}与正常类中心C的Pearson相似度sj;
特征j的故障参数rj=1-sj;
步骤S33:根据负载率和投运年限历史数据统计,通过威布尔分布计算故障参数,负载率满足weibull(β=2.5,λ=4),投运年限满足weibull(β=25.265,λ=2),威布尔分布的概率密度函数如下:
其中,x是自变量,β为形状参数,λ为尺度参数,负载率故障参数r7=f(x,2.5,4),投运年限故障参数r8=f(x,25.265,2);
步骤S34:综合所有主要特征的故障参数计算出变压器故障概率:
R=(r1+r2+r3+r4+r5+r6+r7+r8)/8。
特别地,所述主要特征还包括负载率和投运年限。
本发明的第二方面的目的是提供一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前所述的方法。
本发明的第三方面的目的是提供一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果是:该模型可以指导电网短期运行方式和变压器在线调度决策。及时发现问题,降低电网运行风险。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明的方法流程图;
图2为通过Mean-Shift密度均值偏移算法对H2聚类的结果示意图。(从左到右依次是A类、B类和C类)
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本实施例的一种基于概率密度聚类的变压器实时故障概率计算方法,包括步骤如下:
(1)根据变压器在线监测数据、台账信息和在线调度数据提取和构建影响变压器运行状态的主要特征;在线监测数据是直接反映变压器运行状态的信息,而调度数据能够获取设备运行时的负载情况。通常采取的主要特征至少包括H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体这六个时间序列特征,作为补充,还包括负载率和投运年限这两个参考特征。本实施例中,根据数据情况和业务分析,提取和构造出以下8个主要特征:
表1变压器运行特征量
(2)对提取和构建的主要特征进行状态聚类,根据聚类结果和权重设定综合定性分析变压器运行状态;
本实施例中,分析变压器运行状态的具体分析步骤如下:
步骤S21:构造训练集,依次对主要特征中的时间序列特征进行数据重构,每一个时间序列特征的在线监测样本集为D={x1,x2,…,xn,xn+1,…,xn+t},以t为滑动窗口截取数据并转置后得到训练集D_train:
其中,n表示构造出的训练样本个数;t表示滑动窗口大小。
以H2为例,在线监测样本集为DH2={x1,x2,…,xn,xn+1,…,xn+t},以t为滑动窗口截取数据并转置后得到训练集DH2_train:
其中,n表示构造出的训练样本个数;t表示滑动窗口大小,一般设置为在线监测数据取样频率的倍数,如一天记录6个点,则设置t=12或18,t也表示构造出的训练集单个样本的长度。
步骤S22:对概率密度状态聚类;
本实施例中,通过Mean-Shift密度均值偏移算法(当然也可以选择其他的聚类方法,本实施例中采用Mean-Shift密度均值偏移算法,经实际数据测试mean-shift聚类效果更好)对在线监测的至少六个时间序列特征分别进行状态聚类的步骤如下:
步骤S221:在训练集空间中随机选取一个初始样本点c,以c为圆心,r为半径做圆,则圆内k个样本点x的集合Sk为:
Sk(c)={x:(x-c)T(x-c)<r2};
其中,k表示n个训练样本中有k个落入Sk区域中,k≤n;
步骤S222:以c为起点,圆内所有的点为终点,构造k个向量并相加得到迁移向量Mr:
其中,xi表示Sk集合中的第i个样本点;
步骤S223:以迁移向量Mr的终点为圆心,r为半径继续画圆,重复步骤S221和S222,直到圆心不再移动,此时,圆心位于训练集概率密度最大的位置,这个迭代过程中访问的样本都被标记为同一个类;
步骤S224:在未被标记的训练集空间中继续随机选取一个样本点作为新的圆心c,重复上述所有步骤,直到训练集中所有的样本都被标记;
步骤S225:获取聚类结果:统计每一类对每个样本的访问次数,以此来划分类。
步骤S225中,根据聚类结果综合判别设备当前的状态,以H2为例,如图1所示,聚类将样本聚为三类,如果类A的样本量远大于类B和类C,则认为类A为正常状态的样本类,类B和C为异常状态;
在线监测的H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体6个特征都可以由聚类得出当前时刻的样本X={xn,xn+1,…,xn+t}属于哪种状态标签;本实施例中,根据本发明单位长期监测总结和研究,发现变压器负载率范围在50%-80%之间,如果超出范围则定义为异常,否则为正常;投运年限如果超出变压器设计寿命20年则定义为异常,否则为正常。
根据主要特征的重要程度评定的权重系数α1,α2,…,αn,n等于主要特征的数量,用于综合判别变压器运行状态,判别方法如下:将正常的权重系数之和与异常的权重系数之和进行比较,如果如正常系数较大,则最终状态为正常;如异常系数较大,最终状态为异常;如二者相等,则参考H2、C2H2、总烃三个比较重要的特征的状态占比,占比大的为最终状态。
举例说明:如下表所示,如果测得8个主要特征的状态如状态栏所示,得到权重如权重栏所示。
表2特征状态权重
其中,α1,α2,…,α8是根据8个特征的重要程度评定的权重系数,用于综合判别变压器运行状态,判别方法如下:
①正常系数:(α2+α3+α5+α6+α7+α8)
②异常系数:(α1+α4)
如正常系数较大,则最终状态为正常;如异常系数较大。最终状态为异常;如二者相等,则参考H2、C2H2、总烃三个比较重要的特征的状态占比,占比大的为最终状态。
步骤S23:综合特征状态判别,根据聚类结果综合判别设备当前的状态。
(3)将正常与异常状态的数据聚类中心作为标签,通过相关性定量分析计算出当前状态下变压器的故障概率。
通过H2举例,假设一天记录6个点,设置滑动窗口t=12,即每2天的H2数据构成一条样本:
假设H2根据上述步骤聚类可以获得正常状态的类中心:
C=[12,5.85,10.89,15.98,35.74,27.17,23.76,33.4,21.97,5.1,4.23,12.37]
当前时刻测试样本:
X=[22.96,6.69,15.93,6.69,17.18,15.93,18.37,23,16,13.76,15.92,4.25]
根据下述相似度公式,计算C与X的相似度s1=0.44,则特征H2的故障参数r1=1-0.44=0.56.
同理,可以计算出C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体的故障参数r2,r3,r4,r5,r6。
定量计算变压器故障概率是根据定性分析的结果,将H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体定义为正常的类中心作为标签数据,用于计算每个特征的故障参数,计算方法如下:
步骤S31:获取正常状态的样本类中心C;
步骤S32:对于特征j,j={1,2,3,4,5,6},计算当前时刻测试样本X={xn,xn+1,…,x n+t}与正常类中心C的Pearson相似度sj;
特征j的故障参数rj=1-sj;
步骤S33:根据负载率和投运年限历史数据统计,通过威布尔分布计算故障参数,负载率满足weibull(β=2.5,λ=4),投运年限满足weibull(β=25.265,λ=2),威布尔分布的概率密度函数如下:
其中,x是自变量,β为形状参数,λ为尺度参数,负载率故障参数r7=f(x,2.5,4),投运年限故障参数r8=f(x,25.265,2);
步骤S34:综合所有主要特征的故障参数计算出变压器故障概率:
R=(r1+r2+r3+r4+r5+r6+r7+r8)/8。
本发明的流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:所述方法包括
根据变压器在线监测数据、台账信息和在线调度数据提取和构建影响变压器运行状态的主要特征;
对提取和构建的主要特征进行状态聚类,根据聚类结果和权重设定综合定性分析变压器运行状态;
将正常与异常状态的数据聚类中心作为标签,通过相关性定量分析计算出当前状态下变压器的故障概率。
2.根据权利要求1所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:所述主要特征至少包括H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体这六个时间序列特征。
3.根据权利要求1或2所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:分析变压器运行状态的具体分析步骤如下:
步骤S21:构造训练集,依次对主要特征中的时间序列特征进行数据重构,每一个时间序列特征的在线监测样本集为D={x1,x2,…,xn,xn+1,…,xn+t},以t为滑动窗口截取数据并转置后得到训练集D_train:
其中,n表示构造出的训练样本个数;t表示滑动窗口大小,一般设置为在线监测数据取样频率的倍数,如一天记录6个点,则设置t=12或18,t也表示构造出的训练集单个样本的长度;
步骤S22:对概率密度状态聚类;
步骤S23:综合特征状态判别,根据聚类结果综合判别设备当前的状态。
4.根据权利要求1或2或3所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:步骤S22中,通过Mean-Shift密度均值偏移算法对在线监测的至少六个时间序列特征分别进行状态聚类的步骤如下:
步骤S221:在训练集空间中随机选取一个初始样本点c,以c为圆心,r为半径做圆,则圆内k个样本点x的集合Sk为:
Sk(c)={x:(x-c)T(x-c)<r2};
其中,k表示n个训练样本中有k个落入Sk区域中,k≤n;
步骤S222:以c为起点,圆内所有的点为终点,构造k个向量并相加得到迁移向量Mr:
其中,xi表示Sk集合中的第i个样本点;
步骤S223:以迁移向量Mr的终点为圆心,r为半径继续画圆,重复步骤S221和S222,直到圆心不再移动,此时,圆心位于训练集概率密度最大的位置,这个迭代过程中访问的样本都被标记为同一个类;
步骤S224:在未被标记的训练集空间中继续随机选取一个样本点作为新的圆心c,重复上述所有步骤,直到训练集中所有的样本都被标记;
步骤S225:获取聚类结果:统计每一类对每个样本的访问次数,以此来划分类。
5.根据权利要求1所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:步骤S225中,聚类将样本聚为三类,如果类A的样本量远大于类B和类C,则认为类A为正常状态的样本类,类B和C为异常状态;
在线监测的H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体6个特征都可以由聚类得出当前时刻的样本X={xn,xn+1,…,xn+t}属于哪种状态标签;
根据主要特征的重要程度评定的权重系数α1,α2,…,αn,n等于主要特征的数量,用于综合判别变压器运行状态,判别方法如下:将正常的权重系数之和与异常的权重系数之和进行比较,如果如正常系数较大,则最终状态为正常;如异常系数较大,最终状态为异常;如二者相等,则参考H2、C2H2、总烃三个比较重要的特征的状态占比,占比大的为最终状态。
6.根据权利要求1所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:定量计算变压器故障概率是根据定性分析的结果,将H2、C2H2、总烃、微水含量、总可燃气体浓度、总溶解可燃气体定义为正常的类中心作为标签数据,用于计算每个特征的故障参数,计算方法如下:
步骤S31:获取正常状态的样本类中心C;
步骤S32:对于特征j,j={1,2,3,4,5,6},计算当前时刻测试样本X={xn,xn+1,…,xn+t}与正常类中心C的余弦相似度sj;
特征j的故障参数rj=1-sj;
步骤S33:根据负载率和投运年限历史数据统计,通过威布尔分布计算故障参数,负载率满足weibull(β=2.5,λ=4),投运年限满足weibull(β=25.265,λ=2),威布尔分布的概率密度函数如下:
其中,x是自变量,β为形状参数,λ为尺度参数,负载率故障参数r7=f(x,2.5,4),投运年限故障参数r8=f(x,25.265,2);
步骤S34:综合所有主要特征的故障参数计算出变压器故障概率:
R=(r1+r2+r3+r4+r5+r6+r7+r8)/8。
7.根据权利要求2所述的一种基于概率密度聚类的变压器实时故障概率计算方法,其特征在于:所述主要特征还包括负载率和投运年限。
8.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796973.6A CN112115417B (zh) | 2020-08-10 | 2020-08-10 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796973.6A CN112115417B (zh) | 2020-08-10 | 2020-08-10 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115417A true CN112115417A (zh) | 2020-12-22 |
CN112115417B CN112115417B (zh) | 2024-02-27 |
Family
ID=73805377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010796973.6A Active CN112115417B (zh) | 2020-08-10 | 2020-08-10 | 一种基于概率密度聚类的变压器实时故障概率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115417B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115221731A (zh) * | 2022-08-11 | 2022-10-21 | 南京航空航天大学 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1835336A (zh) * | 2006-03-10 | 2006-09-20 | 天津大学 | 基于概率的电力系统电压稳定在线监视和预防控制方法 |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
CN107730084A (zh) * | 2017-09-18 | 2018-02-23 | 杭州安脉盛智能技术有限公司 | 基于灰色预测和风险评估的变压器检修决策方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
-
2020
- 2020-08-10 CN CN202010796973.6A patent/CN112115417B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1835336A (zh) * | 2006-03-10 | 2006-09-20 | 天津大学 | 基于概率的电力系统电压稳定在线监视和预防控制方法 |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
CN107730084A (zh) * | 2017-09-18 | 2018-02-23 | 杭州安脉盛智能技术有限公司 | 基于灰色预测和风险评估的变压器检修决策方法 |
US20210278478A1 (en) * | 2020-03-02 | 2021-09-09 | Wuhan University | Deep parallel fault diagnosis method and system for dissolved gas in transformer oil |
Non-Patent Citations (1)
Title |
---|
熊浩;李卫国;宋伟;王勇;杨俊;李令;: "概率聚类技术应用于变压器DGA数据故障诊断", 高电压技术, no. 05 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115221731A (zh) * | 2022-08-11 | 2022-10-21 | 南京航空航天大学 | 基于数据融合和Wiener模型的变压器寿命评估方法 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116596336B (zh) * | 2023-05-16 | 2023-10-31 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117668498A (zh) * | 2024-01-31 | 2024-03-08 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
CN117668498B (zh) * | 2024-01-31 | 2024-04-26 | 和尘自仪(嘉兴)科技有限公司 | 基于可靠性分布和异常探测的泵健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115417B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115417B (zh) | 一种基于概率密度聚类的变压器实时故障概率计算方法 | |
CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
CN110702966A (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN117273489A (zh) | 光伏状态评估方法及装置 | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN117034143A (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN111949459A (zh) | 一种基于迁移学习和主动学习的硬盘故障预测方法及系统 | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN113238908B (zh) | 一种服务器性能测试数据分析方法及相关装置 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
CN112132173B (zh) | 一种基于聚类特征树的变压器无监督运行状态识别方法 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN114330141A (zh) | 一种基于gru超参数优化的风机主轴轴承寿命预测方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN114816963B (zh) | 嵌入式软件质量评估方法、系统、计算机及可读存储介质 | |
Zhou et al. | Fault Diagnosis of PEMFC Systems Based on Wavelet Packet Energy Decomposition and Long Short-Term Memory Neural Network | |
CN118335225A (zh) | 油浸式电力变压器故障模式识别方法、装置、设备及介质 | |
CN117498346A (zh) | 基于数据驱动的负荷聚合体dr潜力概率预测方法及系统 |
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 |