CN113077020B - 一种变压器集群管理方法及系统 - Google Patents

一种变压器集群管理方法及系统 Download PDF

Info

Publication number
CN113077020B
CN113077020B CN202110628684.XA CN202110628684A CN113077020B CN 113077020 B CN113077020 B CN 113077020B CN 202110628684 A CN202110628684 A CN 202110628684A CN 113077020 B CN113077020 B CN 113077020B
Authority
CN
China
Prior art keywords
transformer
cluster
cluster management
order
transformers
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
CN202110628684.XA
Other languages
English (en)
Other versions
CN113077020A (zh
Inventor
徐沛东
罗宗杰
郑世明
郝鑫
李凯
黄园芳
廖文娟
王志强
段新辉
魏炎
吴莉琳
李玲
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.)
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhanjiang 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 Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202110628684.XA priority Critical patent/CN113077020B/zh
Publication of CN113077020A publication Critical patent/CN113077020A/zh
Application granted granted Critical
Publication of CN113077020B publication Critical patent/CN113077020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种变压器集群管理方法及系统，包括以下步骤：步骤S1、获取变压器的运行日志，并基于所述运行日志构建表征集群管理基础特征的第一集群管理模型样本集；步骤S2、利用特征融合将第一集群管理模型样本集中的所述集群管理基础特征进行优化构建表征集群管理最优特征的第二集群管理模型样本集，并基于所述第二集群管理模型样本集构建将变压器归属至最佳管理集群的集群管理模型。本发明采用层次聚类算法将台账参数、工况数据相似的变压器划分进同一变压器集群，再通过同一集群中变压器状态监测数据的互比较了解集群内设备的差异性，能迅速判断哪台变压器处于异常状态，且异常检测准确率高。

Description

一种变压器集群管理方法及系统
技术领域
本发明涉及变压器管理技术领域，具体涉及一种变压器集群管理方法及系统。
背景技术
电力变压器是电力系统中最重要的输变电设备之一，其运行状态直接关系到整个电力系统的安全与稳定，这里的电力变压器通常为10KV及以上的变压器，例如：10KV的配电变压器，35KV及以上的输电变压器等，因此保障变压器的可靠运行至关重要。随着传感器技术、计算机技术的高速发展，对变压器进行实时状态监测评估也逐渐成为可能。
目前识别变压器状态异常与否的主流做法是对变压器的核心状态量进行在线监测，同时基于国家标准对这些核心状态量进行阈值判断，从而判断变压器的状态异常与否。该方法虽然在一定程度上保障了变压器的安全稳定运行，但也有其不可避免的缺点。一般情况下，变压器故障是一个长久而持续的过程，故障对变压器核心状态量的影响也是一个持续的过程。当变压器核心状态量超过国家标准设定的阈值时，一般变压器的状态已经发生变化，已经一定程度上影响了电力系统的安全与稳定。此外，变压器监测平台在收集到大量在线监测数据后，仅依据阈值等人工经验对数据进行分析，使得数据的利用率很低，埋没了数据应有的价值，并未达到预期效果，最终导致判别精度低。
发明内容
本发明的目的在于提供一种变压器集群管理方法及系统，以解决现有技术中仅依据阈值等人工经验对数据进行分析，使得数据的利用率很低，埋没了数据应有的价值，最终导致判别精度低的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种变压器集群管理方法，包括以下步骤：
步骤S1、获取变压器的运行日志，并基于所述运行日志构建表征集群管理基础特征的第一集群管理模型样本集；
步骤S2、利用特征融合将第一集群管理模型样本集中的所述集群管理基础特征进行优化构建表征集群管理最优特征的第二集群管理模型样本集，并基于所述第二集群管理模型样本集构建将变压器归属至最佳管理集群的集群管理模型；
步骤S3、基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
作为本发明的一种优选方案，所述步骤S1中，所述运行日志为所述变压器的历史运行数据集合，提取所述第一集群管理模型样本集的具体方法包括：
步骤S101、在运行日志中随机抽取相同数量的正样本和负样本混合构成标准样本集，其中，所述正样本为处于同类运行状态的变压器的运行数据，所述负样本为处于他类运行状态的变压器的运行数据；
步骤S102、对标准样本集中进行特征量化获得第一单阶特征，并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征；
步骤S103、基于标准样本集获取所述第二单阶特征的特征值，并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一集群管理模型样本集。
作为本发明的一种优选方案，所述步骤S102中，相关性分析实现特征降维的具体方法包括：
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数，相关性计算公式为：
Figure 587307DEST_PATH_IMAGE001
；
其中，I为相关性系数，X为第一单阶特征，
Figure 816032DEST_PATH_IMAGE002
，
Figure 595769DEST_PATH_IMAGE003
为第一单阶特征中的第i，j个特征的特征值，
Figure 990978DEST_PATH_IMAGE004
是
Figure 867668DEST_PATH_IMAGE002
和
Figure 690130DEST_PATH_IMAGE003
的联合概率分布函数，而
Figure 957163DEST_PATH_IMAGE005
和
Figure 969113DEST_PATH_IMAGE006
分别是
Figure 637992DEST_PATH_IMAGE002
和
Figure 693672DEST_PATH_IMAGE003
的边缘概率分布函数；
遍历选取相关性系数高于相关性阈值的第一双特征对，并在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
作为本发明的一种优选方案，所述步骤S2中的所述特征融合为基于特征多阶融合构建所述集群管理最优特征的优化过程，获得第二集群管理模型样本集的具体方法包括：
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征，并基于所述第一多阶特征对所述第一集群管理模型样本集进行第一映射更新生成过渡集群管理模型样本集；
步骤S202、基于所述过渡集群管理模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征，并基于最优多阶特征对所述过渡集群管理模型样本集进行第二映射更新获得第二集群管理模型样本集。
作为本发明的一种优选方案，所述步骤S202中，多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括：
利用第一多阶特征在过渡集群管理模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数，所述目标函数为：
Figure 448002DEST_PATH_IMAGE007
；
其中，
Figure 185014DEST_PATH_IMAGE008
；
Figure 19983DEST_PATH_IMAGE009
；
minf为目标函数值，
Figure 449828DEST_PATH_IMAGE010
和
Figure 691453DEST_PATH_IMAGE011
为权重常数，
Figure 28893DEST_PATH_IMAGE012
，MNI为聚类准确度，t为第一多阶特征的使用数目，
Figure 672364DEST_PATH_IMAGE013
，M为第一多阶特征的总数目，H为混合矩阵，
Figure 7531DEST_PATH_IMAGE014
表征为过渡集群管理模型样本集中的所述正负样本的聚类集群结构
Figure 549502DEST_PATH_IMAGE015
中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构
Figure 628316DEST_PATH_IMAGE016
中正负样本集群l内的数目，np 1和np 2分别是
Figure 500195DEST_PATH_IMAGE015
和
Figure 271842DEST_PATH_IMAGE016
划分结果中的集群个数，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，N为过渡集群管理模型样本集的样本数目；
线性标定所述目标函数构建适应度函数，并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集；
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将变压器归属至最佳管理集群的最优多阶特征，所述适应度函数的计算公式为：
Figure 222480DEST_PATH_IMAGE017
；
其中，F为适应度值，
Figure 167303DEST_PATH_IMAGE018
为目标函数值，
Figure 519787DEST_PATH_IMAGE019
为扰动常数。作为本发明的一种优选方案，所述步骤S2中，构建将变压器归属至最佳管理集群的集群管理模型的具体方法包括：
步骤一：基于所述最优多阶特征将所有变压器分别量化为单个集群
Figure 462335DEST_PATH_IMAGE020
，其中
Figure 713319DEST_PATH_IMAGE021
表示第y台变压器的最优多阶特征的集合，
Figure 196253DEST_PATH_IMAGE022
表示第y台变压器的第
Figure 668822DEST_PATH_IMAGE023
个最优多阶特征，
Figure 782272DEST_PATH_IMAGE024
，
Figure 707502DEST_PATH_IMAGE025
，m为最优多阶特征的总数目，n为变压器的总数目；
步骤二：依次计算两集群的相似性，并基于最大相似性进行集群融合归一，所述集群的相似性为两集群中相似性最大的一对变压器之间的相似性，所述相似性用果瓦系数进行度量：
Figure 931810DEST_PATH_IMAGE026
；
其中，
Figure 304892DEST_PATH_IMAGE027
为变压器
Figure 589243DEST_PATH_IMAGE028
和变压器
Figure 1769DEST_PATH_IMAGE029
的果瓦系数，
Figure 29768DEST_PATH_IMAGE030
为变压器
Figure 211351DEST_PATH_IMAGE028
和变压器
Figure 401024DEST_PATH_IMAGE029
在
Figure 363164DEST_PATH_IMAGE031
和
Figure 929274DEST_PATH_IMAGE032
上的取值，
Figure 230942DEST_PATH_IMAGE033
和
Figure 591517DEST_PATH_IMAGE034
分别表示第y1、y2台变压器的第
Figure 978636DEST_PATH_IMAGE035
个最优多阶特征，
Figure 161486DEST_PATH_IMAGE036
为加权变量，
Figure 52082DEST_PATH_IMAGE037
，
Figure 849137DEST_PATH_IMAGE038
，m为最优多阶特征的总数目，n为变压器的总数目；
步骤三：重复步骤二直至当前变压器集群总数目是最初变压器集群总数目的10%完成聚类。
作为本发明的一种优选方案，所述步骤S3中，判别变压器的运行状态的具体方法包括：
对各集群中的所有变压器在线监测数据
Figure 520289DEST_PATH_IMAGE039
分别进行归一化处理为消除不同指标量纲带来的差异，所述归一化公式为：
Figure 693782DEST_PATH_IMAGE040
；
其中，
Figure 704463DEST_PATH_IMAGE041
表示第
Figure 672419DEST_PATH_IMAGE042
台变压器的在线监测数据，
Figure 80136DEST_PATH_IMAGE043
表示第y台变压器的第
Figure 854057DEST_PATH_IMAGE044
类在线监测数据，n2表示集群中变压器的台数，
Figure 719244DEST_PATH_IMAGE045
表示归一化处理后第y台变压器的第
Figure 858102DEST_PATH_IMAGE044
类在线监测数据，p为在线监测数据的种类总数目，
Figure 441530DEST_PATH_IMAGE046
；
量化同一集群中的变压器两两之间的距离，所述距离用欧式距离度量，所述欧式距离的计算公式为：
Figure 504295DEST_PATH_IMAGE047
；
Figure 489568DEST_PATH_IMAGE048
为变压器
Figure 799327DEST_PATH_IMAGE028
和变压器
Figure 870051DEST_PATH_IMAGE029
的欧式距离，
Figure 923458DEST_PATH_IMAGE049
、
Figure 825555DEST_PATH_IMAGE050
分别表示为第y1、y2台变压器的第
Figure 306215DEST_PATH_IMAGE051
在线监测数据，
Figure 598656DEST_PATH_IMAGE052
，n2表示集群中变压器的总数目，
Figure 455753DEST_PATH_IMAGE053
，p为在线监测数据的种类总数目；
设置距离阈值，基于所述距离阈值判定所述集群中变压器的运行状况。
作为本发明的一种优选方案，所述基于所述距离阈值判定所述集群中变压器的运行状况的方法包括：
若各集群中与变压器y的距离大于距离阈值的变压器数量超过集群变压器总数目n2的80%。则确定变压器y运行状况为异常，否则确定变压器y运行状况正常。
作为本发明的一种优选方案，本发明提供了一种根据所述的变压器集群管理方法的管理系统，包括：
数据采集单元，用于采集变压器的运行日志和在线运行数据，并同步反馈至数据处理单元；
数据处理单元，用于对运行日志进行数据处理、特征融合和模型建立实现将变压器归属至最佳管理集群；
状态判别单元，用于基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
作为本发明的一种优选方案，所述状态判别单元在判别到变压器运行状态为异常会发出警报。
本发明与现有技术相比较具有如下有益效果：
本发明利用多目标搜索策略和特征融合策略在变压器的运行日志中依次进行特征提取、降维和融合选取出区分变压器分簇效果最好的最优多阶特征，并采用层次聚类算法将台账参数、工况数据相似的变压器划分进同一变压器集群，以此为依据的每一个集群变压器之间理应具有相似的状态，再通过同一集群中变压器状态监测数据的互比较了解集群内设备的差异性，能迅速判断哪台变压器处于异常状态，且异常检测准确率高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的变压器集群管理方法流程图；
图2为本发明实施例提供的最优多阶特征生成流程图；
图3为本发明实施例提供的变压器集群结构示意图；
图4为本发明实施例提供的管理系统结构框图。
图中的标号分别表示如下：
1-数据采集单元；2-数据处理单元；3-状态判别单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1-4所示，本发明提供了一种变压器集群管理方法，包括以下步骤：
步骤S1、获取变压器的运行日志，并基于所述运行日志构建表征集群管理基础特征的第一集群管理模型样本集；
所述步骤S1中，所述运行日志为所述变压器的历史运行数据集合，提取所述第一集群管理模型样本集的具体方法包括：
步骤S101、在运行日志中随机抽取相同数量的正样本和负样本混合构成标准样本集，其中，所述正样本为处于同类运行状态的变压器的运行数据，所述负样本为处于他类运行状态的变压器的运行数据；
运行数据包括但不仅限于变压器生产厂家、额定功率、额定电压、服役地点平均温度和湿度、服役时长，运行样本集中包括50%的同类运行状态的变压器和50%的他类运行状态的变压器以保证样本的均衡性，在实际使用中也可根据实景进行调整。
同类是指变压器的台账参数、工况数据相似可归属于同一类别即集群，他类是指变压器的台账参数、工况数据差异度大，不可归属于同一类别即集群。
步骤S102、对标准样本集中进行特征量化获得第一单阶特征，并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征；
所述步骤S102中，相关性分析实现特征降维的具体方法包括：
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数，相关性计算公式为：
Figure 399307DEST_PATH_IMAGE054
；
其中，I为相关性系数，X为第一单阶特征，
Figure 50869DEST_PATH_IMAGE002
，
Figure 96185DEST_PATH_IMAGE003
为第一单阶特征中的第i，j个特征的特征值，
Figure 491394DEST_PATH_IMAGE004
是
Figure 351772DEST_PATH_IMAGE055
和
Figure 502130DEST_PATH_IMAGE056
的联合概率分布函数，而
Figure 582213DEST_PATH_IMAGE057
和
Figure 781113DEST_PATH_IMAGE006
分别是
Figure 184413DEST_PATH_IMAGE002
和
Figure 817257DEST_PATH_IMAGE003
的边缘概率分布函数。
遍历选取相关性系数高于相关性阈值的第一双特征对，并在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
相关性系数是指两个特征的相似程度，利用相关性系数量化第一单阶特征间的相似程度，而后将第一单阶特征间相似程度高的多个特征仅用一个特征进行表征即可，实现特征降维的同时避免删除有效特征，特征降维可以有效的减少无效计算，并提高集群划分的运算精度。
步骤S103、基于标准样本集获取所述第二单阶特征的特征值，并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一集群管理模型样本集。
步骤S2、利用特征融合将第一集群管理模型样本集中的所述集群管理基础特征进行优化构建表征集群管理最优特征的第二集群管理模型样本集，并基于所述第二集群管理模型样本集构建将变压器归属至最佳管理集群的集群管理模型；
步骤S2中的特征融合为基于特征多阶融合构建所述集群管理最优特征的优化过程，获得第二集群管理模型样本集的具体方法包括：
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征，并基于所述第一多阶特征对所述第一集群管理模型样本集进行第一映射更新生成过渡集群管理模型样本集；
将所述第二单阶特征分别进行矩阵编码获得第二单阶特征矩阵，基于矩阵相乘公式获得第一多阶特征矩阵，所述矩阵相乘公式为：
Figure 820854DEST_PATH_IMAGE058
；
其中，
Figure 620183DEST_PATH_IMAGE059
为第一多阶特征矩阵，
Figure 18934DEST_PATH_IMAGE060
为第二单阶特征矩阵，T为转置运算符；
将第二单阶特征的特征值代入第一多阶特征矩阵运算，并将第一多阶特征矩阵反矩阵解码获得第一多阶特征。
将单阶特征利用笛卡尔积方式融合形成多阶特征，可将单阶特征之间的区分属性进行增强，从而基于多阶特征建立的聚类模型即集群管理模型的区分能力得以增强，则可提高模型聚类的精度，将变压器归属至最佳管理集群。
步骤S202、基于所述过渡集群管理模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征，并基于最优多阶特征对所述过渡集群管理模型样本集进行第二映射更新获得第二集群管理模型样本集。
所述步骤S202中，多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括：
利用第一多阶特征在过渡集群管理模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数，所述目标函数为：
Figure 760363DEST_PATH_IMAGE061
；
其中，
Figure 798726DEST_PATH_IMAGE008
；
Figure 214795DEST_PATH_IMAGE009
；
minf为目标函数值，
Figure 858266DEST_PATH_IMAGE010
和
Figure 193432DEST_PATH_IMAGE011
为权重常数，
Figure 296255DEST_PATH_IMAGE012
，MNI为聚类准确度，t为第一多阶特征的使用数目，
Figure 375070DEST_PATH_IMAGE013
，M为第一多阶特征的总数目，H为混合矩阵，
Figure 686097DEST_PATH_IMAGE014
表征为过渡集群管理模型样本集中的所述正负样本的聚类集群结构
Figure 192164DEST_PATH_IMAGE015
中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构
Figure 470699DEST_PATH_IMAGE016
中正负样本集群l内的数目，np 1和np 2分别是
Figure 353204DEST_PATH_IMAGE015
和
Figure 705688DEST_PATH_IMAGE016
划分结果中的集群个数，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，N为过渡集群管理模型样本集的样本数目；
利用聚类准确度和第一多阶特征的使用数目构建的目标函数，其中，聚类算法而言使用的特征数目越多则聚类准确度越高，因此第一多阶特征的使用数目与距离准确度存在互斥的竞争关系，同时第一多阶特征的使用数目与聚类准确度二者又分别体现了聚类分集群的两种优化目标，即少使用特征数目降低计算量获得多使用特征数目提高聚类准确度，因此将存在竞争的第一多阶特征的使用数目与聚类准确度进行权重组合，将单个目标的优化转变为多个目标的优化，实现对第一多阶特征的使用数目与聚类准确度的折衷优化以获得快速精确将变压器归置到集群中的最优多阶特征。
而且将目标函数设置为第一多阶特征的使用数目与聚类准确度的权重组合的反值，将多目标优化问题转变为目标函数的最小值求解问题，简化计算过程，提高效率。
线性标定所述目标函数构建适应度函数，并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集；
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将变压器归属至最佳管理集群的最优多阶特征，所述适应度函数的计算公式为：
Figure 648236DEST_PATH_IMAGE017
；
其中，F为适应度值，
Figure 86171DEST_PATH_IMAGE018
为目标函数值，
Figure 818372DEST_PATH_IMAGE019
为扰动常数，扰动常数的设定可以增加多目标搜索算法的求解的多样性，最终保证了Pareto解集中解的多样性，避免早熟收敛。
适应度值反应了个体对环境的适应能力强弱，因此可以构建适应度函数来衡量个体的优劣，而且适应度函数可以在不利用外部信息的情况下，作为是多目标搜索算法挑选优秀个体的唯一依据，它由优化问题中目标函数映射而来，在本实施例的多目标优化问题中反映了Pareto解集中解的优劣，适应度值越高，则解越优。在多目标搜索算法智能搜索过程中，通过适应度值的比较排序操作可以实现最优解的寻优功能，在设定时为方便规定适应度值总是非负的，如此在选择中可以直观的选取解个体适应度值在数值上更大的解个体，所以再适应度函数是需要遵循最大值形式且函数值非负的规则，并保持低复杂度。
所述步骤S2中，构建将变压器归属至最佳管理集群的集群管理模型的具体方法包括：
步骤一：基于所述最优多阶特征将所有变压器分别量化为单个集群
Figure 353259DEST_PATH_IMAGE020
，其中
Figure 201129DEST_PATH_IMAGE021
表示第y台变压器的最优多阶特征的集合，
Figure 126360DEST_PATH_IMAGE022
表示第y台变压器的第
Figure 350668DEST_PATH_IMAGE023
个最优多阶特征，
Figure 677744DEST_PATH_IMAGE024
，
Figure 775144DEST_PATH_IMAGE025
，m为最优多阶特征的总数目，n为变压器的总数目；
步骤二：依次计算两集群的相似性，并基于最大相似性进行集群融合归一，所述集群的相似性为两集群中相似性最大的一对变压器之间的相似性，所述相似性用果瓦系数进行度量：
Figure 187671DEST_PATH_IMAGE062
；
其中，
Figure 950091DEST_PATH_IMAGE027
为变压器
Figure 131673DEST_PATH_IMAGE028
和变压器
Figure 586925DEST_PATH_IMAGE029
的果瓦系数，
Figure 486748DEST_PATH_IMAGE030
为变压器
Figure 115176DEST_PATH_IMAGE028
和变压器
Figure 151265DEST_PATH_IMAGE029
在
Figure 777418DEST_PATH_IMAGE031
和
Figure 164537DEST_PATH_IMAGE032
上的取值，
Figure 268759DEST_PATH_IMAGE033
和
Figure 736519DEST_PATH_IMAGE034
分别表示第y1、y2台变压器的第
Figure 533574DEST_PATH_IMAGE035
个最优多阶特征，
Figure 142409DEST_PATH_IMAGE063
为加权变量，
Figure 315902DEST_PATH_IMAGE037
，
Figure 326583DEST_PATH_IMAGE038
，m为最优多阶特征的总数目，n为变压器的总数目。
具体的，若
Figure 356856DEST_PATH_IMAGE031
和
Figure 452988DEST_PATH_IMAGE032
为二分变量，1-1配对时
Figure 899013DEST_PATH_IMAGE064
，其他配对时
Figure 29780DEST_PATH_IMAGE065
；0-0配对时
Figure 168637DEST_PATH_IMAGE066
，其他配对时
Figure 565115DEST_PATH_IMAGE067
。若
Figure 814830DEST_PATH_IMAGE031
和
Figure 800104DEST_PATH_IMAGE032
为序次变量，两变压器数据相同时取1，否则取0；若
Figure 109862DEST_PATH_IMAGE031
和
Figure 180587DEST_PATH_IMAGE032
为数值变量，
Figure 296310DEST_PATH_IMAGE068
-
Figure 136090DEST_PATH_IMAGE069
，
Figure 928335DEST_PATH_IMAGE070
为变量
Figure 220776DEST_PATH_IMAGE031
和
Figure 77873DEST_PATH_IMAGE032
的全距；
步骤三：重复步骤二直至当前变压器集群总数目是最初变压器集群总数目的10%完成聚类。
如图3所示，变压器集群包括五个集群，举例说明，集群1中的所有变压器具有相似的台账参数、工况数据，同理集群2中的所有变压器具有也具有相似台账参数、工况数据，而集群1和2之间的变压器台账参数、工况数据差异度大，因此可对集群1 内部的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
步骤S3、基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
所述步骤S3中，判别变压器的运行状态的具体方法包括：
对各集群中的所有变压器在线监测数据
Figure 772160DEST_PATH_IMAGE039
分别进行归一化处理为消除不同指标量纲带来的差异，所述归一化公式为：
Figure 423721DEST_PATH_IMAGE040
；
其中，
Figure 531354DEST_PATH_IMAGE041
表示第
Figure 926564DEST_PATH_IMAGE042
台变压器的在线监测数据，
Figure 475357DEST_PATH_IMAGE043
表示第y台变压器的第
Figure 563398DEST_PATH_IMAGE044
类在线监测数据，n2表示集群中变压器的台数，
Figure 830432DEST_PATH_IMAGE045
表示归一化处理后第y台变压器的第
Figure 576802DEST_PATH_IMAGE044
类在线监测数据，p为在线监测数据的种类总数目，
Figure 245681DEST_PATH_IMAGE046
；
量化同一集群中的变压器两两之间的距离，所述距离用欧式距离度量，所述欧式距离的计算公式为：
Figure 504624DEST_PATH_IMAGE047
；
Figure 993374DEST_PATH_IMAGE048
为变压器
Figure 995965DEST_PATH_IMAGE028
和变压器
Figure 519350DEST_PATH_IMAGE029
的欧式距离，
Figure 745932DEST_PATH_IMAGE049
、
Figure 987557DEST_PATH_IMAGE050
分别表示为第y1、y2台变压器的第
Figure 863282DEST_PATH_IMAGE051
类在线监测数据，
Figure 241174DEST_PATH_IMAGE052
，n2表示集群中变压器的总数目，
Figure 841920DEST_PATH_IMAGE046
，p为在线监测数据的种类总数目；
设置距离阈值，基于所述距离阈值判定所述集群中变压器的运行状况。
所述基于所述距离阈值判定所述集群中变压器的运行状况的方法包括：
若各集群中与变压器y的距离大于距离阈值的变压器数量超过集群变压器总数目n2的80%。则确定变压器y运行状况为异常，否则确定变压器y运行状况正常。
如图4所示，基于上述变压器集群管理方法，本发明提供了一种管理系统，包括：
数据采集单元，用于采集变压器的运行日志和在线运行数据，并同步反馈至数据处理单元；
数据处理单元，用于对运行日志进行数据处理、特征融合和模型建立实现将变压器归属至最佳管理集群；
状态判别单元，用于基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
所述状态判别单元在判别到变压器运行状态为异常会发出警报。
本发明利用多目标搜索策略和特征融合策略在变压器的运行日志中依次进行特征提取、降维和融合选取出区分变压器分簇效果最好的最优多阶特征，并采用层次聚类算法将台账参数、工况数据相似的变压器划分进同一变压器集群，以此为依据的每一个集群变压器之间理应具有相似的状态，再通过同一集群中变压器状态监测数据的互比较了解集群内设备的差异性，能迅速判断哪台变压器处于异常状态，且异常检测准确率高。
本发明的基于集群管理的变压器异常检测方法以同一集群中的变压器作为基准，通过互比较判断变压器的状态，能在变压器故障发生早期识别出变压器的异常，对于保障变压器安全稳定运行意义重大。
本发明的基于集群管理的变压器异常检测方法将集群管理的概念引入变压器异常检测中，将相似的变压器归在一起形成各个变压器集群，有利于变压器的长期监管。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (7)

1.一种变压器集群管理方法，其特征在于，包括以下步骤：
步骤S1、获取变压器的运行日志，并基于所述运行日志构建表征集群管理基础特征的第一集群管理模型样本集；
步骤S2、利用特征融合将第一集群管理模型样本集中的所述集群管理基础特征进行优化构建表征集群管理最优特征的第二集群管理模型样本集，并基于所述第二集群管理模型样本集构建将变压器归属至最佳管理集群的集群管理模型；
步骤S3、基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态；
所述运行日志为所述变压器的历史运行数据集合，提取所述第一集群管理模型样本集的具体方法包括：
步骤S101、在运行日志中随机抽取相同数量的正样本和负样本混合构成标准样本集，其中，所述正样本为处于同类运行状态的变压器的运行数据，所述负样本为处于他类运行状态的变压器的运行数据；
步骤S102、对标准样本集中进行特征量化获得第一单阶特征，并将第一单阶特征利用相关性分析实现特征降维获得第二单阶特征；
步骤S103、基于标准样本集获取所述第二单阶特征的特征值，并将第二单阶特征的特征值与第二单阶特征建立新映射获得第一集群管理模型样本集；
所述步骤S102中，相关性分析实现特征降维的具体方法包括：
依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数；
遍历选取相关性系数高于相关性阈值的第一双特征对，并在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征；
所述步骤S2中的所述特征融合为基于特征多阶融合构建所述集群管理最优特征的优化过程，获得第二集群管理模型样本集的具体方法包括：
步骤S201、利用笛卡尔积将所述第二单阶特征进行编码融合获得第一多阶特征，并基于所述第一多阶特征对所述第一集群管理模型样本集进行第一映射更新生成过渡集群管理模型样本集；
步骤S202、基于所述过渡集群管理模型样本集利用多目标搜索策略筛选第一多阶特征获得最优多阶特征，并基于最优多阶特征对所述过渡集群管理模型样本集进行第二映射更新获得第二集群管理模型样本集。
2.根据权利要求1所述的一种变压器集群管理方法，其特征在于：所述步骤S202中，多目标搜索策略筛选第一多阶特征获得最优多阶特征的具体方法包括：
利用第一多阶特征在过渡集群管理模型样本集中的正负样本的聚类准确度和第一多阶特征的使用数目构建多目标搜索策略的目标函数，所述目标函数为：
Figure 872325DEST_PATH_IMAGE001
；
其中，
Figure 8908DEST_PATH_IMAGE002
；
Figure 677787DEST_PATH_IMAGE003
；
minf为目标函数值，
Figure 858101DEST_PATH_IMAGE004
和
Figure 612430DEST_PATH_IMAGE005
为权重常数，
Figure 287125DEST_PATH_IMAGE006
， MNI为聚类准确度，t为第一多阶特征的使用数目，
Figure 810511DEST_PATH_IMAGE007
， M为第一多阶特征的总数目，H为混合矩阵，
Figure 928770DEST_PATH_IMAGE008
表征为过渡集群管理模型样本集中的所述正负样本的聚类集群结构
Figure 170396DEST_PATH_IMAGE009
中正负样本集群k内的样本同时处于所述正负样本的真实聚类集群结构
Figure 570153DEST_PATH_IMAGE010
中正负样本集群l内的数目，np 1和np 2分别是
Figure 213624DEST_PATH_IMAGE011
和
Figure 486474DEST_PATH_IMAGE012
划分结果中的集群个数，H k 和H l 分别为混合矩阵H中第k行和第l列的元素之和，N为过渡集群管理模型样本集的样本数目；
线性标定所述目标函数构建适应度函数，并利用多目标搜索算法求解所述目标函数获得一组由第一多阶特征组成的最优多阶特征的Pareto解集；
选取所述最优多阶特征的Pareto解集中适应度值最高的解作为将变压器归属至最佳管理集群的最优多阶特征，所述适应度函数的计算公式为：
Figure 900881DEST_PATH_IMAGE013
；
其中，F为适应度值，
Figure 979696DEST_PATH_IMAGE014
为目标函数值，
Figure 415356DEST_PATH_IMAGE015
为扰动常数。
3.根据权利要求2所述的一种变压器集群管理方法，其特征在于：所述步骤S2中，构建将变压器归属至最佳管理集群的集群管理模型的具体方法包括：
步骤一：基于所述最优多阶特征将所有变压器分别量化为单个集群
Figure 187003DEST_PATH_IMAGE016
，其中
Figure 137641DEST_PATH_IMAGE017
表示第y台变压器的最优多阶特征的集合，
Figure 207098DEST_PATH_IMAGE018
表示第y台变压器的第
Figure 559581DEST_PATH_IMAGE019
个最优多阶特征，
Figure 502130DEST_PATH_IMAGE020
，
Figure 940064DEST_PATH_IMAGE021
， m为最优多阶特征的总数目，n为变压器的总数目；
步骤二：依次计算两集群的相似性，并基于最大相似性进行集群融合归一，所述集群的相似性为两集群中相似性最大的一对变压器之间的相似性，所述相似性用果瓦系数进行度量：
Figure 298364DEST_PATH_IMAGE022
；
其中，
Figure 770934DEST_PATH_IMAGE023
为变压器
Figure 884384DEST_PATH_IMAGE024
和变压器
Figure 809614DEST_PATH_IMAGE025
的果瓦系数，
Figure 33922DEST_PATH_IMAGE026
为变压器
Figure 783835DEST_PATH_IMAGE024
和变压器
Figure 68185DEST_PATH_IMAGE027
在
Figure 480712DEST_PATH_IMAGE028
和
Figure 446394DEST_PATH_IMAGE029
上的取值，
Figure 627977DEST_PATH_IMAGE028
和
Figure 4600DEST_PATH_IMAGE029
分别表示第y1、y2台变压器的第
Figure 904423DEST_PATH_IMAGE030
个最优多阶特征，
Figure 408217DEST_PATH_IMAGE031
为加权变量，
Figure 395371DEST_PATH_IMAGE032
，
Figure 755945DEST_PATH_IMAGE033
，m为最优多阶特征的总数目，n为变压器的总数目；
步骤三：重复步骤二直至当前变压器集群总数目是最初变压器集群总数目的10%完成聚类。
4.根据权利要求3所述的一种变压器集群管理方法，其特征在于，所述步骤S3中，判别变压器的运行状态的具体方法包括：
对各集群中的所有变压器在线监测数据
Figure 143064DEST_PATH_IMAGE034
分别进行归一化处理为消除不同指标量纲带来的差异，所述归一化公式为：
Figure 512866DEST_PATH_IMAGE035
；
其中，
Figure 341145DEST_PATH_IMAGE036
表示第y台变压器的在线监测数据，
Figure 138199DEST_PATH_IMAGE037
表示第y台变压器的第
Figure 747035DEST_PATH_IMAGE038
类在线监测数据，n2表示集群中变压器的台数，
Figure 107478DEST_PATH_IMAGE039
表示归一化处理后第y台变压器的第
Figure 118159DEST_PATH_IMAGE040
类在线监测数据，p为在线监测数据的种类总数目，
Figure 86115DEST_PATH_IMAGE041
；
量化同一集群中的变压器两两之间的距离，所述距离用欧式距离度量，所述欧式距离的计算公式为：
Figure 182247DEST_PATH_IMAGE042
；
Figure 893852DEST_PATH_IMAGE043
为变压器
Figure 696722DEST_PATH_IMAGE024
和变压器
Figure 835580DEST_PATH_IMAGE025
的欧式距离，
Figure 419008DEST_PATH_IMAGE044
、
Figure 357139DEST_PATH_IMAGE045
分别表示为第y1、y2台变压器的第
Figure 342413DEST_PATH_IMAGE038
类在线监测数据，
Figure 652171DEST_PATH_IMAGE046
， n2表示集群中变压器的总数目，
Figure 660579DEST_PATH_IMAGE047
，p为在线监测数据的种类总数目；
设置距离阈值，基于所述距离阈值判定所述集群中变压器的运行状况。
5.根据权利要求4所述的一种变压器集群管理方法，其特征在于，所述基于所述距离阈值判定所述集群中变压器的运行状况的方法包括：
若各集群中与变压器y的距离大于距离阈值的变压器数量超过集群变压器总数目n2的80%，
则确定变压器y运行状况为异常，否则确定变压器y运行状况正常。
6.一种根据权利要求1-5任一项所述的变压器集群管理方法的管理系统，其特征在于，包括：
数据采集单元，用于采集变压器的运行日志和在线运行数据，并同步反馈至数据处理单元；
数据处理单元，用于对运行日志进行数据处理、特征融合和模型建立实现将变压器归属至最佳管理集群；
状态判别单元，用于基于所述最佳管理集群对所归属的各变压器的在线运行数据进行内相似性比对，并判别变压器的运行状态。
7.根据权利要求6所述的管理系统，其特征在于，所述状态判别单元在判别到变压器运行状态为异常会发出警报。
CN202110628684.XA 2021-06-07 2021-06-07 一种变压器集群管理方法及系统 Active CN113077020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110628684.XA CN113077020B (zh) 2021-06-07 2021-06-07 一种变压器集群管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628684.XA CN113077020B (zh) 2021-06-07 2021-06-07 一种变压器集群管理方法及系统

Publications (2)

Publication Number Publication Date
CN113077020A CN113077020A (zh) 2021-07-06
CN113077020B true CN113077020B (zh) 2021-08-24

Family

ID=76617088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628684.XA Active CN113077020B (zh) 2021-06-07 2021-06-07 一种变压器集群管理方法及系统

Country Status (1)

Country Link
CN (1) CN113077020B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408548A (zh) * 2021-07-14 2021-09-17 贵州电网有限责任公司电力科学研究院 变压器异常数据检测方法、装置、计算机设备和存储介质
CN113269281A (zh) * 2021-07-21 2021-08-17 广东电网有限责任公司东莞供电局 一种基于图像的调度主站三遥变化识别方法及系统
CN113537528B (zh) * 2021-07-28 2022-05-03 贵州电网有限责任公司 一种输变电设备状态监测数据的预处理方法及系统
DE102021004761A1 (de) 2021-09-21 2023-03-23 Mercedes-Benz Group AG Verfahren zur Ermittlung defekter Ladestationen
CN113791300A (zh) * 2021-11-15 2021-12-14 广东电网有限责任公司东莞供电局 一种充电站的充电枪状态监测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101527A (zh) * 2018-06-21 2018-12-28 中国科学院信息工程研究所 一种海量安全日志信息过滤方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107727955B (zh) * 2017-09-05 2020-05-01 天津市电力科技发展有限公司 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法
CN108460085A (zh) * 2018-01-19 2018-08-28 北京奇艺世纪科技有限公司 一种基于用户日志的视频搜索排序训练集构建方法及装置
CN109374063B (zh) * 2018-12-04 2021-04-23 广东电网有限责任公司 一种基于集群管理的变压器异常检测方法、装置和设备
CN109934251B (zh) * 2018-12-27 2021-08-06 国家计算机网络与信息安全管理中心广东分中心 一种用于小语种文本识别的方法、识别系统及存储介质
CN112231971B (zh) * 2020-09-26 2022-07-05 浙江大学 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN112651435B (zh) * 2020-12-22 2022-12-20 中国南方电网有限责任公司 一种基于自学习的电力网络探针流量异常的检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101527A (zh) * 2018-06-21 2018-12-28 中国科学院信息工程研究所 一种海量安全日志信息过滤方法及装置

Also Published As

Publication number Publication date
CN113077020A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113077020B (zh) 一种变压器集群管理方法及系统
CN107527114B (zh) 一种基于大数据的线路台区异常分析方法
CN111537939B (zh) 一种基于多指标融合的电压互感器状态评估方法及装置
CN106651169A (zh) 基于模糊综合评价的配电自动化终端状态评价方法及系统
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN115048985B (zh) 一种电气设备故障判别方法
CN110223193A (zh) 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN112132283B (zh) 一种基于遗传算法的非信号注入式户变拓扑关系识别方法
CN113095648A (zh) 基于数据驱动的配电网故障停电风险指标评估方法及系统
CN110705859A (zh) 基于pca-自组织神经网络的中低压配电网运行状态评估方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN116933010A (zh) 一种基于多源数据融合与深度学习的负载率分析评价方法和系统
CN112990776B (zh) 一种配网设备健康度评价方法
CN113283881B (zh) 一种远动信息源的自动审核方法及系统
CN115526393A (zh) 一种基于变电工程关键影响因素筛选的造价预测方法
CN113887750A (zh) 一种基于改进长短期记忆网络的开关柜状态评价方法
CN115241981B (zh) 一种基于大数据的主动配电网监测方法
CN113537528B (zh) 一种输变电设备状态监测数据的预处理方法及系统
CN117728421B (zh) 微电网集群协调调度方法、系统、计算机设备和存储介质
CN116582450B (zh) 低压配电网业务接入感知方法及系统
Zhu et al. Discriminant analysis of user stealing electricity behavior based on Levenberg Marquardt neural network model
Zhao Predicting the Line Loss for a 10 kV Distribution Network Using AGA‐BPNN

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