CN113341347B - 一种基于aoelm的配电变压器故障动态检测方法 - Google Patents

Abstract

本发明涉及一种基于AOELM的配电变压器故障动态检测方法。该方法在采集配电变压器正常状态和故障状态运行下的实验监测数据，并在进行数据归一化和贴标签预处理后存入离线训练样本集后，使用极限学习机算法基于离线训练样本集建立初始的变压器故障检测模型，然后，使用支持向量数据描述方法结合初始的变压器故障检测模型的检测结果构建得到新的训练样本集，以便于对初始的变压器故障检测模型进行动态更新，进而解决现有变压器故障静态检测方法存在的不具备主动在线动态更新能力，无法适应时变过程中的数据分布漂移特性的问题，在保证故障在线检测准确率的同时，进一步降低故障误报率。

Description

一种基于AOELM的配电变压器故障动态检测方法

技术领域

本发明涉及配电网电力变压器故障检测领域，特别是涉及一种基于主动型在线极限学习机(Active online extreme learning machine，AOELM)的配电网低压变压器故障动态检测方法。

背景技术

电力变压器作为现代电网中用于实现电能转换与分配的核心装备，其健康状态直接影响着电力系统能否正常运行。其中配电网变压器工作环境复杂，极易发生故障。因此，及时地对变压器故障进行在线检测，并尽早地安排工作人员检修对电力系统安全稳定运行来说至关重要。

随着现代传感器技术和计算机存储技术的发展，海量包含变压器工况信息的数据被记录下来。因此，在海量监测数据的基础上，开展数据驱动型变压器故障智能检测方法的研究能够为电网故障监测部门提供更高效的解决方案。

长时间的在线运行会导致变压器监测数据出现自身设备老化的慢时变特性。现有技术中，诸如支持向量机、极限学习机等机器学习算法基于离线监测样本建立的变压器故障静态检测模型并不具备主动在线动态更新的能力。当在线监测样本的数据分布逐渐漂移出离线训练样本数据分布时，静态故障检测模型的检测性能也会逐渐下降，即存在静态故障检测模型随时间推移而逐渐失效的弊端。具体的，变压器在线运行过程中会产生海量的实时正常状态数据，在这些数据中由于变压器设备的老化等原因会含有一些漂移出原有离线正常状态数据分布的漂移样本，进而会导致离线的静态故障检测模型将新的在线正常状态漂移样本错误地检测为故障状态，即存在故障误报率较高的弊端。产生上述弊端的原因主要在于现有一些基于机器学习算法的离线数据驱动型变压器故障静态检测方法不具备主动在线动态更新能力，从而无法适应时变过程中的数据分布漂移特性。

因此，提供一种具有在线动态更新能力的配电变压器故障动态检测方法或系统，以提高配电变压器故障在线检测的准确率、降低故障误报率是本领域亟待解决的技术问题。

发明内容

本发明的目的是提供一种基于AOELM的配电变压器故障动态检测方法，以解决现有变压器故障静态检测方法存在的不具备主动在线动态更新能力，无法适应时变过程中的数据分布漂移特性的问题，进而在保证故障在线检测准确率的同时，进一步降低故障误报率。

为实现上述目的，本发明提供了如下方案：

一种基于AOELM的配电变压器故障动态检测方法，包括：

获取变压器的实验监测数据；所述实验监测数据包括变压器处于正常状态运行下的监测数据和变压器处于故障状态运行下的监测数据；

对所述实验监测数据进行归一化和贴标签处理，得到离线训练样本集；

使用极限学习机算法基于所述离线训练样本集建立初始的变压器故障检测模型；

在线实时获取变压器的运行监测数据；

对所述变压器的运行监测数据进行归一化处理，得到归一化后的运行监测数据；

以所述运行监测数据为输入，采用所述初始的变压器故障检测模型得到检测结果；

当所述检测结果为故障状态，则进行故障报警并返回步骤“在线实时获取变压器的运行监测数据”；

当所述检测结果为正常状态，则将所述运行监测数据作为在线正常状态样本进行保留；

获取所述离线训练样本集中的离线正常状态样本；

采用支持向量数据描述方法作为数据分布漂移检测机制从所述在线正常状态样本中选择得到漂移样本，并剔除所述离线正常状态样本中的失效样本，构建得到新的训练样本集；

采用所述新的训练样本集替换离线训练样本集，并返回步骤“使用极限学习机算法基于所述训练样本集建立初始的变压器故障检测模型”。

优选地，所述使用极限学习机算法基于所述离线训练样本集建立初始的变压器故障检测模型，具体包括：

基于极限学习机算法和离线训练样本集确定预设建模训练目标；所述预设建模训练目标包括最小化训练误差目标和最小化网络输出权重目标；

根据所述预设建模训练目标确定输出函数；所述输出函数即为所述初始的变压器故障检测模型的输出函数；

根据所述输出函数确定决策函数；所述决策函数即为所述初始的变压器故障检测模型的决策函数。

优选地，所述对所述变压器的运行监测数据进行归一化处理，得到归一化后的运行监测数据，具体包括：

采用离差标准化方法将所述变压器的运行监测数据的取值范围归一化为[0,1]。

优选地，所述采用支持向量数据描述方法作为数据分布漂移检测机制从所述在线正常状态样本中选择得到漂移样本，并剔除所述离线正常状态样本中的失效样本，构建得到新的训练样本集，具体包括：

使用支持向量数据描述方法建立超球体模型；

确定每一所述离线正常状态样本到所述超球体模型的球心的距离，得到第一距离集合；

确定每一所述在线正常状态样本到所述超球体模型的球心的距离，得到第二距离集合；

获取超球体模型的球体半径；

将所述第二距离集合中距离大于所述球体半径的样本保留，并记录保留样本的数量；保留下来的样本即为漂移样本；

获取设定阈值；

判断所述保留样本的数量是否达到所述设定阈值，得到判断结果；

当所述判断结果为所述保留样本的数量未达到所述设定阈值时，则返回步骤“使用支持向量数据描述方法建立超球体模型”；

当所述判断结果为所述保留样本的数量达到所述设定阈值时，将所述第一距离集合中距离最小的，且数量与设定阈值相等的样本丢弃，并将保留的所述漂移样本填充进来，形成新的训练样本集。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的基于AOELM的配电变压器故障动态检测方法，采集配电变压器正常状态和故障状态运行下的实验监测数据，并在进行数据归一化和贴标签预处理后存入离线训练样本集后，使用极限学习机算法基于已获得的离线训练样本集建立初始的变压器故障检测模型；然后，使用支持向量数据描述方法结合初始的变压器故障检测模型的检测结果选择出在线正常状态样本中的漂移样本，剔除掉离线正常状态样本中的失效样本，构建得到新的训练样本集，以便于对初始的变压器故障检测模型进行动态更新，进而解决现有变压器故障静态检测方法存在的不具备主动在线动态更新能力，无法适应时变过程中的数据分布漂移特性的问题，在保证故障在线检测准确率的同时，进一步降低故障误报率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于AOELM的配电变压器故障动态检测方法的流程图；

图2为本发明提供的基于AOELM的配电变压器故障动态检测方法的具体实施流程图。

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。

本发明的目的是提供一种基于AOELM的配电变压器故障动态检测方法，以解决现有变压器故障静态检测方法存在的不具备主动在线动态更新能力，无法适应时变过程中的数据分布漂移特性的问题，进而在保证故障在线检测准确率的同时，进一步降低故障误报率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的一种基于AOELM的配电变压器故障动态检测方法，包括：

步骤100：获取变压器的实验监测数据。实验监测数据包括变压器处于正常状态运行下的监测数据和变压器处于故障状态运行下的监测数据。该步骤具体为：分别在实验条件下采集变压器处于正常状态和故障状态运行下的油中溶解气体数据、变压器电气试验数据和绝缘油特性试验数据作为离线训练样本集Z_k，每个样本包含m种观测特征变量。并为所有离线训练样本贴上类别标签t，即正常状态和故障状态。其中，变压器油中溶解气体数据包括：H₂、C₂H₂、CH₄、C₂H₆、C₂H₄、总烃等各种气体的含量，总烃的产气速率以及CO₂级CO气体含量的比值。变压器电气试验数据包括：变压器介质损耗因素、绕组泄漏电流、绝缘电阻、绕组直流电阻相间差。绝缘油特性试验数据包括：绝缘油介损、油中含水量、糖醛含量。

步骤101：对实验监测数据进行归一化和贴标签处理，得到离线训练样本集。具体的，为避免不同特征变量观测到的数值相差较大，导致建模时引起“大数吃小数”的现象，采用离差标准化的方法将样本集的取值范围归一化为0到1之间，进行归一化的公式如下所示：

式中，x_n为归一化后的样本数据。x为样本集中的原始样本数据，x∈R^N×m，N是训练样本总数。x_min和x_max分别为原始样本数据x的最小值和最大值。

步骤102：使用极限学习机算法基于离线训练样本集建立初始的变压器故障检测模型。

步骤103：在线实时获取变压器的运行监测数据。

步骤104：对变压器的运行监测数据进行归一化处理，得到归一化后的运行监测数据。该步骤中采用的归一化方法和上述步骤101中的归一化方式相同，在此不再进行赘述。

步骤105：以运行监测数据为输入，采用初始的变压器故障检测模型得到检测结果。

步骤106：当检测结果为故障状态，则进行故障报警并返回步骤“在线实时获取变压器的运行监测数据”。

步骤107：当检测结果为正常状态，则将运行监测数据作为在线正常状态样本进行保留。

步骤108：获取离线训练样本集中的离线正常状态样本。

步骤109：采用支持向量数据描述方法作为数据分布漂移检测机制从在线正常状态样本中选择得到漂移样本，并剔除离线正常状态样本中的失效样本，构建得到新的训练样本集。

步骤110：采用新的训练样本集替换离线训练样本集，并返回步骤“使用极限学习机算法基于训练样本集建立初始的变压器故障检测模型”。

进一步，上述步骤102具体包括：

步骤1020：基于极限学习机算法和离线训练样本集确定预设建模训练目标。预设建模训练目标包括最小化训练误差目标和最小化网络输出权重目标。

步骤1021：根据预设建模训练目标确定输出函数。输出函数即为初始的变压器故障检测模型的输出函数。

步骤1022：根据输出函数确定决策函数。决策函数即为初始的变压器故障检测模型的决策函数。

基于此，上述步骤1020-步骤1022的具体实施过程为：根据离线训练样本集Z_k来使用极限学习机(ELM)算法建立变压器故障检测模型M_k，建模训练目标为最小化训练误差和最小化网络输出权重，可表述为下式：

式中，L_ELM表示极限学习机的最小化训练目标，β是极限学习机的网络输出权重。C是惩罚因子，N是样本总数，x_i表示第i个训练样本，h(x_i)是第i个训练样本的网络隐含层输出向量，t_i ^T是目标输出向量，ξ_i ^T是训练误差。

具体的，极限学习机的网络隐含层输出向量h(x_i)具体表达为下式：

h(x_i)＝g(wx_i+b) (3)

式中，w是极限学习机的网络输入权值，b是极限学习机的网络隐含层偏置，w,b均采用随机生成的方式。g(·)为激活函数，可选方案有sin、sig等激活函数。

如果第i个样本的状态为正常，即标签为“0”，则目标输出向量t_i＝[10]。如果第i个样本的状态为故障，即标签为“1”，则目标输出向量t_i＝[01]。

对公式(2)的优化问题进行求解，进而得到基于极限学习机变压器故障检测模型M_k的输出函数，其公式可表达如下：

式中，f_m(x_p)_ELM是第p个测试样本的输出向量，m是类别个数。h(x_p)是第p个测试样本的网络隐含层输出向量，H＝[h(x₁),h(x₂)…h(x_i)…h(x_N)]是极限学习机的网络隐含层输出矩阵，C是惩罚因子，T是目标输出矩阵。

计算得到基于极限学习机的变压器故障检测模型M_k的决策函数的表达式如下所示：

label(x_p)_ELM＝argmaxf_m(x_p)_ELM,m∈[1,2] (5)

式中，m表示类别个数，仅有正常状态类别m＝1和故障状态类别m＝2。

进一步，上述步骤105-107的具体实施过程为：

从变压器状态检测系统中采集新的在线样本数据Z_(k+1)online。

采用数据归一化方法将新采集的在线样本Z_(k+1)online同样地归一化至0到1的区间范围内。

将归一化后的在线样本Z_(k+1)online输入所建立的初始的变压器故障检测模型中并基于上述决策函数输出故障检测结果。

如果该在线样本检测为故障状态，则进行故障报警并继续采集新的在线数据，反之检测为正常状态，则将该在线正常状态样本保留下来。

进一步，上述步骤109具体包括：

步骤1090：使用支持向量数据描述方法建立超球体模型。

步骤1091：确定每一离线正常状态样本到超球体模型的球心的距离，得到第一距离集合。

步骤1092：确定每一在线正常状态样本到超球体模型的球心的距离，得到第二距离集合。

步骤1093：获取超球体模型的球体半径。

步骤1094：将第二距离集合中距离大于球体半径的样本保留，并记录保留样本的数量。保留下来的样本即为漂移样本。

步骤1095：获取设定阈值。

步骤1096：判断保留样本的数量是否达到设定阈值，得到判断结果。

步骤1097：当判断结果为保留样本的数量未达到设定阈值时，则返回步骤“使用支持向量数据描述方法建立超球体模型”。

步骤1098：当判断结果为保留样本的数量达到设定阈值时，将第一距离集合中距离最小的，且数量与设定阈值相等的样本丢弃，并将保留的漂移样本填充进来，形成新的训练样本集。

基于此，上述步骤1090-1098的具体实施过程为：

A、使用支持向量数据描述来建立能够描述离线训练样本集中Z_k中正常状态样本分布的超球体模型S(a,R)并计算包括离线样本和在线样本在内的所有正常状态样本到超球体模型球心的距离集合D。具体的：

使用支持向量数据描述(SVDD)方法建立能够描述离线训练样本集Z_k中正常状态样本分布的超球体模型S(a,R)，该模型可由下述公式计算得到：

式中，a是正常状态SVDD超球体模型的球心，N_n是正常状态样本数量。R是正常状态SVDD超球体模型的半径，x_s基于正常状态样本训练得到的支持向量。

具体的，φ(x_i)表示核映射，即K(x_i,x_j)。核映射优选的方案为采用高斯核函数完成，如下式所示：

式中，δ是高斯核函数的核函数宽度，需要在实际建模时人为地设置合适的数值。

此外除高斯核函数外，其他优选的方案还有多项式核函数、线性核函数以及小波核函数等常用的核函数。

计算得到包括离线样本中所有正常状态样本到正常状态SVDD超球体模型S(a,R)球心a_n的距离集合

(即第一距离集合)，距离D的计算公式如下所示：

式中，x是属于正常状态的样本。

采用同样的计算方式计算得到在线样本中的所有正常状态样本到正常状态SVDD超球体模型S(a,R)球心a_n的距离集合(即第二距离集合)。

B、将在线正常状态样本中距离超出球体半径(D＞R)的漂移样本保留下来并逐步记录其样本数量N_p。当N_p达到设定阈值时，将离线正常状态样本中距离最小的N_p个失效样本予以丢弃并将所选择的在线正常状态样本中N_p个漂移样本填充进来，进而产生新的训练样本集，样本集的更新针对于正常状态样本而不涉及故障状态样本，如下式所示：

Z_K+1new＝[Z_k]-[Z_ksn]+[Z_(k+1)pn] (9)

式中，Z_(k+1)new是新的训练样本集。Z_k是旧的训练样本集。Z_ksn是旧的训练样本中失效的正常状态样本集。Z_(k+1)pn是在线正常状态样本中的漂移样本集。

基于上述步骤A和B，使用所获取的新的训练样本集Z_(k+1)new来替代离线训练样本集Z_k，即实现训练样本集的主动动态更新Z_k→Z_(k+1)new。使用极限学习机基于新的训练样本集Z_(k+1)new重新训练得到新的的故障检测模型M_k+1以替换所建立的初始的变压器故障静态检测模型M_k，即实现模型的主动动态更新M_k→M_k+1。

在进行模型更新后，继续采集新的变压器在线监测样本Z_(k+2)new并使用获取的新的故障检测模型M_k+1来进行变压器故障检测，以实现动态在线更新模型的目的，具体如下式所示：

进一步，基于以上内容，本发明提供的技术方案可以分为三大实施部分：建立模型、在线监控和主动型在线更新机制。其中，建立模型包括建立初始离线模型和动态更新模型两部分。步骤100-102属于建立初始离线模型实施部分，步骤103-106属于在线监控实施部分，步骤106-109属于主动型在线更新机制实施部分，动态更新模型是基于主动型在线更新机制之后进行的。各实施部分的具体过程也可参见说明书附图图2。

综上，与现有技术相比，本发明提供的基于AOELM的配电变压器故障动态检测方法的技术效果主要在于：

1、本发明通过构造一种新颖的基于AOELM的配电变压器故障动态检测方法来弥补极限学习机无法进行模型主动在线动态更新的不足，进而能够更好地适应时变过程中的数据分布漂移特性。

2、本发明使用支持向量数据描述来检测在线监测数据中的正常状态漂移样本，进而可以使用新的在线漂移样本来动态循环更新原有模型，为数据驱动型变压器故障在线检测方法中存在的模型随时间推移逐步失效的问题提供了更为优越的解决方案，可以在保证故障在线检测准确率的同时，进一步降低故障误报率。

3、本发明采取具有神经网络随机学习机制的极限学习机算法框架来进行动态建模，建模的计算开销较小，能够实现模型的快速在线更新。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于AOELM的配电变压器故障动态检测方法，其特征在于，包括：

步骤100：获取变压器的实验监测数据；所述实验监测数据包括变压器处于正常状态运行下的监测数据和变压器处于故障状态运行下的监测数据；

步骤101：对所述实验监测数据进行归一化和贴标签处理，得到离线训练样本集；

步骤102：使用极限学习机算法基于所述离线训练样本集建立初始的变压器故障检测模型；

步骤103：在线实时获取变压器的运行监测数据；

步骤104：对所述变压器的运行监测数据进行归一化处理，得到归一化后的运行监测数据；

步骤105：以所述运行监测数据为输入，采用所述初始的变压器故障检测模型得到检测结果；

步骤106：当所述检测结果为故障状态，则进行故障报警并返回步骤“在线实时获取变压器的运行监测数据”；

步骤107：当所述检测结果为正常状态，则将所述运行监测数据作为在线正常状态样本进行保留；

步骤108：获取所述离线训练样本集中的离线正常状态样本；

步骤109：采用支持向量数据描述方法作为数据分布漂移检测机制从所述在线正常状态样本中选择得到漂移样本，并剔除所述离线正常状态样本中的失效样本，构建得到新的训练样本集；具体包括：

使用支持向量数据描述方法建立超球体模型；

确定每一所述离线正常状态样本到所述超球体模型的球心的距离，得到第一距离集合；

确定每一所述在线正常状态样本到所述超球体模型的球心的距离，得到第二距离集合；

获取超球体模型的球体半径；

将所述第二距离集合中距离大于所述球体半径的样本保留，并记录保留样本的数量；保留下来的样本即为漂移样本；

获取设定阈值；

判断所述保留样本的数量是否达到所述设定阈值，得到判断结果；

当所述判断结果为所述保留样本的数量未达到所述设定阈值时，则返回步骤“使用支持向量数据描述方法建立超球体模型”；

当所述判断结果为所述保留样本的数量达到所述设定阈值时，将所述第一距离集合中距离最小的，且数量与设定阈值相等的样本丢弃，并将保留的所述漂移样本填充进来，形成新的训练样本集

步骤110：采用所述新的训练样本集替换离线训练样本集，并返回步骤“使用极限学习机算法基于所述离线训练样本集建立初始的变压器故障检测模型”。

2.根据权利要求1所述的基于AOELM的配电变压器故障动态检测方法，其特征在于，所述使用极限学习机算法基于所述离线训练样本集建立初始的变压器故障检测模型，具体包括：

基于极限学习机算法和离线训练样本集确定预设建模训练目标；所述预设建模训练目标包括最小化训练误差目标和最小化网络输出权重目标；

根据所述预设建模训练目标确定输出函数；所述输出函数即为所述初始的变压器故障检测模型的输出函数；

根据所述输出函数确定决策函数；所述决策函数即为所述初始的变压器故障检测模型的决策函数。

3.根据权利要求1所述的基于AOELM的配电变压器故障动态检测方法，其特征在于，所述对所述变压器的运行监测数据进行归一化处理，得到归一化后的运行监测数据，具体包括：

采用离差标准化方法将所述变压器的运行监测数据的取值范围归一化为[0,1]。

Images