CN113418632A - 一种油浸式变压器油温预测的概念漂移检测方法 - Google Patents
一种油浸式变压器油温预测的概念漂移检测方法 Download PDFInfo
- Publication number
- CN113418632A CN113418632A CN202110551142.7A CN202110551142A CN113418632A CN 113418632 A CN113418632 A CN 113418632A CN 202110551142 A CN202110551142 A CN 202110551142A CN 113418632 A CN113418632 A CN 113418632A
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- drift
- oil
- module
- transformer
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Protection Of Transformers (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种油浸式变压器油温预测的概念漂移检测方法,包括3个模块:前置模块,误差检测模块,漂移判定模块;前置模块中将油浸式变压器的工况数据序列输入至油温预测器中预测相应时间的变压器油温;之后将预测到的结果集和对应真实油温序列传入误差检测模块求得相对误差率集合,接着将该集合送入漂移判定模块中;在漂移判定模块中为了检测出变压器油温预测模型是否发生了概念漂移,以γ为警戒值统计集合中预测异常的元素个数以及它们在整个预测结果集中的占比,并设定阈值对占比进行分析,最后得到判定结果。本发明针对油温预测器的概念漂移检测方法能够及时有效的发现油温预测器中概念漂移现象的产生。
Description
技术领域
本发明属于电网设备状态监测与风险预警技术领域,具体为一种油浸式变压器油温预测的概念漂移检测方法。
背景技术
油浸式变压器是电力系统中核心设备之一。但在现实生活中,若油浸式变压器长时间处于过负载状态会导致其油温异常,从而性能衰减,出现配电不稳等各种故障问题。因此,通过油浸式变压器的工况数据对未来变压器油温进行预测,以便提前发现油浸式变压器的异常,对保障油浸式变压器的正常运行具有重要的意义。近几年随着对人工智能研究的不断深入,有关油浸式变压器的异常诊断技术有了很大的提升。很多人尝试使用机器学习的技术对变压器历史油温工况数据进行分析,从而对变压器进行异常诊断。尽管基于机器学习的方法虽然比传统的变压器异常诊断技术更便捷且易于推广,但是这类故障诊断方法的准确率普遍不高。通过研究我们发现,这类故障诊断准确率不高的主要原因往往是因为变压器内部元器件不间断氧化、变压器外部负载不规律的变化,这可能导致变压器油温工况与油温数据极易随着时间的推移发生了不可预见的变化,而概念漂移现象指的是目标变量的统计特性随着时间的推移以不可预见的方式变化,因此这是一种典型的概念漂移现象,这种现象对已有的变压器油温预测模型产生了极大的影响。
发明内容
在使用机器学习方法对变压器油温进行预测的过程中,为了解决传统方法没有考虑变压器油温预测器可能存在概念漂移的问题,提出了一种油浸式变压器油温预测的概念漂移检测方法。
为实现上述目的,本发明提供如下技术方案:一种油浸式变压器油温预测的概念漂移检测方法,包括3个模块:前置模块,误差检测模块,漂移判定模块;前置模块中将油浸式变压器的工况数据序列输入至油温预测器中预测相应时间的变压器油温,其中,油浸式变压器的工况数据序列由油温数据采集时间、主变高中低压侧有功遥测、主变高中低压侧无功遥测、主变高中低压侧功率因数遥测、主变高中低压侧电流值遥测、主变A/B/C相绕组温度、主变A/B/C相油温以及外部气象环境属性构成;之后将预测到的结果集和对应真实油温序列传入误差检测模块求得相对误差率集合,接着将该集合送入漂移判定模块中;在漂移判定模块中为了检测出变压器油温预测模型是否发生了概念漂移,以γ为警戒值统计集合中预测异常的元素个数以及它们在整个预测结果集中的占比,并设定阈值对占比进行分析,最后得到判定结果。
进一步的,所述漂移判定模块选取相对误差率集合δ中大于警戒值γ的元素,并将它们组成为异常集δ′,之后对油温预测器是否发生概念漂移进行判断:|δ′|为异常集δ′中的元素个数,|δ|为相对误差率集合δ中的元素个数,如果小于等于阈值α,则没有发生概念漂移;如果大于阈值β,则发生了概念漂移;否则将延迟决策计数变量θ加一,再同阈值λ比较:如果θ小于阈值λ,则发生了概念漂移;否则将原来数据更换成另一段连续时间内的n组工况数据序列和对应时间段内的油温序列,后返回至前置模块,再次进行上述操作,其中:0<α<β<1,λ为延迟判定次数阈值。
与现有技术相比,本发明的有益效果是:
本发明提出一种油浸式变压器油温预测的概念漂移检测方法可以对油温预测器是否发生概念漂移进行判断,从而进行提前预警并实施相应解决方案。通过实例验证了针对油温预测器的概念漂移检测方法能够及时有效的发现油温预测器中概念漂移现象的产生。
附图说明
图1是本发明的基本流程图;
图2是前置模块流程图;
图3是误差检测模块流程图;
图4是漂移判定模块流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案,并不限于本发明。
本发明提供一种技术方案:如图1所示,一种油浸式变压器油温预测的概念漂移检测方法,分别依次执行前置模块、误差检测模块和漂移判定模块,其中各个模块的具体步骤如下:
如图2所示,前置模块流程:
步骤1:获取t1~tn的n组工况数据序列Vx以及t1~tn真实油温序列Vy。转入步骤2。
步骤2:将Vx输入至基于机器学习的油温预测器中,并对相应时间段的对应油温进行预测,之后将得到的预测结果集记为V′y。转入步骤3。
步骤3:将Vy以及V′y一同输入到误差检测模块中。转入步骤4。
如图3所示,误差检测模块流程:
步骤5:将相对误差率集合δ传送至漂移判定模块中。转入步骤6。
如图4所示,漂移判定模块流程:
步骤6:以相对误差率警戒值γ为标准,筛选出δ中超出警戒值γ的元素,并将它们组成的集合记为异常集δ′。转入步骤7。
步骤7:统计异常集δ′和相对误差率集合δ中的元素个数并求它们的比值。转入步骤8。
步骤8:如果比值小于等于阈值α,说明油温预测器没有发生概念漂移,转入步骤12;否则转入步骤9。
步骤9:如果比值大于阈值β,说明油温预测器发生概念漂移,转入步骤12;否则转入步骤10。
步骤10:延迟决策计数变量θ加一,并将θ与延迟判定次数阈值λ进行比较。如果θ<λ,说明油温预测器发生了概念漂移,转入步骤12;否则转入步骤11。
步骤11:更换成其他连续时间段,并将对应的工况数据和真实油温数据一同更换,转入步骤1。
步骤12:输出漂移判定结果。
实施例
一种油浸式变压器油温预测的概念漂移检测方法,按以下步骤:
步骤1:获取四台110kv油浸式变压器2018年1-12月变压器真实油温数据以及经预处理好的工况数据,该数据主要由变压器油温工况数据和对应的气象数据合并而成,其主要属性有:油温数据采集时间、主变高中低压侧有功遥测、主变高中低压侧无功遥测、主变高中低压侧功率因数遥测、主变高中低压侧电流值遥测、主变A/B/C相绕组温度、主变A/B/C相油温等以及对应气象属性。
步骤2:选取2018年1月至2018年12月的历史工况油温数据,并按每半个月为划分,可得到真实油温数据序列(Y1,Y2,...,Y24)以及工况数据序列(X1,X2,...,X24)。
步骤3:将工况数据序列(X1,X2,...,X24)输入至已有的变压器油温预测模型中进行预测,可得到油温预测结果集(Y1,Y2,...,Y24)。
步骤6:计算异常集δ′中的元素个数与相对误差率集合δ中元素个数的比值。
步骤7:如果比值小于等于阈值0.4,则油温预测器没有发生概念漂移,进入步骤9;如果比值大于阈值0.6,则油温预测器发生了概念漂移,进入步骤9;否则认为需要延迟决策,进入步骤8。
步骤8:将延迟决策计数变量θ加一,如果此时θ超过了阈值4,则更换工况数据序列和对应油温数据序列,进入步骤3;否则油温预测器发生了概念漂移,进入步骤9。
步骤9:输出对于油温预测器是否发生概念漂移的检测结果。
步骤10:如此往复,每需要进行概念漂移检测时,转入步骤3。
该实例在设定参数γ=0.3、α=0.4、β=0.6、λ=4的情况下,最后检测出油温预测器在2018年1月至2018年12月内发生了8次概念漂移。通过人工核实,其真正发生概念漂移的次数为9次,查全率为88.9%。
以上所述仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种油浸式变压器油温预测的概念漂移检测方法,其特征在于:包括3个模块:前置模块,误差检测模块,漂移判定模块;前置模块中将油浸式变压器的工况数据序列输入至油温预测器中预测相应时间的变压器油温,其中,油浸式变压器的工况数据序列由油温数据采集时间、主变高中低压侧有功遥测、主变高中低压侧无功遥测、主变高中低压侧功率因数遥测、主变高中低压侧电流值遥测、主变A/B/C相绕组温度、主变A/B/C相油温以及外部气象环境属性构成;之后将预测到的结果集和对应真实油温序列传入误差检测模块求得相对误差率集合,接着将该集合送入漂移判定模块中;在漂移判定模块中为了检测出变压器油温预测模型是否发生了概念漂移,以γ为警戒值统计集合中预测异常的元素个数以及它们在整个预测结果集中的占比,并设定阈值对占比进行分析,最后得到判定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551142.7A CN113418632B (zh) | 2021-05-20 | 2021-05-20 | 一种油浸式变压器油温预测的概念漂移检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551142.7A CN113418632B (zh) | 2021-05-20 | 2021-05-20 | 一种油浸式变压器油温预测的概念漂移检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113418632A true CN113418632A (zh) | 2021-09-21 |
CN113418632B CN113418632B (zh) | 2024-02-09 |
Family
ID=77712581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551142.7A Active CN113418632B (zh) | 2021-05-20 | 2021-05-20 | 一种油浸式变压器油温预测的概念漂移检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113418632B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388749A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060010093A1 (en) * | 2004-06-30 | 2006-01-12 | Ibm Corporation | System and method for continuous diagnosis of data streams |
WO2015027127A1 (en) * | 2013-08-23 | 2015-02-26 | Abb Inc. | Oil-immersed transformed thermal monitoring and prediction system |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110717543A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 基于样本分布统计检验的双窗口概念漂移检测方法 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111143413A (zh) * | 2019-12-26 | 2020-05-12 | 太原科技大学 | 基于数据流概念漂移的异常检测方法 |
CN111639694A (zh) * | 2020-05-25 | 2020-09-08 | 南京航空航天大学 | 一种基于分类器多样性和Mcdiarmid不等式的概念漂移检测方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112131575A (zh) * | 2020-09-21 | 2020-12-25 | 北京理工大学 | 一种基于分类错误率和一致性预测的概念漂移检测方法 |
CN112765324A (zh) * | 2021-01-25 | 2021-05-07 | 四川虹微技术有限公司 | 一种概念漂移检测方法及装置 |
-
2021
- 2021-05-20 CN CN202110551142.7A patent/CN113418632B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060010093A1 (en) * | 2004-06-30 | 2006-01-12 | Ibm Corporation | System and method for continuous diagnosis of data streams |
WO2015027127A1 (en) * | 2013-08-23 | 2015-02-26 | Abb Inc. | Oil-immersed transformed thermal monitoring and prediction system |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
CN110187727A (zh) * | 2019-06-17 | 2019-08-30 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN110717543A (zh) * | 2019-10-14 | 2020-01-21 | 北京工业大学 | 基于样本分布统计检验的双窗口概念漂移检测方法 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111143413A (zh) * | 2019-12-26 | 2020-05-12 | 太原科技大学 | 基于数据流概念漂移的异常检测方法 |
CN111639694A (zh) * | 2020-05-25 | 2020-09-08 | 南京航空航天大学 | 一种基于分类器多样性和Mcdiarmid不等式的概念漂移检测方法 |
CN112131575A (zh) * | 2020-09-21 | 2020-12-25 | 北京理工大学 | 一种基于分类错误率和一致性预测的概念漂移检测方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112765324A (zh) * | 2021-01-25 | 2021-05-07 | 四川虹微技术有限公司 | 一种概念漂移检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
ZHIBIN ZHAO: "Adaptive Abnormal Oil Temperature Diagnosis Method of Transformer Based on Concept Drift", APPLIED SCIENCES, pages 1 - 14 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388749A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
CN117388749B (zh) * | 2023-12-13 | 2024-03-12 | 深圳市顺源科技有限公司 | 一种电源模块检测方法及检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113418632B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
CN105548744A (zh) | 一种基于运检大数据的变电设备故障识别方法及其系统 | |
CN111579121B (zh) | 在线诊断新能源汽车电池包内温度传感器故障的方法 | |
CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
CN113496089A (zh) | 基于人工智能的物联网设备异常状态在线监测方法及系统 | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN111209535B (zh) | 一种电力设备相继故障风险识别方法及系统 | |
CN112415437A (zh) | 基于多元线性回归模型的高压开关柜电缆触头故障检测方法 | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
CN111929579A (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN112149877A (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
CN117031182A (zh) | 配电站所终端遥测值异常检测方法及系统 | |
CN115689071B (zh) | 一种基于关联参数挖掘的设备故障融合预测方法及系统 | |
CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
CN115078892B (zh) | 一种单机大传动变频器状态远程监测系统 | |
CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
CN112001073B (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
CN115146727A (zh) | 一种智能用电系统故障检测方法及系统 | |
CN114499409A (zh) | 一种光伏组件热斑故障诊断方法 |
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 |