CN113608958B - 基于时间序列混沌特性的电力设备在线监测错误数据诊断方法 - Google Patents

Abstract

本发明公开了一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法。本发明提出了基于电力设备状态量在线监测数据时间序列的混沌特性，对状态量在线监测数据进行判断，识别其中的错误数据。本发明适用于随机性强的状态量，对于现有的基于状态量在线监测数据的概率统计分布规律和确定性变化规律来识别错误数据而言，具有很好的补充作用。

Description

基于时间序列混沌特性的电力设备在线监测错误数据诊断 方法

技术领域

本发明属于电力设备状态评价领域，具体地说是一种基于相关性的电力设备在线监测数据中错误数据的识别方法，用于剔除电力设备状态量在线监测数据中的错误数据。

背景技术

输变电设备的健康状态对电网的安全运行至关重要，健康状态不良的电力设备将严重威胁电网的安全运行水平，甚至引发电网事故。如何对电力设备状态进行准确监测，及时发现电力设备的潜在缺陷、避免意外事故发生，已成为电力行业的重要课题。

但是，由于在线监测装置损坏、性能下降等原因，报送的检测结果中往往存在错误数据，严重影响到电力设备维护人员对于设备状态的准确评估，甚至会造成严重故障漏报和良好状态误报，导致错误诊断结果。错误数据，是指由于在线监测系统出现错误、局部故障等因素而产生的无效数据。这种数据与被检测设备的状态无关，不包含与设备状态相关的信息。设备状态检测中错误数据种类众多，主要来源包括：1)传感器老化、失效或损坏，信号采集与处理装置失效或损坏；2)站内通讯系统发生故障，数据在传输通道中受到污染；3)测量系统的抗干扰能力差，受到严重的电磁、热、机械应力干扰；4)软件系统运行出错；5)人为不当操作与失误等。

为了识别在线监测装置报送的数据中是否存在错误数据，人们采取了众多方法。

1)基于数理统计的阈值诊断方法

传统的基于数理统计的异常数据检测与辨识方法数理统计中常见的异常数据检测方法。其基本思想是状态检测数据符合某一概率分布，处于概率分布边沿(或者说，属于该分布的概率很低)的数据被视为异常数据，将被剔除(即，异常数据就是错误)。主要有拉依达检测法、Grubbs检验、Dixon检验等，它们都是假设数据之间相互独立并满足正态分布，通过显著性水平进行检验，并利用置信区间过滤异常数据。

2)基于聚类分析的离群点辨识

除了拉依达检测法检测准则之外，还有基于统计概率密度分布聚类分析的异常数据辨识方法。该方法的原理是，在数个聚类中心周围一定范围之外孤悬的数据点，被认定为异常数据。其基本思想仍然是在某一数据集合中，远离大部分数据的数据被认定为异常数据。

3)基于自回归模型的状态检测数据预测方法

自回归移动平均模型(ARMA)型可描述平稳时间序列，求和自回归移动平均模型(ARIMA)可描述非平稳时间序列。自回归移动平均模型ARMA(p,q)中，一个时间序列{xt}在t时刻的响应xt与其以前时刻的自身值以及以前时刻进入系统的扰动有关。ARMA(p,q)模型当前时刻观测值xt可以看作是其自身历史值的有限项的加权和及其现在与过去的干扰项的有限项的加权和的叠加。因此，当前在线监测数据远离其基于以往数据的预测值时，我么可以认为该数据是一个错误数据。显然，这种自回归模型假设了设备当前状态量与其以往数值之间存在确定的线性或者非线性关系。

4)基于变分模态分解的状态检测数据预测方法

现有研究结果表明，电力设备状态量(例如，变压器油中溶解气体的含量等)发展过程本身具有波动特征，状态检测量的时间序列往往存在的一定程度的非线性和非平稳特性，将会在较大程度上影响预测效果。因此，适当的预处理对于提升预测精度十分必要。目前对序列进行预处理的方式主要有经验模态分解(EMD)、聚合经验模态分解(EEMD)、小波分解、变分模态分解(VMD)和分形理论等。这种理论存在前提假设，即电力设备状态量的变化是基于某些确定模式的线性组合。

现有以经典拉依达异常剔除法为代表的基于数据统计分布特性的异常数据剔除方法，以及常用以的聚类分析为基础的离群点剔除方法，这两者都是适用于对存在单一概率统计分布的数据进行基于置信度的异常数据剔除，而且都存在将真正反映设备状态异常的数据剔除掉的可能。基于自回归模型、变分模态分解等的预测方法，对于电气设备状态量的变化规律存在默认假设，对于某些随机性比较强的状态量不适用，从而造成对于错误数据的识别不够准确。

为了针对随机性比较强的状态量的在线监测数据中错误数据识别问题，发明人提出了基于这些随机性比较强的状态量的混沌特性，进行错误数据的识别。一般来讲，混沌是确定性系统中行为表现为不确定性(具有不可重复和不可预测性质)。正如：一个随时间确定性变化或具有微弱随机性的变化系统中，两个几乎完全相同的状态经过充分长时间后变得毫无联系，这就是所谓的貌似随机性。混沌表示一种无序和不规则的状态，考虑的物理系统是对于时间的确定性依赖，即存在一种由微分方程或差分方程表示的规则，能由给定的初始条件计算其未来的行为。混沌是由某些非线性系统产生的不规则或混沌运动，而这些系统的动力学法则能够从系统的从前唯一地确定系统状态随时间的演化。混沌现象不是简单的随机现象，而是一种非平庸的具有特殊表现形式的有序系统的表观。混沌是复杂系统常见的自组织演化过程，对于处于确定性混沌状态的变量，可以进行精确的短期预测，而不能进行长期预测。有学者指出，电力设备的局部放电现象可能存在混沌特性，但是仅仅初步研究了局部放电脉冲信号的混沌特性，没有开展电力设备常见的其他状态量(例如，变压器油中溶解气体、变压器铁芯接地电流、避雷器泄漏电流、高压套管泄漏电流等)的混沌特性的研究，更没有将状态量的混沌特性用于状态量在线监测数据中错误数据的识别。

目前，在研究时间序列的混沌特性时，已经形成了一些方法，其中比较典型的方法是相空间重构法，将一维时间序列转换到m维相空间，观察相空间中的混沌吸引子、庞加莱截面等。相空间重构理论如下：

用x表示观测到的某一变量，即x(t),t＝1,2,...,N为时间尺度测量到的数据序列，在本文中为局部放电特征量时间序列，构造后的在m维空间的相点可以表示为：

式中τ是时间延迟；m为嵌入维数；相点总数n＝N-(m-1)τ，X_i为重构相空间相点，i＝1,2,...,N。

整个系统中所有分量的信息都会或多或少隐含在其中任何一个分量的演化中，可以通过系统中一个参量探究整个系统的演化规律。通过对时间序列选取一个固定的时间延迟，并构造出m维向量，就将时间序列重构到等价相空间中，因此选取合适的τ和m就变得极为重要。

其中，选取时间延迟τ的方法由自相关法和平均位移法等。自相关法一般是对于一个时间序列，首先提取其线性相关性，一般构造其自相关函数，再在其与时间相关的函数图像中找到函数值第一次下降到初始值的(1-1/e)倍时的时间t即为所选取的合适的时间延迟τ。

对于所研究的离散时间序列x(t),t＝1,2,...,N，假设时间延迟为τ，j＝1,2,3,…,m-1，那么jτ的自相关函数记为：

由此可固定j，做出自相关函数关于时间τ，(τ＝1,2,3,...)的函数图像，通常取自相关函数R_xx(jτ)首次下降到初始值的(1-1/e)倍时的τ作为相空间重构的时间延迟。

从高维度看，观测者直接获得的放电量等数据的时间序列是相空间轨迹在低维空间的投影，这中间存在压缩，造成信息的失真甚至错误。可以肯定的是，一定存在这样一些相点，他们在高维空间可以毫无关联但是在挤压扭曲过程中在低维的时间序列中有可能变成相邻的两个点，这样可能导致无法直接从测量的时间序列获得正确的完整的规律信息。重构相空间其实是随着m的增加逐步剔除其中的伪最近邻点。常用的计算嵌入维数m的方法有伪最近邻域算法(FNN)和Cao算法等。Cao方法如下：

假设相空间为d维，则相点为X(t)＝[x(i),x(i+τ),...,x(i+(d-1)τ)]。建立函数a(i,d):

式中采用最大范数计算距离，即

设判据E₁(d)定义如下：

若该时间序列的E₁(d)随着嵌入维数d的增加会逐渐趋于平稳，可以认为最先达到平稳时，对应的嵌入维数d即为带求的嵌入维数m。

混沌系统最主要的特征之一就是对初值的敏感性，也就是可能相空间演化初期非常接近的两个相点可能因为初始微小的差距在演化过程中会以指数规律发散，Lyapunov指数是根据运动轨道的发散率进行系统混沌性的判别。Lyapunov指数正值的方向吸引子是向外发散的，负值方向吸引子是向内收缩的，两种截然相反方向的作用导致相空间轨迹的折叠。通常取最大Lyapunov指数λ的最大值作为判别混沌的定量标准，λ<0，对应系统稳定的确定解；λ＝0对应系统为周期性；λ>0对应的系统为混沌性系统，这是定量判定系统是否有混沌性的决定性参数。Lyapunov指数是定量描述系统稳定性的参数，是一种变化程度的度量。计算Lyapunov指数的方法如下：

利用相空间重构计算得到的嵌入维数m和延迟时间τ首先对所有样本进行相空间重构得到的各个相点为：X(t)＝{x(t),x(t+τ),...,x[t+(m-1)τ]}，然后按照小数据量算法进行迭代计算：

1)对时间序列x(t),t＝1,2,...,N进行快速傅里叶变换(FFT)得到平均周期p；

2)寻找相空间中的每个点的X(t)的最近邻点

并限制短暂分离，即：

3)对相空间中每个点的最近邻点在i个离散步后的距离：

4)对每个i求出所有相点的lnd_t(i)的平均值，即：

用最小二乘法做回归曲线的斜率就是最大Lyapunov指数值。该算法所需的数据序列较短，噪声的影响小，计算精确性好。

电力设备的一些状态量可能存在混沌特性，相应的在线监测数据时间序列也表现出混沌特性。通常情况下，这种混沌特性比较稳定，反映为Lyapunov指数比较稳定。若在线监测数据中突然出现错误数据，错误数据必定改变原时间序列的混沌特性，导致Lyapunov指数发生变化。因此，从Lyapunov指数的突变上能反映出在线监测数据的突变。

发明内容

本发明所要解决的技术问题是克服现有技术难以满足随机性比较强烈的状态量在线监测中错误数据识别的需要，提供一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法，从电力设备的状态量混沌特性角度来识别错误的在线监测数据。

为此，本发明采用如下的技术方案：一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法，其包括：

第一步，建立在线监测数据时间序列的相空间重构模型，

用x表示某一处于线监测中的状态量，即x(t),t＝1,2,...,N为时间尺度测量到的数据序列，构造后的在m维空间的相点为，

式中τ是时间延迟；m为嵌入维数；相点总数n＝N-(m-1)τ，X_i为重构相空间相点，i＝1,2,...,N；

第二步，利用现有的自相关法选择时间延迟量τ的具体数值；

第三步，利用现有的Cao方法确定嵌入维数m的具体数值；

第四步，将一段在线监测数据的时间序列x(t),t＝1,2,...,N，第二步中得到的时间延迟量τ具体数值和第三步得到的嵌入维数m的具体数值都带入公式(1)，构建m维相空间向量X(t)＝{x(t),x(t+τ),...,x[t+(m-1)τ]}的时间序列X₁,X₂,…,X_n；

第五步，利用现有方法计算相空间时间序列X₁,X₂,…,X_n的Lyapunov指数λ；

第六步，将在线监测数据沿移动的时间窗口(窗口宽度为N)分成若干段，对于每一段数据重复第四步和第五步，求得Lyapunov指数λ随时间的变化曲线λ(t)；

第七步，进行下列判断，若λ(t)的变化量小于其平均值的10％，则认为在线监测数据中没有错误数据；若λ(t)中存在大于其平均值的10％的突变，则突变部位所对应的在线监测数据时间序列中存在错误数据。

本发明具有的有益效果是：

对于一些存在较强随机性的电力设备状态量而言，数据的概率分布比较分散，通过拉依达准则或者聚类分析来识别异常值或者离群点，尺度不好掌握，容易将正常数据诊断为错误数据而剔除掉。而基于确定性变化规律的自回归模型的状态检测数据预测方法和基于变分模态分解的状态检测数据预测方法等，难以准确反映状态量的真实变化规律，从而容易误判。本发明基于随机过程的混沌本质，从混沌特性的角度反映状态量的变化规律，更加符合实际，从而能够更加准确地识别随机性比较强的状态量在线监测数据中的错误数据，对于现有的基于单台设备的状态量在线监测数据的概率统计分布规律和确定性发展变化规律来识别错误数据而言，是很好的补充。

附图说明

图1为本发明中错误数据识别方法的流程图。

具体实施方式

以下结合具体实施方式，对本发明的技术进行详细描述。应当知道的是，以下具体实施方式仅用于帮助本领域技术人员理解本发明，而非对本发明的限制。

本实施例为一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法，用于识别避雷器泄漏电流的全电流幅值在线监测数据中的错误数据。如图1所示，其包括：

第一步，建立在线监测数据时间序列的相空间重构模型，

用x表示某一处于线监测中的状态量，即x(t),t＝1,2,...,N为时间尺度测量到的数据序列，构造后的在m维空间的相点为，

式中τ是时间延迟；m为嵌入维数；相点总数n＝N-(m-1)τ，X_i为重构相空间相点，i＝1,2,...,N；

第二步，利用现有的自相关法选择时间延迟量τ的具体数值；

第三步，利用现有的Cao方法确定嵌入维数m的具体数值；

第四步，将一天内的在线监测数据的时间序列x(t),t＝1,2,...,N，第二步中得到的时间延迟量τ具体数值和第三步得到的嵌入维数m的具体数值都带入公式(1)，构建m维相空间向量X(t)＝{x(t),x(t+τ),...,x[t+(m-1)τ]}的时间序列X₁,X₂,…,X_n；

第五步，利用现有方法计算相空间时间序列X₁,X₂,…,X_n的Lyapunov指数λ；

第六步，取连续10天的数据，对于每一天的数据重复第四步和第五步，求得Lyapunov指数λ随日期的变化曲线λ(t)；

第七步，进行下列判断，若λ(t)的变化量小于其平均值的10％，则认为在线监测数据中没有错误数据；若λ(t)中存在大于其平均值的10％的突变，则突变部位所对应的在线监测数据时间序列中存在错误数据。

Claims (1)

1.一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法，其特征是，包括：

第一步，建立在线监测数据时间序列的相空间重构模型，

用x表示某一处于线监测中的状态量，即x(t),t＝1,2,...,N为时间尺度测量到的数据序列，构造后的在m维空间的相点为，

式中τ是时间延迟；m为嵌入维数；相点总数n＝N-(m-1)τ，X_i为重构相空间相点，i＝1,2,...,N；

第二步，利用现有的自相关法选择时间延迟量τ的具体数值；

第三步，利用现有的Cao方法确定嵌入维数m的具体数值；

第四步，将一段在线监测数据的时间序列x(t),t＝1,2,...,N，第二步中得到的时间延迟量τ具体数值和第三步得到的嵌入维数m的具体数值都带入公式(1)，构建m维相空间向量X(t)＝{x(t),x(t+τ),...,x[t+(m-1)τ]}的时间序列X₁,X₂,…,X_n；

第五步，利用现有方法计算相空间时间序列X₁,X₂,…,X_n的Lyapunov指数λ；

第六步，将在线监测数据沿移动的时间窗口(窗口宽度为N)分成若干段，对于每一段数据重复第四步和第五步，求得Lyapunov指数λ随时间的变化曲线λ(t)；

第七步，进行下列判断，若λ(t)的变化量小于其平均值的10％，则认为在线监测数据中没有错误数据；若λ(t)中存在大于其平均值的10％的突变，则突变部位所对应的在线监测数据时间序列中存在错误数据。

Images