CN113721000B - 一种变压器油中溶解气体异常检测方法和系统 - Google Patents
一种变压器油中溶解气体异常检测方法和系统 Download PDFInfo
- Publication number
- CN113721000B CN113721000B CN202110808200.XA CN202110808200A CN113721000B CN 113721000 B CN113721000 B CN 113721000B CN 202110808200 A CN202110808200 A CN 202110808200A CN 113721000 B CN113721000 B CN 113721000B
- Authority
- CN
- China
- Prior art keywords
- gas
- abnormal
- gases
- content
- dissolved
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000007789 gas Substances 0.000 claims abstract description 486
- 230000002159 abnormal effect Effects 0.000 claims abstract description 181
- 238000004519 manufacturing process Methods 0.000 claims abstract description 90
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000007689 inspection Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 17
- 238000002955 isolation Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Algebra (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种变压器油中溶解气体异常检测方法和系统，包括：获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。本发明能有效避免数据特征的“维度灾难”，且计算速度快；同时考虑气体含量和气体速率变化情况，并设置异常得分阈值，更易捕捉潜在异常；通过赋予不同窗口时间，有效判断变压器油中溶解气体是否异常。
Description
技术领域
本发明属于油浸式变压器异常检测领域，具体涉及一种变压器油中溶解气体异常检测方法和系统。
背景技术
大型电力变压器是电力系统重要的变电设备，其运行状态对于电网的安全稳定至关重要，在线监测并实时诊断变压器状态具有十分重要的意义。长期以来，电力设备检修策略主要采用以时间为标准的定期维修。虽然定期维修一般可在维修时发现设备存在的缺陷,对保证设备的安全和经济运行发挥了重大作用。但是，定期维修也存在不及时的情况，导致设备可靠性的下降。变压器油中溶解气体分析技术是电力变压器诊断的重要方法，它能有效发现变压器内部的潜伏性故障及其发展程度。
目前，针对变压器油中溶解气体分析主要分为以固定阈值和IEC三比值为代表的统计分析法，以及神经网络和协方差行列式为代表的人工智能方法。其中，固定阈值依靠专家经验，并且没有考虑气体历史趋势分析和未超阈值的潜在故障，直接影响异常检测结果。人工智能方法也存在不足，首先受样本集和时间特征影响，当样本选取不当或者存在数据连续缺失、波动，识别效果不佳；其次未考虑气体速率变化特征，只分析气体含量，特征单一；最后检测时间较长，当检测样本量较大，识别时间较长。因此，急需提出一种能有效检测变压器油中溶解气体的方法。
发明内容
为克服上述现有技术的不足，本发明提出一种变压器油中溶解气体异常检测方法，包括：
获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
优选的，所述通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分，包括：
以各气体产气速率和各气体含量为特征，分别构建各气体样本集；
根据所述各气体样本集抽取样本子集，分别以各样本子集构建气体特征孤立树并进行训练；
根据训练完成的各气体特征孤立树的结构，计算各子集中各样本的异常得分作为对应气体的异常得分。
优选的，子集中样本的异常得分，按下式计算：
式中，
为样本x的异常得分，x为样本子集X中的样本，E[h(x)]表示样本x在多棵气体特征孤立树上的路径长度的期望，
表示样本子集X在各气体特征孤立树中的样本数，
表示用
条样本构建的气体特征孤立树的平均路径长度；
其中，用
条样本构建的气体特征孤立树的平均路径长度
按下式计算：
式中，
为调和数。
优选的，所述对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果，包括：
通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果；
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
优选的，所述根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果，包括：
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值和产气速率预警值，将超出产气速率预警值的各气体的产气速率或超出气体含量预警值的各气体含量所在的聚类类别标记为异常聚类；
基于设定的各油中溶解气体预警值和设定的异常得分阈值，将气体的产气速率未超出产气速率预警值和气体含量未超出气体含量预警值，但异常得分在设定的异常得分阈值内的气体的产气速率和气体含量，标记为注意值；
以所述异常聚类和注意值，作为变压器油中溶解的气体异常终检结果。
优选的，气体产气速率，按下式计算：
式中，V为气体产气速率，Δy为气体含量的变化量，Δt为时间间隔，m为设备总油量，ρ为油密度；
其中，时间间隔Δt，按下式计算：
式中，ti为监测时刻，
为气体最小含量时刻，yi为ti时刻监测的气体含量值，yi-days为在ti时刻前days天内的最小气体含量值，days为可变的时间参数。
优选的，所述获取变压器油中溶解的各气体的监测数据集之前，还包括：
获取变压器油中溶解气体在线监测数据和变压器台账数据，并进行关联；
将关联后的数据根据变压器的编码和相别组合进行分组，得到各组的变压器油中溶解气体监测数据；
对所述各组的变压器油中溶解气体监测数据进行数据清洗。
优选的，所述对所述各组的变压器油中溶解气体监测数据进行数据清洗，包括：
基于设定的各组的变压器油中溶解气体的上限阈值和下限阈值，删除大于上限阈值的监测数据和小于下限阈值的监测数据；
删除各组的变压器油中溶解气体监测数据中全为“0”的监测数据；
保留各组的变压器油中溶解气体监测数据中连续重复监测数据中的第一个监测数据；
删除各组的变压器油中溶解气体监测数据中超出仪器计量范围的监测数据。
基于同一发明构思，本发明还提供了一种变压器油中溶解气体异常检测系统，包括：速率特征提取模块，异常初检模块，异常终检模块；
所述速率特征提取模块，用于获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
所述异常初检模块，用于通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
所述异常终检模块，用于对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
优选的，所述异常终检模块，包括：聚类单元和终检单元；
所述聚类单元，用于通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果；
所述终检单元，用于根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种变压器油中溶解气体异常检测方法和系统，包括：获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。本发明通过孤立森林算法能有效避免数据特征的“维度灾难”，且计算速度快；同时考虑气体含量和气体速率变化情况，并通过设置异常得分阈值，更易捕捉潜在异常；通过赋予不同窗口时间，得出多次检测结果，有效判断变压器油中溶解气体是否异常。
本发明通过对变压器油中溶解气体在线监测数据和变压器台账数据进行关联，充分分析了气体的历史趋势。
附图说明
图1为本发明提供的一种变压器油中溶解气体异常检测方法流程示意图；
图2为本发明提供的一个变压器油中溶解气体异常分析实施例的总体流程图；
图3为本发明提供的一个变压器油中溶解气体异常分析实施例的数据预处理流程图；
图4为本发明提供的一个变压器油中溶解气体异常分析实施例的异常初检流程在总体流程结构中的示意图；
图5为本发明提供的一个变压器油中溶解气体异常分析实施例的异常初检流程图；
图6为本发明提供的一个变压器油中溶解气体异常分析实施例的异常终检流程图；
图7为本发明提供的一种变压器油中溶解气体异常检测系统基本结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种变压器油中溶解气体异常检测方法流程示意图如图1所示，包括：
步骤1：获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
步骤2：通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
步骤3：对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
其中，步骤1前还需要获取变压器油中溶解气体在线监测数据和变压器台账数据并进行关联；将关联后的监测数据根据变压器ID和相别组合，进行分组；对分组后的监测数据进行数据清洗，排除异常分布数据。
对分组后的监测数据进行数据清洗，排除异常分布数据，包括两个方面：基于统计方法的数据清洗和基于规则的数据清洗。
基于统计方法的数据清洗，分为以下步骤：
a1.统计不同变压器油中溶解气体三相监测数据量，针对各相别监测的数据量给定上限和下限阈值，如果大于上限阈值或者小于下限阈值都认为数据在传输过程中出现异常，删除相应数据；
a2.对清洗后的气体含量监测数据，通过计算变异系数分析监测装置稳定性，如果超出阈值，则认为采集装置不稳定，删除相应数据。
基于规则的数据清洗，分为以下步骤：
b1.各气体含量数据全为0值情况：在线监测装置不会出现个气体含量均为0的情况，如果出现则认为传感器异常，删除相应数据；
b2.各气体含量数据为连续重复的情况：在线监测装置各气体含量连续出现同一个值，则认为传感器出现异常，与缺陷记录校验后发现缺陷记录中有气体含量异常值报警记录，所以不能直接删除，采取如果存在连续重复，只选取最早一次的采集数据，删除掉其余异常样本；
b3.各气体含量数据超出表计范围情况：如监测数据出现小于0的值，或者为“999999”类型的数据，则认为超出表计计量范围，删除相应数据。
步骤1中的速率特征提取，具体包括：
本研究给出一种速率特征计算策略，以一种气体为例，其他气体产气速率相同计算方式，具体描述如下：
给定一个可变的时间days参数，预处理后的监测数据集D{(ti,yi),i＝1,2,……,N}，ti为监测时间，yi为监测气体含量数值。
选定气体基期含量y0，当前时刻含量yi，选取当前时刻前days天内最小的气体含量作为基期，气体含量的变化Δy可表示为：
Δy＝argmin(yi,yi-days)
计算时间间隔Δt，以当前时刻与最小含量时刻的差值作为时间变化，即
式中，ti为监测时刻，
为气体最小含量时刻。
各气体绝对产气速率V，则表示为：
其中m为设备总油量，ρ为油密度。
步骤2具体包括：
以各气体产气速率和各气体含量为特征，分别构建各气体样本集；
根据所述各气体样本集抽取样本子集，分别以各样本子集构建气体特征孤立树并进行训练。本实施例中，气体特征孤立树又称孤立树或二叉树。
(1)将气体含量和速率构建的样本集X＝{(l1,v1),(l2,v2),……(ln,vn)}，随机抽取ψ个样本点构成X的子集x放入根节点，其中li为气体监测含量，vi为同时刻气体产气速率，共计N个维度；
(2)从N个特征中随机指定一个维度q，在当前数据中随机产生一个切割点p，满足：
min(xij,j＝q,xij∈x)＜p＜max(xij,j＝q,xij∈x)；
(3)将样本空间切割为两个子空间，制定维度小于p的样本点放入左子节点，大于或等于p的放入右子节点；
(4)重复(2)和(3)，使所有的叶子节点都只有一个样本点或者孤立树(iTree)已经达到指定的高度，直至生成t个气体特征孤立树(iTree)；
重复上述步骤，直到满足如下条件：数据不可再分(即只包含一条数据)或者全部数据相同或二叉树达到限定的最大深度。此时，二叉树训练完成。
根据训练完成的各气体特征孤立树的结构，计算各子集中各样本的异常得分作为对应气体的异常得分。
子集中样本的异常得分，按下式计算：
式中，
为样本x的异常得分，x为样本子集X中的样本，E[h(x)]表示样本x在多棵气体特征孤立树上的路径长度的期望，
表示样本子集X在各气体特征孤立树中的样本数，
表示用
条样本构建的气体特征孤立树的平均路径长度；
其中，用
条样本构建的气体特征孤立树的平均路径长度
按下式计算：
式中，
为调和数。
步骤3具体包括：
通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果。
采用K-Means对异常结果进行聚类分析，将异常特性进行无监督分类，分析每类群体的异常样本，进一步实现异常值的检测、筛选。具体过程如下：
步骤(a)、将每组检测的异常进行合并重组进行归一化处理，消除量纲影响。
通过最大最小归一化方式，将原始数据映射到[0，1]的范围，公式如下：
步骤(b)、默认初始K值属于[2，m]，K属于整数，计算轮廓系数，确定最优K值；
步骤(c)、从异常数据集中随机选择K个数据点作为质心；
步骤(d)、对数据集中每一个点，计算其与每一个质心的距离(如欧式距离)，离哪个质心近，就划分到那个质心所属的集合；
步骤(e)、把所有数据划分集合后，一共有K个集合，然后重新计算每个集合的质心；
步骤(f)、如果新计算出来的质心和原来的质心之间的距离小于算法的收敛要求，可以认为聚类已经达到期望的结果，算法终止；
步骤(g)、如果新质心和原质心距离不满足收敛要求，则需要迭代步骤d～f。
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值和产气速率预警值，将超出产气速率预警值的各气体的产气速率或超出气体含量预警值的各气体含量所在的聚类类别标记为异常聚类；
基于设定的各油中溶解气体预警值和设定的异常得分阈值，将气体的产气速率未超出产气速率预警值和气体含量未超出气体含量预警值，但异常得分在设定的异常得分阈值内的气体的产气速率和气体含量，标记为注意值；
以所述异常聚类和注意值，作为变压器油中溶解的气体异常终检结果。
本发明提供了一种变压器油中溶解气体异常检测方法和系统，以实现对变压器运行状态是否稳定，设备健康状态是否良好的监测和预警，如流程图2所示。
可以设置为三个阶段实现异常检测，具体如下：
第一阶段，本发明提供了一种全维度的异常识别方法，引入窗口化的产气速率特征，发现潜在、疑似异常。
第二阶段，提供一种初步的高效检测方法，基于孤立森林算法实现异常初步识别。
第三阶段，提供一种异常检测方法，从初步筛选到最终结果的一种检测思路。通过聚类后的异常得分概率分布，将进一步检测异常，筛选最终异常数据。
本发明的优点还在于：
1、本发明方法区别以往距离相似计算，有效避免数据特征的“维度灾难”，计算速度快，可进行分布式部署，更好的适应当今大数据信息技术的环境。
2、本发明拓展了油中溶解气体气体分析广度，不仅考虑气体含量而且分析气体速率变化情况，更易捕捉潜在异常。
3、本发明提供灵活窗口阈值，通过赋予不同窗口时间，得出多次检测结果，与线下多次实验进行有效对比，以判断变压器运行状态是否异常。
实施例2：
下面结合附图和实施例对本技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明的油中溶解气体异常识别围绕在数据预处理、油中溶解气体异常初步识别和异常最终筛选三个部分进行阐述。
数据清洗是本发明较为重要的部分，清洗的程度影响检测模型的准确率。本发明将监测装置、传输过程中有可能出现的异常剔除，基于剔除后的数据进行油中溶解气体的异常检测，对异常清洗进行具体阐述说明如下：
本发明在数据预处理方法的具体流程如图3，包括如下两个内容：
第一、根据变压器所处环境、运行参数的不同，将各变压器基于“变压器ID+相别”的组合方式进行分组，并对于缺失值，采用众数填充。
第二、本发明在组合填充的基础上，进一步清洗异常，通过“规则+统计”方法，剔除影响检测模型的无关异常，例如监测装置异常、传输异常等，确保油中溶解气体异常分析的样本是属于变压器自身运行而出现异常数据，包括如下两个内容：
(1)统计分析，主要基于描述性统计分析方法(统计量、统计分布)，对监测数据异常进行识别：
统计不同变压器油中溶解气体三相监测数据量，针对各相别监测的数据量给定上限和下限阈值，如果大于上限阈值或者小于下限阈值都认为数据在传输过程中出现异常；
对清洗后的相别气体含量监测数据，通过计算变异系数分析监测装置稳定性，如果超出阈值，则认为采集装置不稳定；
统计分析还包括波动程度检测和奇异值检测。波动程度检测通过判断监测数据与轻度阈值的关系判断异常，当波动程度大于轻度阈值时数据异常。奇异值检测通过筛选异常值判断数据的异常。
(2)业务规则，主要针对监测计量装置出现的异常问题，进行归纳总结：
各气体含量监测数据各气体含量全为0值情况：在线监测装置不会出现个气体含量均为0的情况，如果出现则认为传感器异常；
各气体含量监测数据各气体含量全为连续采集重复的情况：在线监测装置各气体含量连续出现同一个值，则认为传感器出现异常，与缺陷记录校验，发现缺陷记录种有气体含量异常值报警记录，所以不能直接删除，采取如果存在连续重复，只选取最早一次的采集数据，删除掉其余异常样本；
各气体含量监测数据各气体含量超出表计情况：如监测数据出现小于0的值，或者为“999999”类型的数据，则认为超出表计计量范围。
最终，将统计分析结果和业务规则分析结果整合，从样本数据中删除此集合样本数据，完成数据清洗。
本发明在油中溶解气体异常检测模型，采用孤立森林检测方法，考虑到实际业务对油中溶解气体含量线下实验通常会计算气体速率以辅助故障判断，因此引入气体产期速率特征。产气速率计算公式如下：
cj为第二次取样测得油中某气体浓度，ci为第一次取样测得油中某气体浓度，Δt为二次取样时间间隔中的实际运行时间(日)，m为设备总油量，ρ为油的密度。
整合气体含量和气体产气速率特征集，通过Isolation Forest算法识别异常值。不仅识别油中气体含量的异常情况，还可以发现气体含量速率异常的情况。
对初步识别异常集合，通过K-Means将异常集合聚类。
将聚类群体进行分析，通过给定阈值socres，标记预警值、注意值，作为最终的异常检测。
本发明公开了油中溶解气体异常识别方法，异常初测在总体结构中的示意图如图4所示。
图5为本发明提供的一个变压器油中溶解气体异常分析实施例的异常初检流程图，具体包括如下步骤：
步骤01、窗口化的绝对产气速率特征。
给定一个可变的时间days参数，预处理后的监测数据集D{(ti,yi),i＝1,2,……,N}，ti为监测时间，yi为监测气体含量数值。
选定气体基期含量y0、当前时刻含量yi，选择策略为：当前时刻前days天内最小的气体含量作为基期，气体含量的变化Δy，则可表示为：
Δy＝argmin(yi,yi-days)
计算时间间隔，当前时刻与最小含量时刻的差值，作为时间变化，即
式中，ti为监测时刻，
为气体最小含量时刻。
计算气体绝对产气速率，则表示为：
其中m为变压器总油量，ρ为变压器油密度。
步骤02、异常初步识别。
采用孤立森林(Isloation Froest)算法对油中溶解气体进行初步异常识别。
孤立森林算法是是一个基于Ensemble的快速离群点检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的State-of-the-art算法。该算法利用一种名为孤立树iTree的二叉搜索树结构来孤立样本。
本发明实施例中利用孤立森林算法对气体含量、气体速率特征信息进行异常识别、区分，具体特征为氢气(H2)、一氧化碳(CO)、二氧化碳(CO2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)、总烃、一氧化碳绝对产气速率、氢气绝对产气速率、二氧化碳绝对产气速率、甲烷绝对产气速率、乙炔绝对产气速率、乙烯绝对产气速率、乙烷绝对产气速率以及总烃绝对速率。
可选的，本发明采用孤立森林对油中溶解气体进行异常分析，已识别异常时刻变压器气体异常状态，识别过程可以包括：针对构建完成的含量、速率特征，首先随机选择某一特征构建孤立树(iTree),其次对每棵孤立树的生长进行训练，再次通过树结构，对每个样本点高度进行整合，最后根据路径长度，计算每个样本的异常得分。
示例的，以整合后的含量、速率特征信息包括M个特征为例，对采用孤立森林算法进行异常初步识别。该过程可以包括下述步骤A1至步骤D1。具体步骤过程如下所示：
步骤A1、整合特征信息，作为模型输入。
通过监测时间、变压器ID字段，将变压器气体含量和窗口化的产气速率进行关联合并，构建样本数据集X。
X＝{(l1,v1),(l2,v2),……(ln,vn)}，li为气体监测含量，vi为同时刻气体产气速率，通过构建好的样本训练集，进行无监督的机器学习。
步骤B1、孤立树的构建。
StepB1-1、对于数据集X，从X中随机抽取ψ个样本点构成X的子集x放入根节点。
StepB1-2、从M个维度中随机指定一个维度q，在当前数据中随机产生一个切割点p(切割点产生于当前节点数据中指定维度的最大值和最小值之间)，即
min(xij,j＝q,xij∈x)＜p＜max(xij,j＝q,xij∈x)
StepB1-3、此切割点p生成一个超平面，将当前数据空间划分为两个子空间：指定维度小于p的样本点放入左子节点，大于或等于p的放入右子节点。
步骤C1、孤立树的生长训练。
树的高度限制与子样本数量ψ有关。之所以对树的高度做限制，是因为我们只关心路径长度较短的点，它们更可能是异常点，而并不关心那些路径很长的正常点。
StepC1-1、递归步骤B1中的StepB1-2和StepB1-3，直至所有的叶子节点都只有一个样本点或者孤立树(iTree)已经达到指定的高度。
StepC1-2、循环步骤B1中的StepB1-1、StepB1-2、StepB1-3和步骤C1中的stepC1-1，直至生成t个孤立树(iTree)。
重复上述步骤，直到满足如下条件：数据不可再分，即只包含一条数据，或者全部数据相同；二叉树达到限定的最大深度。
步骤D1、异常预测。
此类算法属于无监督学习，需要计算数据X的异常得分，判别样本是否属于异常点。
StepD1-1、估计样本在每棵iTree中的路径长度。
StepD1-1-1、先沿着一棵iTree，从根节点开始按不同特征的取值从上往下，直到到达某叶子节点。
StepD1-1-2、假设iTree的训练样本中同样落在x所在叶子节点的样本数为T.size，则样本x在这棵iTree上的路径长度h(x)为
h(x)＝e+C(T.size)
公式中，e表示样本数据x从iTree的根节点到叶节点过程中经过的边的数目，C(T.size)可以认为是一个修正值，它表示在一棵用T.size条样本数据构建的二叉树的平均路径长度。一般的，C(n)的计算公式如下：
其中，H(n-1)可用ln(n-1)+0.5772156649估算，这里的常数是欧拉常数。
StepD1-2、计算样本异常得分。
数据x最终的异常分Score(x)综合了多棵iTree的结果。
公式中，E[h(x)]表示数据x在多棵iTree的路径长度的均值，
表示单棵iTree的训练样本的样本数，
表示用
条数据构建的二叉树的平均路径长度，主要用来做归一化。
步骤03、异常最终识别。
异常的初步识别结果集中，会存在把正常的样本点归入到异常信息中，所以需进一步对异常集进行筛选，异常终检流程如附图6所示。
可选的，本发明对异常筛选采取K-Means聚类和统计阈值组合，以实现异常值与正常值区分，过程包括：首先，给定初始类群K的范围而不是一个定值，通过迭代计算轮廓系数评价指标而确定K值，其次，再通过聚类算法，将异常集划分；最后，通过设定sorces阈值，将各类别群体异常合并，形成最终的异常结果。
以初步异常结果集X，将含量、速率以及异常得分值等特征作为输入信息，在通过聚类算法实现群体分类，具体步骤如下所示：
步骤A2、将异常数据进行聚类，分析类别特性，聚类过程包括如下步骤：
StepA2-1、将每组检测的异常进行合并重组进行归一化处理，消除量纲影响。
通过最大最小归一化方式，将原始数据映射到[0，1]的范围，公式如下：
StepA2-2、默认初始K值属于[2，m]，K属于整数，计算轮廓系数，确定最优K值。
StepA2-3、从异常数据集中随机选择K个数据点作为质心。
StepA2-4、对数据集中每一个点，计算其与每一个质心的距离(如欧式距离)，离哪个质心近，就划分到那个质心所属的集合。
StepA2-5、把所有数据划分集合后，一共有K个集合，然后重新计算每个集合的质心。
StepA2-6、如果新计算出来的质心和原来的质心之间的距离小于算法的收敛要求，可以认为聚类已经达到期望的结果，算法终止。
StepA2-7、如果新质心和原质心距离不满足收敛要求，则需要迭代步骤d～f。
步骤B2、针对聚类群体类别，通过对各群体类别进行再分析，通过对每类群体异常得分的分布情况，对异常再筛选。包括以下几个步骤：
StepB2-1、研究每类群体特征，将超出油中溶解气体预警值的群体，纳入异常。
StepB2-2、将未超过预警值的群体，通过异常得分、气体含量概率分布，对存在未超过预警值且接近，通过设定异常得分阈值，筛选为“注意值”，纳入最终的异常结果。
StepB2-3、将异常聚类、“注意值”汇总整合，作为异常检测结果。
值得注意的是，上述人工阈值的设定，需要结合实际数据情况进行设定，并不局限于定值，只要通过阈值找出此类型的异常数据即可。另外，本发明计算速率特征，可根据具体研究时间，灵活设定，并不局限固定时间范围。
实施例3：
基于同一发明构思，本发明还提供了一种变压器油中溶解气体异常检测系统，如图7所示。
该系统包括：速率特征提取模块，异常初检模块，异常终检模块；
其中，速率特征提取模块，用于获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
异常初检模块，用于通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
异常终检模块，用于对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
所述异常终检模块，包括：聚类单元和终检单元；
聚类单元，用于通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果；
终检单元，用于根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
子集中样本的异常得分，按下式计算：
式中，
为样本x的异常得分，x为样本子集X中的样本，E[h(x)]表示样本x在多棵气体特征孤立树上的路径长度的期望，
表示样本子集X在各气体特征孤立树中的样本数，
表示用
条样本构建的气体特征孤立树的平均路径长度；
其中，用
条样本构建的气体特征孤立树的平均路径长度
按下式计算：
式中，
为调和数。
气体产气速率，按下式计算：
式中，V为气体产气速率，Δy为气体含量的变化量，Δt为时间间隔，m为设备总油量，ρ为油密度；
其中，时间间隔Δt，按下式计算：
式中，ti为监测时刻，
为气体最小含量时刻，yi为ti时刻监测的气体含量值，yi-days为在ti时刻前days天内的最小气体含量值，days为可变的时间参数。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (8)
1.一种变压器油中溶解气体异常检测方法，其特征在于，包括：
获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果；
所述通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分，包括：
以各气体产气速率和各气体含量为特征，分别构建各气体样本集；
根据所述各气体样本集抽取样本子集，分别以各样本子集构建气体特征孤立树并进行训练；
根据训练完成的各气体特征孤立树的结构，计算各子集中各样本的异常得分作为对应气体的异常得分；
子集中样本的异常得分，按下式计算：
式中，
为样本x的异常得分，x为样本子集X中的样本，E[h(x)]表示样本x在多
棵气体特征孤立树上的路径长度的期望，
表示样本子集X在各气体特征孤立树中的样本
数，
表示用
条样本构建的气体特征孤立树的平均路径长度；
其中，用
条样本构建的气体特征孤立树的平均路径长度
，按下式计算：
式中，
为调和数。
2.如权利要求1所述的方法，其特征在于，所述对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果，包括：
通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果；
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
3.如权利要求2所述的方法，其特征在于，所述根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果，包括：
根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值和产气速率预警值，将超出产气速率预警值的各气体的产气速率或超出气体含量预警值的各气体含量所在的聚类类别标记为异常聚类；
基于设定的各油中溶解气体预警值和设定的异常得分阈值，将气体的产气速率未超出产气速率预警值和气体含量未超出气体含量预警值，但异常得分在设定的异常得分阈值内的气体的产气速率和气体含量，标记为注意值；
以所述异常聚类和注意值，作为变压器油中溶解的气体异常终检结果。
4.如权利要求1所述的方法，其特征在于，气体产气速率，按下式计算：
式中，V为气体产气速率，
为气体含量的变化量，
为时间间隔，m为设备总油量，
为
油密度；
其中，时间间隔
，按下式计算：
式中，t i 为监测时刻，
为气体最小含量时刻，y i 为t i 时刻监测的气体含
量值，y i-days 为在t i 时刻前days天内的最小气体含量值，days为可变的时间参数。
5.如权利要求1所述的方法，其特征在于，所述获取变压器油中溶解的各气体的监测数据集之前，还包括：
获取变压器油中溶解气体在线监测数据和变压器台账数据，并进行关联；
将关联后的数据根据变压器的编码和相别组合进行分组，得到各组的变压器油中溶解气体监测数据；
对所述各组的变压器油中溶解气体监测数据进行数据清洗。
6.如权利要求5所述的方法，其特征在于，所述对所述各组的变压器油中溶解气体监测数据进行数据清洗，包括：
基于设定的各组的变压器油中溶解气体的上限阈值和下限阈值，删除大于上限阈值的监测数据和小于下限阈值的监测数据；
删除各组的变压器油中溶解气体监测数据中全为“0”的监测数据；
保留各组的变压器油中溶解气体监测数据中连续重复监测数据中的第一个监测数据；
删除各组的变压器油中溶解气体监测数据中超出仪器计量范围的监测数据。
7.一种变压器油中溶解气体异常检测系统，用于实施如权利要求1-6任一项所述的一种变压器油中溶解气体异常检测方法，其特征在于，包括：速率特征提取模块，异常初检模块，异常终检模块；
所述速率特征提取模块，用于获取变压器油中溶解的各气体的监测数据集中的气体含量，并根据所述各气体含量进行速率特征提取，得到各气体的产气速率；
所述异常初检模块，用于通过孤立森林算法分别对所述各气体产气速率和各气体含量进行异常初检，得到各气体的异常得分；
所述异常终检模块，用于对所述各气体的异常得分进行聚类，并根据聚类结果、各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
8.如权利要求7所述的系统，其特征在于，所述异常终检模块，包括：聚类单元和终检单元；
所述聚类单元，用于通过K-Means聚类法对所述各气体的异常得分进行聚类，得到各气体异常得分的聚类结果；
所述终检单元，用于根据聚类结果中各类别的气体异常得分的分布情况，基于设定的各油中溶解气体的含量预警值、产气速率预警值和设定的异常得分阈值，对各气体的异常得分、各气体的产气速率和各气体含量进行气体的异常终检，得到变压器油中溶解的各气体异常终检结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808200.XA CN113721000B (zh) | 2021-07-16 | 2021-07-16 | 一种变压器油中溶解气体异常检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808200.XA CN113721000B (zh) | 2021-07-16 | 2021-07-16 | 一种变压器油中溶解气体异常检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113721000A CN113721000A (zh) | 2021-11-30 |
| CN113721000B true CN113721000B (zh) | 2023-02-03 |
Family
ID=78673415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110808200.XA Active CN113721000B (zh) | 2021-07-16 | 2021-07-16 | 一种变压器油中溶解气体异常检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113721000B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115032323A (zh) * | 2022-06-06 | 2022-09-09 | 云南电网有限责任公司电力科学研究院 | 确定油色谱数据异常的方法、电子设备及存储介质 |
| CN116482216B (zh) * | 2023-06-19 | 2023-08-25 | 国网安徽省电力有限公司电力科学研究院 | 一种变压器绝缘油老化程度的检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680814A (zh) * | 2012-03-29 | 2012-09-19 | 河北省电力研究院 | 一种变压器故障严重程度的诊断方法 |
| CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| CN109543765A (zh) * | 2018-08-23 | 2019-03-29 | 江苏海平面数据科技有限公司 | 一种基于改进IForest的工业数据去噪方法 |
| CN109765332A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 基于隔离森林的变压器异常值实时检测和故障诊断方法 |
| CN112697946A (zh) * | 2021-03-23 | 2021-04-23 | 广东电网有限责任公司佛山供电局 | 一种主变压器在线油色谱监盘方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104730378B (zh) * | 2015-02-13 | 2017-12-22 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
-
2021
- 2021-07-16 CN CN202110808200.XA patent/CN113721000B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680814A (zh) * | 2012-03-29 | 2012-09-19 | 河北省电力研究院 | 一种变压器故障严重程度的诊断方法 |
| CN108777873A (zh) * | 2018-06-04 | 2018-11-09 | 江南大学 | 基于加权混合孤立森林的无线传感网络异常数据检测方法 |
| CN109543765A (zh) * | 2018-08-23 | 2019-03-29 | 江苏海平面数据科技有限公司 | 一种基于改进IForest的工业数据去噪方法 |
| CN109765332A (zh) * | 2018-12-05 | 2019-05-17 | 国网辽宁省电力有限公司信息通信分公司 | 基于隔离森林的变压器异常值实时检测和故障诊断方法 |
| CN112697946A (zh) * | 2021-03-23 | 2021-04-23 | 广东电网有限责任公司佛山供电局 | 一种主变压器在线油色谱监盘方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113721000A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN113721000B (zh) | 一种变压器油中溶解气体异常检测方法和系统 | |
| CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
| CN111858231A (zh) | 一种基于运维监控的单指标异常检测方法 | |
| CN109270907B (zh) | 一种基于分层概率密度分解的过程监测和故障诊断方法 | |
| EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
| CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN111898443B (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
| Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
| CN113420061A (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
| CN110503133A (zh) | 一种基于深度学习的离心式压缩机故障预测方法 | |
| CN115576981A (zh) | 一种基于有监督算法与无监督算法相结合的异常检测方法 | |
| CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
| CN114443338A (zh) | 面向稀疏负样本的异常检测方法、模型构建方法及装置 | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN109711428A (zh) | 一种含水天然气管线内腐蚀速度预测方法及装置 | |
| CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
| CN117113233A (zh) | 层级能源结构场景构建方法及能耗异常链路追溯方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 |