CN114118208A - 基于多元信息的变压器故障判断方法、装置及电子设备 - Google Patents
基于多元信息的变压器故障判断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114118208A CN114118208A CN202111224912.3A CN202111224912A CN114118208A CN 114118208 A CN114118208 A CN 114118208A CN 202111224912 A CN202111224912 A CN 202111224912A CN 114118208 A CN114118208 A CN 114118208A
- Authority
- CN
- China
- Prior art keywords
- performance index
- fault
- fault type
- transformer
- type
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012847 principal component analysis method Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004804 winding Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于电力技术领域，提供了一种基于多元信息的变压器故障判断方法、装置及电子设备，所述方法包括：获取目标变压器的历史故障数据和历史性能指标数据；根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标；针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。本发明能够提高变压器故障判断的准确率。
Description
技术领域
本发明属于电力技术领域，尤其涉及一种基于多元信息的变压器故障判断方法、装置及电子设备。
背景技术
变压器是电力系统中的关键设备之一，其稳定运行对于保障电网的安全可靠性至关重要，因此准确判断变压器是否故障具有重要意义。
然而，变压器是由油、纸、铜、钢、铁等材料组成的复杂设备，且其运行环境复杂，长期受到电、热、机械应力等因素作用，因此其故障形式及表现特征也多种多样。传统的变压器故障诊断与状态评估往往是根据经验选取变压器的性能指标作为判定依据，不能准确反映变压器的故障情况，容易造成误判，导致变压器故障判断的准确率低。
发明内容
有鉴于此，本发明实施例提供了一种基于多元信息的变压器故障判断方法、装置及电子设备，以提高变压器故障判断的准确率。
本发明实施例的第一方面提供了一种基于多元信息的变压器故障判断方法，包括：
获取目标变压器的历史故障数据和历史性能指标数据；
根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标；
针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。
可选的，根据历史故障数据和历史性能指标数据，对目标变压器的某个故障类型与各个性能指标进行关联性分析，确定该故障类型对应的性能指标，包括：
根据历史故障数据和历史性能指标数据，计算各个性能指标超标时该故障类型的发生概率，得到各个性能指标对于该故障类型的置信度；
根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，并基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标。
可选的，根据以下公式计算各个性能指标超标时该故障类型的发生概率：
式中，Pi为性能指标i超标时该故障类型的发生概率，Ai为性能指标i的历史超标次数，Bi为性能指标i超标同时该故障类型发生的历史次数。
可选的，根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，包括：
根据各个性能指标对于该故障类型的置信度生成置信度矩阵；
对置信度矩阵进行标准化处理，得到标准化矩阵；
根据标准化矩阵计算得到相关系数矩阵；
根据相关系数矩阵确定主成分，并根据主成分的特征值和特征向量确定各个性能指标的权重，得到各个性能指标对该故障类型的影响程度。
可选的，基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标，包括：
将对该故障类型的影响程度大于第一预设阈值的性能指标作为该故障类型对应的性能指标。
可选的，每个故障类型均对应至少一个性能指标；基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障，包括：
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示各个性能指标均未超标，则判定目标变压器未发生该类型的故障；
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示存在至少一个性能指标超标，则计算超标的各个性能指标对该故障类型的影响程度的累加和；若累加和大于第二预设阈值，则判定目标变压器发生了该类型的故障；若所述累加和不大于第二预设阈值，则判定所述目标变压器未发生该类型的故障。
可选的，在获取目标变压器的历史性能指标数据之后，还包括：
对历史性能指标数据进行预处理；预处理包括：删除检测总次数小于第三预设阈值的性能指标以及该性能指标的检测数据。。
本发明实施例的第二方面提供了一种基于多元信息的变压器故障判断装置，包括：
第一处理模块，用于获取目标变压器的历史故障数据和历史性能指标数据；以及根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标；
第二处理模块，用于针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述基于多元信息的变压器故障判断方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述基于多元信息的变压器故障判断方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过对目标变压器的历史故障数据和历史性能指标数据进行关联性分析，确定各个故障类型对应的性能指标，然后针对每个故障类型，获取对应的性能指标进行故障判断。本发明实施例分析了故障类型与性能指标之间的关联性，对影响故障的性能指标进行了筛选，提取了关键性能指标，提高了故障判断的准确率，同时还降低了计算复杂度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例提供的基于多元信息的变压器故障判断方法的实现流程示意图；
图2是本发明实施例提供的各性能指标的权重示意图；
图3是本发明实施例提供的基于多元信息的变压器故障判断装置的结构示意图；
图4是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
随着当前电力工业的快速发展，状态检修开展不断深入，在线监测、带电检测等设备大量投入，巡检信息、带电检测及在线监测数据、离线试验等数据呈爆炸性式增长，常规的数据处理和统计分析方法已不能适应电网发展的要求。
传统的变压器故障诊断与状态评估大多侧重于单一指标超标的判定，只能反映变压器的部分情况，容易导致故障误判，同时不能综合利用多元信息实现变压器的动态综合评估，不利于运维人员对变压器状态的深度了解和评价。目前，常基于多元信息对变压器进行故障诊断分析和状态评估。然而，由于变压器故障和性能指标之间的关联关系、无关性能指标的冗余都会影响变压器故障诊断和状态评估的速度和准确性，因此充分、合理、有效地选择多元性能指标，对于正确判断变压器故障和运行状态具有重要意义。
参见图1所示，本发明实施例提供了一种基于多元信息的变压器故障判断方法，该方法包括以下步骤：
步骤S101，获取目标变压器的历史故障数据和历史性能指标数据。
在本发明实施例中，变压器的历史故障数据存储在电网的故障案例库中，可以直接从故障案例库中提取。历史故障数据主要包括各个故障类型的历史发生次数以及各个故障类型发生时，变压器的各个性能指标的检测值。变压器的历史性能指标数据包括各个性能指标的检测数据，由安装在变压器上的检测设备检测，并存储在电网的故障案例库中，可以直接从故障案例库中提取。变压器的性能指标可以包括但不限于H2含量、C2H2含量、C2H4含量、短路阻抗不平衡率、绕组直流电阻初值差、绕组直流电阻不平衡率等。
步骤S102，根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标。
在本发明实施例中，根据各个故障类型发生时各个性能指标的情况或各个性能指标超标时各个故障类型的发生情况，能够分析故障类型与各个性能指标之间的潜在联系，得到各个故障类型对应的性能指标。
步骤S103，针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。
在本发明实施例中，针对不同的故障类型，仅提取该故障类型对应的性能指标数据进行故障分析，提高了故障判断的准确率，同时还降低了计算复杂度。
可见，本发明实施例通过对目标变压器的历史故障数据和历史性能指标数据进行关联性分析，确定各个故障类型对应的性能指标，然后针对每个故障类型，获取对应的性能指标进行故障的判断。本发明实施例分析了故障类型与性能指标之间的关联性，对影响故障的性能指标进行了筛选，提取了关键性能指标，提高了故障判断的准确率，同时还降低了计算复杂度。
可选的，在一种可能的实现方式中，根据历史故障数据和历史性能指标数据，对目标变压器的某个故障类型与各个性能指标进行关联性分析，确定该故障类型对应的性能指标，可以详述为：
根据历史故障数据和历史性能指标数据，计算各个性能指标超标时该故障类型的发生概率，得到各个性能指标对于该故障类型的置信度；
根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，并基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标。
在本发明实施例中，置信度主要用于度量关联规则的准确性，某性能指标对于该故障类型的置信度越高，表明该故障类型依赖于该性能指标的可能性越高，通过置信度能够对各性能指标与各故障类型之间的相关性进行量化。进一步，结合主成分分析法，计算各个性能指标对故障类型的影响程度，根据影响程度筛选出故障类型对应的性能指标。
可选的，在一种可能的实现方式中，根据以下公式计算各个性能指标超标时该故障类型的发生概率：
式中，Pi为性能指标i超标时该故障类型的发生概率，Ai为性能指标i的历史超标次数，Bi为性能指标i超标同时该故障类型发生的历史次数。
在本发明实施例中，性能指标对于某故障类型的置信度具体为性能指标超标时，该故障类型的发生概率。
可选的，在一种可能的实现方式中，根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，可以详述为：
根据各个性能指标对于该故障类型的置信度生成置信度矩阵；
对置信度矩阵进行标准化处理，得到标准化矩阵；
根据标准化矩阵计算得到相关系数矩阵；
根据相关系数矩阵确定主成分，并根据主成分的特征值和特征向量确定各个性能指标的权重，得到各个性能指标对该故障类型的影响程度。
在本发明实施例中，主成分分析法将所有性能指标投影到以综合评价为轴的坐标系中，根据各个性能指标在综合评价中的权重大小，确定各个性能指标对该故障类型的影响程度。具体步骤如下：
(1)对于k个性能指标，生成k*n(n＝1)的置信度矩阵X0；
(2)对置信度矩阵进行标准化，得到标准化矩阵Xst，并计算相关系数矩阵
对相关系数矩阵R进行奇异值分解，得到k个成分的特征值和特征向量，均按由大到小顺序排列为(λ1,λ2,...λk)、(α1,α2,...αk)；
(3)计算各个成分的贡献率，若前q个成分的累计贡献率位于预设区间(典型值为85％-95％)，则确定有q个主成分能够表征原始k个性能指标，并利用q个主成分的特征值和特征向量确定k个性能指标的权重：
H＝(h1,h2,...hk)＝(λ1α1+λ2α2+...λqαq)T
由主成分分析法的原理，性能指标的权重越大，表明性能指标对该故障类型的影响程度较大，两者相关性越强，性能指标越具有代表性。
可选的，在一种可能的实现方式中，基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标，可以详述为：
将对该故障类型的影响程度大于第一预设阈值的性能指标作为该故障类型对应的性能指标。
在本发明实施例中，将性能指标的权重归一化到[0,1]，并取权重阈值为0.5。若性能指标的权重大于0.5，则表明性能指标对该故障类型的影响程度较大，即将权重大于0.5的性能指标确定为故障类型对应的性能指标。
可选的，在一种可能的实现方式中，每个故障类型均对应至少一个性能指标；基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障，可以详述为：
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示各个性能指标均未超标，则判定目标变压器未发生该类型的故障；
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示存在至少一个性能指标超标，则计算超标的各个性能指标对该故障类型的影响程度的累加和；若累加和大于第二预设阈值，则判定目标变压器发生了该类型的故障；若所述累加和不大于第二预设阈值，则判定所述目标变压器未发生该类型的故障。
在本发明实施例中，通过筛选出的多个性能指标综合分析变压器的故障情况，能够更准确地判断变压器是否发生故障。
可选的，在一种可能的实现方式中，在获取目标变压器的历史性能指标数据之后，还包括：
对历史性能指标数据进行预处理；预处理包括：删除检测总次数小于第三预设阈值的性能指标以及该性能指标的检测数据。
在本发明实施例中，考虑到故障案例库中某些故障信息较少，性能指标存在缺失，性能指标数据样本达不到统计学中规定的样本数，这些性能指标不具备统计意义，参考价值较低，同时考虑到权重赋值的准确性，需要将这些不具备统计意义的性能指标剔除。
以下结合示例对上述方法进行验证：
以变压器本体绕组匝层间短路故障为例，根据故障案例库统计，绕组匝层间短路故障案例共68个，各项性能指标总记录数、超标次数、故障例中超标次数如表1所示，同时计算了各项性能指标的置信度。
表1性能指标信息表
考虑故障案例总体情况，取总记录数大于20的性能指标为具有统计意义的性能指标。可知，总烃绝对产气速率、总烃相对产气速率、H2绝对产气速率、C2H2绝对产气速率、CO绝对产气速率、CO2绝对产气速率、绕组极化指数、绕组吸收比的总记录数均未达到20，故该8个性能指标不具有统计意义。删掉该8个性能指标，剩余12个性能指标：H2含量、C2H2含量、C2H4含量、C2H6含量、CH4含量、总烃含量、绕组绝缘电阻、绕组电压比初值差、短路阻抗初值差、短路阻抗不平衡率、绕组直流电阻初值差、绕组直流电阻不平衡率，构成变压器绕组匝层间短路的性能指标，对其重新编号，依次对应1-12号。然后，对该12个性能指标通过主成分分析法进行筛选。具体的，根据12个性能指标的置信度构建置信度矩阵，标准化后得到标准化矩阵，并计算得到相关系数矩阵，然后对相关系数矩阵进行奇异值分解，得到12个成分的特征值如下：λ1＝6.7270，λ2＝2.4779，λ3＝1.3174，λ4至λ12均为0，根据特征值可知，前三个成分的贡献率分别为63.93％、23.55％、12.52％，并且第一和第二个成分的累计贡献率达到87.48％，位于算法要求的85％-95％的区间，因此将第一和第二个成分作为主成分来计算上述12个性能指标的权重值。
权重值归一化后如图2所示。可见，H2含量、C2H2含量、C2H4含量、绕组绝缘电阻、绕组电压比初值差、绕组直流电阻初值差、绕组直流电阻不平衡率的权重值大于0.5，是为变压器本体绕组匝层间短路故障对应的性能指标。
本发明实施例考虑到构成变压器故障诊断和状态评估的性能指标数量庞大，部分性能指标存在关联性和冗余性，在诊断和评估过程中，性能指标太多会增加分析计算难度和复杂性，对性能指标进行降维、去除冗余变量能够提高诊断和评估的效率和准确性。首先，采用联合概率数据关联方法将同一故障类型的各种信息进行数据关联，获得不同关键性能指标之间的关联关系，为故障诊断和状态评估指标体系构建提供支撑；然后，通过统计分析剔除不具有统计意义的性能指标，并采用关联规则和主成分分析法对指标体系进行精简和规约，提取反映变压器状态和故障的关键性能指标，实现变压器故障诊断和状态评估性能指标的优化，构建诊断和评估指标体系。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图3所示，本发明实施例提供了一种基于多元信息的变压器故障判断装置，该装置30包括：
第一处理模块31，用于获取目标变压器的历史故障数据和历史性能指标数据；以及根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标。
第二处理模块32，用于针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。
可选的，在一种可能的实现方式中，第一处理模块31用于：
根据历史故障数据和历史性能指标数据，计算各个性能指标超标时该故障类型的发生概率，得到各个性能指标对于该故障类型的置信度；
根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，并基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标。
可选的，在一种可能的实现方式中，第一处理模块31用于根据以下公式计算各个性能指标超标时该故障类型的发生概率：
式中，Pi为性能指标i超标时该故障类型的发生概率，Ai为性能指标i的历史超标次数，Bi为性能指标i超标同时该故障类型发生的历史次数。
可选的，在一种可能的实现方式中，第一处理模块31用于：
根据各个性能指标对于该故障类型的置信度生成置信度矩阵；
对置信度矩阵进行标准化处理，得到标准化矩阵；
根据标准化矩阵计算得到相关系数矩阵；
根据相关系数矩阵确定主成分，并根据主成分的特征值和特征向量确定各个性能指标的权重，得到各个性能指标对该故障类型的影响程度。
可选的，在一种可能的实现方式中，第一处理模块31用于：
将对该故障类型的影响程度大于第一预设阈值的性能指标作为该故障类型对应的性能指标。
可选的，在一种可能的实现方式中，每个故障类型均对应至少一个性能指标；第二处理模块32用于：
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示各个性能指标均未超标，则判定目标变压器未发生该类型的故障；
若该故障类型对应的目标变压器的各个性能指标的当前检测数据显示存在至少一个性能指标超标，则计算超标的各个性能指标对该故障类型的影响程度的累加和；若累加和大于第二预设阈值，则判定目标变压器发生了该类型的故障；若所述累加和不大于第二预设阈值，则判定所述目标变压器未发生该类型的故障。
可选的，在一种可能的实现方式中，在获取目标变压器的历史性能指标数据之后，第一处理模块31还用于：
对历史性能指标数据进行预处理；预处理包括：删除检测总次数小于第三预设阈值的性能指标以及该性能指标的检测数据。
图4是本发明实施例提供的电子设备40的示意图。如图4所示，该实施例的电子设备40包括：处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43，例如变压器故障判断程序。处理器41执行计算机程序43时实现上述各个基于多元信息的变压器故障判断方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器41执行计算机程序43时实现上述各装置实施例中各模块的功能，例如图3所示模块31至32的功能。
示例性的，计算机程序43可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器42中，并由处理器41执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序43在电子设备40中的执行过程。例如，计算机程序43可以被分割成第一处理模块31、第二处理模块32(虚拟装置中的模块)，各模块具体功能如下：
第一处理模块31，用于获取目标变压器的历史故障数据和历史性能指标数据；以及根据历史故障数据和历史性能指标数据，对目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标。
第二处理模块32，用于针对每个故障类型，获取该故障类型对应的目标变压器的性能指标的当前检测数据，并基于该故障类型对应的目标变压器的性能指标的当前检测数据，判断目标变压器是否发生了该类型的故障。
电子设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备40可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是电子设备40的示例，并不构成对电子设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备40还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是电子设备40的内部存储单元，例如电子设备40的硬盘或内存。存储器42也可以是电子设备40的外部存储设备，例如电子设备40上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器42还可以既包括电子设备40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及电子设备40所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多元信息的变压器故障判断方法，其特征在于，包括：
获取目标变压器的历史故障数据和历史性能指标数据；
根据所述历史故障数据和历史性能指标数据，对所述目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标；
针对每个故障类型，获取该故障类型对应的所述目标变压器的性能指标的当前检测数据，并基于该故障类型对应的所述目标变压器的性能指标的当前检测数据，判断所述目标变压器是否发生了该类型的故障。
2.如权利要求1所述的基于多元信息的变压器故障判断方法，其特征在于，根据所述历史故障数据和历史性能指标数据，对所述目标变压器的某个故障类型与各个性能指标进行关联性分析，确定该故障类型对应的性能指标，包括：
根据所述历史故障数据和历史性能指标数据，计算各个性能指标超标时该故障类型的发生概率，得到各个性能指标对于该故障类型的置信度；
根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，并基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标。
3.如权利要求2所述的基于多元信息的变压器故障判断方法，其特征在于，根据以下公式计算各个性能指标超标时该故障类型的发生概率：
式中，Pi为性能指标i超标时该故障类型的发生概率，Ai为性能指标i的历史超标次数，Bi为性能指标i超标同时该故障类型发生的历史次数。
4.如权利要求2所述的基于多元信息的变压器故障判断方法，其特征在于，根据各个性能指标对于该故障类型的置信度，通过主成分分析法计算各个性能指标对该故障类型的影响程度，包括：
根据各个性能指标对于该故障类型的置信度生成置信度矩阵；
对所述置信度矩阵进行标准化处理，得到标准化矩阵；
根据所述标准化矩阵计算得到相关系数矩阵；
根据所述相关系数矩阵确定主成分，并根据主成分的特征值和特征向量确定各个性能指标的权重，得到各个性能指标对该故障类型的影响程度。
5.如权利要求2所述的基于多元信息的变压器故障判断方法，其特征在于，基于各个性能指标对该故障类型的影响程度，确定该故障类型对应的性能指标，包括：
将对该故障类型的影响程度大于第一预设阈值的性能指标作为该故障类型对应的性能指标。
6.如权利要求2所述的基于多元信息的变压器故障判断方法，其特征在于，每个故障类型均对应至少一个性能指标；基于该故障类型对应的所述目标变压器的性能指标的当前检测数据，判断所述目标变压器是否发生了该类型的故障，包括：
若该故障类型对应的所述目标变压器的各个性能指标的当前检测数据显示各个性能指标均未超标，则判定所述目标变压器未发生该类型的故障；
若该故障类型对应的所述目标变压器的各个性能指标的当前检测数据显示存在至少一个性能指标超标，则计算超标的各个性能指标对该故障类型的影响程度的累加和；若所述累加和大于第二预设阈值，则判定所述目标变压器发生了该类型的故障；若所述累加和不大于第二预设阈值，则判定所述目标变压器未发生该类型的故障。
7.如权利要求1-6任一项所述的基于多元信息的变压器故障判断方法，其特征在于，在获取目标变压器的历史性能指标数据之后，还包括：
对所述历史性能指标数据进行预处理；所述预处理包括：删除检测总次数小于第三预设阈值的性能指标以及该性能指标的检测数据。
8.一种基于多元信息的变压器故障判断装置，其特征在于，包括：
第一处理模块，用于获取目标变压器的历史故障数据和历史性能指标数据；以及根据所述历史故障数据和历史性能指标数据，对所述目标变压器的各个故障类型与各个性能指标进行关联性分析，确定各个故障类型对应的性能指标；
第二处理模块，用于针对每个故障类型，获取该故障类型对应的所述目标变压器的性能指标的当前检测数据，并基于该故障类型对应的所述目标变压器的性能指标的当前检测数据，判断所述目标变压器是否发生了该类型的故障。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111224912.3A CN114118208A (zh) | 2021-10-21 | 2021-10-21 | 基于多元信息的变压器故障判断方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111224912.3A CN114118208A (zh) | 2021-10-21 | 2021-10-21 | 基于多元信息的变压器故障判断方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118208A true CN114118208A (zh) | 2022-03-01 |
Family
ID=80376174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111224912.3A Pending CN114118208A (zh) | 2021-10-21 | 2021-10-21 | 基于多元信息的变压器故障判断方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118208A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865751A (zh) * | 2022-11-25 | 2023-03-28 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
-
2021
- 2021-10-21 CN CN202111224912.3A patent/CN114118208A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865751A (zh) * | 2022-11-25 | 2023-03-28 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
| CN115865751B (zh) * | 2022-11-25 | 2024-05-14 | 南方电网数字平台科技(广东)有限公司 | 基于多态数据的故障检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
| Abbasi et al. | Transformer winding faults detection based on time series analysis | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| CN110909811A (zh) | 一种基于ocsvm的电网异常行为检测、分析方法与系统 | |
| CN108921424B (zh) | 一种电力数据异常检测方法、装置、设备及可读存储介质 | |
| CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及系统 | |
| CN113313371B (zh) | 配电网风险评估方法、装置、计算机设备及存储介质 | |
| CN116879684B (zh) | 一种异常线路判断方法及系统 | |
| CN115936428A (zh) | 增量配电网防外破定值优化系统 | |
| CN112346993B (zh) | 一种情报分析引擎的测试方法、装置及设备 | |
| CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
| CN111458601A (zh) | 故障检测方法及装置 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
| CN114118208A (zh) | 基于多元信息的变压器故障判断方法、装置及电子设备 | |
| CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN113656354A (zh) | 日志分类方法、系统、计算机设备和可读存储介质 | |
| CN108681835B (zh) | 一种变压器绝缘油劣化状态评估方法 | |
| CN116599743A (zh) | 4a异常绕行检测方法、装置、电子设备及存储介质 | |
| US20230081224A1 (en) | Method and system for evaluating test data, wafer test system, and storage medium | |
| Faisal et al. | Support vector regression based S-transform for prediction of single and multiple power quality disturbances |
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 |