CN114152685A - 基于多元线性回归的变压器油色谱的故障诊断方法及系统 - Google Patents
基于多元线性回归的变压器油色谱的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN114152685A CN114152685A CN202111257030.7A CN202111257030A CN114152685A CN 114152685 A CN114152685 A CN 114152685A CN 202111257030 A CN202111257030 A CN 202111257030A CN 114152685 A CN114152685 A CN 114152685A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault diagnosis
- transformer oil
- characteristic gas
- linear regression
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 238000012417 linear regression Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000007789 gas Substances 0.000 claims description 113
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 39
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 19
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 19
- 239000001569 carbon dioxide Substances 0.000 claims description 19
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 19
- 229930195733 hydrocarbon Natural products 0.000 claims description 19
- 150000002430 hydrocarbons Chemical class 0.000 claims description 19
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 12
- 239000005977 Ethylene Substances 0.000 claims description 12
- 239000004215 Carbon black (E152) Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004227 thermal cracking Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000001419 dependent effect Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000123 paper Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- OBOXTJCIIVUZEN-UHFFFAOYSA-N [C].[O] Chemical class [C].[O] OBOXTJCIIVUZEN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8696—Details of Software
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Housings And Mounting Of Transformers (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
Abstract
本公开提供了一种基于多元线性回归的变压器油色谱的故障诊断方法及系统，包括以下步骤：获取变压器特征气体信息；根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。本公开对特征气体进行相关的研究分析，结合特征气体预设阈值，实现对变压器运行状态的实时监测，及时发现变压器内部潜在故障，防患于未然，提高电力系统运行的可靠性。
Description
技术领域
本公开属于电力系统故障诊断技术领域，具体涉及一种基于多元线性回归的变压器油色谱的故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
变压器是电力系统的重要设备，直降影响着电力系统能否安全可靠运行。油浸式变压器采用油纸绝缘结构，主要的绝缘材料包括油、绝缘纸和绝缘纸板，当变压器内部发生潜在故障时，在热和电的作用下，变压器油和固体绝缘材料将逐渐老化和分解，产生各种低分子烃类、一氧化碳和二氧化碳等气体，故障点产生气体的组分和含量取决于故障类型、故障部位和故障能量级别。
变压器油与变压器故障存在着密切的关系，对变压器油的状态采取相应的测试评估有助于变压器的故障诊断，及时发现变压器内部的潜在故障，防患于未然。现有的对变压器油状态评估方法一般采用变压器油色谱分析法，但是准确率较低，影响对变压器运行状态的准确判断，直接降低了电力系统运行的可靠性。
因此，有必要进行关于变压器油色谱分析的故障诊断。
发明内容
为了解决上述问题，本公开提出了一种基于多元线性回归的变压器油色谱的故障诊断方法及系统，对特征气体进行相关的研究分析，结合特征气体预设阈值，实现对变压器运行状态的实时监测，及时发现变压器内部潜在故障，防患于未然，提高电力系统运行的可靠性。
根据一些实施例，本公开的第一方案提供了一种基于多元线性回归的变压器油色谱的故障诊断方法，采用如下技术方案：
一种基于多元线性回归的变压器油色谱的故障诊断方法，包括以下步骤：
获取变压器特征气体信息；
根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
作为进一步的技术限定，所述变压器特征气体信息包括特征气体的种类及特征气体的浓度；所述特征气体的种类包括乙烯、甲烷、氢气、二氧化碳和一氧化碳，所述乙烯和甲烷统称为总烃；其中，各种特征气体之间的相关性强，所述总烃与其他特征气体之间的相关性高；在获取变压器特征气体信息之后，进行特征气体信息的预处理，所述预处理包括剔除离群值、处理奇异值、补充缺失值。
进一步的，所述变压器油色谱故障诊断模型包括变压器油色谱故障建模子模块和变压器油色谱故障诊断子模块；所述变压器油色谱故障建模子模块采用改进的多元线性回归模型进行特征气体权重的拟合分析，进行特征气体成分的预测；所述变压器油色谱故障诊断子模块将变压器油色谱故障建模子模块所得到的特征气体成分预测值与特征气体预设阈值相比较，初步得到变压器故障诊断结果。
进一步的，所述改进的多元线性回归模型的构建过程为：
逐一分析特征气体浓度变化趋势；
对特征气体进行相关性分析，确定回归变量；
采用逐步回归的方法分别对自变量求取对数，进行多元回归，得到改进的多元线性回归模型。
作为进一步的技术限定，所述变压器故障诊断结果包括变压器正常运行状态、变压器趋于故障状态和变压器明显故障状态；所述故障状态包括变压器固体绝缘故障和变压器油异常分解，所述变压器油异常分解包括变压器油热裂解和变压器油电裂解。
进一步的，对变压器故障诊断时依据特征气体产气速率的稳定性判断，即变压器在正常运行状态下，溶解在变压器油中的特征气体相互反应产生气体，产气速率慢；变压器在故障状态下，气体运行速度异常加快，产气速率加快。
进一步的，所述产气速率慢的情况下，当一种或两种以上的特征气体呈现长期不断增长或下降的趋势，甚至长时间超出预设阈值，则判断变压器趋于故障状态。
根据一些实施例，本公开的第二方案提供了基于多元线性回归的变压器油色谱的故障诊断系统，采用如下技术方案：
基于多元线性回归的变压器油色谱的故障诊断系统，包括：
获取模块，用于获取变压器特征气体信息；
诊断模块，用于根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开通过多元线性回归模型进行特征气体成分的预测，结合设定阈值实现变压器运行状态的监测判断；针对多元线性回归模型上的改进，采用对特征气体作对数计算的方式进行模型的改进，得到特征气体的预测量；基于特征气体预测量与特征气体设定阈值之间的关系，实现对变压器运行状态的实时监测，及时发现变压器内部潜在故障，防患于未然，提高电力系统运行的可靠性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于多元线性回归的变压器油色谱的故障诊断方法的流程图；
图2是本公开实施例一中各特征气体的一种散点矩阵图；
图3是本公开实施例一中多元回归模型1的可行性验证图；
图4是本公开实施例一中各特征气体的另一种散点矩阵图；
图5是本公开实施例一中多元回归模型2的可行性验证图；
图6是本公开实施例一中乙烯的浓度变化规律图；
图7是本公开实施例一中一氧化碳和二氧化碳的浓度变化规律图；
图8是本公开实施例一中二氧化碳与一氧化碳浓度比值的变化规律图；
图9是本公开实施例二中的基于多元线性回归的变压器油色谱的故障诊断系统的结构框图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一提供了基于多元线性回归的变压器油色谱的故障诊断方法。
如图1所示的基于多元线性回归的变压器油色谱的故障诊断方法，包括以下步骤：
获取变压器特征气体信息；
根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
本实施例以某变电站1号主变压器A相为例，展开详细的介绍。
进行变压器相关数据的采集，并对采集到的离线数据进行简单的均值、方差和变异系数的分析，如下表1所示：
表1离线数据的分析数据表
分析各特征气体之间的相关性，剔除无关变量，保留相关变量，如下表2所示：
表2特征气体的相关性分析表
由上表2可以看出，各个变量之间相关性较强，相关性最小值为0.5584，总烃与各种气体相关性较高，将总烃设为因变量y，因总烃与甲烷、氢气的相关性高达0.9939251，0.9846594，高度相关，故在以总烃为因变量分析过程中剔除甲烷与氢气两个变量。因此，以总烃为因变量，以乙烯、二氧化碳、一氧化碳为自变量，进行多元线性回归，构建多元回归模型1，即得线性回归方程1为
y1＝1.6159288x1+0.0032443x2+0.0169559x3+0.0221361，其中y1表示总烃，x1表示乙烯，x2表示二氧化碳，x3表示一氧化碳。
针对所构建的多元回归模型1，验证其有效性、显著性和置信水平，如下表3所示：
表3总烃与各参数的回归结果
表3中，乙烯、二氧化碳、一氧化碳的p值后标有“***”，“***”表达在显著性水平为0.001的条件下通过检验，证明具有显著预测效力，置信水平为99.99％；同时，t值也可证明该回归方程有效。
Multiple R-squared为0.9206，Adjusted R-squared为0.9202，指的是预测值与实际值之间的相关系数的平方，也可认为是整个方程显著性的评价.因R2为0.92，R为0.959，可认为该回归方程效果显著，F值为2100，该模型有效。
各特征气体之间的大致关系如图2所示，不难发现，一氧化碳和二氧化碳的分布异常。对角线上的图为从上到下分别为乙烯、总烃、二氧化碳、一氧化碳的变化趋势；其中，第一行第二列图的横坐标为乙烯，纵坐标为总烃，图中有两条线，虚线为平滑曲线，实线为拟合线；依此类推，可得到每个图象具体含义，也可以看出各个变量之间大致关系。
如图3所示的是多元回归模型1的可行性验证图，结合残差图与拟合图、正态R-R图、位置尺度图、残差与杠杆图进行多元回归模型1的可行性分析：
线性残差图与拟合图(第一行第一列)：若因变量与自变量线性相关，那么残差值与预测(拟合)值就没有任何系统关联；在“残差图与拟合图”中可以清楚地看到没有曲线关系，说明该模型不存在对次项的改进。
正态性(第一行第二列)：当预测变量值固定时，因变量成正态分布，则残差值也应该是一个均值为0的正态分布.“正态R-R图”是在正态分布对应的值下，标准化残差的概率图。若满足正态假设，那么图上的点应该落在呈45度角的直线上；若不是如此，那么就违反了正态性的假设.而图中中间区域的点在45度的直线上，故而可认为中间部分数据是变压器正常时间段数据，刚开始数据可能是因为变压器刚开始运作，故而无显著规律.我们可将首尾数据在单独拿出来分析。
同方差性Scale-Location位置尺度图(第二行第一列)：如果满足同方差性，那么图中水平线周围的点应该随机分布，故图满足此假设。
Residuals VS Leverage残差与杠杆图(第二行第二列)：从图形中可以鉴别出离群点，高杠杆值点和强影响点；离群点表示拟合模型在该点预测效果不佳；高杠杆值点是一个异常的预测变量值的组合.强影响点表明它对模型参数的估计产生的影响过大。
多元回归模型1的结论：多元回归模型1符合回归假设，结果可行，但是能够对回归模型进行进一步的改进。
基于此，针对多元回归模型1进行改进，将一氧化碳和二氧化碳取对数，再次进行多元回归，给出新的多元回归模型2；考虑到一氧化碳和二氧化碳的数量级，在这里将一氧化碳和二氧化碳取对数，进行回归分析，得线性回归方程2为
y2＝2.37694x1+0.80684x2+0.59426x3+4.48278，其中y2表示总烃，x1表示乙烯，x2表示二氧化碳，x3表示一氧化碳。
针对所构建的多元回归模型2，验证其有效性、显著性和置信水平，如下表4所示：
表4总烃与各参数的回归结果
根据表4可知，整个方程Multiple R-squared与Adjusted R-squared分别为0.9105、0.91，F值为1679，认为该回归方程有效。
各特征气体之间的大致关系如图4所示，不难发现，一氧化碳的分布异常。
如图5所示的是多元回归模型2的可行性验证图，结合残差图与拟合图、正态R-R图、位置尺度图、残差与杠杆图进行多元回归模型1的可行性分析：
线性残差图与拟合图(第一行第一列)：若因变量与自变量线性相关，那么残差值与预测(拟合)值就没有任何系统关联；在“残差图与拟合图”中可以清楚地看到没有曲线关系，说明该模型不需要多次项的改进。
正态性(第一行第二列)：当预测变量值固定时，因变量成正态分布，则残差值也应该是一个均值为0的正态分布.“正态R-R图”是在正态分布对应的值下，标准化残差的概率图。若满足正态假设，那么图上的点应该落在呈45度角的直线上；若不是如此，那么就违反了正态性的假设。而图中只有刚开始部分区域的点不在45度的直线上，可认为刚开始数据可能是因为变压器刚开始运作，故而无显著规律，整体可行。
同方差性Scale-Location位置尺度图(第二行第一列)：如果满足同方差性，那么图中水平线周围的点应该随机分布，故图满足此假设。
Residuals VS Leverage残差与杠杆图(第二行第二列)：从图形中可以鉴别出离群点，高杠杆值点和强影响点；离群点表示拟合模型在该点预测效果不佳；高杠杆值点是一个异常的预测变量值的组合；强影响点表明它对模型参数的估计产生的影响过大；与图3相比，具有明显的改进。
多元回归模型2的结论：与对元回归模型1相比，多元回归模型2具有较大的改进且符合回归假设，结果可行，但是能够对回归模型进行进一步的改进。
结合多元回归模型2，进行各特征气体浓度变化规律的图形绘制，乙烯的浓度变化规律如图6所示，一氧化碳和二氧化碳的浓度变化规律如图7所示，二氧化碳与一氧化碳的浓度比值的变化如图8所示。不难发现，二氧化碳浓度在后期呈现明显的增长趋势。
因此，通过二氧化碳与一氧化碳的浓度比值来研究变压器的运行状态，实现对变压器的健康评估。
根据目前已有数据，将变压器的运行状态划分为三大类:正常运行、趋于故障和明显故障，通过对变压器色谱的分析，给出诊断划分的依据：
1.特征气体预设阈值的限定
通过判断色谱中的各类气体浓度是否均在设定的阈值范围内，可以初步缩小拟研究特征对象范围，下表5给出相关阈值的设定：
表5变压器油中溶解气体含量阈值(μM/M)
除了单一气体浓度，还需要注意观察二氧化碳/一氧化碳以及甲烷和乙烷与总烃的比值。
2.稳定性
在变压器正常运作的情况下，溶解在变压器油中的气体会相互反应从而产生气体，但产气速率慢.若在故障的情况下，气体运动速度会异常加快，所以判断各类气体产气速率的稳定性也是诊断故障是否存在的一个重要依据。
3.累积性
在各类气体产气速率均为较慢的情况下，若某一种或两种以上的气体呈现长期不断增长或下降的趋势，甚至经过长时间的累积超出阈值范围，那么可以把此类现象作为判断变压器内部故障的另外一个重要依据。
若判断一台变压器当前处于哪个运行阶段，需要对这台变压器的油色谱进行实时记录，同时观察各类气体浓度，稳定性和累积性.但是其异常变化类型有很多，例如在一年的色谱记录中，仅有连续若干天某一种气体异常波动，但之后恢复标准浓度值的.那么可以考虑是由外界的物理因素影响所导致的。总之，在做好实时记录的前提下，多留意气体浓度的变化走向及异常波动，才我们判别变压器运行状态是否良好的重要环节。
其次，结合变压器色谱气体的特征和变压器的产气机理，将全部的色谱气体分为两大类，一类为碳的氧化物，一类为烃类气体.影响碳氧化合物产生的原因主要由于固体材料的故障；而影响烃类气体产生的原因主要为变压器油的分解。进而，在忽略可能影响的物理因素(如:温度、湿度、电压、线圈、热油循环、浸渍、电测等)的情况下，将变压器的故障类型大致分为两类，一类为固体绝缘故障，另一类为变压器油的异常分解.其中，变压器油的异常分解又包括热裂解和电裂解。
下表6给出了故障雷星雨特征气体浓度分布的对应关系，可作为具体故障的判别依据及个别故障发生时的应对措施的依据。
表6故障类型与特征气体浓度分布的对应关系
大多数变压器即使在气体浓度超标或接近“趋于故障”的运行状态时，仍可继续运行，且不会危及电力系统的安全，但是由于故障发展速度较快，应该根据实际状况及相应的环境条件及时排除相应故障。
表5和表6仅作为故障判断的参考，并不十分精确。若判断变压器器身内部精准的问题点，需要综合考虑当地的物理因素、地理位置及实际检测数据，不应只盲目采用注意值区分法来判断其是否异常。
实施例二
本公开实施例二提供了基于多元线性回归的变压器油色谱的故障诊断系统，采用了实施例一中所提供的基于多元线性回归的变压器油色谱的故障诊断方法。
如图9所示的基于多元线性回归的变压器油色谱的故障诊断系统，包括：
获取模块，用于获取变压器特征气体信息；
诊断模块，用于根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
详细步骤与实施例一提供的基于多元线性回归的变压器油色谱的故障诊断方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
详细步骤与实施例一提供的基于多元线性回归的变压器油色谱的故障诊断方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
详细步骤与实施例一提供的基于多元线性回归的变压器油色谱的故障诊断方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，包括以下步骤：
获取变压器特征气体信息；
根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
2.如权利要求1中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，所述变压器特征气体信息包括特征气体的种类及特征气体的浓度；所述特征气体的种类包括乙烯、甲烷、氢气、二氧化碳和一氧化碳，所述乙烯和甲烷统称为总烃；其中，各种特征气体之间的相关性强，所述总烃与其他特征气体之间的相关性高；在获取变压器特征气体信息之后，进行特征气体信息的预处理，所述预处理包括剔除离群值、处理奇异值、补充缺失值。
3.如权利要求2中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，所述变压器油色谱故障诊断模型包括变压器油色谱故障建模子模块和变压器油色谱故障诊断子模块；所述变压器油色谱故障建模子模块采用改进的多元线性回归模型进行特征气体权重的拟合分析，进行特征气体成分的预测；所述变压器油色谱故障诊断子模块将变压器油色谱故障建模子模块所得到的特征气体成分预测值与特征气体预设阈值相比较，初步得到变压器故障诊断结果。
4.如权利要求3中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，所述改进的多元线性回归模型的构建过程为：
逐一分析特征气体浓度变化趋势；
对特征气体进行相关性分析，确定回归变量；
采用逐步回归的方法分别对自变量求取对数，进行多元回归，得到改进的多元线性回归模型。
5.如权利要求1中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，所述变压器故障诊断结果包括变压器正常运行状态、变压器趋于故障状态和变压器明显故障状态；所述故障状态包括变压器固体绝缘故障和变压器油异常分解，所述变压器油异常分解包括变压器油热裂解和变压器油电裂解。
6.如权利要求5中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，对变压器故障诊断时依据特征气体产气速率的稳定性判断，即变压器在正常运行状态下，溶解在变压器油中的特征气体相互反应产生气体，产气速率慢；变压器在故障状态下，气体运行速度异常加快，产气速率加快。
7.如权利要求6中所述的一种基于多元线性回归的变压器油色谱的故障诊断方法，其特征在于，所述产气速率慢的情况下，当一种或两种以上的特征气体呈现长期不断增长或下降的趋势，甚至长时间超出预设阈值，则判断变压器趋于故障状态。
8.一种基于多元线性回归的变压器油色谱的故障诊断系统，其特征在于，包括：
获取模块，用于获取变压器特征气体信息；
诊断模块，用于根据特征气体信息和预设的变压器油色谱故障诊断模型，得到变压器故障诊断结果；
所述变压器油色谱故障诊断模型利用多元线性回归模型对特征气体成分预测，基于特征气体预测量与特征气体预设阈值判断变压器运行状态。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于多元线性回归的变压器油色谱的故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257030.7A CN114152685B (zh) | 2021-10-27 | 2021-10-27 | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111257030.7A CN114152685B (zh) | 2021-10-27 | 2021-10-27 | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114152685A true CN114152685A (zh) | 2022-03-08 |
| CN114152685B CN114152685B (zh) | 2024-10-18 |
Family
ID=80458461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111257030.7A Active CN114152685B (zh) | 2021-10-27 | 2021-10-27 | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114152685B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973621A (zh) * | 2022-06-01 | 2022-08-30 | 云南电网有限责任公司电力科学研究院 | 数据误报排除方法和油色谱监测装置 |
| CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
| CN115267614A (zh) * | 2022-06-02 | 2022-11-01 | 汇网电气有限公司 | 一种用于智能变压器的检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102486471A (zh) * | 2010-12-03 | 2012-06-06 | 河北省电力研究院 | 变压器内部故障及缺陷程度油色谱诊断法 |
| EP2777957A2 (en) * | 2013-03-14 | 2014-09-17 | The Goodyear Tire & Rubber Company | Predictive peer-based tire health monitoring |
| CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
| CN110146634A (zh) * | 2019-06-20 | 2019-08-20 | 广东电网有限责任公司 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
| CN110765619A (zh) * | 2019-10-28 | 2020-02-07 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
| CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
| US20230052987A1 (en) * | 2019-12-12 | 2023-02-16 | Danfoss Power Solutions Ii Technology A/S | System and method for solenoid valve optimization and measurement of response deterioration |
-
2021
- 2021-10-27 CN CN202111257030.7A patent/CN114152685B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102486471A (zh) * | 2010-12-03 | 2012-06-06 | 河北省电力研究院 | 变压器内部故障及缺陷程度油色谱诊断法 |
| EP2777957A2 (en) * | 2013-03-14 | 2014-09-17 | The Goodyear Tire & Rubber Company | Predictive peer-based tire health monitoring |
| CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
| CN104914327A (zh) * | 2015-05-06 | 2015-09-16 | 北京航空航天大学 | 基于实时监测信息的变压器故障检修预测方法 |
| CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
| CN110146634A (zh) * | 2019-06-20 | 2019-08-20 | 广东电网有限责任公司 | 一种油色谱数据的故障诊断方法、装置、设备和存储介质 |
| CN110765619A (zh) * | 2019-10-28 | 2020-02-07 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
| US20230052987A1 (en) * | 2019-12-12 | 2023-02-16 | Danfoss Power Solutions Ii Technology A/S | System and method for solenoid valve optimization and measurement of response deterioration |
| CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| QIN JIAFENG ET AL: "Transformer Fault Prediction Method Based on Multiple Linear Regression", 《CONF. SER.: MATER. SCI. ENG》, 31 December 2019 (2019-12-31), pages 1 - 8 * |
| ZHANG, XY ET AL: "Quantitative Analysis of Acetone in Transformer Oil Based on ZnO NPs@Ag NWs SERS Substrates Zhang, XY", 《INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES》, vol. 23, no. 21, 11 November 2022 (2022-11-11), pages 1 - 7 * |
| 张帆等: "《日常生活视野下的旧城开放空间重构研究》", vol. 1, 31 December 2016, 南京：东南大学出版社, pages: 108 - 109 * |
| 张星宇等: "500kV气体绝缘金属封闭开关设备盆式绝缘子放电故障原因分析", 《电气技术》, vol. 22, no. 8, 15 August 2021 (2021-08-15), pages 48 - 54 * |
| 王培刚: "《多元统计分析与SAS实现》", vol. 1, 30 November 2020, 武汉：武汉大学出版社, pages: 34 * |
| 王娜娜等: "基于变分模态分解-布谷鸟搜索-支持向量回归的变压器油中溶解气体浓度预测方法", 《电子测量技术》, vol. 47, no. 4, 23 February 2024 (2024-02-23), pages 10 - 17 * |
| 王艳杰;韩广德;闫安;王国泰;: "基于EViews的国内客车销售发展趋势分析", 山东交通学院学报, no. 01, 15 March 2020 (2020-03-15), pages 21 - 27 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114973621A (zh) * | 2022-06-01 | 2022-08-30 | 云南电网有限责任公司电力科学研究院 | 数据误报排除方法和油色谱监测装置 |
| CN115267614A (zh) * | 2022-06-02 | 2022-11-01 | 汇网电气有限公司 | 一种用于智能变压器的检测方法及系统 |
| CN115078618A (zh) * | 2022-07-13 | 2022-09-20 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN115078618B (zh) * | 2022-07-13 | 2023-11-07 | 广东电网有限责任公司 | 一种变压器油色谱故障识别方法及相关装置 |
| CN115248292A (zh) * | 2022-09-23 | 2022-10-28 | 江苏永鼎股份有限公司 | 一种变压器故障分析诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114152685B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114152685A (zh) | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 | |
| Abu-Elanien et al. | Asset management techniques for transformers | |
| CN108663582A (zh) | 一种变压器的故障诊断方法及系统 | |
| CN104764869A (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
| JP5494034B2 (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
| US20190056446A1 (en) | Method and system for assessment of fault severity, risk exposure, and gassing status for liquid-filled high-voltage apparatus | |
| CN111474511A (zh) | 电压互感器的异常预警方法、系统、设备和存储介质 | |
| CN117408514A (zh) | 基于多参数传感器的智能运维变电站监测预警系统及方法 | |
| CN107239876B (zh) | 一种核电厂i&c设备老化生命周期的管理方法及系统 | |
| CN105205590A (zh) | 一种变压器健康状态分析的方法和系统 | |
| Elmashtoly et al. | Prognostics health management system for power transformer with IEC61850 and Internet of Things | |
| CN117741517A (zh) | 基于人工智能的电容器设备在线监测方法及系统 | |
| Saad | On-line gas monitoring for increased transformer protection | |
| Mharakurwa | In‐Service Power Transformer Life Time Prospects: Review and Prospects | |
| CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
| CN117748447A (zh) | 一种基于调压事件分析的配电网线变关系诊断方法、系统 | |
| Gumilang et al. | Condition assessment method for power transformer as a part of condition based maintenance program in PLN P3B Jawa Bali | |
| CN115864310A (zh) | 一种多参量融合电力变压器缺陷辨识、状态分级与主动安全保护方法 | |
| Hussein et al. | Faults diagnosis and assessment of transformer insulation oil quality: intelligent methods based on dissolved gas analysis a-review | |
| CN114638169A (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
| CN115936515A (zh) | 电缆运行状态的确定方法、装置、存储介质和电子设备 | |
| Gao et al. | A physical performance degradation-based approach for optimizing dynamic maintenance strategy of power equipment | |
| CN112668867B (zh) | 一种基于现场数据量的设备故障率评估方法及系统 | |
| Cai et al. | Performance degradation based reliability prediction method for CTCS on-board equipment | |
| Zhang et al. | Short term trend forecast of on-line monitoring data of dissolved gas in power transformer |
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 |