CN114397526A - 状态全息感知数据驱动的电力变压器故障预测方法及系统 - Google Patents
状态全息感知数据驱动的电力变压器故障预测方法及系统 Download PDFInfo
- Publication number
- CN114397526A CN114397526A CN202210043387.3A CN202210043387A CN114397526A CN 114397526 A CN114397526 A CN 114397526A CN 202210043387 A CN202210043387 A CN 202210043387A CN 114397526 A CN114397526 A CN 114397526A
- Authority
- CN
- China
- Prior art keywords
- transformer
- oil
- data set
- dissolved gas
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
Abstract
本发明公开了一种状态全息感知数据驱动的电力变压器故障预测方法及系统,建立变压器的历史故障数据集;采集变压器运行过程中的油中溶解气体浓度及反应变压器状态的环境气象数据和其他运行数据,通过突变点检测及相空间重构方式构成最优数据集,搭建变压器油中溶解气体浓度近期预测SARIMA模型,得到变压器近期油中溶解气体浓度变化的预测结果;基于油中溶解气体浓度与变压器其他状态量的关系,得到实时变化的油中溶解气体浓度;基于DBN网络搭建变压器故障诊断模型;将近期油中溶解气体浓度变化的预测结果或实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。实现对电网变压器运行风险水平的综合实时分析和辅助决策。
Description
技术领域
本发明属于电力设备状态预测和故障诊断技术领域,具体涉及一种状态全息感知数据驱动的电力变压器故障预测方法及系统。
背景技术
为适应能源清洁发展和低碳转型的需要趋势,新能源装机将会大量并入电网。随之带来的是对电网安全稳定性和运行优化的更大考验,尤其是“双高”电力系统更是为电网运行态势的常规预测和调度控制带来空前的挑战。而随着社会建设对于电力系统可靠性要求的提高,电力系统的多维检测、状态预测和系统控制等能力都亟需提高。
在数据处理方面,随着电力物联网的建设与发展,在电网设备建设和运行过程中,积累了海量历史数据。大量设备数据累计沉淀,处于“沉睡状态”,未能有效挖掘其价值,缺少一套能够对历史试验、在线检测等众多数据进行科学分析和高效决策的手段,难以利用大数据精准指导现有生产作业开展。其中电力变压器作为精密复杂的电气设备,涉及到大量表征其运行状态的相关参量,如在线监测数据,电气试验数据,电网运行数据,气象环境数据,油中溶解气体数据以及设备质量记录等。而由于各特征属性间相互耦合、关系密切,因此通过数据驱动方法全方位地对电力变压器当前和未来的运行状态进行科学评估和预测,有助于合理地、有针对性地安排设备检修和制定运维策略。
在成本压降方面,虽然目前电力企业每年在设备运维方面投入了大量的人力、物力、财力以保障设备安全运行,但传统检修模式对于出现故障或缺陷的电力变压器不具备及时性和针对性、对没有缺陷的电力变压器存在强制性,容易产生新故障,从而造成资源的浪费,因此传统的检修模式存在很大的局限性,成本精益管理水平有待提升。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种状态全息感知数据驱动的电力变压器故障预测方法及系统,实现对电网变压器运行风险水平的综合实时分析和辅助决策,有助于提升电力系统的可靠性评估、全局态势感知以及自适应协调控制等多方面能力。
本发明采用以下技术方案:
状态全息感知数据驱动的电力变压器故障预测方法,包括以下步骤:
S1、采集变压器运行过程中,变压器油中溶解气体的浓度,反应变压器状态的环境气象数据和运行数据,构成用于预测的历史数据集,整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集;
S2、对步骤S1得到的历史数据集进行数据清洗和补全,并进行突变点检测,删除与当前变压器工况差异最大的历史数据,得到正确反映当下变压器工况的历史数据集,将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度,得到用于实时预测的最优数据集;对最优数据集基于局部加权回归的季节趋势分解方法进行分解,得到变压器各油中溶解气体的趋势项,构成用于近期预测的最优数据集;
S3、基于SARIMA模型,利用步骤S2得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型,基于近期预测SARIMA模型得到变压器近期油中溶解气体浓度变化的预测结果;
S4、建立变压器油中溶解气体浓度实时预测模型,利用步骤S2得到的最优数据集,基于多元线性回归模型,确定油中溶解气体浓度与变压器其他状态量的关系,获取实时监测的变压器其他状态量,得到实时变化的油中溶解气体浓度,完成实时预测;
S5、利用步骤S1得到的历史故障数据集,基于DBN网络搭建变压器故障诊断模型;将步骤S3得到的近期油中溶解气体浓度变化的预测结果,或者步骤 S4得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。
具体的,步骤S1中,变压器的状态运行数据包括有功功率、无功功率、环境温度和油温;历史故障数据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对应的油中溶解气体浓度,其中故障类型包括局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热。
具体的,步骤S2中,突变点检测具体为:
S201、利用Mann-Kendall算法判断步骤S1得到的历史数据集的趋势项中是否有突变点存在,若没有则执行步骤S202,否则执行步骤S203;
S202、将步骤S1得到的历史数据集作为用于实时预测的最优数据集;
S203、基于Pettitt突变点检测理论对步骤S1得到的历史数据集进行突变点位置检测,得到突变点位置;
S204、删除步骤S203得到的突变点位置的前时序数据,将形成的新序列作为反映当下变压器工况的历史数据集。
具体的,步骤S2中,通过混沌理论和相空间重构理论选取时间序列最优长度具体为:
S205、将历史数据集作为待处理数据集,进行数据清洗和补全后作为原始数据集;
S206、判断步骤S205选取的原始数据集的Lyapunov指数;
S207、若步骤S206得到的Lyapunov指数大于等于0,利用C-C算法计算原始数据集的嵌入维度m,否则步骤S301得到的原始数据集作为最优数据集;
S208、利用步骤S207得到的嵌入维度m计算最优数据集长度;
S209、判断步骤S208得到的最优数据集长度;
S210、如果步骤S209得到的最优数据集长度小于步骤S205选取的原始数据集得长度,原始数据集从后往前取最优数据集的长度数据组成最优数据集;如果步骤S209得到的最优数据集长度大于步骤S205选取的原始数据集得长度,将原始数据集作为最优数据集。
具体的,步骤S2中,基于局部加权回归的季节趋势分解方法具体为:
利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气体的最优数据集分解为趋势项、周期项和余项,取趋势项作为用于近期预测的最优数据集。
具体的,步骤S3中,近期预测具体为:
利用过去1~2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中溶解气体浓度;利用基于局部加权回归的季节趋势分解方法提取预测数据的趋势项,并将趋势项作为预测模型输入参考量;基于 SARIMA(p,d,q)(P,D,Q,m)模型构建变压器油中溶解气体预测模型,其中 p,d,q,P,D,Q为SARIMA模型的阶数;根据用于近期预测的最有数据及的特点确定周期时间间隔m;对非平稳时序进行差分计算,得到差分阶数d,D;计算SARIMA模型取不同的p,q,P,Q时对应的AIC值,取AIC最小时对应的p,q,P,Q 作为变压器预测模型最佳模型阶数,变压器油中溶解气体预测模型构建完成;给模型设置欲预测的天数,得到预测天数的变压器油中溶解气体浓度。
具体的,步骤S4中,实时预测具体为:
利用实时监测的变压器运行数据和环境气象数据,预测油中溶解气体的实时浓度;以多元线性回归模型为基础,将变压器有功功率、变压器无功功率、环境温度、接地铁心电流等运行数据作为自变量{β1,β2,…,βn},油中溶解气体浓度作为因变量Ygas,利用历史数据集拟合得到变压器状态量与油中溶解气体浓度的关系,输入实时监测的变压器状态量,得到油中溶解气体的实时浓度。
进一步的,变压器状态量与油中溶解气体浓度的关系具体为:
其中,{Y1,Y2,…,Yn}为各个油中溶解气体浓度,{β1,β2,...,βn}为变压器有功功率、变压器无功功率、接地电流、环境温度、油温等与变压器状态相关的运行参量,{α11,α12,...,αnn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的系数,{ε1,ε2,...,εn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的余项。
具体的,步骤S5中,利用DBN故障诊断模型进行故障预测具体为:
S501、将步骤S1得到的历史故障数据集进行无编码比值作为DBN网络输入;
S502、将步骤S501得到的历史故障数据集归一化至[-1,1]区间,并划分训练集和测试集;
S503、设置DBN网络参数:输入层神经元个数及DBN网络隐藏层的层数和隐藏层各神经元个数初值,其中,输入层神经元个数等于故障类型数;
S504、确定DBN网络模型输出层神经元个数;
S505、对DBN网络内的多层RBM进行无监督逐层训练,使用BP算法对 DBN网络的连接权值和偏置阈值进行反向微调;
S506、将步骤S502的训练集作为DBN网络的输入,调整DBN网络参数,训练得到各参数下的DBN故障诊断模型;将步骤S702的测试集作为各参数下的DBN故障诊断模型的输入,得到对应故障诊断结果,对比DBN故障诊断模型给出的故障诊断结果和实际故障类型,将测试集诊断准确率最高时DBN网络所取的各参数作为变压器DBN故障诊断模型的参数,并保存此时的DBN故障诊断模型;
S507、利用步骤S502训练集的归一化规则归一化处理待诊断数据,待诊断数据为步骤S3或步骤S4得到的近期预测或实时预测的变压器油中溶解气体浓度;
S508、将步骤S507中待诊断数据输入DBN故障诊断模型;
S509、给出故障诊断结果,得到变压器故障预测结果。
本发明的另一技术方案是,一种状态全息感知数据驱动的电力变压器故障预测系统,包括:
数据采集模块,采集变压器运行过程中,变压器油中溶解气体的浓度,反应变压器状态的环境气象数据和运行数据,构成用于预测的历史数据集,整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集;
数据处理模块,对数据采集模块得到的历史数据集进行数据清洗和补全,并进行突变点检测,删除与当前变压器工况差异最大的历史数据,得到正确反映当下变压器工况的历史数据集,将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度,得到用于实时预测的最优数据集;对最优数据集基于局部加权回归的季节趋势分解方法进行分解,得到变压器各油中溶解气体的趋势项,构成用于近期预测的最优数据集;
历史预测模块,基于SARIMA模型,利用数据处理模块得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型,基于近期预测SARIMA 模型得到变压器近期油中溶解气体浓度变化的预测结果;
实时预测模块,建立变压器油中溶解气体浓度实时预测模型,利用数据处理模块得到的最优数据集,基于多元线性回归模型,确定油中溶解气体浓度与变压器其他状态量的关系,获取实时监测的变压器其他状态量,得到实时变化的油中溶解气体浓度,完成实时预测;
预测输出模块,利用数据采集模块得到的历史故障数据集,基于DBN网络搭建变压器故障诊断模型;将历史预测模块得到的近期油中溶解气体浓度变化的预测结果,或者实时预测模块得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种状态全息感知数据驱动的电力变压器故障预测方法,基于油中溶解气体分析(DGA)原理,利用油中溶解气体浓度实现变压器的故障预测,通过变压器的近期及实时故障预测结果更全面地掌握变压器运行发展趋势。利用历史数据集训练近期预测模型,实现对油中溶解气体浓度的近期预测。为防止变压器状态突变,挖掘环境气象数据、变压器运行数据、状态监测数据等其他关键参量与油中溶解气体浓度的关系,通过实时监测的变压器其他关键参量实时反映油中溶解气体浓度。利用油中溶解气体浓度的近期及实时预测结果,通过变压器故障诊断模型实现对变压器近期及实时故障预测。
进一步的,变压器油中溶解气体浓度随其运行环境和运行状态的变化而变化,将变压器所处地区的环境气象数据和与变压器状态相关的变压器运行数据引入油中溶解气体实时预测模型将提高预测准确率。环境温度、变压器负荷、接地电流、油温等与变压器负载性能、绝缘性能之间存在复杂的非线性关系。例如,油温与绝缘油纸对油中溶解气体的吸附能力相关,当油温过高时,油纸中吸附能力下降,油纸中吸附的气体释放,油中溶解气体浓度上升。变压器发生过热性故障时,故障点产生的热量使油温升高,加速油的劣化分解而产生故障气体,如变压器产生高温过热时,油中乙炔的含量明显增加。
进一步的,当变压器进行过解体实验或其运行状态发生突变时,过早的历史数据已无法正确反映变压器当下的工况,通过突变点检测剔除过早地、与当前变压器状态不符地历史数据。Mann-Kendall突变点检测法是一种非参数统计检验法,样本特征对其检测效果影响小,计算方便。Pettitt突变点检测法是一种非参数突变检测方法,通过计算时间序列各点的统计量,取统计量绝对值最大的点所对应的时间点为突变点。结合Mann-Kendall突变点检测法和Pettitt突变点检测法对历史数据集进行检测,若有突变点,剔除突变点之前的数据形成新的历史数据集,若无突变点则保留原历史数据集。
进一步的,获取最优的历史数据集长度利于提高油中溶解气体浓度预测的准确性和运算效率。绝大多数变压器的油中溶解气体浓度均有混沌特性,混沌特性可以用Lyapunov指数作为判据,当Lyapunov指数小于0时,时间序列变化稳定,当Lyapunov指数等于0时,时间序列变化处于稳定的边界,当Lyapunov 指数大于0时,时间序列变化不稳定。相空间重构方法为研究混沌结构性的常用方法,其可以从较长的时间序列中提取出可以反映系统规律的较短的时间序列。
进一步的,局部加权回归的季节趋势分解方法STL是一种应用广泛且具有强鲁棒性的时间序列分解方法,可以将一段时间序列分解为趋势项、季节项和余项。长期监测的变压器油中溶解浓度持续波动,无法掌握其变化特点,利用 STL从油中溶解气体浓度历史数据中提取其趋势项,得到各油中溶解气体浓度的变化趋势。
进一步的,对变压器油中溶解气体浓度进行近期预测利于提前得到气体浓度近期的变化趋势,将预测结果作为DBN故障诊断模型的输入,得到变压器近期故障预测结果,若预测结果包含故障,则提前采取应对措施以尽量避免故障发生。SARIMA(SeasonalAutoregressive Integrated Moving Average model)季节性差分自回归移动平均模型是一个经典的时间序列预测模型,稳定性高,由自回归、差分和移动平均三部分组成。自回归模型使用目标变量的滞后值进行预测;差分代表预测时采用的是原始目标值的差分值,该过程使预测结果更加稳定;移动平均将滞后的预测误差作为输入,使预测结果准确率更高。
进一步的,油中溶解气体浓度监测频率较低,一般为一天1~2次,而其他与变压器状态相关的运行数据监测频率较高,如接地铁芯电流一小时监测一次。当变压器状态突变时,仅依靠油中溶解气体浓度的历史数据集进行预测无法及时反映变压器状态,因此将监测频率较高的环境气象数据和其他与变压器状态相关的运行数据引入实时预测模型。将环境气象数据和变压器运行数据作为自变量,用于实时预测的油中溶解气体浓度历史数据作为因变量,以多元线性拟合模型为基础拟合得到变压器的实时预测模型,当给模型输入实时监测的环境气象数据和变压器运行数据时,即可得到实时预测的变压器油中溶解气体浓度。
进一步的,深度置信网络DBN(Deep Belief Networks)是一种基于大量训练数据集的深度学习方法。该网络由若干层受限玻尔兹曼机RBM(Restricted BoltzmannMachine)和分类输出层组成,采用非监督贪婪逐层预训练的方法得到模型权重,采用梯度下降法微调网络,采用ReLU(Rectified Linear Units)激活函数提高网络深层结构的收敛性能。经过案例测试,深度置信网络比前馈神经网络和支持向量机的分类准确率高,将DBN网络作为训练变压器故障诊断模型的基础网络。
综上所述,本发明至少具有以下优点:
(1)结合变压器的实时故障预测和近期故障预测,一方面对变压器一天内的故障状态进行跟踪预测,另一方面实现了对变压器近期故障状态的预测,从而较全面地掌握未来变压器的故障发展趋势。
(2)将环境气象数据和其他与变压器状态相关的运行数据引入变压器油中溶解气体浓度实时预测模型,提高了气体浓度预测的准确率,从而更好的反映变压器实时状态,且计算速度快,便于现场应用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明状态全息感知数据驱动变压器故障预测的全过程示意图;
图2为本发明基于突变点检测算法选择数据的流程图;
图3为本发明基于相空间重构法选择数据集最优长度的流程图;
图4为本发明近期预测SARIMA模型建立步骤的流程图;
图5为本发明故障诊断DBN网络模型训练的流程图;
图6为本发明故障诊断DBN网络模型使用的流程图;
图7为某220kV变压器油中溶解氢气原始数据图;
图8为某220kV变压器油中溶解氢气数据处理后的数据图;
图9为某220kV变压器油中溶解氢气趋势项数据图;
图10为某220kV变压器油中溶解氢气预测数据图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种状态全息感知数据驱动的电力变压器故障预测方法,对变压器投入运行过程中,沉淀的大量历史全息感知数据进行选择、处理等一系列操作,分别建立近期预测模型、实时预测模型和故障诊断模型,首先通过近期预测模型或实时预测模型,得到变压器近期预测或实时预测的油中溶解气体浓度,则进一步通过故障诊断模型,实现对变压器的近期故障预测或实时故障预测。后续在生产实践中,只需将实时监测的各项数据经数据处理后作为模型输入,便可达到数据驱动,故障预测的目的。本发明基于历史运行数据和实时数据,实现对电网变压器运行风险水平的综合实时分析和辅助决策,有助于迅速提升数字孪生电力系统的可靠性评估、全局态势感知以及自适应协调控制等多方面能力。
高比例清洁能源并网给电网安全稳定性和运行优化带来更大不确定性,为电网运行态势的常规预测和调度控制带来巨大考验。通过状态全息感知数据驱动的变压器故障预测技术的研究,基于实时数据开展电网态势感知、故障诊断、分析推演,以此为驱动实现对电力系统调度运行和设备运维检修的精准控制。
请参阅图1,本发明为一种状态全息感知数据驱动的电力变压器故障预测方法,以DGA理论作为变压器故障诊断基础,首先采集变压器运行过程中的多种状态数据,经数据处理后为实时预测、近期预测和故障预测提供有效信息;然后,基于SARIMA模型,预测变压器近期油中溶解气体浓度变化趋势;基于多重线性回归模型,挖掘近期油中溶解气体浓度与其他可实时监测的状态参量之间的关系,根据可实时监测的状态量获取实时的油中溶解气体浓度;最后,基于DBN网络,以油中溶解气体浓度无编码比值为输入特征量建立DBN故障诊断模型,实现变压器故障预测,具体步骤如下:
S1、利用油色谱在线监测装置采集油中溶解气体浓度的体积数据;利用传感器采集剩余变压器的状态参量;变压器在投入和运行的过程中产生庞大的数据集,能够调取的数据类型分为以下几种:
(1)变压器台账信息,包含变压器投运时间、设备参数、使用条件;
(2)变压器状态检测信息,包括油气检测、振动信号和局部放电;
(3)变压器运行状态信息,包括工作电压、工作电流;
(4)变压器广域环境信息,包括温度、湿度、气压、日照;
(5)变压器状态变更信息,包括缺陷记录、不良工况、检修记录;
(6)变压器油中溶解气体浓度信息,
用于故障预测的历史数据集包括以下几种:
(1)油中溶解气体浓度,包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2和总烃。通过油色谱在线监测装置按固定采样周期获取油中气体组分含量值,形成油色谱在线监测时间序列;
(2)变压器的其他运行状态量和环境气象数据:有功功率、无功功率、油温、接地电流、环境温度等,通过各种不同传感器测得;
(3)收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集。
S2、对步骤S1采集的历史数据集进行数据处理,形成最优数据集;
数据处理包括数据清洗、数据补全和数据选择。
其中,数据清洗剔除数据中重复的数据及空值、异常值、统一时间格式;
数据补全通过数值插值方法填补缺失日期的变压器状态量信息;
数据选择包括突变点检测和相空间重构选择数据集最优长度;
请参阅图2,对步骤S2经数据清洗和数据补全后的数据集进行突变点检测,删除与当前变压器工况差异较大的历史数据集,得到有效历史数据,如图2(a) 所示,氢气浓度在2019年1月至2020年5月之间在10(μL/L)上下波动,而 5月之后突变为在7(μL/L)上下波动,因此5月之前的历史数据已不能正确反映变压器当前的工况,从而进行突变点检测,经检测剔除5月之前的数据,如图2(b)所示。
请参阅图2(c),突变点检测具体为:
S201、对经数据清洗和数据补全后的历史数据集进行MK检测;
利用Mann-Kendall算法判断数据趋势项中是否有突变点的存在,若没有则到步骤S202,否则到步骤S203;
S202、原历史数据集即为最优数据集;
S203、进行Pettitt突变点位置检测,然后到步骤S204;
S204、删除突变点前的时序数据,形成新的历史数据集,结束。
请参阅图3,基于混沌理论对经突变点检测的历史数据集进行相空间重构理论选取时间序列最优长度,具体步骤如下:
S205、步骤S202或步骤S204得到的历史数据集为待处理历史数据集,到步骤S206;
S206、判断历史数据集的Lyapunov指数,若Lyapunov指数大于0则到步骤S207,否则到步骤S211;
S207、用C-C算法算出原始数据集的嵌入维度m,然后到步骤S208;
S208、求最优数据集长度,最优数据集长度为2m(m+1)m,然后到步骤 S209;
S209、判断最优数据集长度是否大于原数据长度,若是则到步骤S211,否则到步骤S210;
S210、获取最优数据集,原始数据集从后往前取最优数据集长度的数据组成最优数据集,然后算法结束;
S211、原始数据集为最优数据集,然后算法结束。
S3、近期预测以SARIMA(p,d,q)(P,D,Q,m)模型为基础,通过局部加权回归的季节趋势分解方法STL提取油中溶解气体浓度历史数据集的趋势项,并将其作为预测模型输入特征量,训练拟合得到各个油中溶解气体的近期预测模型 SARIMA(p,d,q)(,D,Q,m),设置需预测的天数,给出预测结果;
请参阅图4,变压器油中溶解气体浓度近期预测的具体步骤如下:
S301、基于局部加权回归的季节趋势分解方法STL提取油中溶解气体浓度历史数据集的趋势项,得到的各个气体的趋势项作为预测模型输入特征量,然后到步骤S302;
S302、确定周期时间间隔m,然后到步骤S303;
S303、对输入特征量进行差分计算,得到差分阶数d,D,然后到步骤S304;
S304、参数寻优计算,取AIC值最小时的p,q,P,Q作为模型阶数,即得到油中溶解气体浓度近期预测的预测模型SARIMA(p,d,q)(P,D,Q,m),然后到步骤S305;
其中,AIC的表达式如式(1)所示,L为极大似然函数
AIC=-2log(L)+2(p+q+P+Q) (1)
S305、趋势预测,设置预测天数,得到油中溶解气体浓度近期预测结果。
S4、建立变压器油中溶解气体浓度实时预测多元线性回归模型,将变压器有功功率、变压器无功功率、环境温度、接地电流等作为自变量{β1,β2,...,βn},油中溶解气体浓度的作为因变量Ygas,利用自变量和因变量的历史数据集拟合得到变压器状态量与油中溶解气体浓度的关系,如式(2)所示;
其中,{Y1,Y2,…,Yn}为各个油中溶解气体浓度,{β1,β2,...,βn}为变压器有功功率、变压器无功功率、接地电流、环境温度、油温等与变压器状态相关的运行参量,{α11,α12,...,αnn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的系数,{ε1,ε2,...,εn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的余项。
变压器油中溶解气体浓度实时预测的具体步骤如下:
S401、将步骤S2得到的油中溶解气体浓度的历史数据集作为因变量,将步骤S2得到的其他与变压器状态相关的运行状态参量的历史数据集作为自变量,然后到步骤S402;
S402、利用步骤S401中的自变量和因变量的历史数据集拟合得到变压器油中溶解气体浓度实时预测多元线性回归模型,然后到步骤S403;
S403、输入实时监测的变压器运行状态参量{βt1,βt2,…,βtn},即可得到油中溶解气体的实时浓度,结束。
S5、利用步骤S1得到的历史故障数据集,基于DBN搭建变压器故障诊断模型;将步骤S3或步骤S4得到的油中溶解气体浓度近期预测结果或实时预测结果作为DBN故障诊断模型的输入特征量,实现变压器故障预测;
故障诊断包括故障模型的建立和故障模型的使用两部分。
其中,基于DBN网络的故障模型建立,是根据历史故障数据集确定输入输出层神经元个数、确定DBN隐藏层层数和各层神经元个数,对多层RBM进行无监督训练,并使用BP算法对DBN模型中各神经元连接权值和偏置进行反复微调,在DBN网络调参过程中,得到各个DBN网络参数下测试集的故障诊断结果,记录测试集诊断准确率最高时DBN网络对应的网络参数,并保存DBN 故障诊断模型。
故障诊断模型的使用是指将步骤S3或步骤S4得到的油中溶解气体浓度近期预测结果或实时预测结果作为DBN故障诊断模型的输入特征量,利用DBN 故障诊断模型对油中溶解气体浓度预测结果所对应的故障类型进行诊断,实现变压器故障预测。
请参阅图5,基于DBN搭建故障诊断模型具体为:
S501、对步骤S1得到的历史故障数据集进行无编码比值,作为DBN故障诊断模型待训练数据,然后到步骤S502;
S502、将步骤S501的待训练数据做归一化至[-1,1]区间,并以8:2的比例划分训练集和测试集,然后到步骤S503;
S503、确定输入层神经元个数(输入层神经元个数等于故障类型数)、DBN 隐藏层层数和隐藏层各神经元个数、DBN模型输出层神经元个数,然后到步骤S504;
S504、对多层RBM进行无监督逐层训练使用BP算法对DBN模型的连接权值和偏置阈值进行反向微调,然后到步骤S505;
S505、用测试集对训练好的DBN模型进行测试,记录各个DBN网络模型参数下测试集的故障诊断准确率,然后到步骤S506;
S506、重复步骤S503至步骤S504,取测试集故障诊断准确率最高时的网络参数为最终的DBN故障诊断模型网络参数,并保存训练的DBN故障诊断模型,然后算法结束。
请参阅图6,进行故障诊断具体为:
S507、输入待诊断数据,即变压器油中溶解气体浓度近期预测或实时预测结果,然后到步骤S508;
S508、对待诊断数据进行无编码处理,然后到步骤S509;
S509、用训练集的归一化规则归一化处理待诊断数据,然后到步骤S510;
S510、将待诊断数据输入DBN故障诊断模型,然后到步骤S511;
S511、根据DBN故障诊断模型计算待诊断数据发生各故障类别的概率分布,然后到步骤S512;
S512、获取步骤S512得到的概率分布中概率最大值对应的索引,然后到步骤S513;
S513、将步骤S512得到的索引转换为对应的故障类别,得到变压器故障预测结果,然后算法结束。
本发明再一个实施例中,提供一种状态全息感知数据驱动的电力变压器故障预测系统,该系统能够用于实现上述状态全息感知数据驱动的电力变压器故障预测方法,具体的,该状态全息感知数据驱动的电力变压器故障预测系统包括数据采集模块、数据处理模块、历史预测模块、实时预测模块以及预测输出模块。
其中,数据采集模块,采集变压器运行过程中,变压器油中溶解气体的浓度,反应变压器状态的环境气象数据和运行数据,构成用于预测的历史数据集,整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集;
数据处理模块,对数据采集模块得到的历史数据集进行数据清洗和补全,并进行突变点检测,删除与当前变压器工况差异最大的历史数据,得到正确反映当下变压器工况的历史数据集,将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度,得到用于实时预测的最优数据集;对最优数据集基于局部加权回归的季节趋势分解方法进行分解,得到变压器各油中溶解气体的趋势项,构成用于近期预测的最优数据集;
历史预测模块,基于SARIMA模型,利用数据处理模块得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型,基于近期预测SARIMA 模型得到变压器近期油中溶解气体浓度变化的预测结果;
实时预测模块,建立变压器油中溶解气体浓度实时预测模型,利用数据处理模块得到的最优数据集,基于多元线性回归模型,确定油中溶解气体浓度与变压器其他状态量的关系,获取实时监测的变压器其他状态量,得到实时变化的油中溶解气体浓度,完成实时预测;
预测输出模块,利用数据采集模块得到的历史故障数据集,基于DBN网络搭建变压器故障诊断模型;将历史预测模块得到的近期油中溶解气体浓度变化的预测结果,或者实时预测模块得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以某台实际投运的220kV变压器为例,2019年3月至2021年3月间部分油中溶解气体监测数据如表1所示。
表1某220kV变压器油中溶解气体监测数据
以氢气为例,对输入的时间序列进行数据处理,通过过滤重复值、补充缺失值、删除异常值等步骤。原始数据序列共有639组数据,如图7所示,虚线框中为缺失数据,经数据处理后补充为733组数据,如图8所示,虚线框中的缺失数据已补全。
经突变点检测乙烷在第68采集时间处有突变点,因此各油中溶解气体浓度的历史数据均保留后665组数据。
根据混沌理论和相空间重构法,该案例嵌入维数为3,因此在上一步基础上取后512条历史数据作为最优数据集。
提取最优数据集趋势项作为近期预测模型输入数据,以氢气为例,趋势项如图9所示;根据油中溶解气体浓度历史数据集数据特点,周期时间间隔设定为4,确定各油中溶解气体浓度近期预测模型,如表2所示,以此预测各气体浓度未来30天变化趋势,以氢气浓度为例给出变化情况,如图10所示,各油中溶解气体未来30天浓度预测结果如表3所示。
表2各油中溶解气体浓度近期预测模型
表3各油中溶解气体浓度近期预测结果
预测时间 | 甲烷 | 乙烯 | 乙炔 | 乙烷 | 氢气 | 总烃 | 二氧化碳 | 一氧化碳 |
20210311 | 1.551 | 0 | 0.428 | 0 | 7.463 | 1.769 | 154.413 | 77.242 |
20210312 | 1.552 | 0 | 0.427 | 0 | 7.49 | 1.758 | 153.309 | 77.395 |
20210313 | 1.553 | 0 | 0.426 | 0 | 7.518 | 1.747 | 152.202 | 77.547 |
20210314 | 1.555 | 0 | 0.425 | 0 | 7.545 | 1.736 | 151.093 | 77.699 |
20210315 | 1.556 | 0 | 0.424 | 0 | 7.572 | 1.725 | 149.981 | 77.85 |
20210316 | 1.557 | 0 | 0.423 | 0 | 7.6 | 1.714 | 148.867 | 78.001 |
20210317 | 1.559 | 0 | 0.422 | 0 | 7.627 | 1.703 | 147.751 | 78.151 |
20210318 | 1.56 | 0 | 0.421 | 0 | 7.655 | 1.693 | 146.633 | 78.3 |
20210319 | 1.561 | 0 | 0.42 | 0 | 7.682 | 1.682 | 145.512 | 78.448 |
20210320 | 1.563 | 0 | 0.419 | 0 | 7.709 | 1.672 | 144.39 | 78.596 |
20210321 | 1.564 | 0 | 0.417 | 0 | 7.737 | 1.662 | 143.265 | 78.743 |
20210322 | 1.565 | 0 | 0.416 | 0 | 7.764 | 1.652 | 142.137 | 78.889 |
20210323 | 1.567 | 0 | 0.415 | 0 | 7.792 | 1.643 | 141.008 | 79.035 |
20210324 | 1.568 | 0 | 0.414 | 0 | 7.82 | 1.634 | 139.876 | 79.18 |
20210325 | 1.569 | 0 | 0.413 | 0 | 7.847 | 1.624 | 138.742 | 79.325 |
20210326 | 1.571 | 0 | 0.412 | 0 | 7.875 | 1.616 | 137.606 | 79.468 |
20210327 | 1.572 | 0 | 0.411 | 0 | 7.902 | 1.607 | 136.467 | 79.611 |
20210328 | 1.574 | 0 | 0.41 | 0 | 7.93 | 1.598 | 135.326 | 79.754 |
20210329 | 1.575 | 0 | 0.409 | 0 | 7.957 | 1.59 | 134.183 | 79.895 |
20210330 | 1.576 | 0 | 0.408 | 0 | 7.985 | 1.582 | 133.038 | 80.036 |
20210331 | 1.578 | 0 | 0.406 | 0 | 8.013 | 1.574 | 131.891 | 80.177 |
20210401 | 1.579 | 0 | 0.405 | 0 | 8.04 | 1.567 | 130.741 | 80.316 |
20210402 | 1.581 | 0 | 0.404 | 0 | 8.068 | 1.56 | 129.589 | 80.455 |
20210403 | 1.582 | 0 | 0.403 | 0 | 8.096 | 1.552 | 128.435 | 80.594 |
20210404 | 1.583 | 0 | 0.402 | 0 | 8.123 | 1.545 | 127.278 | 80.731 |
20210405 | 1.585 | 0 | 0.401 | 0 | 8.151 | 1.539 | 126.12 | 80.868 |
20210406 | 1.586 | 0 | 0.4 | 0 | 8.179 | 1.532 | 124.959 | 81.005 |
20210407 | 1.588 | 0 | 0.399 | 0 | 8.206 | 1.526 | 123.795 | 81.14 |
20210408 | 1.589 | 0 | 0.398 | 0 | 8.234 | 1.52 | 122.63 | 81.275 |
20210409 | 1.591 | 0 | 0.397 | 0 | 8.262 | 1.514 | 121.462 | 81.409 |
利用无编码比值法处理油中溶解气体浓度近期预测结果,利用已训练好的 DBN故障诊断模型进行判断,给出未来30天内的诊断结果均为“火花放电”;
实际情况为乙炔含量具有增长趋势,其他特征气体无异常,不涉及变压器内部绕组、绝缘、铁芯缺陷,其他特征气体无异常,怀疑220kV高压引出线连接部位存在接触不良等异常导致“火花放电”,故障诊断结果与实际情况一致,本发明提供的故障预测方法具有合理性。
对于实时预测,以某台实际投运的220kV变压器为例,采集油中溶解气体浓度和变压器其他的运行状态参量的历史数据集,如表4所示,表中油中溶解气体浓度监测列出氢气以作示例。挖掘油温、有功功率、无功功率、接地铁芯电流和环境温度与油中溶解气体浓度之间的关系,得到实时预测模型如式(3) 所示:
表4某220kV变压器油中状态运行参量监测数据
根据式(3)预测模型,实时预测结果如表5所示:
表5变压器油中溶解气体实时预测结果
预测时间 | 氢气 | 甲烷 | 乙烯 | 乙炔 | 乙烷 | 一氧化碳 | 二氧化碳 | 总烃 |
20211031 12:39 | 3.81 | 6.78 | 1.36 | 0 | 0.53 | 243.79 | 892.21 | 8.67 |
利用无编码比值法处理油中溶解气体浓度实时预测结果,利用已训练好的 DBN故障诊断模型进行判断,给出诊断结果为“正常”;
实际情况为各油中溶解气体无异常,不影响设备继续运行。故障诊断结果与实际情况一致,本发明提供的故障预测方法具有合理性。
综上所述,本发明一种状态全息感知数据驱动的电力变压器故障预测方法及系统,调取变压器的多项运行数据,通过对历史数据的逐步处理、选择,得到有效的历史数据集。首先对变压器油中溶解气体浓度的近期预测和实时预测。利用历史数据集中的油中溶解气体浓度搭建近期预测模型;利用油中溶解气体浓度及其余状态数据,如环境温度、油温、有功功率、无功功率等,搭建变压器实时预测模型。对油中溶解气体浓度的近期或实时预测结果通过搭建的故障诊断模型进行诊断,达到可以对变压器故障状态准确、全面预测的目的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,包括以下步骤:
S1、采集变压器运行过程中,变压器油中溶解气体的浓度,反应变压器状态的环境气象数据和运行数据,构成用于预测的历史数据集,整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集;
S2、对步骤S1得到的历史数据集进行数据清洗和补全,并进行突变点检测,删除与当前变压器工况差异最大的历史数据,得到正确反映当下变压器工况的历史数据集,将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度,得到用于实时预测的最优数据集;对最优数据集基于局部加权回归的季节趋势分解方法进行分解,得到变压器各油中溶解气体的趋势项,构成用于近期预测的最优数据集;
S3、基于SARIMA模型,利用步骤S2得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型,基于近期预测SARIMA模型得到变压器近期油中溶解气体浓度变化的预测结果;
S4、建立变压器油中溶解气体浓度实时预测模型,利用步骤S2得到的最优数据集,基于多元线性回归模型,确定油中溶解气体浓度与变压器其他状态量的关系,获取实时监测的变压器其他状态量,得到实时变化的油中溶解气体浓度,完成实时预测;
S5、利用步骤S1得到的历史故障数据集,基于DBN网络搭建变压器故障诊断模型;将步骤S3得到的近期油中溶解气体浓度变化的预测结果,或者步骤S4得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。
2.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S1中,变压器的状态运行数据包括有功功率、无功功率、环境温度和油温;历史故障数据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对应的油中溶解气体浓度,其中故障类型包括局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热。
3.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S2中,突变点检测具体为:
S201、利用Mann-Kendall算法判断步骤S1得到的历史数据集的趋势项中是否有突变点存在,若没有则执行步骤S202,否则执行步骤S203;
S202、将步骤S1得到的历史数据集作为用于实时预测的最优数据集;
S203、基于Pettitt突变点检测理论对步骤S1得到的历史数据集进行突变点位置检测,得到突变点位置;
S204、删除步骤S203得到的突变点位置的前时序数据,将形成的新序列作为反映当下变压器工况的历史数据集。
4.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S2中,通过混沌理论和相空间重构理论选取时间序列最优长度具体为:
S205、将历史数据集作为待处理数据集,进行数据清洗和补全后作为原始数据集;
S206、判断步骤S205选取的原始数据集的Lyapunov指数;
S207、若步骤S206得到的Lyapunov指数大于等于0,利用C-C算法计算原始数据集的嵌入维度m,否则步骤S301得到的原始数据集作为最优数据集;
S208、利用步骤S207得到的嵌入维度m计算最优数据集长度;
S209、判断步骤S208得到的最优数据集长度;
S210、如果步骤S209得到的最优数据集长度小于步骤S205选取的原始数据集得长度,原始数据集从后往前取最优数据集的长度数据组成最优数据集;如果步骤S209得到的最优数据集长度大于步骤S205选取的原始数据集得长度,将原始数据集作为最优数据集。
5.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S2中,基于局部加权回归的季节趋势分解方法具体为:
利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气体的最优数据集分解为趋势项、周期项和余项,取趋势项作为用于近期预测的最优数据集。
6.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S3中,近期预测具体为:
利用过去1~2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中溶解气体浓度;利用基于局部加权回归的季节趋势分解方法提取预测数据的趋势项,并将趋势项作为预测模型输入参考量;基于SARIMA(p,d,q)(P,D,Q,m)模型构建变压器油中溶解气体预测模型,其中p,d,q,P,D,Q为SARIMA模型的阶数;根据用于近期预测的最有数据及的特点确定周期时间间隔m;对非平稳时序进行差分计算,得到差分阶数d,D;计算SARIMA模型取不同的p,q,P,Q时对应的AIC值,取AIC最小时对应的p,q,P,Q作为变压器预测模型最佳模型阶数,变压器油中溶解气体预测模型构建完成;给模型设置欲预测的天数,得到预测天数的变压器油中溶解气体浓度。
7.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S4中,实时预测具体为:
利用实时监测的变压器运行数据和环境气象数据,预测油中溶解气体的实时浓度;以多元线性回归模型为基础,将变压器有功功率、变压器无功功率、环境温度、接地铁心电流等运行数据作为自变量{β1,β2,...,βn},油中溶解气体浓度作为因变量Ygas,利用历史数据集拟合得到变压器状态量与油中溶解气体浓度的关系,输入实时监测的变压器状态量,得到油中溶解气体的实时浓度。
9.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法,其特征在于,步骤S5中,利用DBN故障诊断模型进行故障预测具体为:
S501、将步骤S1得到的历史故障数据集进行无编码比值作为DBN网络输入;
S502、将步骤S501得到的历史故障数据集归一化至[-1,1]区间,并划分训练集和测试集;
S503、设置DBN网络参数:输入层神经元个数及DBN网络隐藏层的层数和隐藏层各神经元个数初值,其中,输入层神经元个数等于故障类型数;
S504、确定DBN网络模型输出层神经元个数;
S505、对DBN网络内的多层RBM进行无监督逐层训练,使用BP算法对DBN网络的连接权值和偏置阈值进行反向微调;
S506、将步骤S502的训练集作为DBN网络的输入,调整DBN网络参数,训练得到各参数下的DBN故障诊断模型;将步骤S702的测试集作为各参数下的DBN故障诊断模型的输入,得到对应故障诊断结果,对比DBN故障诊断模型给出的故障诊断结果和实际故障类型,将测试集诊断准确率最高时DBN网络所取的各参数作为变压器DBN故障诊断模型的参数,并保存此时的DBN故障诊断模型;
S507、利用步骤S502训练集的归一化规则归一化处理待诊断数据,待诊断数据为步骤S3或步骤S4得到的近期预测或实时预测的变压器油中溶解气体浓度;
S508、将步骤S507中待诊断数据输入DBN故障诊断模型;
S509、给出故障诊断结果,得到变压器故障预测结果。
10.一种状态全息感知数据驱动的电力变压器故障预测系统,其特征在于,包括:
数据采集模块,采集变压器运行过程中,变压器油中溶解气体的浓度,反应变压器状态的环境气象数据和运行数据,构成用于预测的历史数据集,整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型,构成历史故障数据集;
数据处理模块,对数据采集模块得到的历史数据集进行数据清洗和补全,并进行突变点检测,删除与当前变压器工况差异最大的历史数据,得到正确反映当下变压器工况的历史数据集,将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度,得到用于实时预测的最优数据集;对最优数据集基于局部加权回归的季节趋势分解方法进行分解,得到变压器各油中溶解气体的趋势项,构成用于近期预测的最优数据集;
历史预测模块,基于SARIMA模型,利用数据处理模块得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型,基于近期预测SARIMA模型得到变压器近期油中溶解气体浓度变化的预测结果;
实时预测模块,建立变压器油中溶解气体浓度实时预测模型,利用数据处理模块得到的最优数据集,基于多元线性回归模型,确定油中溶解气体浓度与变压器其他状态量的关系,获取实时监测的变压器其他状态量,得到实时变化的油中溶解气体浓度,完成实时预测;
预测输出模块,利用数据采集模块得到的历史故障数据集,基于DBN网络搭建变压器故障诊断模型;将历史预测模块得到的近期油中溶解气体浓度变化的预测结果,或者实时预测模块得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量,实现变压器故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043387.3A CN114397526A (zh) | 2022-01-14 | 2022-01-14 | 状态全息感知数据驱动的电力变压器故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043387.3A CN114397526A (zh) | 2022-01-14 | 2022-01-14 | 状态全息感知数据驱动的电力变压器故障预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114397526A true CN114397526A (zh) | 2022-04-26 |
Family
ID=81231513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210043387.3A Pending CN114397526A (zh) | 2022-01-14 | 2022-01-14 | 状态全息感知数据驱动的电力变压器故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114397526A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115238754A (zh) * | 2022-09-21 | 2022-10-25 | 国网江西省电力有限公司电力科学研究院 | 一种基于多元感知的电力变压器短期运行温度预测方法 |
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 |
CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
-
2022
- 2022-01-14 CN CN202210043387.3A patent/CN114397526A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115238754A (zh) * | 2022-09-21 | 2022-10-25 | 国网江西省电力有限公司电力科学研究院 | 一种基于多元感知的电力变压器短期运行温度预测方法 |
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 |
CN117110587A (zh) * | 2023-10-25 | 2023-11-24 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
CN117110587B (zh) * | 2023-10-25 | 2024-01-23 | 国网四川省电力公司超高压分公司 | 一种油中溶解气体在线监测异常告警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN110501585B (zh) | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 | |
CN110135612B (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
CN109886430A (zh) | 一种基于工业大数据的设备健康状态评估与预测方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
CN101187803A (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
Liu et al. | Real-time comprehensive health status assessment of hydropower units based on multi-source heterogeneous uncertainty information | |
Nandagopan et al. | Online prediction of DGA results for intelligent condition monitoring of power transformers | |
Shen | Classification of Wind Turbine Blade Performance State through Statistical Methods | |
CN115795740B (zh) | 一种复杂工况下的工程机械液压油缸失效模式分析方法 | |
Perçuku et al. | The Prediction of Weather's Data for Wind, Power System Using Graph Database |
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 |