CN114970774B - 一种智能变压器故障预测方法和装置 - Google Patents

一种智能变压器故障预测方法和装置 Download PDF

Info

Publication number
CN114970774B
CN114970774B CN202210902015.1A CN202210902015A CN114970774B CN 114970774 B CN114970774 B CN 114970774B CN 202210902015 A CN202210902015 A CN 202210902015A CN 114970774 B CN114970774 B CN 114970774B
Authority
CN
China
Prior art keywords
intelligent transformer
data
fault
influence factors
sequence
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
Application number
CN202210902015.1A
Other languages
English (en)
Other versions
CN114970774A (zh
Inventor
任妍
李新伟
刘金朋
于泽邦
刘方舟
刘浩
周子毓
丁伟斌
邹美华
喻婧
陈超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power University
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power University
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Economic and Technological Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, North China Electric Power University, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Economic and Technological Research Institute filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210902015.1A priority Critical patent/CN114970774B/zh
Publication of CN114970774A publication Critical patent/CN114970774A/zh
Application granted granted Critical
Publication of CN114970774B publication Critical patent/CN114970774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Protection Of Transformers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种智能变压器故障预测方法和装置，属于数据预处理与识别技术领域，解决现有方法未充分考虑变压器故障影响因素，预测模型无法真实预测变压器故障的问题。方法包括：获取智能变压器故障影响因素的历史数据；通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的各类数据之间的关联度值，将关联度值大于等于关联度阈值的历史数据作为训练数据集；构建BP神经网络并利用训练数据集进行训练以获取预测模型；以及获取智能变压器故障影响因素的实时数据，并将实时数据输入预测模型以获得智能变压器是否发生故障的预测结果。通过灰色关联度分析降低数据输入量，提高数据可靠性。

Description

一种智能变压器故障预测方法和装置
技术领域
本发明涉及数据预处理与识别技术领域，尤其涉及一种智能变压器故障预测方法和装置。
背景技术
变压器是电力系统核心设备之一，一旦发生故障，将影响一定范围内的电力供应，可能造成巨大经济损失，甚至还会发生安全事故，造成人员伤亡。另一方面，电力设备一般都会存在一定的故障潜伏期，因此进行电力变压器的故障预测，提前采取有效防范措施也是一项很重要的工作。
目前针对智能变压器故障预测方法主要分为两类：传统预测方法和智能预测方法。传统预测方法主要有时间序列、回归模型、趋势外推等方法；智能预测方法主要有神经网络、支持向量机等。传统预测方法模型较为简单、模型的参数固定，难以对突变的故障进行解释。以神经网络为代表的智能预测方法能够实现线性、非线性的复杂映射，目前应用较为广泛。
目前大多数的智能变压器预测方法集中于变压器设备自身的状态情况进行预测，对于影响变压器设备故障的因素考虑不足，所构建模型无法体现真实运行情况下多维时空数因素对变压器设备的影响。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种智能变压器故障预测方法和装置，用以解决现有方法对于影响变压器设备故障的因素考虑不足，所构建模型无法体现真实运行情况下多维时空数因素对变压器设备的影响的问题。
一方面，本发明实施例提供了一种智能变压器故障预测方法，包括：获取智能变压器故障影响因素的历史数据；通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；构建BP神经网络并利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及获取所述智能变压器故障影响因素的实时数据，并将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。
上述技术方案的有益效果如下：通过灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，从而确定影响智能变压器故障率的关键因素及数据，降低数据输入量，提高数据可靠性。
基于上述方法的进一步改进，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及所述智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
基于上述方法的进一步改进，通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的关联度值包括：确定参考序列和比较序列，其中，所述参考序列为智能变压器工作状态的原始数据序列，所述比较序列为所述智能变压器故障影响因素的数据序列；对所述比较序列进行无量纲化处理；基于参考序列和无量纲化处理后的比较序列计算灰色关联系数；通过计算所述灰色关联系数的平均值来获取灰色关联度；以及对所述灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。
基于上述方法的进一步改进，所述参考序列为：
X 0=(x 0(1), x 0(2),…, x 0(n))，
所述比较序列为：
Figure 100002_DEST_PATH_IMAGE001
；
通过以下公式对所述比较序列进行无量纲化处理：
X' i =X i /x i (1)=(x' i (1),x' i (2),…,x' i (n)),i=1,2,…,m；
通过以下公式计算无量纲化处理后的所述比较序列：
Figure 100002_DEST_PATH_IMAGE002
，
其中，ξ0i (k)表示所述参考序列X 0 与所述比较序列X i 在k点的关联系数；λ为分辨系数，取值范围为0至1；
Δ0i (k)是指所述参考序列X 0 与所述比较序列X i 在k点时无纲量化数据的绝对差值：
Figure 100002_DEST_PATH_IMAGE003
Δ(min)是上式中的两级最小值：
Figure 100002_DEST_PATH_IMAGE004
，
Δ(max)是上式中的两级最大值：
Figure 100002_DEST_PATH_IMAGE005
，
通过以下公式计算灰色关联度γ i ：
Figure 100002_DEST_PATH_IMAGE006
；
对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。
基于上述方法的进一步改进，构建BP神经网络包括：输入层、中间隐含层和输出层，所述输入层的输入向量为：X=(x 1,x 2,…,x i )，其中，i=6，x 1为前一天同一时刻的故障率；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；所述中间隐含层的输出向量为：Y=(y 1,y 2,…,y j )，所述输出层的输出向量为：O=(o 1,o 2,…,o k )，其中，所述输出层的输出向量为预测的对应智能变压器的故障率；期望输出的向量为：
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 100002_DEST_PATH_IMAGE008
为目标故障率向量。
基于上述方法的进一步改进，在利用所述训练数据集对所述BP神经网络进行训练之前，应用遗传算法对BP神经网络预测模型进行优化以获得初始化权值和初始化阈值包括：确定优化问题的解空间，同时确定种群的大小N；在所述解空间中随机抽取N个备选解，并对每个备选解进行编码；对所述种群中的每个个体求解适应度，其中，所述适应度为优化问题中的目标函数或者对所述目标函数进行变换后的变换函数；根据当前种群的适应度判断是否终止产生下一代种群，判断条件包括算法最大迭代次数、适应度阈值和相邻两代适应度变化阈值，如果满足终止条件，则对当前种群中最优适应度值对应的个体进行解码以得到问题的最优解；如果终止条件不满足，则根据当前种群的适应度通过选择、交叉和变异三种操作产生下一代种群；以及结束选择、交叉和变异三种操作步骤后，返回对所述种群中的每个个体求解适应度的步骤。
基于上述方法的进一步改进，在将所述实时数据输入所述BP神经网络预测模型之前还包括：对所述智能变压器故障影响因素进行实时检测，其中，所述智能变压器故障影响因素的实时数据包括智能变压器的外部实时数据和智能变压器自身的实时数据；以及对所述智能变压器故障影响因素中的超阈值范围数据进行实时抓取，并应用NACEMD法对实时抓取的超阈值范围数据进行降噪处理。
基于上述方法的进一步改进，应用NACEMD法对实时抓取的数据进行降噪处理包括：执行M次初始化CEMD，计次添加幅值为k的白噪声；将所述白噪声x n (z)加入所述智能变压器工作状态的原始数据序列x 0 (z)，以形成复信号x c (z)=x 0 (z)+ix n (z)，其中，z为时序变量；将所述复信号投影到φ k 上，φ k 为投影方向，φ k ＝2πk/N，１≤k≤N：p φk (z)=Re(e -iφk (x c (z)))
将欧拉公式代入上式：p φk (z)=x 0 (z)cosφk+x n (z)sinφk，当sinφk≠0时，原有极值选取方向改变，求解p φk 的极大值点，并对其进行三次样条插值，得到各投影方向上的上下包络；计算边界包络线平均值m(z)，然后根据所述边界包络线平均值m(z)求取各分量信号h(z)=x(z)-m(z)，其中，x(z)为故障率序列；得到IMF分量及余量的均值；对M次CEMD过程后得到的每个IMF分量计算均值作为输出量。
另一方面，本发明实施例提供了一种智能变压器故障预测装置，包括：数据获取模块，用于获取智能变压器故障影响因素的历史数据和实时数据；预处理模块，用于通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；神经网络构建模块，用于构建BP神经网络；训练模块，用于利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及预测模块，用于将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。
基于上述装置的进一步改进，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及所述智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、确定影响智能变压器设备故障的各类数据，数据包括外部历史数据和设备自身历史数据。其中外部数据包括：气压、温度、降水量、相对湿度、风速、风向、日期类型数据，通过全天空成像仪拍摄获取云图数据；内部数据包括：设备自身电压、电流、温度、出力、损耗数据；
2、应用NACEMD法对收集的变压器多维时空实时数据进行清洗、降噪，剔除异常值，以降低数据对预测结果的影响；
3、通过灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，从而确定影响智能变压器故障率的关键因素及数据，降低数据输入量，提高数据可靠性；
4、在构建BP神经网络模型的基础上，应用遗传算法对预测模型参数进行优化，从而得到更好的初始的权值和阈值，进一步提高了预测精度。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为根据本发明实施例的智能变压器故障预测方法的流程图；
图2为根据本发明实施例的BP神经网络预测模型的示意图；
图3为根据本发明实施例的智能变压器故障预测方法的具体流程图；
图4A为根据本发明实施例的小波包分析对原始信号进行适当的频带划分而在各个频段中子信号变化示图；
图4B为根据本发明实施例的经小波包3层分解后得到的能量谱占比；
图5为根据本发明实施例的应用遗传算法对BP神经网络预测模型进行优化的流程图；
图6为根据本发明实施例的智能变压器故障预测装置的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种智能变压器故障预测方法。参考图1，智能变压器故障预测方法包括：在步骤S102中，获取智能变压器故障影响因素的历史数据；在步骤S104中，通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的各类数据之间的关联度值，其中，将智能变压器故障影响因素中的关联度值大于等于关联度阈值的历史数据作为训练数据集；在步骤S106中，构建BP神经网络并利用训练数据集对BP神经网络进行训练以获取BP神经网络预测模型；以及在步骤S108中，获取智能变压器故障影响因素的实时数据，并将实时数据输入BP神经网络预测模型以获得智能变压器是否发生故障的预测结果。
与现有技术相比，本实施例提供的智能变压器故障预测方法中，通过灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，从而确定影响智能变压器故障率的关键因素及数据，降低数据输入量，提高数据可靠性。
下文中，参考图1至图5，对根据本发明实施例的智能变压器故障预测方法的各个步骤进行详细描述。
在步骤S102中，获取智能变压器故障影响因素的历史数据。具体地，智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
在步骤S104中，通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的各类数据之间的关联度值，其中，将智能变压器故障影响因素中的关联度值大于等于关联度阈值的历史数据作为训练数据集。具体地，通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的历史数据之间的关联度值包括：确定参考序列和比较序列，其中，参考序列为智能变压器工作状态的原始数据序列，比较序列为智能变压器故障影响因素的数据序列；对比较序列进行无量纲化处理；基于参考序列和无量纲化处理后的比较序列计算灰色关联系数；通过计算灰色关联系数的平均值来获取灰色关联度；以及对灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取智能变压器故障与智能变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。
具体地，参考序列为：X 0=(x 0(1), x 0(2),…, x 0(n))，
比较序列为：
Figure DEST_PATH_IMAGE009
；
通过以下公式对比较序列进行无量纲化处理：
X' i =X i /x i (1)=(x' i (1),x' i (2),…,x' i (n)),i=1,2,…,m；
通过以下公式计算无量纲化处理后的所述比较序列：
Figure DEST_PATH_IMAGE010
；
其中，ξ0i (k)表示所述参考序列X 0 与所述比较序列X i 在k点的关联系数；λ为分辨系数，取值范围为0至1；
Δ0i (k)是指所述参考序列X 0 与所述比较序列X i 在k点时无纲量化数据的绝对差值：
Figure 765820DEST_PATH_IMAGE003
，
Δ(min)是上式中的两级最小值：
Figure DEST_PATH_IMAGE011
，
Δ(max)是上式中的两级最大值：
Figure DEST_PATH_IMAGE012
，
通过以下公式计算灰色关联度γ i ：
Figure 276435DEST_PATH_IMAGE006
；
对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。
利用不同特征提取故障的训练数据集训练BP神经网络。通过以下三种方法获取所述智能变压器自身的历史数据中的故障数据。结合三种方法，对于故障特征进行提取，用于有针对性的对数据进行训练，从而提升预测精确性。
（1）基于时序信号的特征提取
结合采样点数量，分别一个周期采样20个点、40个点、60个点，以这三种方式对特征进行提取。
（2）傅里叶变换的特征提取
傅里叶变换是现代数据处理和分析中常用的一种方法，可以将难以发现规律的时域信号变换在频域中进行分析，往往在频域中一些规则容易被发现认识。随着频域分析方法的发展，越来越多的方法运用在故障诊断、信号处理等领域，其中小波包分析是一种新型的高效的分析方法，可以对原始信号进行适当的频带划分，在各个频段中观察每个频段的子信号变化，使分析角度更加全面如图4A所示。
假设x(n)为有限长度的离散信号，其快速傅里叶变换公式为：
Figure DEST_PATH_IMAGE013
取N=2n(n为正整数)，则可以把{X k }分为奇、偶两个序列计算，即为：
Figure DEST_PATH_IMAGE014
W N 为指数因子；X m 为谐波信号；x k 为第k次谐波的傅里叶变换系数。
选用输出线电压的直流分量、基波幅值、二次谐波幅值、二次谐波相角、三次谐波幅值、三次谐波相角作为故障特征信息，将其作为神经网络的输入信号。
（3）基于小波包能量法的特征提取
采用db 10作为小波基函数，将出现故障后输出线电压作小波包分解，以分解层数N=3为例，分解后可以得到小波包分解树，各个节点对应的数值为小波包分解系数。
对小波包分解树的末端8个节点进行单支重构，可以得到j个与原始信号相同尺度的子带信号S ij 。
分别求的j个子带信号的能量E j ，即：
Figure DEST_PATH_IMAGE015
式中：s j (t)为原始线电压信号；
x j 为原始线电压信号的离散点幅值；
E j 为子带信号第j节点能量；
n为采样个数。
构建故障的能量特征向量T=[E 0,E 1,E 2,…,E j ]。
经小波包3层分解后得到的能量谱占比如图4B所示。
发生开路故障后，输出线电压各个频段的能量占比会发生较大变化。将输出线电压，分别作3和4层小波包分解，获取并整合各频段的能量占比作为故障特征。
对所述数据进行预处理，判断设备故障与故障影响因素之间的关联关系，构建关联关系分析矩阵，形成设备故障多域集异质状态数据库；以变压器着火故障为例，故障与影响因素之间的关系矩阵构建如以下表1所示：
表1
Figure DEST_PATH_IMAGE016
考虑到设备故障影响因素众多，通过灰色关联度分析，选择与故障之间关联度≥0.6的因素作为输入变量。
在利用训练数据集对BP神经网络进行训练之前，参考图5，应用遗传算法对BP神经网络预测模型进行优化以获得更好的初始化权值和初始化阈值包括：确定优化问题的解空间，同时确定种群的大小N；在解空间中随机抽取N个备选解，并对每个备选解进行编码；对种群中的每个个体求解适应度，其中，适应度为优化问题中的目标函数或者对目标函数进行变换后的变换函数；根据当前种群的适应度判断是否终止产生下一代种群，判断条件包括算法最大迭代次数、适应度阈值和相邻两代适应度变化阈值，如果满足终止条件，则对当前种群中最优适应度值对应的个体进行解码以得到问题的最优解；如果终止条件不满足，则进入根据当前种群的适应度通过选择、交叉和变异三种操作产生下一代种群；以及结束选择、交叉和变异三种操作步骤后，返回对种群中的每个个体求解适应度的步骤。
在步骤S106中，构建BP神经网络并利用训练数据集对BP神经网络（即，通过遗传算法优化的BP神经网络，具有初始化权重和初始化阈值）进行训练以获取BP神经网络预测模型。
构建BP神经网络包括：输入层、中间隐含层和输出层。输入层的输入向量为：
X=(x 1,x 2,…,x i )，
其中，当i=6时，x 1为前一天同一时刻的故障率；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；
中间隐含层的输出向量为：
Y=(y 1,y 2,…,y j )，
输出层的输出向量为：
O=(o 1,o 2,…,o k )，
其中，输出层的输出向量为预测的对应智能变压器的故障率，
期望输出的向量为：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
为目标故障率向量。
在步骤S108中，获取智能变压器故障影响因素的实时数据，并将实时数据输入BP神经网络预测模型以获得智能变压器是否发生故障的预测结果。具体地，在将实时数据输入BP神经网络预测模型之前还包括：对智能变压器故障影响因素进行实时检测，其中，智能变压器故障影响因素的实时数据包括智能变压器的外部实时数据和智能变压器自身的实时数据；以及对智能变压器故障影响因素中的超阈值范围数据进行实时抓取，并应用NACEMD（复数据经验模态分解噪声辅助）法对实时抓取的数据进行降噪处理。
具体地，应用NACEMD法对实时抓取的数据进行降噪处理包括：执行M次初始化CEMD（复数据经验模态分解），计次添加幅值为k的白噪声；将白噪声x n (z)加入智能变压器工作状态的原始数据序列x 0 (z)，以形成复信号x c (z)=x 0 (z)+ix n (z)，其中，z为时序变量；将复信号投影到φ ｋ 上，其中，φ ｋ 为投影方向，φ ｋ＝2πk/N，１≤k≤N：
p φk (z)=Re(e -iφk (x c (z)))
将欧拉公式代入上式：
p φk (z)=x 0 (z)cosφk+x n (z)sinφk
当sinφk≠0时，原有极值选取方向改变，求解p φk 的极大值点，并对其进行三次样条插值，得到各投影方向上的上下包络；计算边界包络线平均值m(z)，然后根据边界包络线平均值m(z)求取各分量信号h(z)=x(z)-m(z)，其中，x(z)为故障率序列；得到IMF（Intrinsic Mode Function本征模态函数，即分解后得到的信号分量）分量及余量的均值；对M次CEMD过程后得到的每个IMF分量计算均值作为NACEMD的输出量，该输出量是降噪处理后的实时数据，作为预测模块的输入数据。
本发明的另一个具体实施例，公开了一种智能变压器故障预测装置。参考图6，智能变压器故障预测装置包括：数据获取模块602，用于获取智能变压器故障影响因素的历史数据和实时数据；预处理模块604，用于通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的各类数据之间的关联度值，其中，将智能变压器故障影响因素中的关联度值大于等于关联度阈值的历史数据作为训练数据集；神经网络构建模块606，用于构建BP神经网络；训练模块608，用于利用训练数据集对BP神经网络进行训练以获取BP神经网络预测模型；以及预测模块610，用于将实时数据输入BP神经网络预测模型以获得智能变压器是否发生故障的预测结果。
具体地，智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
下文中，以具体示例的方式，对根据本发明实施例的智能变压器故障预测方法的各个步骤进行详细描述。
如图3所示，能变压器状态多维时空数据统计分析的故障概率预测技术包括：步骤S302，确定影响智能变压器设备故障的各类数据，数据包括外部历史数据和设备自身历史数据。其中外部数据包括：气压、温度、降水量、相对湿度、风速、风向、日期类型数据，通过全天空成像仪拍摄获取云图数据；内部数据包括：设备自身电压、电流、温度、出力、损耗数据；步骤S304，应用NACEMD法对收集的变压器多维时空数据进行清洗、降噪，剔除异常值；步骤S306，形成基于故障发生的数据集合；步骤S308，应用灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，确定最终的预测模型输入值；步骤S310，构建BP神经网络预测模型，应用遗传算法对预测模型进行优化，从而得到更好的初始的权值和阈值；步骤S312，应用模型进行预测，得出预测结果。
与现有技术相比，本实施例提供的智能变压器状态多维时空数据统计分析的故障概率预测技术中，确定影响智能变压器设备故障的各类数据，数据包括外部历史数据和设备自身历史数据。其中外部数据包括：气压、温度、降水量、相对湿度、风速、风向、日期类型数据，通过全天空成像仪拍摄获取云图数据；内部数据包括：设备自身电压、电流、温度、出力、损耗数据；对所述数据进行预处理；应用NACEMD法对收集的变压器多维时空数据进行清洗、降噪，剔除异常值；应用灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，确定最终的预测模型输入值；构建BP神经网络预测模型，应用遗传算法对预测模型进行优化，从而得到更好的初始的权值和阈值；应用模型进行预测，得出预测结果。
在步骤S302中，确定所述确定影响智能变压器设备故障的各类数据，数据包括外部历史数据和设备自身历史数据。其中外部数据包括：气压、温度、降水量、相对湿度、风速、风向、日期类型数据，通过全天空成像仪拍摄获取云图数据；内部数据包括：设备自身电压、电流、温度、出力、损耗、故障数据；
在步骤S304中，通过NACEMD法对收集的变压器多维时空实时数据进行处理，通过清洗、降噪，剔除异常值。数据处理的基本思路：首先使用NACEMD将变压器设备故障率序列按照不同时频特征进行分解，得到不同频率范围内的IMF。具体处理过程如下：
（1）初始化。执行M次初始化CEMD，计次添加幅值为k的白噪声。
（2）将白噪声x n (z)加入变压器设备故障率原始数据序列x 0 (z)，组成复信号x c (z)，z为时序变量，即：
x c (z)=x 0 (z)+ix n (z)
（3）将复信号投影到φ k 上，其中，φ k 为投影方向，φ k ＝2πk/N，１≤k≤N，即：
p φk (z)=Re(e -iφk (x c (z)))
将欧拉公式代入上式，有：
p φk (z)=x 0 (z)cosφk+x n (z)sinφk
当sinφk≠0时，原有极值选取方向改变，求解p φk 的极大值点，并对其进行三次样条插值，得到各投影方向上的上下包络。
（4）计算边界包络线平均值m(z)，再依此求取各分量信号h(z)，其中，h(z)=x(z)-m(z)（x(z)为故障率序列）。
（5）得到IMF分量及余量的均值。
（6）总体平均运算。对M次CEMD过程后得到的每个IMF计算均值作为输出量。
在步骤S306中，应用灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，确定最终的预测模型输入值；灰色关联度分析法具体实施步骤如下：
（1）确定参考序列和比较序列。“参考序列”是指能够代表研究智能变压器工作状态（包括正常工作状态和故障状态）的初始时间或空间数据序列；与智能变压器行为有关的故障影响因素组成的数据序列，称作“比较序列”。两者的公式如下：
参考序列为：X 0=(x 0(1),x 0(2),…,x 0(n))，
比较序列为：
Figure DEST_PATH_IMAGE019
；
（2）对所选序列的原始数据无纲量化处理。灰色关联系统内部含有多个因素，因素的数据单位、意义不同，表现出的量纲也不尽相同。为了便于数据测算和比较分析，保证结果的可靠性和可信度，灰色关联度一般都包含了数据的无纲景化过程。
X' i =X i /x i (1)=(x' i (1),x' i (2),…,x' i (n)),i=1,2,…,m；
（3）计算参考序列和参考序列的灰色关联系数ξ (X i )。序列间的关联程度可用曲线间几何形状的差别程度作为衡量标准，序列间各个时刻的关联系数ξ (X i )计算公式为：
Figure DEST_PATH_IMAGE020
，
ξ 0i (k)表示所述参考序列X 0 与所述比较序列X i 在k点的关联系数；Δ0i (k)是指所述参考序列X 0 与所述比较序列X i 在k点时无纲量化数据的绝对差值：
Figure 571019DEST_PATH_IMAGE003
，
Δ(min)是上式中的两级最小值：
Figure DEST_PATH_IMAGE021
，
Δ(max)是上式中的两级最大值：
Figure DEST_PATH_IMAGE022
，
λ为分辨系数，取值范围为（0-1），—般取λ=0.5。
（4）计算灰色关联度γ i 。灰色关联系数反映的是参考序列与比较序列在各个时刻的关系大小，具有多个计算结果，不便于进行序列间的整体比较分析，因此通过求其平均值将其集中为一个能够代表序列间整体行为关联的数值，即灰色关联度，计算公式为：
Figure 777615DEST_PATH_IMAGE006
。
（5）灰色关联度排序。灰色关联度的大小反映了序列间的关联程度，将关联度按由大到小或由小到大的顺序依次排列，代表了因素之间的关系由优到劣或由劣到优，以此为基础分析模型中多个影响因素的关系。
构建基于BP神经网络的智能预测模型。如图2所示，所述BP神经网络通常包括输入层、隐含层和输出层三层。
设该网络中各层节点的激活函数都为S型函数，并且网络中第一层i节点的输入记为net i ，输出记为o i ，输出层第k个节点的输出为y k ，则中间层第j个节点的输入为：
Figure DEST_PATH_IMAGE023
，
Figure DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
，
定义网络的误差为期望输出与实际输出的差值，则有：
Figure DEST_PATH_IMAGE027
。 如果输出层有i个神经元，定义实际输出与期望输出的平方误差为：
Figure DEST_PATH_IMAGE028
由于BP算法是按照误差E的负梯度来修正权值的，所以权值的修改可表示为：
W m+1=w m +△w m =w m -λg m
其中，m表示迭代次数：
Figure DEST_PATH_IMAGE029
其中,λ学习的步长。
Figure DEST_PATH_IMAGE030
因为是输出层，此时
Figure DEST_PATH_IMAGE031
是实际输出值，根据e k 的定义以及平方误差可得：
Figure DEST_PATH_IMAGE032
,
根据e k 的定义可得：
Figure DEST_PATH_IMAGE033
根据上式
Figure DEST_PATH_IMAGE034
可得：
Figure DEST_PATH_IMAGE035
根据上式
Figure DEST_PATH_IMAGE036
可得：
Figure DEST_PATH_IMAGE037
,
最后得到：
Figure DEST_PATH_IMAGE038
现在令输出层的学习误差：
Figure DEST_PATH_IMAGE039
得：
Figure DEST_PATH_IMAGE040
（２）隐含层神经单元权值修改量Δw kj ：
Figure DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE042
根据上式
Figure DEST_PATH_IMAGE043
和
Figure DEST_PATH_IMAGE044
可得：
Figure DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE046
,
因为是求隐含层权值的变化。这时应考虑上一层对它的作用，固有：
Figure DEST_PATH_IMAGE047
,
根据
Figure DEST_PATH_IMAGE048
可知：
Figure DEST_PATH_IMAGE049
,
又根据
Figure DEST_PATH_IMAGE050
可得：
Figure DEST_PATH_IMAGE051
,
把εnet k /εw kj =o j 和△w kj =-λεE/εw kj =λe k f'(net k )o j 带入式
Figure DEST_PATH_IMAGE052
推导出：
Figure DEST_PATH_IMAGE053
令隐含层的学习误差：
Figure DEST_PATH_IMAGE054
步骤S308，构建BP神经网络预测模型，应用遗传算法对模型参数进行优化，从而得到更好的初始的权值和阈值。
BP神经网络包括：输入层、中间隐含层和输出层。
输入层的输入向量为：
X=(x 1,x 2,…,x i )，
其中，当i=6时，x 1为前一天同一时刻的故障率；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；
中间隐含层的输出向量为：
Y=(y 1,y 2,…,y j )，
输出层的输出向量为：待预测时刻所对应实际故障率。
O=(o 1,o 2,…,o k )；
其中，输出向量为使用故障率预测模型进行计算后得到的待预测时刻所对应智能变压器的故障率。
Figure DEST_PATH_IMAGE055
期望输出的向量为：
其中，
Figure DEST_PATH_IMAGE056
为目标故障率向量。
通过调整BP神经网络的权重，输出层的输出向量不断逼近期望输出向量，完成BP神经网络的训练。预测未来某一时刻的故障率，将这一时刻的云图数据进行结构化处理，再融合非结构化、故障率等因素作为BP神经网络的输入，网络的输出向量即为该时刻故障率的预测值。
BP神经网络的算法步骤包括：初始化网络，在(-1,1)区间上选择随机数对网络各个连接权重进行赋值，并且设定误差和网络最大的迭代次数；
训练网络模型
中间隐含层的输出为：
y j =f 1(net j )
Figure DEST_PATH_IMAGE057
其中，j=1,2，…，m，
输出层的输出为：
O k =f 2(net k )
Figure DEST_PATH_IMAGE058
其中，k=1,2，…，l，
函数f 1、f 2的转移函数均为sigmoid函数：
Figure DEST_PATH_IMAGE059
,
Figure DEST_PATH_IMAGE060
,
基于期望输出与实际输出计算各层的误差函数：
Figure DEST_PATH_IMAGE061
,
Figure DEST_PATH_IMAGE062
对于输入层，误差函数为：
Figure DEST_PATH_IMAGE063
利用误差反向传播进行误差计算并且调整网络权重：
Figure DEST_PATH_IMAGE064
,
Figure DEST_PATH_IMAGE065
推导得到误差信号为：
Figure DEST_PATH_IMAGE066
；
Figure DEST_PATH_IMAGE067
；
通过不断地调整权重，使得误差不断减少：
Figure DEST_PATH_IMAGE068
;
Figure DEST_PATH_IMAGE069
;
计算全局误差：
Figure DEST_PATH_IMAGE070
;
根据全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，达到结束算法；否则继续计算各层的误差函数、调整网络权重以及计算全局误差。
应用遗传算法对BP神经网络预测模型进行优化，从而得到更好的初始的权值和阈值。遗传算法优化原理如下：
1、确定优化问题的解空间，即：求解参数与不同参数的取值范围。同时，还要确定种群的大小N，即每一代备选解的个数。需要注意的是，每一代的备选解是可以重复出现的；
2、在解空间中随机抽取N个备选解，并对每个备选解进行编码。常用的编码方法有三种：二进制编码、浮点编码与符号编码。其中，二进制编码简单，但对连续函数的全局搜索能力不高;浮点编码精度高，但编码困难；符号编码中适用于对专门知识的求取；
3、对种群中的每个个体求解适应度。适应度一般为优化问题中的目标函数或者对目标函数进行变换后的函数；
4、根据当前种群的适应度判断是否终止产生下一代种群。一般判断条件包括：算法最大迭代次数、适应度阈值、相邻两代适应度变化阈值。如果满足终止条件，则对当前种群中最优适应度值对应的个体解码，得到问题的最优解；如果终止条件不满足，则进入第5步骤；
5、根据当前种群的适应度通过选择、交叉和变异三种操作产生下一代种群。其中，“选择”为从父代选择优秀的个体直接进行遗传，常用的“选择”操作包括：轮盘赌选择、随机竞争和最优选择等方法；“交叉”为对进行交配的两个个体的编码按照某种方式交换，而产生两个新的个体。常用的“交叉”操作包括：单点交叉、多点交叉与均匀交叉等；“变异”指对编码后的个体的某些位的符号进行改变。常用的“变异”操作有：基本位变异、边界变异与非均匀变异等；
6、结束第5步骤后，返回第3步骤。
应用改进粒子群 算法针对模型参数优化的具体实施流程如下：
PSO算法优化神经网络的原理是：假设在n维空间中散布p个粒子，则第i个粒子在当前迭代次数k的速度为
Figure DEST_PATH_IMAGE071
，位置为
Figure DEST_PATH_IMAGE072
，适应度值F为网络的训练误差，并记录当前迭代过程中个体最优值pibest k 及整个粒子群的全局最优值pgbest k 。粒子的下一迭代的位置，速度由下列公式给出，直到找出满足条件的粒子。
Figure DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE074
。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种智能变压器故障预测方法，其特征在于，包括：
获取智能变压器故障影响因素的历史数据；
通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；
构建BP神经网络并利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及
获取所述智能变压器故障影响因素的实时数据，其中，获取所述智能变压器故障影响因素的实时数据包括对所述智能变压器故障影响因素进行实时检测，其中，所述智能变压器故障影响因素的实时数据包括智能变压器的外部实时数据和智能变压器自身的实时数据；以及对所述智能变压器故障影响因素中的超阈值范围数据进行实时抓取，并应用NACEMD法对实时抓取的超阈值范围数据进行降噪处理，应用NACEMD法对实时抓取的超阈值范围数据进行降噪处理包括：执行M次初始化CEMD，计次添加幅值为k的白噪声；将所述白噪声x n (z)加入所述智能变压器工作状态的原始数据序列x 0 (z)，以形成复信号x c (z)=x 0 (z)+ix n (z)，其中，z为时序变量；将所述复信号投影到φ ｋ上，φ ｋ为投影方向，φ ｋ＝2πk/N，1≤ｋ≤Ｎ：
p φk (z)=Re(e -iφk (x c (z)))；将欧拉公式代入上式：p φk (z)=x 0 (z)cosφk+x n (z)sinφk，当sinφk≠0时，原有极值选取方向改变，求解p φk 的极大值点，并对其进行三次样条插值，得到各投影方向上的上下包络；计算边界包络线平均值m(z)，然后根据所述边界包络线平均值m(z)求取各分量信号h(z)=x(z)-m(z)，其中，x(z)为故障率序列；得到IMF分量及余量的均值；对M次CEMD过程后得到的每个IMF分量计算均值作为输出量；以及
将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。
2.根据权利要求1所述的智能变压器故障预测方法，其特征在于，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，
所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及
所述智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
3.根据权利要求2所述的智能变压器故障预测方法，其特征在于，通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的关联度值包括：
确定参考序列和比较序列，其中，所述参考序列为智能变压器工作状态的原始数据序列，所述比较序列为所述智能变压器故障影响因素的数据序列；
对所述比较序列进行无量纲化处理；
基于参考序列和无量纲化处理后的比较序列计算灰色关联系数；
通过计算所述灰色关联系数的平均值来获取灰色关联度；以及
对所述灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。
4.根据权利要求3所述的智能变压器故障预测方法，其特征在于，
所述参考序列为：X 0=(x 0(1),x 0(2),…,x 0(n))，
所述比较序列为：
Figure DEST_PATH_IMAGE001
通过以下公式对所述比较序列进行无量纲化处理：
X' i =X i /x i (1)=(x' i (1),x' i (2),…,x' i (n)),i=1,2,…,m
通过以下公式计算无量纲化处理后的所述比较序列：
Figure DEST_PATH_IMAGE002
其中，ξ 0i (k)表示所述参考序列X 0 与所述比较序列X i 在k点的关联系数；λ为分辨系数，取值范围为0至1；
Δ0i (k)是指所述参考序列X 0 与所述比较序列X i 在k点时无纲量化数据的绝对差值：
Figure DEST_PATH_IMAGE003
，
Δ(min)是上式中的两级最小值：
Figure DEST_PATH_IMAGE004
，
Δ(max)是上式中的两级最大值：
Figure DEST_PATH_IMAGE005
，
通过以下公式计算灰色关联度γ i ：
Figure DEST_PATH_IMAGE006
；
对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。
5.根据权利要求3所述的智能变压器故障预测方法，其特征在于，构建BP神经网络包括：输入层、中间隐含层和输出层，
所述输入层的输入向量为：
X=(x 1,x 2,…,x i )，
其中，i=6，x 1为前一天同一时刻的故障率；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；
所述中间隐含层的输出向量为：
Y=(y 1,y 2,…,y j )，
所述输出层的输出向量为：
O=(o 1,o 2,…,o k )，
其中，所述输出层的输出向量为预测的对应智能变压器的故障率，
期望输出的向量为：
Figure DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
为目标故障率向量。
6.根据权利要求3所述的智能变压器故障预测方法，其特征在于，在利用所述训练数据集对所述BP神经网络进行训练之前，应用遗传算法对BP神经网络预测模型进行优化：
确定优化问题的解空间，同时确定种群的大小N；
在所述解空间中随机抽取N个备选解，并对每个备选解进行编码；
对所述种群中的每个个体求解适应度，其中，所述适应度为优化问题中的目标函数或者对所述目标函数进行变换后的变换函数；
根据当前种群的适应度判断是否终止产生下一代种群，判断条件包括算法最大迭代次数、适应度阈值和相邻两代适应度变化阈值，如果满足终止条件，则对当前种群中最优适应度值对应的个体进行解码以得到问题的最优解；如果终止条件不满足，则根据当前种群的适应度通过选择、交叉和变异三种操作产生下一代种群；以及
结束选择、交叉和变异三种操作步骤后，返回对所述种群中的每个个体求解适应度的步骤。
7.一种智能变压器故障预测装置，其特征在于，包括：
数据获取模块，用于获取智能变压器故障影响因素的历史数据和实时数据，其中，所述智能变压器故障影响因素的实时数据包括智能变压器的外部实时数据和智能变压器自身的实时数据；以及对所述智能变压器故障影响因素中的超阈值范围数据进行实时抓取，并应用NACEMD法对实时抓取的超阈值范围数据进行降噪处理，应用NACEMD法对实时抓取的超阈值范围数据进行降噪处理包括：执行M次初始化CEMD，计次添加幅值为k的白噪声；将所述白噪声x n (z)加入所述智能变压器工作状态的原始数据序列x 0 (z)，以形成复信号x c (z)=x 0 (z)+ix n (z)，其中，z为时序变量；将所述复信号投影到φ ｋ上，φ ｋ为投影方向，φ ｋ＝2πk/N，1≤ｋ≤Ｎ：p φk (z)=Re(e -iφk (x c (z)))；将欧拉公式代入上式：
p φk (z)=x 0 (z)cosφk+x n (z)sinφk，当sinφk≠0时，原有极值选取方向改变，求解p φk 的极大值点，并对其进行三次样条插值，得到各投影方向上的上下包络；计算边界包络线平均值m(z)，然后根据所述边界包络线平均值m(z)求取各分量信号h(z)=x(z)-m(z)，其中，x(z)为故障率序列；得到IMF分量及余量的均值；对M次CEMD过程后得到的每个IMF分量计算均值作为输出量；
预处理模块，用于通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；
神经网络构建模块，用于构建BP神经网络；
训练模块，用于利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及
预测模块，用于将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。
8.根据权利要求7所述的智能变压器故障预测装置，其特征在于，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，
所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及
所述智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
CN202210902015.1A 2022-07-29 2022-07-29 一种智能变压器故障预测方法和装置 Active CN114970774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210902015.1A CN114970774B (zh) 2022-07-29 2022-07-29 一种智能变压器故障预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210902015.1A CN114970774B (zh) 2022-07-29 2022-07-29 一种智能变压器故障预测方法和装置

Publications (2)

Publication Number Publication Date
CN114970774A CN114970774A (zh) 2022-08-30
CN114970774B true CN114970774B (zh) 2022-11-25

Family

ID=82970289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210902015.1A Active CN114970774B (zh) 2022-07-29 2022-07-29 一种智能变压器故障预测方法和装置

Country Status (1)

Country Link
CN (1) CN114970774B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116383606B (zh) * 2023-03-17 2023-10-20 无锡市第五人民医院 一种分布式医疗设备的恒流温度采集方法及系统
CN117134507B (zh) * 2023-10-27 2024-01-02 南京中鑫智电科技有限公司 基于智能群体关联的全站容性设备在线监测方法及系统
CN117434486B (zh) * 2023-12-20 2024-03-08 智联信通科技股份有限公司 一种直流分路计量误差分析处理方法
CN117522086B (zh) * 2024-01-05 2024-03-22 中国建筑科学研究院有限公司 一种数字化低碳社区能耗管理系统
CN118211124B (zh) * 2024-05-22 2024-08-02 国网山东省电力公司汶上县供电公司 一种变压器故障预测方法及系统
CN118296359B (zh) * 2024-06-05 2024-08-06 山东德源电力科技股份有限公司 一种用于集中器终端具有智能采集系统的电能表

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
CN110895772A (zh) * 2019-11-11 2020-03-20 国网浙江省电力有限公司宁波供电公司 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146121A (zh) * 2018-06-25 2019-01-04 华北电力大学 基于pso-bp模型的停限产情况下的电量预测方法
CN109492857A (zh) * 2018-09-18 2019-03-19 中国电力科学研究院有限公司 一种配电网故障风险等级预测方法和装置
CN111144638B (zh) * 2019-12-24 2023-12-12 东南大学 一种基于大数据的配电网运行态势预测方法
CN112884205A (zh) * 2021-01-25 2021-06-01 山东华方智联科技股份有限公司 一种机电设备故障预测方法
CN114781573A (zh) * 2022-03-17 2022-07-22 上海电机学院 一种基于改进灰狼算法优化的变压器故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
CN110895772A (zh) * 2019-11-11 2020-03-20 国网浙江省电力有限公司宁波供电公司 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法

Also Published As

Publication number Publication date
CN114970774A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114970774B (zh) 一种智能变压器故障预测方法和装置
CN109919364A (zh) 基于自适应降噪和集成lstm的多变量时间序列预测方法
CN112884056A (zh) 基于优化的lstm神经网络的污水水质预测方法
CN109389171A (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN114036850A (zh) 一种基于vecgm的径流预测方法
Liao et al. Data-driven missing data imputation for wind farms using context encoder
CN115545265A (zh) 一种基于数据修复和分解序列预测的售电量预测方法
CN117094451B (zh) 一种耗电量的预测方法、装置及终端
Akut et al. NeuroEvolution: Using genetic algorithm for optimal design of deep learning models
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN115694985A (zh) 基于tmb的混合网络流量攻击预测方法
CN117473275B (zh) 一种数据中心的能耗检测方法
CN117874615A (zh) 一种基于深度数字孪生的光伏故障诊断方法以及系统
CN117237005A (zh) 一种考虑多维因素的绿电需求量智能预测方法和系统
CN116842358A (zh) 一种基于多尺度卷积和自适应特征融合的软测量建模方法
Talukder et al. TOTEM: TOkenized Time Series EMbeddings for General Time Series Analysis
CN116109006A (zh) 一种股票长期趋势预测方法、系统、设备及介质
CN116343810A (zh) 一种语音降噪方法、装置、存储介质及设备
Tian et al. Reciprocating compressor health monitoring based on BSInformer with deep convolutional AutoEncoder
CN115936196A (zh) 基于时序卷积网络的月降水模型预测方法
Fathi et al. A hybrid model combining discrete wavelet transform and nonlinear autoregressive neural network for stock price prediction: An application in the Egyptian exchange
CN115146689A (zh) 一种基于深度学习的动力系统高维测量数据降维方法
Zhou et al. A hybrid learning model based on auto-encoders
Yu et al. A Neural Network Approach to Analyze FDC Data in Semiconductor Manufacture
CN114638555B (zh) 基于多层正则化极限学习机的用电行为检测方法及系统

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