CN115511387A - 基于多源信息融合的油浸变压器状态评估方法及系统 - Google Patents
基于多源信息融合的油浸变压器状态评估方法及系统 Download PDFInfo
- Publication number
- CN115511387A CN115511387A CN202211400202.6A CN202211400202A CN115511387A CN 115511387 A CN115511387 A CN 115511387A CN 202211400202 A CN202211400202 A CN 202211400202A CN 115511387 A CN115511387 A CN 115511387A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- oil
- index
- fusion
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 185
- 230000004927 fusion Effects 0.000 title claims abstract description 107
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 29
- 230000035945 sensitivity Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012847 principal component analysis method Methods 0.000 claims description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000036961 partial effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 10
- 238000004804 winding Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013398 bayesian method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000004587 chromatography analysis Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002848 electrochemical method Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多源信息融合的油浸变压器状态评估方法，包括建立油浸变压器的评估指标体系；获取对应的评估指标数据并处理得到评估数据集；计算评估数据集中各个评估指标的指标权重；进行信息融合得到融合数据集；构建初步诊断模块并得到初步诊断结果；对初步诊断结果进行结果融合得到最终融合结果；根据最终融合结果完成油浸变压器的状态评估。本发明还公开了一种实现所述基于多源信息融合的油浸变压器状态评估方法的系统。本发明采用多源信息融合的技术进行数据处理和融合，对运行状态与各种监测数据特征进行协同分析，采用证据理论融合方法提高评估结果的准确性和抗干扰性；因此本发明的可靠性高、准确性好且客观科学。
Description
技术领域
本发明属于电气自动化领域，具体涉及一种基于多源信息融合的油浸变压器状态评估方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
油浸变压器是电力系统的重要组成部件，油浸变压器的可靠性对电网的稳定高效运行有着举足轻重的影响。因此，准确的对油浸变压器的运行状态进行监测和评估，实时掌握油浸变压器的状态，从而有效预防相关电力事故的发生，就显得尤为重要。
油浸变压器本身较为复杂，因此其涉及的状态量较多。但是，目前的油浸变压器的状态评估方法，其采用的状态量较少，各个状态量之间存在模糊和不确定关系，从而使得目前的评估方法的准确性较差，而且可靠性较低。
发明内容
本发明的目的之一在于提供一种可靠性高、准确性好且客观科学的基于多源信息融合的油浸变压器状态评估方法。
本发明的目的之二在于提供一种实现所述基于多源信息融合的油浸变压器状态评估方法的系统。
本发明提供的这种基于多源信息融合的油浸变压器状态评估方法，包括如下步骤：
S1.建立油浸变压器的评估指标体系；
S2.针对步骤S1建立的评估指标体系，获取对应的评估指标数据；
S3.对步骤S2获取的评估指标数据进行预处理，得到评估数据集；
S4.采用层次分析法计算得到评估数据集中各个评估指标的指标权重；
S5.对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集；
S6.构建初步诊断模块，并将步骤S5得到的融合数据集输入到初步诊断模块中，得到初步诊断结果；
S7.基于D-S证据理论，对步骤S6得到的初步诊断结果进行结果融合，得到最终融合结果；
S8.根据步骤S7得到的最终融合结果，完成油浸变压器的状态评估。
步骤S1所述的建立油浸变压器的评估指标体系，具体实现如下：
选取的评估指标为油色谱指标、油中微水含量指标、局部放电指标、套管介损指标、绕组温度指标、外壳振动指标、顶层油温指标、铁芯接地电流指标和运检记录指标；
其中，油色谱指标用于表示油中溶解气体；运检记录指标包括常规运行巡视信息、历史检修记录、故障记录、不良工况和变压器家族缺陷。
步骤S2所述的获取对应的评估指标数据，具体实现如下：
针对油色谱指标，采用基于电化学法的油中溶解气体在线监测技术采集油中溶解气体数据；
针对油中微水含量指标，采用基于介电常数法的油中微水在线监测装置采集油中微水含量数据；
针对局部放电指标，采用超高频检测法采集局部放电信号；选择内置式阿基米德双臂螺旋天线超高频传感器置于变压器内部，再基于反馈放大器的前置放大电路对信号先进行放大再进行信号采集，最后通过信号调理得到局部放电信息数据；
针对套管介损指标，采用基于谐波分析的变压器套管在线监测技术采集套管介损数据；
针对绕组温度指标，采用电阻温度传感器对绕组温度进行测量；
针对顶层油温指标，采用电阻温度传感器对顶层油温进行测量；传感器安装在变压器外壳顶部，温度传感器的探头深入导热油中进行温度数据的监测，获取温度数据后转化为电信号，再经通过A/D转换后传输给上位机，得到顶层油温数据；
针对外壳振动指标，在油浸变压器外部安装振动传感器，在线监测油浸变压器器身的振动情况，从而获取外壳振动数据；
针对铁芯接地电流指标，采用电流互感器采集铁心接地电流数据，从而得到铁芯接地电流数据。
步骤S3所述的对步骤S2获取的评估指标数据进行预处理，得到评估数据集，具体实现如下：
对获取的评估指标数据进行数据识别：包括属性识别、数据筛选和数据分类；基于识别结果，进行数据清洗和数据解析；
采用如下步骤进行归一化处理：
对于定量指标：采用相对劣化度表示选取的各评估指标偏离正常状态的程度；采用半梯形模型对定量指标进行归一化处理；
对于数据越低越优秀的评估指标，采用下降半梯形模型进行归一化：
对于数据越高越优秀的评估指标，采用上升半梯形模型进行归一化：
其中，y(xi)为归一化后的数据，xi为归一化前的数据，a为设定的上阈值，b为设定的下阈值；
对于定性指标：对于油浸变压器的家族缺陷情况，采用的量化公式为
其中r1为量化后的油浸变压器家族缺陷因素值，wi为第i个油浸变压器的家族质量缺陷权重，m1为当前型号油浸变压器的统计总台数，ni为第i个油浸变压器的家族质量缺陷评分值；
ni的评分规则为：
若第i个油浸变压器的家族质量分类为优秀，变压器不存在缺陷，则ni取值为0.85≤ni≤1；
若第i个油浸变压器的家族质量分类为良好，变压器存在潜在缺陷且潜在影响运行，则ni取值为0.6≤ni＜0.85；
若第i个油浸变压器的家族质量分类为一般，变压器存在缺陷但对运行不会造成严重影响，则ni取值为0.4≤ni＜0.6；
若第i个油浸变压器的家族质量分类为故障，变压器有缺陷且对变压器的运行有实际的危险，则ni取值为0.2≤ni＜0.4；
若第i个油浸变压器的家族质量分类为严重故障，变压器存在致命缺陷且会严重影响变压器的运行，则ni取值为0≤ni＜0.2；
对于油浸变压器的自身质量问题，采用的量化公式为
其中m2为油浸变压器发生自身问题的次数，n2为油浸变压器自身质量问题的评分，且n2∈[0,1]；n2的取值规则为：根据自身质量对油浸变压器安全稳定运行的潜在影响程度进行取值，0表示自身质量问题对油浸变压器的安全稳定运行会产生致命影响，1表示自身质量问题对油浸变压器的安全稳定运行基本没有影响。
步骤S4所述的采用层次分析法计算得到评估数据集中各个评估指标的指标权重，具体实现如下：
构建判断矩阵：每一个准则对应一个判断矩阵；
获取判断矩阵A的所有特征值，求出最大特征值λmax所对应的特征向量W*，并归一化得到目标向量权重W＝[w1,w2,...,wn]，则
其中rij为第i项指标相对于第j项指标的重要性比值。
步骤S5所述的对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集，具体实现如下：
特征敏感性评估：计算第i类的第j个特征量的类内距D为
其中Ni为第i类的样本数量，fij(e)为第i类第e个样本的第j个特征量，fij(g)为第i类第g个样本的第j个特征量；第j个特征量的平均类内距Djw为
其中L为类别个数，Dijw为第i类的第j个特征量的平均类内距；计算第i类的第j个特征量的均值qijb为
计算第j个特征量的平均类间距Djb；最后，计算第j个特征量特征筛选因子βj为
特征筛选因子用于衡量油浸变压器某个特征量对运行状态故障的敏感程度，特征筛选因子越大表明对应的特征量对油浸变压器的故障越敏感；
将剩余的故障特征量作为核主元分析方法的输入故障特征量；计算各个故障特征量的贡献率，按照贡献率从大到小进行排序，保留累积共享率不低于设定阈值的故障特征量；结合可分性参数与贡献率变化趋势，确定故障特征量的维数；利用特征敏感性评估与核主元分析方法对故障特征量进行故障特征量的提取，在保留故障特征量分类特性的基础上，对多维故障特征量进行降维。
步骤S6所述的构建初步诊断模块，并将步骤S5得到的融合数据集输入到初步诊断模块中，得到初步诊断结果，具体实现如下：
采用BP神经网络、SVM及贝叶斯方法，进行油浸变压器状态的初步评估；
将评估结果输出转化为对应辨识框架下的概率分配函数，从而得到用于进行状态评估决策融合的证据体。
步骤S7所述的基于D-S证据理论，对步骤S6得到的初步诊断结果进行结果融合，得到最终融合结果，具体实现如下：
在步骤S6中，若BP神经网络、SVM及贝叶斯方法3种评估方法的初步评估结果一致，则直接得出决策评估结果；若3种评估方法的评估结果不一致，则采用D-S证据理论进行证据融合；
采用支持概率距离k，用于表示证据体之间的可信度；步骤S6得到的初步诊断结果包括3个评估结果和3个证据体E1～E3，对应额基本概率分配函数为m1～m3，对应的支持概率函数为Sm1～Sm3，则E1与E2之间的支持概率距离为
E1与E3之间的支持概率距离为
E2与E3之间的支持概率距离为
其中
为识别框架Θ中的任意焦员A的支持概率函数在两个证据体之间的差值的绝对值；支持概率距离函数k的取值为k∈[0,1]；支持概率距离k的值越大，说明证据体之间的冲突越大，相似程度越小；
对每个证据体之间的支持概率距离进行计算，得到支持概率距离；
根据支持概率距离，计算得到相似性函数
从而得到当前识别框架Θ下所有证据体组成的相似性矩阵；
计算证据体之间的相互支持程度：把相似性矩阵的第i行元素累加，从而得到证据体获得支持的程度为
其中Sp(mi)为第i个证据体Ei受到其他证据体支持的程度，且Sp(mi)的值越高则表明该证据体与其他证据体所表达的信息越接近；
根据证据体之间的相互支持程度，计算得到证据体可信度函数为
其中Cr(mi)为证据体Ei被其余证据体所支持的可信程度；Cr(mi)的值越大，表明该证据体的可信度越高；
修正初始证据源：将得到的每个证据体的可信度函数作为二次权重，令αi＝Cr(mi)，对初始证据源进行二次修正；
对修正后的证据源进行融合：采用D-S证据理论合成规则进行融合，得到支持概率距离函数二次修正后的最终融合结果。
本发明还提供了一种实现所述基于多源信息融合的油浸变压器状态评估系统，具体包括指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块；指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块依次串联；指标体系建立模块用于建立油浸变压器的评估指标体系，并将数据上传数据获取模块；数据获取模块用于根据接收到的数据，获取对应的评估指标数据，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据进行预处理，得到评估数据集，并将数据上传指标权重计算模块；指标权重计算模块用于根据接收到的数据，采用层次分析法计算得到评估数据集中各个评估指标的指标权重，并将数据上传融合数据集构建模块；融合数据集构建模块用于根据接收到的数据，对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集，并将数据上传初步诊断模块；初步诊断模块用于根据接收到的数据，构建初步诊断模块，并将得到的融合数据集输入到初步诊断模块中，得到初步诊断结果，并将数据上传最终融合模块；最终融合模块用于根据接收到的数据，基于D-S证据理论进行结果融合，得到最终融合结果，并将数据上传状态评估模块；状态评估模块用于根据接收到的数据，完成油浸变压器的状态评估。
本发明提供的这种基于多源信息融合的油浸变压器状态评估方法及系统，采用多源信息融合的技术对油浸变压器进行数据处理和融合，并通过数据预处理初步筛选出有价值的信息，减少了噪声信息和不确定信息对油浸变压器状态评估的干扰，使评估结果更加准确、客观；在对油浸变压器众多监测数据充分分析的基础上，对油浸变压器运行状态与各种监测数据特征之间的联系进行协同分析，确定将油浸变压器在线监测数据、电气试验数据与DGA相结合作为故障特征参量，并利用特征敏感性评估及核主元分析对特征信息进行融合；在基于支持概率距离的基础上，采用修正初始证据源的方法对传统D-S证据理论融合方法进行改进，提高油浸变压器状态评估结果的准确性和抗干扰性；因此本发明的可靠性高、准确性好且客观科学。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的系统功能模块示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明主要针对传统的油浸变压器状态评估数据来源比较单一，且油浸变压器特性信息繁多而复杂，含有较多干扰因素，与故障类别间存在较大模糊性，仅仅依靠单一评估难以获得更准确的评估结果的问题，针对油浸变压器运行状态评估进行研究，全面分析影响油浸变压器状态评估的信息数据，充分利用油浸变压器在线检测、DGA(油中溶解气体分析)、电气试验等多源信息数据，利用特征敏感性评估及核主元分析方法(KPCA)对特征信息进行融合，构建基于可信度函数改进的D-S证据理论决策融合的油浸变压器状态评估方法及系统。
因此，本发明提供的这种基于多源信息融合的油浸变压器状态评估方法，包括如下步骤：
S1.建立油浸变压器的评估指标体系；具体实现如下：
选取的评估指标为油色谱指标、油中微水含量指标、局部放电指标、套管介损指标、绕组温度指标、外壳振动指标、顶层油温指标、铁芯接地电流指标和运检记录指标；
其中，油色谱指标用于表示油中溶解气体；运检记录指标包括常规运行巡视信息、历史检修记录、故障记录、不良工况和变压器家族缺陷；
S2.针对步骤S1建立的评估指标体系，获取对应的评估指标数据；具体实现如下：
针对油色谱指标，采用基于电化学法的油中溶解气体在线监测技术采集油中溶解气体数据；
针对油中微水含量指标，采用基于介电常数法的油中微水在线监测装置采集油中微水含量数据；
针对局部放电指标，采用超高频检测法采集局部放电信号；选择内置式阿基米德双臂螺旋天线超高频传感器置于变压器内部，再基于反馈放大器的前置放大电路对信号先进行放大再进行信号采集，最后通过信号调理得到局部放电信息数据；
针对套管介损指标，采用基于谐波分析的变压器套管在线监测技术采集套管介损数据；
针对绕组温度指标，采用电阻温度传感器对绕组温度进行测量；
针对顶层油温指标，采用电阻温度传感器对顶层油温进行测量；传感器安装在变压器外壳顶部，温度传感器的探头深入导热油中进行温度数据的监测，获取温度数据后转化为电信号，再经通过A/D转换后传输给上位机，得到顶层油温数据；
针对外壳振动指标，在油浸变压器外部安装振动传感器，在线监测油浸变压器器身的振动情况，从而获取外壳振动数据；
针对铁芯接地电流指标，采用电流互感器采集铁心接地电流数据，从而得到铁芯接地电流数据；
S3.对步骤S2获取的评估指标数据进行预处理，得到评估数据集；具体实现如下：
油浸变压器的数据具有形式多样、数据具有关联性、数据价值密度低的特点，比如DGA数据，是油浸变压器运行一直存在的数据，其大部分数据都是正常的，只有极少数是异常数据，而异常数据才是主要研究对象；因此，需要对油浸变压器的多源数据进行预处理，方便数据的高效利用和挖掘，使油浸变压器的状态评估更加准确；
对获取的评估指标数据进行数据识别：包括属性识别、数据筛选和数据分类；基于识别结果，进行数据清洗和数据解析；
然后进行数据转换，根据油浸变压器运行规程，将各指标的多源监测数据做归一化处理；按照评估指标的性质可以把油浸变压器的评估指标分为定量指标和定性指标两类，定量指标大部分为通过监测设备获取的实际数据(如油中溶解气体含量、铁心接地电流等)；定性指标则是通过运检记录(如不良工况记录、家族缺陷等)来表征油浸变压器的某一特征，因此也需要将这些定性指标归一化为状态数据；采用如下步骤进行归一化处理：
对于定量指标：采用相对劣化度表示选取的各评估指标偏离正常状态的程度；采用半梯形模型对定量指标进行归一化处理；
对于数据越低越优秀的评估指标，采用下降半梯形模型进行归一化：
对于数据越高越优秀的评估指标，采用上升半梯形模型进行归一化：
其中，y(xi)为归一化后的数据，xi为归一化前的数据，a为设定的上阈值，b为设定的下阈值；
对于定性指标：对于油浸变压器的家族缺陷情况，采用的量化公式为
其中r1为量化后的油浸变压器家族缺陷因素值，wi为第i个油浸变压器的家族质量缺陷权重，M1为当前型号油浸变压器的统计总台数，ni为第i个油浸变压器的家族质量缺陷评分值；
ni的评分规则为：
若第i个油浸变压器的家族质量分类为优秀，变压器不存在缺陷，则ni取值为0.85≤ni≤1；
若第i个油浸变压器的家族质量分类为良好，变压器存在潜在缺陷且潜在影响运行，则ni取值为0.6≤ni＜0.85；
若第i个油浸变压器的家族质量分类为一般，变压器存在缺陷但对运行不会造成严重影响，则ni取值为0.4≤ni＜0.6；
若第i个油浸变压器的家族质量分类为故障，变压器有缺陷且对变压器的运行有实际的危险，则ni取值为0.2≤ni＜0.4；
若第i个油浸变压器的家族质量分类为严重故障，变压器存在致命缺陷且会严重影响变压器的运行，则ni取值为0≤ni＜0.2；
对于油浸变压器的自身质量问题，采用的量化公式为
其中M2为油浸变压器发生自身问题的次数，n2为油浸变压器自身质量问题的评分，且n2∈[0,1]；n2的取值规则为：根据自身质量对油浸变压器安全稳定运行的潜在影响程度进行取值，0表示自身质量问题对油浸变压器的安全稳定运行会产生致命影响，1表示自身质量问题对油浸变压器的安全稳定运行基本没有影响；
S4.采用层次分析法计算得到评估数据集中各个评估指标的指标权重；具体实现如下：
构建判断矩阵：每一个准则对应一个判断矩阵；
获取判断矩阵A的所有特征值，求出最大特征值λmax所对应的特征向量W*，并归一化得到目标向量权重W＝[w1,w2,...,wn]，则
其中rij为第i项指标相对于第j项指标的重要性比值；
S5.对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集；具体实现如下：
由于油浸变压器的故障状态特征信息具有来源多、数量庞大、属性繁多及信息异构等特点会带来一些问题：其一是过多的特征参量会影响训练速度、训练的收敛性，进而影响最终的评估精度；其二是对油浸变压器状态变化不敏感特征数据的介入，往往会对特征参量提取以及其分类性能产生较大的不良影响。因此，在本发明中采取利用特征敏感性评估及KPCA(核主元分析)方法对特征信息进行融合，KPCA在保持数据分类性能不变的情况下消除冗余信息及数据降维方面具备良好的能力，同时敏感性评估能够降低不敏感数据对KPCA性能的影响，具有良好的辅助效果；
特征敏感性评估：对油浸变压器运行状态不敏感的故障特征量不仅会影响到计算效率，而且会对状态评估结果产生较大影响；因此，有必要将不敏感的故障特征量予以剔除，而对于敏感性表现良好的故障特征量应予以保留；特征敏感性评估主要是通过特征之间距离的大小来进行特征敏感度评估的，其评估原则可表述为：同一故障类的类内特征距离越小，不同故障类的类间特征距离越大，则该特征就越敏感；计算第i类的第j个特征量的类内距D为
其中Ni为第i类的样本数量，fij(e)为第i类第e个样本的第j个特征量，fij(g)为第i类第g个样本的第j个特征量；第j个特征量的平均类内距Djw为
其中L为类别个数，Dijw为第i类中第j个特征量的平均类内距；计算第i类的第j个特征量的均值qijb为
计算第j个特征量的平均类间距Djb；最后，计算第j个特征量特征筛选因子βj为
特征筛选因子用于衡量油浸变压器某个特征量对运行状态故障的敏感程度，特征筛选因子越大表明对应的特征量对油浸变压器的故障越敏感；
将剩余的故障特征量作为核主元分析方法的输入故障特征量；计算各个故障特征量的贡献率，按照贡献率从大到小进行排序，保留累积共享率不低于设定阈值的故障特征量；结合可分性参数与贡献率变化趋势，确定故障特征量的维数；利用特征敏感性评估与核主元分析方法对故障特征量进行故障特征量的提取，在保留故障特征量分类特性的基础上，对多维故障特征量进行降维；
S6.构建初步诊断模块，并将步骤S5得到的融合数据集输入到初步诊断模块中，得到初步诊断结果；具体实现如下：
采用BP神经网络、SVM及贝叶斯方法，进行油浸变压器状态的初步评估；
将评估结果输出转化为对应辨识框架下的概率分配函数，从而得到用于进行状态评估决策融合的证据体；
S7.基于D-S证据理论，对步骤S6得到的初步诊断结果进行结果融合，得到最终融合结果；具体实现如下：
若BP神经网络、SVM及贝叶斯方法3种评估方法的初步评估结果一致，那么可直接得出决策评估结果；若其评估结果不一致，则需要利用D-S证据理论对其进行证据融合；在进行证据融合之前需要判定k值，若k＝1，则表示证据之间完全冲突，此时D-S证据合成规则失效；若k<1，表示证据体之间不完全冲突，则可以使用D-S证据合成规则；因此，本发明针对此问题，在基于支持概率距离的基础上，采用修正初始证据源的方法对传统D-S证据理论融合方法进行改进；
在运用D-S证据理论进行状态评估决策融合的过程中经常存在各种相互冲突的信息，当某些证据体包含未知焦元和非单点焦元的时候，由于概率分配值在整个证据源中存在很大的差异而引起证据体之间的冲突，此时仍然采用D-S合成规则将会产生与实际情况矛盾的推理结果，产生证据理论的悖论现象；采用支持概率距离k，用于表示证据体之间的可信度；步骤S6得到的初步诊断结果包括3个评估结果和3个证据体E1～E3，对应额基本概率分配函数为m1～m3，对应的支持概率函数为Sm1～Sm3，则E1与E2之间的支持概率距离为
E1与E3之间的支持概率距离为
E2与E3之间的支持概率距离为
其中
为识别框架Θ中的任意焦员A的支持概率函数在两个证据体之间的差值的绝对值；支持概率距离函数k的取值为k∈[0,1]；支持概率距离k的值越大，说明证据体之间的冲突越大，相似程度越小；
对每个证据体之间的支持概率距离进行计算，得到支持概率距离；
根据支持概率距离，计算得到相似性函数
从而得到当前识别框架Θ下所有证据体组成的相似性矩阵；
计算证据体之间的相互支持程度：把相似性矩阵的第i行元素累加，从而得到证据体获得支持的程度为
其中Sp(mi)为第i个证据体Ei受到其他证据体支持的程度，且Sp(mi)的值越高则表明该证据体与其他证据体所表达的信息越接近；
根据证据体之间的相互支持程度，计算得到证据体可信度函数为
其中Cr(mi)为证据体Ei被其余证据体所支持的可信程度；Cr(mi)的值越大，表明该证据体的可信度越高；
修正初始证据源：将得到的每个证据体的可信度函数作为二次权重，令αi＝Cr(mi)，对初始证据源进行二次修正；
对修正后的证据源进行融合：采用D-S证据理论合成规则进行融合，得到支持概率距离函数二次修正后的最终融合结果；
S8.根据步骤S7得到的最终融合结果，完成油浸变压器的状态评估；具体实施时，通过状态评估决策融合后得到油浸变压器状态评估结果，考虑到油浸变压器的历史故障、油浸变压器运行过程中遭受的非常规工况(短路电流冲击、过电压、过负荷等情况)以及由于设计、材质或工艺问题导致的设备缺陷，这些会对油浸变压器的运行时的数据造成影响，从而影响油浸变压器运行状态的准确评估，因此，本发明在状态评估中加入运检记录修正因子，来对油浸变压器状态的初步评估结果进行修正；
依照设备状态检修规章制度中的油浸变压器状态评价导则，将油浸变压器的最终运行状态结果划分为五个等级，即为良好、正常、可疑、可靠性下降和危险，并根据运行状态结果的五个等级采取相应的运维策略，具体如表1所示：
表1油浸变压器状态等级与运维策略关系示意表
如图2所示为本发明系统的系统功能模块示意图：本发明提供的这种实现所述基于多源信息融合的油浸变压器状态评估方法的系统，具体包括指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块；指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块依次串联；指标体系建立模块用于建立油浸变压器的评估指标体系，并将数据上传数据获取模块；数据获取模块用于根据接收到的数据，获取对应的评估指标数据，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据进行预处理，得到评估数据集，并将数据上传指标权重计算模块；指标权重计算模块用于根据接收到的数据，采用层次分析法计算得到评估数据集中各个评估指标的指标权重，并将数据上传融合数据集构建模块；融合数据集构建模块用于根据接收到的数据，对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集，并将数据上传初步诊断模块；初步诊断模块用于根据接收到的数据，构建初步诊断模块，并将得到的融合数据集输入到初步诊断模块中，得到初步诊断结果，并将数据上传最终融合模块；最终融合模块用于根据接收到的数据，基于D-S证据理论进行结果融合，得到最终融合结果，并将数据上传状态评估模块；状态评估模块用于根据接收到的数据，完成油浸变压器的状态评估。
Claims (9)
1.一种基于多源信息融合的油浸变压器状态评估方法，包括如下步骤：
S1.建立油浸变压器的评估指标体系；
S2.针对步骤S1建立的评估指标体系，获取对应的评估指标数据；
S3.对步骤S2获取的评估指标数据进行预处理，得到评估数据集；
S4.采用层次分析法计算得到评估数据集中各个评估指标的指标权重；
S5.对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集；
S6.构建初步诊断模块，并将步骤S5得到的融合数据集输入到初步诊断模块中，得到初步诊断结果；
S7.基于D-S证据理论，对步骤S6得到的初步诊断结果进行结果融合，得到最终融合结果；
S8.根据步骤S7得到的最终融合结果，完成油浸变压器的状态评估。
2.根据权利要求1所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S1所述的建立油浸变压器的评估指标体系，具体实现如下：
选取的评估指标为油色谱指标、油中微水含量指标、局部放电指标、套管介损指标、绕组温度指标、外壳振动指标、顶层油温指标、铁芯接地电流指标和运检记录指标；
其中，油色谱指标用于表示油中溶解气体；运检记录指标包括常规运行巡视信息、历史检修记录、故障记录、不良工况和变压器家族缺陷。
3.根据权利要求2所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S2所述的获取对应的评估指标数据，具体实现如下：
针对油色谱指标，采用基于电化学法的油中溶解气体在线监测技术采集油中溶解气体数据；
针对油中微水含量指标，采用基于介电常数法的油中微水在线监测装置采集油中微水含量数据；
针对局部放电指标，采用超高频检测法采集局部放电信号；选择内置式阿基米德双臂螺旋天线超高频传感器置于变压器内部，再基于反馈放大器的前置放大电路对信号先进行放大再进行信号采集，最后通过信号调理得到局部放电信息数据；
针对套管介损指标，采用基于谐波分析的变压器套管在线监测技术采集套管介损数据；
针对绕组温度指标，采用电阻温度传感器对绕组温度进行测量；
针对顶层油温指标，采用电阻温度传感器对顶层油温进行测量；传感器安装在变压器外壳顶部，温度传感器的探头深入导热油中进行温度数据的监测，获取温度数据后转化为电信号，再经通过A/D转换后传输给上位机，得到顶层油温数据；
针对外壳振动指标，在油浸变压器外部安装振动传感器，在线监测油浸变压器器身的振动情况，从而获取外壳振动数据；
针对铁芯接地电流指标，采用电流互感器采集铁心接地电流数据，从而得到铁芯接地电流数据。
4.根据权利要求3所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S3所述的对步骤S2获取的评估指标数据进行预处理，得到评估数据集，具体实现如下：
对获取的评估指标数据进行数据识别：包括属性识别、数据筛选和数据分类；基于识别结果，进行数据清洗和数据解析；
采用如下步骤进行归一化处理：
对于定量指标：采用相对劣化度表示选取的各评估指标偏离正常状态的程度；采用半梯形模型对定量指标进行归一化处理；
对于数据越低越优秀的评估指标，采用下降半梯形模型进行归一化：
对于数据越高越优秀的评估指标，采用上升半梯形模型进行归一化：
其中，y(xi)为归一化后的数据，xi为归一化前的数据，a为设定的上阈值，b为设定的下阈值；
对于定性指标：对于油浸变压器的家族缺陷情况，采用的量化公式为
其中r1为量化后的油浸变压器家族缺陷因素值，wi为第i个油浸变压器的家族质量缺陷权重，m1为当前型号油浸变压器的统计总台数，ni为第i个油浸变压器的家族质量缺陷评分值；
ni的评分规则为：
若第i个油浸变压器的家族质量分类为优秀，变压器不存在缺陷，则ni取值为0.85≤ni≤1；
若第i个油浸变压器的家族质量分类为良好，变压器存在潜在缺陷且潜在影响运行，则ni取值为0.6≤ni＜0.85；
若第i个油浸变压器的家族质量分类为一般，变压器存在缺陷但对运行不会造成严重影响，则ni取值为0.4≤ni＜0.6；
若第i个油浸变压器的家族质量分类为故障，变压器有缺陷且对变压器的运行有实际的危险，则ni取值为0.2≤ni＜0.4；
若第i个油浸变压器的家族质量分类为严重故障，变压器存在致命缺陷且会严重影响变压器的运行，则ni取值为0≤ni＜0.2；
对于油浸变压器的自身质量问题，采用的量化公式为
其中m2为油浸变压器发生自身问题的次数，n2为油浸变压器自身质量问题的评分，且n2∈[0,1]；n2的取值规则为：根据自身质量对油浸变压器安全稳定运行的潜在影响程度进行取值，0表示自身质量问题对油浸变压器的安全稳定运行会产生致命影响，1表示自身质量问题对油浸变压器的安全稳定运行基本没有影响。
5.根据权利要求4所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S4所述的采用层次分析法计算得到评估数据集中各个评估指标的指标权重，具体实现如下：
构建判断矩阵：每一个准则对应一个判断矩阵；
获取判断矩阵A的所有特征值，求出最大特征值λmax所对应的特征向量W*，并归一化得到目标向量权重W＝[w1,w2,...,wn]，则
其中rij为第i项指标相对于第j项指标的重要性比值。
6.根据权利要求5所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S5所述的对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集，具体实现如下：
特征敏感性评估：计算第i类的第j个特征量的类内距D为
其中Ni为第i类的样本数量，fij(e)为第i类第e个样本的第j个特征量，fij(g)为第i类第g个样本的第j个特征量；第j个特征量的平均类内距Djw为
其中L为类别个数，Dijw为第i类的第j个特征量的平均类内距；计算第i类的第j个特征量的均值qijb为
计算第j个特征量的平均类间距Djb；最后，计算第j个特征量特征筛选因子βj为
特征筛选因子用于衡量油浸变压器某个特征量对运行状态故障的敏感程度，特征筛选因子越大表明对应的特征量对油浸变压器的故障越敏感；
将剩余的故障特征量作为核主元分析方法的输入故障特征量；计算各个故障特征量的贡献率，按照贡献率从大到小进行排序，保留累积共享率不低于设定阈值的故障特征量；结合可分性参数与贡献率变化趋势，确定故障特征量的维数；利用特征敏感性评估与核主元分析方法对故障特征量进行故障特征量的提取，在保留故障特征量分类特性的基础上，对多维故障特征量进行降维。
7.根据权利要求6所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S6所述的构建初步诊断模块，并将步骤S5得到的融合数据集输入到初步诊断模块中，得到初步诊断结果，具体实现如下：
采用BP神经网络、SVM及贝叶斯方法，进行油浸变压器状态的初步评估；
将评估结果输出转化为对应辨识框架下的概率分配函数，从而得到用于进行状态评估决策融合的证据体。
8.根据权利要求7所述的基于多源信息融合的油浸变压器状态评估方法，其特征在于步骤S7所述的基于D-S证据理论，对步骤S6得到的初步诊断结果进行结果融合，得到最终融合结果，具体实现如下：
在步骤S6中，若BP神经网络、SVM及贝叶斯方法3种评估方法的初步评估结果一致，则直接得出决策评估结果；若3种评估方法的评估结果不一致，则采用D-S证据理论进行证据融合；
采用支持概率距离k，用于表示证据体之间的可信度；步骤S6得到的初步诊断结果包括3个评估结果和3个证据体E1～E3，对应额基本概率分配函数为m1～m3，对应的支持概率函数为Sm1～Sm3，则E1与E2之间的支持概率距离为
E1与E3之间的支持概率距离为
E2与E3之间的支持概率距离为
其中
为识别框架Θ中的任意焦员A的支持概率函数在两个证据体之间的差值的绝对值；支持概率距离函数k的取值为k∈[0,1]；支持概率距离k的值越大，说明证据体之间的冲突越大，相似程度越小；
对每个证据体之间的支持概率距离进行计算，得到支持概率距离；
根据支持概率距离，计算得到相似性函数
从而得到当前识别框架Θ下所有证据体组成的相似性矩阵；
计算证据体之间的相互支持程度：把相似性矩阵的第i行元素累加，从而得到证据体获得支持的程度为
其中Sp(mi)为第i个证据体Ei受到其他证据体支持的程度，且Sp(mi)的值越高则表明该证据体与其他证据体所表达的信息越接近；
根据证据体之间的相互支持程度，计算得到证据体可信度函数为
其中Cr(mi)为证据体Ei被其余证据体所支持的可信程度；Cr(mi)的值越大，表明该证据体的可信度越高；
修正初始证据源：将得到的每个证据体的可信度函数作为二次权重，令αi＝Cr(mi)，对初始证据源进行二次修正；
对修正后的证据源进行融合：采用D-S证据理论合成规则进行融合，得到支持概率距离函数二次修正后的最终融合结果。
9.一种实现权利要求1～8之一所述的基于多源信息融合的油浸变压器状态评估方法的系统，其特征在于具体包括指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块；指标体系建立模块、数据获取模块、数据处理模块、指标权重计算模块、融合数据集构建模块、初步诊断模块、最终融合模块和状态评估模块依次串联；指标体系建立模块用于建立油浸变压器的评估指标体系，并将数据上传数据获取模块；数据获取模块用于根据接收到的数据，获取对应的评估指标数据，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据进行预处理，得到评估数据集，并将数据上传指标权重计算模块；指标权重计算模块用于根据接收到的数据，采用层次分析法计算得到评估数据集中各个评估指标的指标权重，并将数据上传融合数据集构建模块；融合数据集构建模块用于根据接收到的数据，对评估数据集中的评估指标，采用特征敏感性评估方法和核主元分析方法进行信息融合，得到融合数据集，并将数据上传初步诊断模块；初步诊断模块用于根据接收到的数据，构建初步诊断模块，并将得到的融合数据集输入到初步诊断模块中，得到初步诊断结果，并将数据上传最终融合模块；最终融合模块用于根据接收到的数据，基于D-S证据理论进行结果融合，得到最终融合结果，并将数据上传状态评估模块；状态评估模块用于根据接收到的数据，完成油浸变压器的状态评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211400202.6A CN115511387A (zh) | 2022-11-09 | 2022-11-09 | 基于多源信息融合的油浸变压器状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211400202.6A CN115511387A (zh) | 2022-11-09 | 2022-11-09 | 基于多源信息融合的油浸变压器状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511387A true CN115511387A (zh) | 2022-12-23 |
Family
ID=84514303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211400202.6A Pending CN115511387A (zh) | 2022-11-09 | 2022-11-09 | 基于多源信息融合的油浸变压器状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511387A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435964A (zh) * | 2023-12-21 | 2024-01-23 | 江苏赫奕科技有限公司 | 基于数据诊断仪的设备状态评估方法及系统 |
-
2022
- 2022-11-09 CN CN202211400202.6A patent/CN115511387A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435964A (zh) * | 2023-12-21 | 2024-01-23 | 江苏赫奕科技有限公司 | 基于数据诊断仪的设备状态评估方法及系统 |
| CN117435964B (zh) * | 2023-12-21 | 2024-03-15 | 江苏赫奕科技有限公司 | 基于数据诊断仪的设备状态评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103389430B (zh) | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 | |
| CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
| CN107563601A (zh) | 一种智能电能表运行状态评价方法 | |
| CN110940374A (zh) | 基于大数据融合的变压器健康等级评价系统及方法 | |
| CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
| CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
| CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
| CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
| CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN115511387A (zh) | 基于多源信息融合的油浸变压器状态评估方法及系统 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
| CN113869721A (zh) | 一种变电设备健康状态分类方法及装置 | |
| CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
| CN112241610B (zh) | 一种交联聚乙烯电缆的健康状态评估方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN114019365A (zh) | 一种基于油中气体检测技术的有载分接开关故障诊断方法 | |
| Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
| Tian et al. | Subsystem Measurement-Based Condition Assessment for Power Transformers via Joint Inference of Data and Knowledge | |
| Liu et al. | A novel characteristic optimization method based on combined statistical indicators and random forest for oil-paper insulation state diagnosis |
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 |