CN115730506A - 一种基于信息决策的变压器油温异常预警方法 - Google Patents
一种基于信息决策的变压器油温异常预警方法 Download PDFInfo
- Publication number
- CN115730506A CN115730506A CN202111011951.5A CN202111011951A CN115730506A CN 115730506 A CN115730506 A CN 115730506A CN 202111011951 A CN202111011951 A CN 202111011951A CN 115730506 A CN115730506 A CN 115730506A
- Authority
- CN
- China
- Prior art keywords
- layer
- oil temperature
- convolution
- point
- model
- 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
Landscapes
- Protection Of Transformers (AREA)
Abstract
本发明公开了一种基于信息决策的变压器油温异常预警方法,包括如下步骤:步骤1:预处理运行数据,构建数据集;步骤2:基于所述数据集,利用TCN预测模型来预测变压器油温,从而判断状态异常。本申请可以借助TCN网络模型,实现变压器油温预测及状态诊断,经验证,该模型具有较好的抗扰动能力,同时利用PCA方法进行数据集处理,可有效提升模型稳定性和预测精度,实现设备健康状况的感知能力,辅助设备管理人员做好设备运行评估及电网风险预警。
Description
技术领域
本发明属于电力系统调控技术领域,具体涉及一种基于信息决策的变压器油温异常预警方法。
背景技术
随着电网规模的逐步扩大、能源新格局的逐步形成、电网一体化特征的不断加强,电力设备作为电网的核心要素,承载着发电、输电、变电、配电的重要使命,电网的智能化改造带来了电力设备监测信息海量化离散化,为此亟需提升设备运行状态趋势预警感知能力,进而促进设备资产利用率的提升,保障电网安全可靠运行。现有电网运行特性日趋复杂,设备在不同情况下感知难度逐步增加,仅靠调控运行人员记忆和经验难以全面掌控。传统设备运行状态评价主要依赖人工维护设备管理参数等静态信息,未充分融合电网设备运行信息、外部环境信息、视频监视信息、微地形信息、输变电在线监测信息及设备三维模型信息等多源业务数据,不能实现对数据源完备性覆盖。构建设备状态趋势感知及预测模型,将多源数据关联融合,利用大数据技术、人工智能技术实现设备状态趋势评估,及时发现电网风险隐患,通过设备状态趋势预警提前干预,全面提高设备状态全感知能力,保证电网安全稳定运行。
发明内容
为了解决相关技术问题,本发明的目的是提供一种基于信息决策的变压器油温异常预警方法。
为了实现本申请的目的,本申请提供的技术方案如下:
一种基于信息决策的变压器油温异常预警方法,包括如下步骤:
步骤1:预处理运行数据,构建数据集;
步骤2:基于所述数据集,利用TCN预测模型来预测变压器油温,从而判断状态异常。
其中,所述预处理运行数据包括异常值剔除处理,所述异常值剔除处理包括如下步骤:
为适应各种监测量数据分布不一致的情况,假设{Δvt}呈正态分布,取其标准偏差σ作为参考值
σ=std({Δvt})
对于某点,当Δvt>5σ时,即认为该点是异常值。
其中,所述滤波函数为双边滤波函数,所述双边滤波函数的表达式如下:
由于高斯分布会迅速衰减,一般控制j∈[i-ε,i+ε],ε=5σp即可获得较好的滤波效果。
其中,所述TCN网络结构如下:
包括8层结构,第1层为卷积层,卷积核为16×3;第2层为残差模块,第3层为卷积层,卷积核为32×1;第4层为残差模块,第5层为卷积层,卷积核为16×1;第6层为残差模块,第7层为卷积层,卷积核为8×3;第8层为卷积层,卷积核为1×4。
其中,所述步骤2具体包括如下步骤:
设输入向量序列为{xt}(t=0,1,2…),xt∈Rd代表预测时刻t的所有特征量,d为特征维度,特征量包含上一时刻油温Tt-1,预测的环境温度At,预规划的变压器电流It等,即
对于时间序列{xt},xt∈Rd,若网络仅有q维单隐层,记为ht∈Rq,
提取隐层特征ht的表达式可写为:
ht=f(wh*c(xt-p(l-1)…,xt-p,xt)T+bh)
式中:f(·)激活函数;wh特征提取卷积核,wh∈Rq×l;*c多通道卷积操作;bh偏移向量;p卷积膨胀率。
多通道卷积实际上是将输入序列视为长宽1×t,通道数为d的图像并应用卷积操作,其中第j个通道定义为{xt}(j)=x0 (j),x1 (j),x2 (j)…(j=1,2…d);
设输出层卷积核和偏移量为wo和bo,激活函数为g(·),此时输出yt为
yt=g(xt+wo*c(ht-p(l-1)…,ht-p,ht)T+bo)。
与现有技术相比,本发明的有益效果为:
本申请可以借助TCN网络模型,实现变压器油温预测及状态诊断,经验证,该模型具有较好的抗扰动能力,同时利用PCA方法进行数据集处理,可有效提升模型稳定性和预测精度,实现设备健康状况的感知能力,辅助设备管理人员做好设备运行评估及电网风险预警。
附图说明
图1为本申请的方法流程图;
图2为本申请的TCN计算流程图;
图3为本申请膨胀卷积网络结构图;
图4为本申请增加残差连接后的网络结构图;
图5为本申请残差模块的结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
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申请的示例性实施方式。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属于“包含”和/或“包括”时,其指明存在特征、步骤、操作、部件或者模块、组件和/或它们的组合。
应该理解,当本申请文件中称部件被“连接”到另一部件时,它可以直接连接到其他元件,或者也可以存在中间部件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
实施例
本申请实施例提供了一种基于信息决策的变压器油温异常预警方法,包括如下步骤:
步骤1:基于运行数据对油温进行预测,首先对数据进行预处理,构建数据集;
步骤2:应用TCN预测模型来预测变压器油温,从而判断状态异常。
需要说明的是,通常采集到的油温曲线存在明显异常值,电流曲线中存在小幅随机噪声,也存在异常值,需要进行异常值剔除、滤波处理。另外,采集到的气温、湿度曲线还存在数据缺失、采样间隔不一致等问题,需要进行数据补全和插值处理。
对于某一监测量(电流、功率、温度等),正常数据序列具备一定的连续性,而异常值会显著与其邻域数据不符,据此可以检测异常值。
为适应各种监测量数据分布不一致的情况,假设{Δvt}呈正态分布,取其标准偏差σ作为参考值
σ=std({Δvt})
对于某点,当Δvt>5σ时,即认为该点是异常值。
检出异常值的关键在于选择合适的滤波函数φ。由于获取的电流、功率等监测量包含了变压器投切的过程,投切过程中产生的阶跃瞬变很容易与真正的异常值混淆,所以选用双边滤波函数辅助异常检测。
双边滤波是一种非线性滤波器,滤波后每点的值,都由其本身和邻域内的其他点值经过加权平均后得到。双边滤波的权值在空间位置上基于高斯分布,但同时也受到点值的影响,点值相差越大,它们间的滤波权值越小。通过这一权值修正方法,双边滤波可以在降噪平滑的同时也保持突变的边缘,在图像处理领域已经有广泛的应用。
式中:σp控制取样窗口宽度的滤波参数;σv控制点值差异对权值影响的滤波参数。
由于高斯分布会迅速衰减,一般控制j∈[i-ε,i+ε],ε=5σp即可获得较好的滤波效果。
双边滤波相较于高斯滤波和均值滑窗滤波,不易受到投切过程的干扰,更易检出真正的异常值。
考虑到油温变化缓慢,所给数据为1min采样间隔,相邻采样点间变化极小,模型不易学习特征,所以对数据序列进行重采样,采样间隔为1h,每一次模型预测会输入前48个采样点(即两天)的采样数据。
收集到的数据中,虽然同一厂站各变压器电压等级、容量基本一致,但由于各厂站变压器数量不等,且各变压器负荷状态存在差异,数据分布不完全一致,所以考虑以厂站为单位构建训练和测试数据集。具体方法为,将同一厂站的所有变压器数据混合,再随机打乱,取70%作为训练集,30%为测试集。
变压器油温或内部温度是产热与散热动态平衡的结果,油温预测需要考虑多方面因素,是一个复杂的非线性问题。由于收集到的数据中有的变压器存在投切的过程,是否处于运行状态标志着是否有铁损,对变压器油温变化情况影响极大。所以定义开关状态量,该值为1表示变压器正在运行,为0表示正停运维护,并将其作为一个输入特征量。对于一直工作的变压器,可不添加该量。
变压器工作时有多个绕组同时发热,对应多个工作电流,所以由于电流负荷的产热也需要综合考虑,选用高压、中压、低压侧的电流、有功功率、无功功率、负载率等表征。气温、湿度、风力等环境因素对于变压器散热有着重要影响,但收集到的风力数据是以极坐标形式给出的,考虑到所用模型以线性变换和非线性激活函数为基础,将其变换为直角坐标数据可以更好地适应模型。
各特征量输入模型前均进行了标准化处理,变换为方差1均值0的数据分布。各特征量对于模型预测精度的影响将在讨论中详细阐述。
线性模型RNN及其变体是常用的油温预测方法,通过这些模型的原理和训练方法将TCN模型引入油温预测领域。
设输入向量序列为{xt}(t=0,1,2…),xt∈Rd代表预测时刻t的所有特征量,d为特征维度。特征量包含上一时刻油温Tt-1,预测的环境温度At,预规划的变压器电流It等,即
时间卷积网络(TCN)是一种时序特征提取网络,TCN的输入结构保留了时序特征,并迁移应用了图像处理中常用的卷积结构,有效降低了存储与计算开销,同时利用膨胀卷积等结构增加了感受野。由于在滑动预测的过程中,已有的隐层特征会保持不变,所以TCN网络可以具有很强的记忆能力。
对于时间序列{xt},xt∈Rd,若网络仅有q维单隐层,记为ht∈Rq,则网络结构如图1所示。图为增大感受野,提升长时信息捕捉能力,用膨胀率p=2的膨胀卷积替换普通卷积后的网络结构如图2,可见输出值的感受野扩大了两倍。
综上,提取隐层特征ht的表达式可写为
ht=f(wh*c(xt-p(l-1)…,xt-p,xt)T+bh)
式中:f(·)激活函数;wh特征提取卷积核,wh∈Rq×l;*c多通道卷积操作;bh偏移向量;p卷积膨胀率。
多通道卷积实际上是将输入序列视为长宽1×t,通道数为d的图像并应用卷积操作,其中第j个通道定义为{xt}(j)=x0 (j),x1 (j),x2 (j)…(j=1,2…d)。这一操作不仅可以聚合时间维度信息,也可以挖掘特征量之间的关系。
增加残差连接后的网络结构如图3,设输出层卷积核和偏移量为wo和bo,激活函数为g(·),此时输出yt为
yt=g(xt+wo*c(ht-p(l-1)…,ht-p,ht)T+bo)
下面说明采用的网络结构。首先定义残差模块,如图4所示。图中,输入序列大小为c×li,其中c为通道数,li为序列长度,输出序列大小为c×lo。对于每层卷积,c×k为卷积核尺寸,s为卷积步长,ch为内部扩展通道数。残差模块内部,输入序列经过一层卷积扩展通道,再一层卷积恢复通道数,然后与裁剪之后的输入序列相加,最后仅序列长度改变。
为方便与常用模型进行比较,给出两种复杂度不同的TCN网络结构,称为TCN1和TCN2,两种网络结构如表1所示。
表1采用的TCN网络结构
表中,“类型”列表示采用的模块和激活函数,“Conv”表示卷积,“Res”表示残差模块。“卷积核”列表示该层卷积的输出通道数和核的长度,对于Res层,括号里的值为扩展通道数。TCN1具仅有2个Res模块,共324个参数,TCN2更深也更宽,共837个参数。采用小批量梯度下降方法训练,批次大小为64。参数优化器选为Adam,该优化器可以在一定程度上进行学习率自适应,且实现简单,计算高效。为进一步提升训练表现,防止过拟合,采用指数衰减学习率,初始值设定为0.01,衰减系数为0.9/(100批次)。
油温预测的目的是对油温升提前告警并对上述模型进行校验,为预警提供双重可靠性保障,所以需要模型具有一定的长时预测能力。考虑到实际运行中,可以较为方便地获取气温预测数据,且变压器负荷预测能达到相当高的精度,利用已有预测数据和滚动预测方法,可以有效扩展油温预测时间。
滚动预测是指利用当前时刻的油温预测值作为下一时刻预测模型的输入值。设预测模型为yt=Ψ(xt-a+1…xt-1,xt),其中,a指历史采样长度。t时刻开始,第p步滚动预测的表达式为
由于采用1h间隔采样,考虑以滚动预测12次,即12h后的预测均方根误差RMSE作为模型优劣的评判标准。
在近似参数量的情况下,得益于卷积的强大的拟合能力,TCN可以取得最优秀的表现,且随着网络的加深加宽,TCN的精度还可以进一步提升。RNN系列模型受限于其模型结构和记忆能力,对油温的预测效果并不理想。即使是记忆能力最强的LSTM模型,对此类长时依赖问题也难以适应,且一味地增加隐层维度对精度提升能力有限。线性模型缺乏深度特征的挖掘能力,虽然可以进行单步预测,但预测精度会随着预测步数增加而迅速增加。
考虑到TCN2网络的精度优势,最终选取此模型进行油温预测。TCN2网络在预测12h的RMSE误差已经可以降到0.6℃以下,这意味着出现模型出现1.8℃的预测偏差已是小概率事件,可以据此进行变压器的油温预测或状态诊断。
为较为全面比较模型性能,本文利用6个站的构建了6个数据集,输入特征维度均为10。表2展示了常用油温预测模型与本文采用的TCN模型的参数量和在各数据集上的12h预测误差。
表2各模型预测精度比较
表2中,“模型”列表示被测试模型类型。对于线性(Linear)模型,“[]”里的值表示历史采样数目,如Linear[6]表示该模型会用历史6个采样点,利用6*10=60个输入数据预测油温。对于RNN、LSTM、GRU模型,“[]”里的值表示隐层特征维度,为控制参数数量,所有上述模型均为单层结构。
已有研究表明,气温、湿度、风力等环境状态会对变压器油温产生重要影响。为了适应变压器投切过程,还引入了开关状态这一特征量。另外,已有模型中,常用电流平方项而非提取的主成分表征负荷产热情况。
为研究这些特征量对预测精度影响,通过逐个屏蔽或者增加上述特征量,以模型在测试数据集的RMSE误差增量作为定量指标来评估影响。为避免模型的特殊性带来的干扰,采用三种典型模型TCN2、Linear、RNN分别测试。“开关状态”这一特征量该特征量对于线性模型和RNN模型比较重要,而TCN模型本身具有较强的特征提取能力,可以主动提取类似特征量,所以是否事先提供影响不大。
对于所有模型,气温、湿度、风力等环境状态特征量均有重要作用,大致的重要性顺序为气温>风力>湿度。缺失其中某一项会导致预测精度显著下降,这与现有研究相符。
“电流平方”这一特征量对预测结果影响较小,可以认为,变压器负荷情况已经充分包含在提取的主成分中了。增加这一特征量有时甚至会形成干扰,导致精度下降。
在预测模型实际应用时,收集到的变压器和环境状态预测数据不一定是准确的,可能与实际情况存在一定的偏差,将探究这一偏差对油温预测结果的影响。具体方法为,为变压器和环境状态预测数据添加固定百分比的高斯噪声,考察TCN模型的预测性能下降程度。
采用TCN2模型进行测试,在已经标准化的测试集中添加标准差为0-20%,均值为0的高斯噪声,模拟实际运行中对未来变压器负荷和环境状态预测不准的情况。随着高斯噪声的增加,TCN模型预测的RMSE误差也逐步上升。当噪声达到20%时,RMSE误差约为无噪声误差的2倍,这一精度与无噪声的线性、RNN等模型接近,是可以接受的,说明TCN模型具有较好的抗扰动能力。
对于TCN模型,虽然减少输入特征维度并不能减少模型参数,但PCA可以提取主要信息特征,这对于确保模型稳定收敛具有重要意义。为探究PCA去除的冗余信息对于模型预测精度影响,尝试不采用PCA建立的数据集,直接应用TCN模型。对于所有数据集,应用PCA方法之后,多次训练的结果更加稳定。对于站1、2、3,由于PCA丢弃了一些信息,预测精度稍有下降,站6预测精度几乎无影响。对于工况较为复杂的站4、5,去除冗余信息之后,不仅模型更加稳定,预测精度也有明显提升。综上,利用PCA方法去除冗余信息是有利于模型性能表现的。
正常情况下,可能造成油温突然升高的原因有两个,其一为负荷的突增,其二为环境温度的升高。可能是出现了散热功能故障,进而导致了油温异常升高。当散热设备或其它设备出现故障且自身告警能力损坏时,预测模型也可以作为变压器状态预警的另一重保险。应用油温预测模型,调度人员可以比较油温预测值与实际值的差异,间接感知变压器是否正常运行,若出现较大偏差,应及时委派巡检人员检查,排除可能的故障。
需要说明的是,本申请中未详述的技术方案,采用公知技术。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于信息决策的变压器油温异常预警方法,其特征在于:包括如下步骤:
步骤1:预处理运行数据,构建数据集;
步骤2:基于所述数据集,利用TCN预测模型来预测变压器油温,从而判断状态异常。
4.根据权利要求1所述的一种基于信息决策的变压器油温异常预警方法,其特征在于:所述TCN网络结构如下:
包括8层结构,第1层为卷积层,卷积核为16×3;第2层为残差模块,第3层为卷积层,卷积核为32×1;第4层为残差模块,第5层为卷积层,卷积核为16×1;第6层为残差模块,第7层为卷积层,卷积核为8×3;第8层为卷积层,卷积核为1×4。
5.根据权利要求1所述的一种基于信息决策的变压器油温异常预警方法,其特征在于:所述步骤2具体包括如下步骤:
设输入向量序列为{xt}(t=0,1,2...),xt∈Rd代表预测时刻t的所有特征量,d为特征维度,特征量包含上一时刻油温Tt-1,预测的环境温度At,预规划的变压器电流It等,即
对于时间序列{xt},xt∈Rd,若网络仅有q维单隐层,记为ht∈Rq,
提取隐层特征ht的表达式可写为:
ht=f(wh*c(xt-p(l-1)...,xt-p,xt)T+bh)
式中:f(·)激活函数;wh特征提取卷积核,wh∈Rq×l;*c多通道卷积操作;bh偏移向量;p卷积膨胀率。
多通道卷积实际上是将输入序列视为长宽1×t,通道数为d的图像并应用卷积操作,其中第j个通道定义为{xt}(j)=x0 (j),x1 (j),x2 (j)...(j=1,2...d);
设输出层卷积核和偏移量为wo和bo,激活函数为g(·),此时输出yt为
yt=g(xt+wo*c(ht-p(l-1)...,ht-p,ht)T+bo)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011951.5A CN115730506A (zh) | 2021-08-31 | 2021-08-31 | 一种基于信息决策的变压器油温异常预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011951.5A CN115730506A (zh) | 2021-08-31 | 2021-08-31 | 一种基于信息决策的变压器油温异常预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730506A true CN115730506A (zh) | 2023-03-03 |
Family
ID=85291276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011951.5A Pending CN115730506A (zh) | 2021-08-31 | 2021-08-31 | 一种基于信息决策的变压器油温异常预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115730506A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432542A (zh) * | 2023-06-12 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
-
2021
- 2021-08-31 CN CN202111011951.5A patent/CN115730506A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432542A (zh) * | 2023-06-12 | 2023-07-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
CN116432542B (zh) * | 2023-06-12 | 2023-10-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
Dai et al. | Cleaning method for status monitoring data of power equipment based on stacked denoising autoencoders | |
CN109376401B (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
CN111666982A (zh) | 一种基于深度神经网络的机电设备故障诊断方法 | |
Mousavi et al. | Detecting incipient faults via numerical modeling and statistical change detection | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 | |
CN110794254A (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN109635430B (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117708669A (zh) | 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
DE102021006561A1 (de) | Big-Data für Fehlererkennung in Batteriesystemen | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
Zhu et al. | Cross-Domain Data Fusion On Distribution Network Voltage Estimation with DS Evidence Theory | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
EP4231198A1 (en) | Method of generating a signal processing logic, device for controlling, monitoring, and/or analyzing a physical asset, and electric power system | |
CN117388637B (zh) | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 | |
Huang et al. | Condition monitoring of wind turbine based on copula function and autoregressive neural network |
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 |