CN116662862A - 基于油中溶解气体含量预测和诊断的变压器故障预警方法 - Google Patents
基于油中溶解气体含量预测和诊断的变压器故障预警方法 Download PDFInfo
- Publication number
- CN116662862A CN116662862A CN202310658506.0A CN202310658506A CN116662862A CN 116662862 A CN116662862 A CN 116662862A CN 202310658506 A CN202310658506 A CN 202310658506A CN 116662862 A CN116662862 A CN 116662862A
- Authority
- CN
- China
- Prior art keywords
- prediction
- algorithm
- diagnosis
- content
- oil
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000011208 chromatographic data Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 241000287127 Passeridae Species 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 239000007789 gas Substances 0.000 description 40
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化；将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；将预测数据输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断。本发明解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。
Description
技术领域
本发明涉及变压器故障预警领域，特别是涉及一种基于油中溶解气体含量预测和诊断的变压器故障预警方法。
背景技术
电力变压器作为电网的关键设备，电力变压器的运行状态直接影响电网的稳定运行，而油中气体分析法(Dissolved Gas Analysis,DGA)是一种国际公认的及时、准确检测变压器故障缺陷的方法，主要依据变压器油中溶解的气体(H2、CH4、C2H6、C2H2、C2H4等)进行判断。利用油相色谱监测装置提取油中每种溶解气体的含量值，创建历史检测数据序列，进而预测溶解气体浓度的趋势，可作为变压器故障诊断和状态评估的有效依据，而DGA技术以人工智能预测法和组合预测法应用最为广泛。其中，人工智能预测法是通过计算机技术对监控的数据进行直接处理与分析，在此基础上建立预测模型，通过人工神经网络来进行预测；组合预测模型主要有两种方式，一种运用预处理方法对在线监测数据进行处理，再结合预测模型进行预测，提高精度，另一种是对算法模型的关键参数进行寻优，使算法在所需的性能指标上达到最优。
目前，人工智能预测法中主要采用单一的LSTM网络用于时间序列数据的分析和预测，但是，单一的LSTM存在预测精度较低、预测效果较差的问题，同时没有使用准确精度衡量预测性能。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于油中溶解气体含量预测和诊断的变压器故障预警方法解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：
S1：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；
S2：初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化，获得最优参数；
S3：将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；
S4：将预测数据归一化处理后输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断，完成基于油中溶解气体含量预测和诊断的变压器故障预警。
上述方案的有益效果是：术方案通过组合优化方法基于深度学习进行气体预测，将麻雀搜索算法和长短时记忆网络相结合，并在此预测结果上结合四种经典算法进行故障诊断，构建一种基于变压器油中溶解气体时间序列数据的高精度预警模型，解决了现有预测方法存在精度低、预测效果较差以及现有方法没有使用准确精度衡量预测性能的问题。
进一步地，S1中故障诊断算法包括支持向量机算法、随机森林算法、误差反向传播算法和K近邻算法。
上述进一步方案的有益效果是：在预测油中气体含量的基础上加入故障诊断部分，利用故障诊断提供有力参考，节省人为确认故障类型的时间，选取经典的四种算法进行故障诊断，使故障诊断分类具有简单性和普适性。
进一步地，S2中初始化SSA算法参数包括迭代次数、种群数量、麻雀中生产者比例和寻优维度。
上述进一步方案的有益效果是：通过对迭代次数、种群数量、麻雀中生产者比例和寻优维度进行初始化，设定具体数值，用于对LSTM网络的实现优化。
进一步地，S2中设定对LSTM网络预测模型的寻优参数包括学习速率、迭代次数、第一隐含层层数和第二隐含层层数。
上述进一步方案的有益效果是：通过设定上述寻优参数，实现对LSTM网络参数的优化，提升故障诊断精度。
进一步地，S2中参数寻优过程中麻雀使用生产者和参与者两种行为策略进行觅食：
生产者的位置更新公式为
其中，为迭代时第i个麻雀在j维的尺寸值，α为第一随机数，itermax为迭代次数最多的常量，exp为以e为底的指数函数，Q为服从正态分布的随机数，L为1×d阶矩阵，d为显示要优化的变量的维度，R2为报警值，ST为安全阀值；
参与者的位置更新公式为
其中，为当前全局最差位置，/>为生产者占据的最佳位置，A+为1×d阶矩阵，n为麻雀的数量；
假设麻雀中能够意识到危险的数量占麻雀总数的10％至20％，麻雀的初始位置在种群中随机生成，数学模型为
其中，为当前全局最佳位置，β为步长控制参数，K为第二随机数，fi为当前麻雀的适应度值，fg为当前全局最佳适应度值，fw为当前全局最差适应度值，ε为最小常数。
上述进一步方案的有益效果是：通过上述技术方案，利用麻雀搜索算法实现参数寻优，获取最优参数。
进一步地，S4中对预测数据进行归一化处理，归一化表达式X～mn为
Xmn＝(xm1,xm2,xm3,xm4,xm5)T
其中，Xmn为5种特征气体含量构成的特征向量，min(Xm)为样本第m个向量中气体含量的最小值，max(Xm)为样本第m个向量中气体含量的最大值，xm1、xm2、xm3、xm4和xm5分别为第m个输入向量中H2、CH4、C2H4、C2H2和C2H6气体含量，T为矩阵的转置。
上述进一步方案的有益效果是：为了平衡不同数据间较大的差异，提高故障诊断精确度，本方案对输入的5种特征气体含量组成的向量进行归一化处理，能够防止噪声和异常数据的影响。
附图说明
图1为一种基于油中溶解气体含量预测和诊断的变压器故障预警方法流程图。
图2为氢气预测结果图。
图3为甲烷预测结果图。
图4为乙炔预测结果图。
图5为乙烷预测结果图。
图6为乙烯预测结果图。
图7为第一部分时间序列数据氢气含量预测图。
图8为第一部分时间序列数据甲烷含量预测图。
图9为第一部分时间序列数据乙烷含量预测图。
图10为第一部分时间序列数据乙烯含量预测图。
图11为第一部分时间序列数据乙炔含量预测图。
图12为第二部分时间序列数据氢气含量预测图。
图13为第二部分时间序列数据甲烷含量预测图。
图14为第二部分时间序列数据乙烷含量预测图。
图15为第二部分时间序列数据乙烯含量预测图。
图16为第二部分时间序列数据乙炔含量预测图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示，一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，包括以下步骤：
S1：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；
S2：初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化，获得最优参数；
S3：将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；
S4：将预测数据归一化处理后输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断，完成基于油中溶解气体含量预测和诊断的变压器故障预警。
S1中故障诊断算法包括支持向量机算法、随机森林算法、误差反向传播算法和K近邻算法。
S2中初始化SSA算法参数包括迭代次数、种群数量、麻雀中生产者比例和寻优维度。
S2中设定对LSTM网络预测模型的寻优参数包括学习速率、迭代次数、第一隐含层层数和第二隐含层层数。
S2中参数寻优过程中麻雀使用生产者和参与者两种行为策略进行觅食：
生产者的位置更新公式为
其中，为迭代时第i个麻雀在j维的尺寸值，α为第一随机数，itermax为迭代次数最多的常量，exp为以e为底的指数函数，Q为服从正态分布的随机数，L为1×d阶矩阵，d为显示要优化的变量的维度，R2为报警值，ST为安全阀值；
参与者的位置更新公式为
其中，为当前全局最差位置，/>为生产者占据的最佳位置，A+为1×d阶矩阵，n为麻雀的数量；
假设麻雀中能够意识到危险的数量占麻雀总数的10％至20％，麻雀的初始位置在种群中随机生成，数学模型为
其中，为当前全局最佳位置，β为步长控制参数，K为第二随机数，fi为当前麻雀的适应度值，fg为当前全局最佳适应度值，fw为当前全局最差适应度值，ε为最小常数。
S4中对预测数据进行归一化处理，归一化表达式为
Xmn＝(xm1,xm2,xm3,xm4,xm5)T
其中，Xmn为5种特征气体含量构成的特征向量，min(Xm)为样本第m个向量中气体含量的最小值，max(Xm)为样本第m个向量中气体含量的最大值，xm1、xm2、xm3、xm4和xm5分别为第m个输入向量中H2、CH4、C2H4、C2H2和C2H6气体含量，T为矩阵的转置。
在获取变压器气体预测数据时，根据时间的行进不停的对未来7天进行预测，从第N天开始时会预测后7天到N+7天，通过变压器故障诊断算法进行故障的诊断，当没有故障时候，会继续存入真实数据往下继续预测，当预测出现故障时候，如第N+9天预测出现故障，会进行故障预警，并引入变压器故障诊断算法进行故障的诊断，将故障类型进行分类，提前预知可能发生故障的时间和故障类型，最后对比真实值进行验证。
在本发明的一个实施例中，以SSA优化的LSTM模型作为整体模型中预测部分算法，原因分析如下：
选取500组真实变压器油中溶解气体数据作为预测训练集和测试集，数据集来源为山东省某500kv变压器连续采集1年数据，采样间隔为6小时，预测未来7天的5种气体(H2，CH4，C2H6，C2H4和C2H2)含量的变化，并引入预测精度(Acc)、平均绝对误差(MAE)，均方根误差(RMSE)和决定系数(R2)这些评价指标来衡量具有最好预测性能的预测算法，本文所选择的预测算法共有8种算法包括SSA-LSTM、PSO-LSTM、LSTM、MLP、BP、WNN和SVM，预测结果如图2-6所示。
根据上图可以看出8种算法在5种气体预测中均有着相对较好的效果，各预测值与真实值较为接近可以有效把握气体含量的变化规律，而其中更以LSTM、PSO-LSTM和SSA-LSTM这三种算法的预测效果明显优于其他5种算法与真实值的曲线最为贴合，又以SSA-LSTM在RMSE、MAE、R2和平均精度这四个指标种分别以0.0024、0.0019、0.9997和99.52％均优于其他各个算法，因此选择以SSA优化的LSTM作为整体模型中预测部分算法，来搭建整体的预测模型。各算法具体评价指标如表1所示：
表1油中气体预测算法对比表
在本发明的一个实施例中，变压器的运行状态可以分为两类，一类为正常运行状态(N)，另一类为潜在故障状态(P)。根据IEC60599的标准，变压器的潜在故障类型可以分六种为低温过热(LT)，中温过热(MT)，高温过热(HT)，低能放电(LD)，高能放电(HD)，局部放电(PD)。因此变压的运行状态可以分为7(1+6)种类型。对于有标签的数据集，本方案采用一位有效编码(One-Hot)对7种变压器状态进行编码，形成一个7维的列向量特征矩阵。表2为变压器状态编码表：
表2变压器状态编码表
在本发明的一个实施例中，选用SVM、RF、BP和KNN作为故障诊断部分算法，分析如下：选取889组包含7种故障类型的数据集，数据集来源包括相关的学位论文、专著和电网真实数据，每条记录由五种气体(H2，CH4，C2H6，C2H4和C2H2)组成，以这五种气体含量构成特征向量，选取四种较为经典的机器学习算法包括SVM、RF、BP和KNN，进行模型训练，为验证不同训练集数量下对于精度和时间的影响，进行了如下仿真实验，其结果如表3所示：
表3变压器故障诊断算法对比表
结合上表可以看出，在训练集占比为70％时，所选取的算法具有较好的精度，都达到95％以上，可以有效诊断出故障类型，因此我们选择上述四种算法作为故障诊断部分算法。
在本发明的一个实施例中，为验证此预警模型的可靠性进行了真实实验，实验数据来自山东省某供电局的变压器油中溶解气体的历史数据，数据类型为时间序列数据，采样间隔为6小时，山东省某供电局，2009年9月30日投运的3号主变于2021年3月27日，发现油色谱乙炔含量达到1.59μL/L，持续跟踪发现A相乙炔呈现明显增长趋势，其他两相未见明显变化。3月28日进行局部放电带电检测，确认3号主变A相内部存在放电现象。3月29日，3号主变转入停电检修处理，3月30日对A相主变开展局部放电实验，当电压升至1.1Um/时，高压绕组、中压绕组、铁心和夹件均检测到明显放电信号，放电量分别达到10000pC、30000pC、900000pC、900000pC左右。2021年4月1日-3日，进行设备内检，分别发现激磁线圈上部夹件与支撑横梁处紧固螺栓、心柱与旁轭之间上部夹件与支撑横梁处螺栓垫圈、屏蔽帽松动，但未见放电痕迹，与放电无关。其他部位未见明显异常。4月24-28日，该主变返厂开展检查，经返厂解体检查，确认引起3号主变A相乙炔增长的原因为上铁轭地屏(旁轭与心柱之间)屏蔽铜带与等电位带脱焊，造成悬浮放电。为防止实际应用中出现误判，故将本案例时间序列数据分为两个部分，第一部分采样时间从2021年1月1日33分52秒开始到2021年3月26日20时间57分09秒，共计468组，其中以2021年3月20日00时57分09秒至2016年3月26日20时57分09秒作为测试集，共28组数据，前部440组数据作为训练集。另一部分采样时间从2021年1月1日1时33分52秒开始到2021年3月28日20时57分09秒结束，共计480组数据，其中以2021年3月22日0时57分09秒到2021年3月28日20点57分09作为测试集，共计28组数据，前部452组数据作为测试集。
其中第一部分时间序列数据预测结果如图7-11所示，可以看出对于正常运行状态下的变压器油中溶解气体预测，SSA-LSTM的预测的各点精度均可以达到99.00％以上。将预测好的数据加入训练完成的故障诊断模型中，共计917组(889+28)数据集，采取训练集占比70％，测试集占比30％对预测气体进行故障诊断，四种经典算法诊断结果如表4所示：
表4油中溶解气体预测精度表
第二部分时间序列数据预测结果如图12-16所示，可以看出存在故障气体的运行状态下的变压器油中溶解气体预测，SSA-LSTM的预测各点精度均可以达到95.00％以上。将预测好的数据加入训练完成的故障诊断模型中，共计917组(889+28)数据集，采取训练集占比70％，测试集占比30％对预测气体进行故障诊断，四种经典算法诊断结果如表5所示：
表5油中溶解气体预测精度表
通过上表可以看到四种变压故障诊断算法精度，对于预测未来7天油中溶解气体含量的数据进行的故障诊断SVM和BP均只有一个误诊将局部放电故障诊断为低能放电，分别在2021年3月24日16点57分和2021年3月27日12点57分09秒故其两种算法精度为99.65％，其余两种算法均对于预测的28组数据均可以达到100％正确率的故障诊断，可以诊断出故障类型局部放电，实现对于早期故障的预警；并且四种算法可以快速分类故障类型可在1秒迅速处理917数据给出故障分类，具有较好的诊断效果。
本发明利用SSA优化算法解决单一LSTM预测精度不足的问题，使得预测数据更为准确更为高效；采用SVM、BP、RF和KNN四种经典模型均可以准确的提取故障诊断案例中的数据特征，具有较高分类能力，简化整体模型的构建；基于SSA-LSTM-SVM(BP/RF/KNN)模型的变压器运行状态预测方法精度高，能及时向潜在的故障发现故障的信息，可以及时进行故障预警，并判断故障类型，减少人为确定故障类型的时间；结合故障诊断算法实现故障预警，较好的解决了早期变压器故障累积无人发现造成变压器突发性故障的问题。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。
Claims (6)
1.一种基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，包括以下步骤：
S1：将时间序列油色谱数据分为测试集和训练集，对训练集进行数据归一化处理后输入故障诊断算法中进行算法训练；
S2：初始化SSA算法参数，并设定对LSTM网络预测模型的寻优参数，采用SSA算法对LSTM网络预测模型进行参数优化，获得最优参数；
S3：将最优参数和油色谱数据输入LSTM网络预测模型中预测未来的油中溶解气体含量，获得预测数据；
S4：将预测数据归一化处理后输入经算法训练的故障诊断算法中进行变压器故障诊断，出现故障时及时报警，否则继续进行故障诊断，完成基于油中溶解气体含量预测和诊断的变压器故障预警。
2.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述S1中故障诊断算法包括支持向量机算法、随机森林算法、误差反向传播算法和K近邻算法。
3.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述S2中初始化SSA算法参数包括迭代次数、种群数量、麻雀中生产者比例和寻优维度。
4.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述S2中设定对LSTM网络预测模型的寻优参数包括学习速率、迭代次数、第一隐含层层数和第二隐含层层数。
5.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述S2中参数寻优过程中麻雀使用生产者和参与者两种行为策略进行觅食：
生产者的位置更新公式为
其中，为迭代时第i个麻雀在j维的尺寸值，α为第一随机数，itermax为迭代次数最多的常量，exp为以e为底的指数函数，Q为服从正态分布的随机数，L为1×d阶矩阵，d为显示要优化的变量的维度，R2为报警值，ST为安全阀值；
参与者的位置更新公式为
其中，为当前全局最差位置，/>为生产者占据的最佳位置，A+为1×d阶矩阵，n为麻雀的数量；
假设麻雀中能够意识到危险的数量占麻雀总数的10％至20％，麻雀的初始位置在种群中随机生成，数学模型为
其中，为当前全局最佳位置，β为步长控制参数，K为第二随机数，fi为当前麻雀的适应度值，fg为当前全局最佳适应度值，fw为当前全局最差适应度值，ε为最小常数。
6.根据权利要求1所述的基于油中溶解气体含量预测和诊断的变压器故障预警方法，其特征在于，所述S4中对预测数据进行归一化处理，归一化表达式为
Xmn＝(xm1,xm2,xm3,xm4,xm5)T
其中，Xmn为5种特征气体含量构成的特征向量，min(Xm)为样本第m个向量中气体含量的最小值，max(Xm)为样本第m个向量中气体含量的最大值，xm1、xm2、xm3、xm4和xm5分别为第m个输入向量中H2、CH4、C2H4、C2H2和C2H6气体含量，T为矩阵的转置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658506.0A CN116662862A (zh) | 2023-06-05 | 2023-06-05 | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658506.0A CN116662862A (zh) | 2023-06-05 | 2023-06-05 | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116662862A true CN116662862A (zh) | 2023-08-29 |
Family
ID=87727562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310658506.0A Pending CN116662862A (zh) | 2023-06-05 | 2023-06-05 | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662862A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
| CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
-
2023
- 2023-06-05 CN CN202310658506.0A patent/CN116662862A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
| CN113947009A (zh) * | 2021-08-31 | 2022-01-18 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUCHUAN ZHANG等: "Prediction of dissolved gas in transformer oil based on SSA-LSTM model", 2022 9TH INTERNATIONAL CONFERENCE ON CONDITION MONITORING AND DIAGNOSIS (CMD), pages 177 - 182 * |
| 方瑞明: "支持向量机理论及其应用分析", 北京：中国电力大学出版社, pages: 107 - 111 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037378B (zh) | 基于长短时记忆网络的变压器运行状态预测方法及系统 | |
| Ma et al. | Statistical learning techniques and their applications for condition assessment of power transformer | |
| CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN111460727A (zh) | 一种利用多参量的变压器寿命预测方法 | |
| Ibrahim et al. | Selection criteria for oil transformer measurements to calculate the health index | |
| Tang et al. | Rolling bearing remaining useful life prediction via weight tracking relevance vector machine | |
| CN114418166A (zh) | 一种变压器油中的溶解气体浓度预测方法、装置及介质 | |
| CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
| Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
| CN112115417A (zh) | 一种基于概率密度聚类的变压器实时故障概率计算方法 | |
| Bezerra et al. | An approach based on wavelets and machine learning to build a prediction model for SF6 filling pressure of high-voltage circuit breakers | |
| Mahrukh et al. | Prediction of power transformer oil chromatography based on LSTM and RF model | |
| CN116662862A (zh) | 基于油中溶解气体含量预测和诊断的变压器故障预警方法 | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| CN117196649A (zh) | 一种数据特征有限场景下的碳排放预测方法 | |
| CN117269340A (zh) | 一种基于气体组分的gis设备智能故障诊断方法及系统 | |
| Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| Wang et al. | Hard disk drives failure detection using a dynamic tracking method | |
| Ma et al. | Power transformer insulation diagnosis under measurement originated uncertainties | |
| Colla et al. | GADF—Genetic Algorithms for distribution fitting | |
| Pickster | Determination of probability of failure of power transformers using statistical analysis | |
| CN116975559A (zh) | 一种基于变压器油中溶解气体浓度的变压器状态预测方法 | |
| Zhou et al. | Research on transformer fault intelligent diagnosis technology based on improved random forest algorithm |
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 |