CN117312926A - 一种变压器故障预测的方法、装置、电子设备及介质 - Google Patents
一种变压器故障预测的方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117312926A CN117312926A CN202311597999.8A CN202311597999A CN117312926A CN 117312926 A CN117312926 A CN 117312926A CN 202311597999 A CN202311597999 A CN 202311597999A CN 117312926 A CN117312926 A CN 117312926A
- Authority
- CN
- China
- Prior art keywords
- arima model
- optimal
- transformer
- parameters
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 119
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000005311 autocorrelation function Methods 0.000 description 13
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 8
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 241001123248 Arma Species 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 102100027310 Bromodomain adjacent to zinc finger domain protein 1A Human genes 0.000 description 1
- 101000937778 Homo sapiens Bromodomain adjacent to zinc finger domain protein 1A Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种变压器故障预测的方法、装置、电子设备及介质,其方法包括:获取变压器油中溶解气体浓度的不平稳时间序列;基于差分算法将不平稳时间序列转化为平稳时间序列;基于平稳时间序列构建ARIMA模型;基于信息准则对ARIMA模型中的参数进行验证得到信息准则信息量,基于信息准则信息量确定ARIMA模型的最佳参数,基于最佳参数得到最优ARIMA模型;将目标变压器油中溶解气体浓度输入到最优ARIMA模型中,得到目标变压器的故障类型。本发明提高了变压器故障预测的精度。
Description
技术领域
本发明涉及变压器故障预测技术领域,尤其涉及一种变压器故障预测的方法、装置、电子设备及介质。
背景技术
电力变压器在电力系统中担任着变电、输电和分配电能等重要角色,是构成多电压等级电力系统的重要节点类电气设备,其良好的运行状态是电力系统安全、经济、稳定运行的基础。变压器是电力系统的关键设备,运行使用过程中,由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中,各种气体成分含量及不同组分间的比例关系与变压器的健康状况密切相关,因此预测变压器油中溶解气体含量是诊断故障的前提条件。
现有技术中,例如专利号为202211219945 .3,名称为一种变压器故障诊断预测方法和系统,其通过训练神经网络模型来预测变压器故障。专利号为202210902015.1,名称为一种智能变压器故障预测方法和装置的专利,其通过构建BP神经网络模型来对变压器故障进行预测。因此,现有技术中缺乏一种通过ARIMA模型来预测变压器故障,从而提高变压器故障预测精度的方法。
发明内容
有鉴于此,有必要提供一种变压器故障预测的方法、装置、电子设备及介质,用以实现提高变压器故障预测精度的目的。
为了实现上述目的,本发明提供一种变压器故障预测的方法,包括:
获取变压器油中溶解气体浓度的不平稳时间序列;
基于差分算法将所述不平稳时间序列转化为平稳时间序列;
基于所述平稳时间序列构建ARIMA模型;
基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
在一些可能的实现方式中,所述基于所述平稳时间序列构建ARIMA模型,包括:
根据所述平稳时间序列的自相关系数和偏自相关系数,确定自回归阶次和移动平均阶次,构建ARIMA模型。
在一些可能的实现方式中,所述ARIMA模型的p阶自回归过程的公式为:
式中:表示t时刻对应的所述平稳时间序列中的值;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;p表示所述ARIMA模型中自回归模型的阶数;/>表示自相关系数;/>表示白噪声序列。
在一些可能的实现方式中,所述ARIMA模型的q阶自回归过程的公式为:
式中,表示t时刻对应的所述平稳时间序列中的值;q表示所述ARIMA模型中移动平均模型的阶数;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;表示白噪声序列;/>表示消除随机波动的参数。
在一些可能的实现方式中,所述基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型,包括:
采用AIC信息准则对所述ARIMA模型中的参数进行验证,得到最小的AIC信息量;
将所述最小的AIC信息量对应的所述ARIMA模型中的参数确定为最佳参数,基于所述最佳参数得到最优ARIMA模型。
在一些可能的实现方式中,所述AIC信息准则的计算公式为:
式中,表示基于AIC信息准则计算得到的信息量;m表示所述平稳时间序列样本数量;L表示似然函数。
在一些可能的实现方式中,所述最优ARIMA模型的自回归为2阶,所述最优ARIMA模型的移动平均为2阶,所述最优ARIMA模型的差分为1阶。
另一方面,本发明还提供了一种变压器故障预测的装置,包括:
数据获取模块,用于获取变压器油中溶解气体浓度的不平稳时间序列;
数据处理模块,用于基于差分算法将所述不平稳时间序列转化为平稳时间序列;
模型获取模块,用于基于所述平稳时间序列构建ARIMA模型;
最优模型获取模块,用于基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
故障预测模块,用于将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中的,得到目标变压器的故障类型。采用上述实施例的有益效果是:本发明提供的一种变压器故障预测的方法,首先获取变压器油中溶解气体浓度的不平稳时间序列,将不平稳时间序列转化为平稳时间序列从而构建ARIMA模型,进一步基于信息准则对ARIMA模型进行验证并选择最佳参数,得到最后ARIMA模型,最后基于优化后的ARIMA模型预测目标变压器的故障类型。本发明将变压器中溶解气体浓度的不平稳序列转化为平稳序列,根据平稳序列构建ARIMA模型,并基于信息准则对ARIMA模型进行验证得到最佳ARIMA模型,基于最佳ARIMA模型对变压器故障进行预测,从而提高了变压器故障预测的精度。
附图说明
图1为本发明提供的一种变压器故障预测的方法一实施例的方法流程图;
图2为本发明提供的一种变压器故障预测的方法一具体实施例的方法流程图;
图3为本发明提供的一种变压器故障预测的方法一具体实施例乙炔含量一阶差分图;
图4为本发明提供的一种变压器故障预测的方法一具体实施例乙炔不平稳时间序列经差分处理后的偏自相关函数图;
图5为本发明提供的一种变压器故障预测的方法一具体实施例乙炔不平稳时间序列经差分处理后的自相关函数图;
图6为本发明提供的一种变压器故障预测的方法一具体实施例残差的直方图;
图7为本发明提供的一种变压器故障预测的方法一具体实施例残差的分位数图;
图8为本发明提供的一种变压器故障预测的方法一具体实施例乙炔含量预测图;
图9为本发明提供的一种变压器故障预测的装置的一个实施例结构示意图;
图10为本发明提供的电子设备的一个实施例结构示意图。
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。
图1为本发明提供的一种变压器故障预测的方法的一个实施例流程示意图,如图1所示,一种变压器故障预测的方法,包括:
S101、获取变压器油中溶解气体浓度的不平稳时间序列;
S102、基于差分算法将所述不平稳时间序列转化为平稳时间序列;
S103、基于所述平稳时间序列构建ARIMA模型;
S104、基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
S105、将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
与现有技术相比,本实施例提供的一种变压器故障预测的方法,首先获取变压器油中溶解气体浓度的不平稳时间序列,将不平稳时间序列转化为平稳时间序列从而构建ARIMA模型,进一步基于信息准则对ARIMA模型进行验证并选择最佳参数,得到最后ARIMA模型,最后基于优化后的ARIMA模型对目标变压器的故障类型。本发明将变压器中溶解气体浓度的不平稳序列转化为平稳序列,根据平稳序列构建ARIMA模型,并基于信息准则对ARIMA模型进行验证得到最佳ARIMA模型,基于最佳ARIMA模型对变压器故障进行预测,从而提高了变压器故障预测的精度。
需要说明的是,变压器油中溶解气体浓度对应着变压器的故障类型,因此可以通过变压器油中溶解气体浓度来预测变压器的故障类型。
在本发明的具体实施例中,如图2为本发明提供的一种变压器故障预测的方法一具体实施例的方法流程图,具体步骤包括:
步骤一:对获取变压器油中溶解气体浓度的不平稳时间序列进行ADF检验,如果检验结果为平稳时间序列,则进入步骤二,否则对不平稳时间序列进行差分运算,然后继续进行ADF检验,直到得到平稳时间序列;
步骤二:根据平稳时间序列的自相关系数和偏自相关系数对ARIMA模型进行初步定阶,如果模型唯一,则进入步骤三,否则对ARIMA模型的参数进行评估,直到模型唯一;
步骤三:对ARIMA模型进行残差检验,直到残差满足要求,得到优化后的ARIMA模型。
在本发明的具体实施例中,选用变压器B相2021年2月5日至2021年12月27日共66组油中溶解气体含量数据进行预测(以乙炔为例)。正常运行变压器的状态参数一般每隔几个月、半年或一年测试一次,若变压器健康状态下降则会缩短检测周期,这些参数就构成了非等间隔序列,常规ARIMA预测模型对于获取的数据不加任何处理就进行建模,严重影响了建模的精度。为了充分利用变压器的历史数据,提高预测精度,有必要将非等间隔数列处理成等间隔数列。因此本发明使用插值计算中常用的三次样条插值法对数据进行预处理,将油中溶解气体的检测数据构造成等间隔数列(间隔5天)。
在本发明的具体实施例中,不平稳时间序列需要经过ADF(Augmented DickeyFuller Test Statistic) 检验是否满足平稳性的要求,对一个不满足平稳性条件的序列,每进行一次差分处理后都要经ADF检验,直到满足平稳性为止。ADF单位根检验过程:首先假设需要进行ADF检验的序列存在单位根为非平稳序列,如果待检验的序列经程序计算得到的统计量ADF的值显著小于3个置信度Critical Value (1%,5%,10%)的临界值时,同时p-value接近于0,说明原假设不成立,判定正在接受检验的序列为平稳时间序列,否则继续进行差分运算。
图3为本发明提供的一种变压器故障预测的方法一具体实施例乙炔含量一阶差分图。ADF差分检验结果如表1所示,Augmented Dickey Fuller Test Statistic表示ADF检验统计量,p-value表示ADF检验统计量对应的概率值,Lags Used表示延迟,Number ofObservations Used表示测试次数,Critical Value置信度表示可判定经过差分处理的数据序列为平稳序列,满足定阶要求。
表1: ADF差分检验结果
针对样本数据即乙炔的不平稳时间序列,一次差分处理就满足了平稳性的要求。因此ARIMA (p,d,q)模型中参数d为1。
在本发明的一些实施例中,所述基于所述平稳时间序列构建ARIMA模型,包括:
根据所述平稳时间序列的自相关系数和偏自相关系数,确定自回归阶次和移动平均阶次,构建ARIMA模型。
需要说明的是,AR (p)是自回归模型,该模型是变量在时刻t的响应与时刻t-1,t-2,...的响应xt-1,xt-2,…及t时刻进入系统的扰动的关系,而与前期的扰动无直接关系。自回归模型必须满足平稳性要求。在本发明的一些实施例中,所述ARIMA模型的p阶自回归过程的公式为:
式中:表示t时刻对应的所述平稳时间序列中的值;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;p表示所述ARIMA模型中自回归模型的阶数;/>表示自相关系数;/>表示白噪声序列。
在本发明的具体实施例中,自相关函数ACF的k阶相关系数为:
对平稳AR(p)模型,求滞后k阶自相关系数时,ACF得到的不仅仅是xt与xt-k之间的相关关系,同时还受到中间k-1个变量xt-1,xt-2, … ,xt-k+1的影响,且k-1个变量又都与xt-k具有相关关系,因此自相关系数/>也受到k-1个变量的影响。偏自相关函数PACF有效删除了中间k-1个变量xt-1,xt-2, … ,xt-k+1的影响,仅是xt-k对xt,的相关关系。AR(p)模型的参数值p,可由偏自相关函数的相关系数PACF(/>)得到。图4本发明提供的一种变压器故障预测的方法一具体实施例乙炔不平稳时间序列经差分处理后的偏自相关函数图。对于ARMA(p,q)模型,偏自相关函数图中即图4中最后一个在阈值外的Lag值就是p值;自相关函数图即图5中最后一个在阈值外的Lag值就是q值。若按照此标准,则p、q均取0。实际p、q值一般控制在3以内。因此还需通过相关准则p、q值进行进一步选取。表2为在图4和图5的基础上,根据样本数据的走向确定 ARIMA(p,d,q) 模型参数阶数,例如序列为平稳时间序列时,PACF1阶截尾,ACF0阶后衰减趋于零,选择 AR(1),MA(0)模型或者说是 ARIMA(1,0,0) 模型;序列为平稳时间序列时,PACF2 阶截尾,ACF1阶后衰减趋于零,选择 AR(2),MA(1)模型或者说是ARIMA(2,0,1) 模型。在本发明的具体实施例中按照表2 ARIMA模型参数阶数选择原则对ARIMA进行定阶即确定ARIMA中p,d,q的值。
表2 :ARIMA模型参数阶数选择原则
需要说明的是,MA(q)模型是移动平均模型,该模型是指变量在时刻t的响应xt与时刻t-1,t-2,...的响应xt-1,xt-2,…无直接关系,而与时刻t-1,t-2,…进入系统的扰动存在一定的关系,移动平均法能有效地消除预测中的随机波动,是自回归模型中误差项的累加。在一些可能的实现方式中,所述ARIMA模型的q阶自回归过程的公式为:
式中,表示t时刻对应的所述平稳时间序列中的值;q表示所述ARIMA模型中移动平均模型的阶数;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;表示白噪声序列;/>表示消除随机波动的参数。
同理MA(q)模型的参数q,可由自相关函数的相关系数ACF()确定。图5为本发明提供的一种变压器故障预测的方法一具体实施例乙炔不平稳时间序列经差分处理后的自相关函数图。
在本发明的一些实施例中,所述基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型,包括:
采用AIC信息准则对所述ARIMA模型中的参数进行验证,得到最小的AIC信息量;
将所述最小的AIC信息量对应的所述ARIMA模型中的参数确定为最佳参数,基于所述最佳参数得到最优ARIMA模型。
在本发明的一些实施例中,所述最优ARIMA模型的自回归为2阶,所述最优ARIMA模型的移动平均为2阶,所述最优ARIMA模型的差分为1阶。
在本发明的一些实施例中,所述AIC信息准则的计算公式为:
式中,表示基于AIC信息准则计算得到的信息量;m表示所述平稳时间序列样本数量;L表示似然函数。
在本发明的具体实施例中,通过以上步骤得到9组ARMA (p,q)模型,为选出最优模型,利用AIC、BIC、HQC 3种准则判断,依据准则计算的结果如表3所示,用Y表示结果,则
式中:m是模型参数的数量;n是样本数量;L是似然函数。
表3模型对应的三种准则计算结果
通过比较发现,三个准则中AIC和HQC的结果最小值对应的模型均为ARMA (2,2),而BIC准则对应的结果最小值为ARMA (0,0),由于AIC准则可以反映数据拟合的优良程度,对应的值越小说明避免过拟合的能力越强,BIC准则可以反映模型的复杂度,对应的值越小说明模型复杂程度越低,HQC准则可以反映模型的预测精度,由于ARIMA模型复杂程度本身不高,利用该模型是为了克服过拟合现象,并且ARMA (2,2) 模型对应的BIC准则值625.75与BIC 准则对应的最小值620.99相差不大,综合考量,选择模型ARMA (2,2),结合ADF检验得到的参数d值,可确定ARIMA(2,1,2)为9组模型中的最优模型。
为确保模型的预测效果,要对优选出的模型进行残差检验,残差是实际值与估计值的差,预测效果较好的模型得到的残差要体现出随机性和不可预测性,如果是正态分布,是一种比较好的模型,就可以认为它是随机的,随机性证明对随机误差比较好的拟合。残差的直方图如图6所示,图形更直观地反映出残差服从正态分布;残差的分位数图QQ(Quantile-Quantile)图如图7所示。
如图7所示,残差QQ图是一种散点图,其横坐标代表正态化标准分数,纵坐标则代表样本分位数,QQ图上的点近似地在一条直线附近,说明其服从正态分布,并且残差满足要求。
使用ARIMA (2,1,2)模型对测试数据进行预测,结果如图8所示。预测值与实际离线数据对比,误差值如表4所示。
表4 ARIMA模型预测相对误差
从表4可以看出,预测数据与实际数据最大相对误差为3.92%,表明本发明采用的ARIMA时间序列预测模型可有效预测变压器油中气体含量的变化趋势。
为了更好实施本发明实施例中的一种变压器故障预测的方法,在一种变压器故障预测的方法基础之上,对应地,如图9所示,本发明实施例还提供了一种变压器故障预测的装置900,一种变压器故障预测的装置900包括:
数据获取模块901,用于获取变压器油中溶解气体浓度的不平稳时间序列;
数据处理模块902,用于基于差分算法将所述不平稳时间序列转化为平稳时间序列;
模型获取模块903,用于基于所述平稳时间序列构建ARIMA模型;
最优模型获取模块904,用于基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
故障预测模块905,用于将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
上述实施例提供的一种变压器故障预测的装置900可实现上述一种变压器故障预测的方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述一种变压器故障预测的方法实施例中的相应内容,此处不再赘述。
如图10所示,本发明还相应提供了一种电子设备1000。该电子设备1000包括处理器1001、存储器1002及显示器1003。图10仅示出了电子设备1000的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代地实施更多或者更少的组件。
处理器1001在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器1002中存储的程序代码或处理数据,例如本发明中的一种变压器故障预测的方法。
在一些实施例中,处理器1001可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中,处理器1001可为本地的或远程的。在一些实施例中,处理器1001可实施于云平台。在一实施例中,云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等,或以上的任意组合。
存储器1002在一些实施例中可以是电子设备1100的内部存储单元,例如电子设备1000的硬盘或内存。存储器1002在另一些实施例中也可以是电子设备1000的外部存储设备,例如电子设备1000上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器1002还可既包括电子设备1000的内部储存单元也包括外部存储设备。存储器1002用于存储安装电子设备1000的应用软件及各类数据。
显示器1003在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器1003用于显示在电子设备1000的信息以及用于显示可视化的用户界面。电子设备1000的部件1001-1003通过系统总线相互通信。
在一实施例中,当处理器1001执行存储器1002中的一种变压器故障预测的程序时,可实现以下步骤:
获取变压器油中溶解气体浓度的不平稳时间序列;
基于差分算法将所述不平稳时间序列转化为平稳时间序列;
基于所述平稳时间序列构建ARIMA模型;
基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
应当理解的是:处理器1001在执行存储器1002中的一种变压器故障预测的程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备1000的类型不作具体限定,电子设备1000可以为手机、平板电脑、个人数字助理(personaldigitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备1000也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
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 (10)
1.一种变压器故障预测的方法,其特征在于,包括:
获取变压器油中溶解气体浓度的不平稳时间序列;
基于差分算法将所述不平稳时间序列转化为平稳时间序列;
基于所述平稳时间序列构建ARIMA模型;
基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
2.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于所述平稳时间序列构建ARIMA模型,包括:
根据所述平稳时间序列的自相关系数和偏自相关系数,确定自回归阶次和移动平均阶次,构建ARIMA模型。
3.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述ARIMA模型的p阶自回归过程的公式为:
式中:表示t时刻对应的所述平稳时间序列中的值;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;p表示所述ARIMA模型中自回归模型的阶数;/>表示自相关系数;/>表示白噪声序列。
4.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述ARIMA模型的q阶自回归过程的公式为:
式中,表示t时刻对应的所述平稳时间序列中的值;q表示所述ARIMA模型中移动平均模型的阶数;/>表示常数项,/>是基于所述平稳时间序列拟合之后得到的一个常数项;/>表示白噪声序列;/>表示消除随机波动的参数。
5.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型,包括:
采用AIC信息准则对所述ARIMA模型中的参数进行验证,得到最小的AIC信息量;
将所述最小的AIC信息量对应的所述ARIMA模型中的参数确定为最佳参数,基于所述最佳参数得到最优ARIMA模型。
6.根据权利要求5所述的变压器故障预测的方法,其特征在于,所述AIC信息准则的计算公式为:
式中,表示基于AIC信息准则计算得到的信息量;m表示所述平稳时间序列样本数量;L表示似然函数。
7.根据权利要求6所述的变压器故障预测的方法,其特征在于,所述最优ARIMA模型的自回归为2阶,所述最优ARIMA模型的移动平均为2阶,所述最优ARIMA模型的差分为1阶。
8.一种变压器故障预测的装置,其特征在于,包括:
数据获取模块,用于获取变压器油中溶解气体浓度的不平稳时间序列;
数据处理模块,用于基于差分算法将所述不平稳时间序列转化为平稳时间序列;
模型获取模块,用于基于所述平稳时间序列构建ARIMA模型;
最优模型获取模块,用于基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型;
故障预测模块,用于将目标变压器油中溶解气体浓度输入到所述最优ARIMA模型中,得到目标变压器的故障类型。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任意一项所述的一种变压器故障预测的方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的一种变压器故障预测的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597999.8A CN117312926A (zh) | 2023-11-28 | 2023-11-28 | 一种变压器故障预测的方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311597999.8A CN117312926A (zh) | 2023-11-28 | 2023-11-28 | 一种变压器故障预测的方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117312926A true CN117312926A (zh) | 2023-12-29 |
Family
ID=89250180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311597999.8A Pending CN117312926A (zh) | 2023-11-28 | 2023-11-28 | 一种变压器故障预测的方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312926A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN109799405A (zh) * | 2019-01-31 | 2019-05-24 | 西安工程大学 | 一种基于时间序列-卡尔曼滤波的变压器故障预测方法 |
CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
CN113742932A (zh) * | 2021-09-13 | 2021-12-03 | 华能新能源股份有限公司 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN115935814A (zh) * | 2022-11-29 | 2023-04-07 | 国网浙江省电力有限公司桐乡市供电公司 | 一种基于arima-svm模型的变压器故障预测方法 |
CN116204794A (zh) * | 2023-05-04 | 2023-06-02 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多维数据的变压器油中溶解气体预测方法及系统 |
-
2023
- 2023-11-28 CN CN202311597999.8A patent/CN117312926A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
CN109799405A (zh) * | 2019-01-31 | 2019-05-24 | 西安工程大学 | 一种基于时间序列-卡尔曼滤波的变压器故障预测方法 |
CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
CN113742932A (zh) * | 2021-09-13 | 2021-12-03 | 华能新能源股份有限公司 | 一种用于风电机组齿轮箱故障预测诊断的方法 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN115935814A (zh) * | 2022-11-29 | 2023-04-07 | 国网浙江省电力有限公司桐乡市供电公司 | 一种基于arima-svm模型的变压器故障预测方法 |
CN116204794A (zh) * | 2023-05-04 | 2023-06-02 | 国网江西省电力有限公司电力科学研究院 | 一种考虑多维数据的变压器油中溶解气体预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
王占山等译: "《数据驱动的科学和工程 机器学习、动力系统与控制详解》", 31 August 2021, 机械工业出版社, pages: 122 - 126 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Multiple sensor data fusion for degradation modeling and prognostics under multiple operational conditions | |
WO2008088652A2 (en) | Method and system for generating a predictive analysis of the performance of peer reviews | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
CN109376892B (zh) | 一种基于设备所处生命周期阶段的设备状态预测方法 | |
CN111122199A (zh) | 一种锅炉故障诊断方法及装置 | |
CN111523084A (zh) | 业务数据预测方法、装置、电子设备及计算机可读存储介质 | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
Jesús Sánchez et al. | The identification of multiple outliers in ARIMA models | |
Zhang et al. | SamEn‐SVR: using sample entropy and support vector regression for bug number prediction | |
CN115495924A (zh) | 基于arima模型的mosfet寿命预测方法 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN112465250A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN117312926A (zh) | 一种变压器故障预测的方法、装置、电子设备及介质 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
De Luna et al. | Choosing a model selection strategy | |
He et al. | Prediction of electricity demand of China based on the analysis of decoupling and driving force | |
CN113887676B (zh) | 设备故障预警方法、装置、设备和存储介质 | |
CN115217152A (zh) | 一种沉管隧道管节接头张合变形的预测方法及装置 | |
CN115952878A (zh) | 用电负荷预测方法、装置、电子设备和存储介质 | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
Kalinina et al. | Combining Forecasts Based on Time Series Models in Machine Learning Tasks. | |
Gu et al. | Improved similarity-based residual life prediction method based on grey Markov model | |
CN113435653B (zh) | 一种基于logistic模型的饱和用电量预测方法及系统 | |
CN117666637B (zh) | 水库的泄水控制方法、设备及介质 | |
CN112927013B (zh) | 一种资产价值预测模型构建方法、资产价值预测方法 |
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 |