CN117723878A - 一种配电网干式变压器故障预警装置及方法 - Google Patents

Abstract

本发明公开了一种配电网干式变压器故障预警装置及方法，该装置包括数据采集模块、时序预测模块和故障预警模块。进行故障预警时，采集历史绕组温度和负荷数据，并分为时序预测的训练集和测试集；对数据采集时的时间戳进行改进；使用训练集进行多变量时序预测模型训练；将测试集数据代入训练后的时序预测模块，作为故障预警模块的训练集，获得各点预测误差，进而得到预测误差可信度区间；代入实时数据故障，以可信度区间为判据判断预警状态。本发明基于预测算法导致的误差在正常运行状况下呈现一定的分布的特征，以误差作为判据进行故障预警，避免了现有技术中不同变压器在不同运行环境下，预测阈值难以确定的问题。

Description

一种配电网干式变压器故障预警装置及方法

技术领域

本发明属于电气工程领域，特别涉及一种配电网干式变压器故障预警装置及方法。

背景技术

配电网作为电网的重要组成部分，是保障电力“配得下、用得上”的关键环节。而干式变压器作为配电网主要设备，一旦发生故障，将会造成巨大的经济损失和严重的社会影响，如果能在变压器发生故障前将其预测出来并及时采取措施，将会很大程度上避免事故的发生。

时序预测是现有技术中电气设备进行故障预测的主要方法，目前各种时序预测算法可以针对不同状态量做出较准确的预测。但使用时序预测算法时所需状态量多，应用于现有电气设备时，存在需要新装传感器等问题，并且相关算法需要提前设置阈值，阈值主要充当故障判据，当预测值超过阈值时判定为故障。阈值的设置关乎到故障预测的准确和检修的频繁程度，但该值对于不同工作环境下的设备来说难以统一。

发明目的

本发明的目的就是应对现有技术所面临的难题，提供一种配电网干式变压器故障预警装置及方法，相比现有技术，本发明仅需监测变压器绕组温度和负荷，该方法基于预测算法导致的误差在正常运行状况下会呈现一定的分布特征这一特点，以误差作为判据进行故障预警，避开了以往故障率预测中，不同变压器在不同运行环境下，预测阈值难以确定的问题。

发明内容

根据本发明的一个方面，提供了一种配电网干式变压器故障预警装置，该装置包括数据采集模块、时序预测模块和故障预警模块；该采集模块采集干式变压器包括历史绕组温度、负荷和改进时间的历史数据，并发送至时序预测模块作为训练集数据和测试集数据；所述时序预测模块装载有来源于采集模块的训练集数据和测试集数据；所述时序预测模块与故障预警模块连接，其中，时序预测模块所装载的测试集数据被发送至故障预警模块作为故障预警模块的训练集数据。

根据本发明的另一个方面，提供了一种应用上述装置进行配电网干式变压器故障预警的方法，包括以下步骤：

步骤1、应用采集模块采集配电网干式变压器的历史绕组温度和历史负荷数据，并将所采集的数据分为时序预测模块的训练集和测试集；

步骤2、对所述历史绕组温度和历史负荷数据采集时的时间戳进行改进赋值；

步骤3、使用包含历史绕组温度、历史负荷和改进时间戳三特征量的训练集，对所述时序预测模块进行多变量时序预测模型训练，预测目标为实时绕组温度；

步骤4、将测试集数据代入训练后的时序预测模块，作为故障预警模块的训练集，获得各点预测误差，以此为基础获得预测误差概率密度曲线，进而得到预测误差可信度区间；

步骤5、将配电网干式变压器的实时数据代入故障预警模块得到预测误差，以步骤4所获得的可信度区间为判据判断故障预警状态。

优选地，步骤2中，将每日0时时间戳赋为0，当天其他时刻时间戳在此基础上赋值；该改进后的时间反映每日波动趋势，作为多变量时序预测的特征值。

优选地，步骤3中对所述时序预测模块进行多变量时序预测模型训练的时序预测算法才长短期记忆网络LSTM算法，将训练集与测试集比例设置为9:1，批处理为25，迭代轮次为15。

优选地，步骤5进一步包括以下子步骤：

步骤S51、输入配电网干式变压器的当前故障预警状态S、上一时刻故障率R、辅助判断参数J的实时数据；

步骤S52、判断当前故障预警状态S是否为0，若S＝0，则继续判断上一时刻故障率R是否为0，若R＝0，则输出上一时刻故障率R，结束判断流程，若R不等于0，则配置为J＝0，然后输出上一时刻故障率R，结束判断流程；

若当前故障预警状态S不为0，则将辅助判断参数J配置为J＝J+1，接着判断S是否等于1，若S不等于1，则将上一时刻故障率R配置为R＝R+2^J，然后输出上一时刻故障率R，结束判断流程；若S等于1，则将上一时刻故障率R配置为R＝R+2.1^J,然后输出上一时刻故障率R，结束判断流程。

附图说明

图1是本发明所述配电网干式变压器故障预警装置的组成及数据流示意图。

图2是本发明故障预警模块中故障预警状态与故障率转换关系流程图。

图3是配电网干式变压器的实际绕组温度与故障率(2023年2月6日10点56分到2023年2月9日20点57分)。

图4是配电网干式变压器的实际绕组温度与故障率(2023年6月23日3点43分43秒到2023年6月24日19点41分26秒)。

具体实施方式

下面结合结合附图详细阐述本发明的具体实施方式。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本领域技术人员应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”可以包括复数形式。术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

图1是本发明所述配电网干式变压器故障预警装置的组成及数据流示意图。如图1所示，本发明所述配电网干式变压器故障预警装置包括数据采集模块、时序预测模块和故障预警模块；该采集模块采集干式变压器包括历史绕组温度、负荷和改进时间的历史数据，并发送至时序预测模块作为训练集数据和测试集数据；所述时序预测模块装载有来源于采集模块的训练集数据和测试集数据；所述时序预测模块与故障预警模块连接，其中，时序预测模块所装载的测试集数据被发送至故障预警模块作为故障预警模块的训练集数据。

应用上述装置进行配电网干式变压器故障预警时，参照以下步骤：

步骤1、应用采集模块采集配电网干式变压器的历史绕组温度和历史负荷数据，并将所采集的数据分为时序预测模块的训练集和测试集；

步骤2、对所述历史绕组温度和历史负荷数据采集时的时间戳进行改进赋值；

步骤3、使用包含历史绕组温度、历史负荷和改进时间戳三特征量的训练集，对所述时序预测模块进行多变量时序预测模型训练，预测目标为实时绕组温度；

步骤4、将测试集数据代入训练后的时序预测模块，作为故障预警模块的训练集，获得各点预测误差，以此为基础获得预测误差概率密度曲线，进而得到预测误差可信度区间；

步骤5、将配电网干式变压器的实时数据代入故障预警模块得到预测误差，以步骤4所获得的可信度区间为判据判断故障预警状态。

优选地，步骤3中对所述时序预测模块进行多变量时序预测模型训练的时序预测算法才长短期记忆网络LSTM算法，将训练集与测试集比例设置为9:1，批处理为25，迭代轮次为15。

优选地，步骤5进一步包括以下子步骤：

步骤S51、输入配电网干式变压器的当前故障预警状态S、上一时刻故障率R、辅助判断参数J的实时数据；

步骤S52、判断当前故障预警状态S是否为0，若S＝0，则继续判断上一时刻故障率R是否为0，若R＝0，则输出上一时刻故障率R，结束判断流程，若R不等于0，则配置为J＝0，然后输出上一时刻故障率R，结束判断流程；

若当前故障预警状态S不为0，则将辅助判断参数J配置为J＝J+1，接着判断S是否等于1，若S不等于1，则将上一时刻故障率R配置为R＝R+2^J，然后输出上一时刻故障率R，结束判断流程；若S等于1，则将上一时刻故障率R配置为R＝R+2.1^J,然后输出上一时刻故障率R，结束判断流程。

下面通过一个具体的实施例进行详细说明。

实施例

以北京市某产业园区干式变压器2023年1月16日10点24分到2023年2月9日20点57分三周监测数据为例，其中，2023年2月6日10点56分前数据作为模型训练数据。

在进行配电网干式变压器故障预警时，参照以下步骤：

(1)模型训练阶段

①对采集时间进行改进，以表1所示的几个采集点为例说明改进结果。

表1改进时间戳

②以历史绕组温度、负荷和改进时间戳为变量，进行多变量时序预测。在本例中使用时序预测算法为LSTM(Long Short-Term Memory，长短期记忆网络)，训练集与测试集比例为9:1，批处理(batch)为25，迭代轮次(epochs)为15。模型训练完成后带入测试集检验，并使用表2所示的时序预测模块评价指标对模型进行评价，评价结果证明温度预测模型预测效果良好。

表2时序预测模块评价指标

③通过第②步正常运行状况下预测误差得到可信度区间，以表3所示的几个可信度区间作为展示。

表3可信度区间

以[-0.5,0.5]区间为例，当实时采集数据计算得到的预测误差处于该区间外时，有96.544％的概率保证该误差不是由于预测算法导致的，即由设备本身异常状况导致。

(2)实际使用阶段

在本实施例中，定义如表4所示的预警区间，以2023年2月6日10点56分到2023年2月9日20点57分近3天数据为例，输出故障率折线图。

表4故障预警区间

图2是本发明故障预警模块中判断故障预警状态与故障率转换关系流程图。如图2所示，首先，输入当前故障预警状态S、上一时刻故障率R、辅助判断参数J；接着，判断当前故障预警状态S是否为0，若S＝0，则继续判断上一时刻故障率R是否为0，若R＝0，则输出上一时刻故障率R，结束判断流程，若R不等于0，则配置为J＝0，然后输出上一时刻故障率R，结束判断流程；

若当前故障预警状态S不为0，则将辅助判断参数J配置为J＝J+1，接着判断S是否等于1，若S不等于1，则将上一时刻故障率R配置为R＝R+2^J，然后输出上一时刻故障率R，结束判断流程；若S等于1，则将上一时刻故障率R配置为R＝R+2.1^J,然后输出上一时刻故障率R，结束判断流程。

图3是配电网干式变压器的实际绕组温度与故障率折线图(2023年2月6日10点56分到2023年2月9日20点57分)。如图3所示，在正常运行状态下，由于预测算法导致的故障率不超过15％。

另外以北京某科技园区2021年6月10日0点10分到2021年6月24日20点0分故障数据为例进行展示。其中2021年6月23日0点0分前为训练数据，该园区在2021年6月24日19点50分左右发生故障。图4是配电网干式变压器的实际绕组温度与故障率折线图(2023年6月23日3点43分43秒到2023年6月24日19点41分26秒)。如图4所示，在故障发生前15个小时内，故障率两次出现巨幅波动，说明本实施例所示的模型可以较好的预测故障。

本发明的有益效果

本发明提供了一种配电网干式变压器故障预警装置及方法，根据配电网负荷每日重复波动的特点，结合大部分现有干式变压器已经具备的温度和负荷监测功能，仅通过这两个监测特征量就可以对变压器进行故障预警，可以广泛应用于现有配电网干式变压器。本发明基于预测算法导致的误差在正常运行状况下会呈现一定的分布特征这一特点，以误差作为判据进行故障预警，避开了以往故障率预测中，不同变压器在不同运行环境下，预测阈值难以确定的问题。

Claims (5)

1.一种配电网干式变压器故障预警装置，其特征在于，该装置包括数据采集模块、时序预测模块和故障预警模块；该采集模块采集配电网干式变压器包括历史绕组温度、负荷和改进时间的历史数据，并发送至时序预测模块作为训练集数据和测试集数据；所述时序预测模块装载有来源于采集模块的训练集数据和测试集数据；所述时序预测模块与故障预警模块连接，其中，时序预测模块所装载的测试集数据被发送至故障预警模块作为故障预警模块的训练集数据。

2.一种应用权利要求1所述故障预警装置进行配电网干式变压器故障预警的方法，其特征在于，包括以下步骤：

步骤1、应用采集模块采集配电网干式变压器的历史绕组温度和历史负荷数据，并将所采集的数据分为时序预测模块的训练集和测试集；

步骤2、对所述历史绕组温度和历史负荷数据采集时的时间戳进行改进赋值；

步骤3、使用包含历史绕组温度、历史负荷和改进时间戳三特征量的训练集，对所述时序预测模块进行多变量时序预测模型训练，预测目标为实时绕组温度；

步骤4、将测试集数据代入训练后的时序预测模块，作为故障预警模块的训练集，获得各点预测误差，以此为基础获得预测误差概率密度曲线，进而得到预测误差可信度区间；

步骤5、将配电网干式变压器的实时数据代入故障预警模块得到预测误差，以步骤4所获得的可信度区间为判据判断故障预警状态。

3.根据权利要求2所述的进行配电网干式变压器故障预警的方法，其特征在于，步骤2中，将每日0时时间戳赋为0，当天其他时刻时间戳在此基础上赋值；该改进后的时间反映每日波动趋势，作为多变量时序预测的特征值。

4.根据权利要求2所述的进行配电网干式变压器故障预警的方法，其特征在于，步骤3中对所述时序预测模块进行多变量时序预测模型训练的时序预测算法才长短期记忆网络LSTM算法，将训练集与测试集比例设置为9:1，批处理为25，迭代轮次为15。

5.根据权利要求2所述的进行配电网干式变压器故障预警的方法，其特征在于，步骤5进一步包括以下子步骤：

步骤S51、输入配电网干式变压器的当前故障预警状态S、上一时刻故障率R、辅助判断参数J的实时数据；

步骤S52、判断当前故障预警状态S是否为0，若S＝0，则继续判断上一时刻故障率R是否为0，若R＝0，则输出上一时刻故障率R，结束判断流程，若R不等于0，则配置为J＝0，然后输出上一时刻故障率R，结束判断流程；

若当前故障预警状态S不为0，则将辅助判断参数J配置为J＝J+1，接着判断S是否等于1，若S不等于1，则将上一时刻故障率R配置为R＝R+2^J，然后输出上一时刻故障率R，结束判断流程；若S等于1，则将上一时刻故障率R配置为R＝R+2.1^J,然后输出上一时刻故障率R，结束判断流程。