CN203190982U - 一种油色谱在线监测噪声数据校正系统 - Google Patents

Abstract

本实用新型属于变电设备在线监测技术领域，应用在变压器在线监测设备的噪声数据校正过程中，具体是一种油色谱在线监测噪声数据校正系统，其包括变压器、数据采集模块、油色谱在线监测装置、数据校正装置、上位机，油色谱在线监测装置、数据采集模块均与变压器连接，所述变压器的油色谱离线实验数据被数据采集模块采集后送至数据校正装置，油色谱在线监测装置对变压器的监测数据也送至数据校正装置，数据校正装置与上位机相连接。本实用新型适合对变压器的现场油色谱在线数据进行校正。

Description

一种油色谱在线监测噪声数据校正系统

技术领域

本实用新型属于变电设备在线监测技术领域，应用在变压器在线监测设备的噪声数据校正过程中，具体是一种油色谱在线监测噪声数据校正系统。

背景技术

变压器油色谱在线监测可以及时掌握变压器的运行状况，发现和跟踪潜伏性故障，为变压器的可靠运行提供保障。但由于油色谱在线监测易受环境温度、湿度和监测设备自身误差等因素的影响，在线数据可能存在失真，在状态评价和故障诊断前需要进行数据校。目前，国内外学者对数据校正问题做了大量研究工作并提出了一些算法。主成分回归分析能有效地去除噪声数据，但拟合的误差大，校正准确度低；神经网络算法拟合效果好，但数据量大时，训练时间长，存在“过学习”的问题。

针对目前油色谱在线数据校正效果差的情况，本实用新型提出基于萤火虫支持向量机的数据校正的方法。首先通过萤火虫算法对影响支持向量机性能的重要参数进行优化。然后计算油色谱离线数据间的分段函数，当在线数据超出分段函数误差允许的范围时，认为在线数据异常。利用少数准确的油色谱离线数据对支持向量机回归模型进行训练，当在线数据出现异常时，通过支持向量机回归模型对异常的在线数据进行校正。本实用新型提出的算法可以应用于油色谱在线监测装置之中，对变压器油色谱的状态监测数据进行在线校准，使得油色谱在线监测装置输出的数据更加真实准确，有效剔除坏点数据，在保证数据真实性的前提下，提高数据的可用性；也可以应用于输变电设备状态监测的上位机系统中，对油色谱在线监测的数据进行校验，合理的分辨出有效的数据，提出坏点数据，对油色谱数据起到过滤的作用。经过本算法处理过的数据可以直接应用于变压器等输变电设备的故障诊断及状态评价，从而直接指导生产运行、状态检修和故障诊断工作，极大的提高生产成本和管理水平，推进状态监测、状态检修以及智能运维等产业发展，产生巨大的经济效益和社会效益。

发明内容

为了解决现有技术中存在的上述问题，本实用新型提供一种油色谱在线监测噪声数据校正系统，适合对变压器的现场油色谱在线数据进行校正。

本实用新型的具体技术方案如下：一种油色谱在线监测噪声数据校正系统，其包括变压器、数据采集模块、油色谱在线监测装置、数据校正装置、上位机，油色谱在线监测装置、数据采集模块均与变压器连接，所述变压器的油色谱离线实验数据被数据采集模块采集后送至数据校正装置，油色谱在线监测装置对变压器的监测数据也送至数据校正装置，数据校正装置与上位机相连接。

通过工程应用证明，本实用新型进行油色谱在线数据校正效果平稳准确，时间短实时性好，非常适合对现场的油色谱在线数据进行校正。

附图说明

图1是本实用新型实施例油色谱在线监测噪声数据校正系统的原理图；

图2是本实用新型实施例油色谱在线数据校正的流程结构图；

图3是本实用新型实施例萤火虫算法优化支持向量机重要参数的流程图；

图4是本实用新型实施例支持向量机回归模型校正在线噪声数据的流程图。

具体实施方式

下面结合附图和具体实施方式对本实用新型作进一步说明。

油色谱在线数据校正系统的原理如图1所示，一种油色谱在线监测噪声数据校正系统，其包括变压器、数据采集模块、油色谱在线监测装置、数据校正装置、上位机，油色谱在线监测装置、数据采集模块均与变压器连接，所述变压器的油色谱离线实验数据被数据采集模块采集后送至数据校正装置，油色谱在线监测装置对变压器的监测数据也送至数据校正装置，数据校正装置与上位机相连接。数据校正装置通过数据采集模块、油色谱在线监测装置分别获取数据，数据校正装置将数据校正分析结果返回到上位机，上位机显示操作界面，从而指导现场人员进行工作。

图3是本实用新型实施例萤火虫算法优化支持向量机重要参数的流程图；图4是本实用新型实施例支持向量机回归模型校正在线噪声数据的流程图。如图3、图4，一种油色谱在线监测噪声数据校正系统，其方法包括以下步骤：

步骤1）、收集油色谱离线试验和在线监测数据；

步骤2）、通过萤火虫算法得到支持向量机回归模型中重要参数的最优组合；

步骤3）、利用步骤1）得到的少数准确的油色谱离线试验数据对支持向量机进行训练，得到支持向量机回归模型；

步骤4）、初始化在线监测数据的允许偏离半径h，计算离线试验间的分段函数，判断油色谱在线监测的数据是否在模型允许的误差范围之内；若在，则认为在线数据正常；否则，认为在线数据异常；

步骤5）、对在线数据进行校正：逐个判断在线数据是否正常，若数据异常，则由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据；否则，认为油色谱在线监测数据正常，不需要进行校正；

步骤6）、根据现场数据校正反馈的结果，对模型中的参数进行调整。

油色谱在线数据校正算法的整体结构如图2所示，本算法采用离线数据校验、校正在线监测数据的思路，通过收集油色谱离线试验的各种状况下的数据信息构建离线油色谱样本库，通过离线数据库优化在线校验算法的参数。在线监测装置收集到的数据通过在线数据校验算法对数据进行分析，算法对正常数据不做特殊处理，算法对在线装置的不合理的噪声数据进行校正，然后将校正的结果送入后续的高级应用相关的数据分析和诊断。

较为准确的离线数据优化支持向量机中影响性能的重要参数，然后对优化参数后的模型进行训练，当通过分段函数判断在线数据是异常时，由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据，若判断在线数据正常则不校正。

对油色谱在线数据校正的算法进行详细的说明，算法主要分成两部分。第一部分通过萤火虫算法得到支持向量机回归模型中重要参数的最优组合，如图3所示，该部分算法的具体步骤如下：

步骤1：初始化萤火虫算法的参数：初始化荧光素挥发系数ρ，荧光素增强因子γ，感知范围r_s，邻域变化率β，邻居阈值n_t，移动步长s和每只萤火虫的位置；

步骤2：确定支持向量机中需要优化参数的取值范围；确定错误惩罚因子C，不敏感参数ε和核参数σ最优值的取值范围；

步骤3：在每组参数取值范围内，随机选取一组值作为萤火虫个体的位置。将支持向量机拟合值与实际值的误差作为适应度，误差越小，则该组参数的性能越好，适应度越大；

步骤4：计算每个萤火虫的荧光素浓度、决策域范围和邻居的荧光素浓度，通过邻居的荧光素浓度确定萤火虫的移动方向并向前移动；

步骤5：判断萤火虫算法是否达到终止条件；若达到，则选取最优解为支持向量机的参数；否则，转步骤4）。

由于支持向量机中需要优化的重要参数是错误惩罚因子C，不敏感参数ε和核参数σ最优值，所以萤火虫中群体表示如下：

X＝((C₁,ε₁,σ₁),(C₂,ε₂,σ₂),…,(C_N,ε_N,σ_N))……(1)。

第i只萤火虫的荧光素浓度如下：

l_i(t)＝(1-ρ)l_i(t-1)+γJ(x_i(t))……(2)，

决策域范围更新公式如下：

$r_d^i(t+1)=\min \{r_s,\max \{0,r_d^i\left(t\right)+\mathrm{\β}(n_t-|N_i\left(t\right)\left|\right)\left\}\right\}......\left(3\right),$

t时刻第i只萤火虫的邻居集合如下：

$N_i\left(t\right)=\{j:||x_j\left(t\right)-x_i\left(t\right)||\&le;r_d^i\left(t\right);l_i\left(t\right)<l_j\left(t\right)\}......\left(4\right).$

萤火虫在运动过程中，根据其邻居集合中各萤火虫的荧光素浓度来决定其移动方向，t时刻第i只萤火虫向其邻居集合中第j只萤火虫移动的概率如下：

$P_{\mathrm{ij}}\left(t\right)=\frac{l_j\left(t\right)-l_i\left(t\right)}{{\mathrm{\&Sigma;}}_{k\&Element;N_i\left(t\right)}{l}_k\left(t\right)-l_i\left(t\right)}......\left(5\right).$

第i只萤火虫在t+1时刻的位置如下：

$x_i(t+1)=x_i\left(t\right)+s\frac{x_j\left(t\right)-x_i\left(t\right)}{\left|\right|x_j\left(t\right)-x_i\left(t\right)\left|\right|}......\left(6\right).$ 设置萤火虫算法终止条件为迭代次数超过1000次时算法退出循环。

第二部分通过训练好的支持向量机回归模型对不合理的噪声数据进行校正，如图4所示，该部分算法的具体步骤如下：

步骤1：收集油色谱离线试验和在线监测数据；

步骤2：优化支持向量机回归模型的参数。通过萤火虫算法得到回归模型中重要参数的最优组合；

步骤3：利用少数准确的油色谱离线试验数据对支持向量机进行训练，得到支持向量机回归模型；

步骤4：初始化在线监测数据的允许偏离半径h，计算离线试验间的分段函数，判断油色谱在线监测的数据是否在模型允许的误差范围之内。若在，则认为在线数据正常；否则，认为在线数据异常；

步骤5：对在线数据进行校正。逐个判断在线数据是否正常，若数据异常，则由支持向量机回归模型拟合该时刻的数据，用拟合值代替异常数据；否则，认为油色谱在线监测数据正常，不需要进行校正；

步骤6：根据现场数据校正反馈的结果，对模型中的参数进行调整，使得本实用新型中的方法对油色谱在线噪声校正的效果更好。

支持向量机回归估计的函数如下：

f(x)＝ω·φ(x)+b……(7)，支持向量机采用最小化结构来确定ω和b，即

$\min R_{\mathrm{str}}=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+{\mathrm{CR}}_{\mathrm{emp}}......\left(8\right),$

其中 $R_{\mathrm{emp}}=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{L}_{\mathrm{\&epsiv;}}(x_i,y_i-f\left(x_i\right))......\left(9\right)$ 和L_ε(x,y-f(x))＝max{0，|y-f(x)-ε}……(10)，求解式(8)最终可得到支持向量机回归模型的函数如下：

$f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)K(x_i,x)+b......\left(11\right),$

回归模型中选用使用范围最普遍的径向基RBF核函数如下：

$K(x_i,x)=\exp [-\frac{{\left|\right|x_i-x\left|\right|}^2}{2{\mathrm{\&sigma;}}^2}]......\left(12\right).$

通过离线数据的分段函数判断在线数据是否异常，假设时刻t_i和t_j（t_i≠t_j)的离线数据分别为y_i和y_j，则这两个时刻离线数据间的分段函数为 $f_{\mathrm{ij}}\left(t\right)=\frac{y_j-y_i}{t_j-t_i}t+\frac{y_i{t}_j-y_j{t}_i}{t_j-t_i}......\left(13\right).$ 假设两次离线试验间分段函数允许偏离的半径为h，则时刻t_i和t_j两次离线试验间在线监测数据的上限函数为

在线监测数据的下限函数为

若在线数据超出了离线数据分段函数允许的上限或下限，则认为在线监测数据异常，需要进行校正。

模型拟合离线数据的误差平方和越小，则模型越准确。异常数据校正值与在线监测相邻的两个数据差的平方和越小，则校正后的数据越平稳连续，校正效果越好。模型的训练时间越短，则模型越适合对在线数据进行实时校正。通过工程应用证明了，本实用新型进行油色谱在线数据校正效果平稳准确，时间短实时性好，非常适合对现场的油色谱在线数据进行校正。

Claims (1)

1.一种油色谱在线监测噪声数据校正系统，其特征在于：其包括变压器、数据采集模块、油色谱在线监测装置、数据校正装置、上位机，油色谱在线监测装置、数据采集模块均与变压器连接，所述变压器的油色谱离线实验数据被数据采集模块采集后送至数据校正装置，油色谱在线监测装置对变压器的监测数据也送至数据校正装置，数据校正装置与上位机相连接。

Images