基于多参量数据回归分析的电力变压器状态监测方法

电力变压器是电网中的核心设备,其运行状态直接关系到系统的供电可靠性和安全。为了充分利用变压器多元状态监测信息,实现对变压器状态的精确感知,对在线监测参量进行了统计分析,确定了监测参数间存在一定相关性。提出基于多状态参量的回归特性进行设备状态分析的PLS-PCA（partial least squares - principal component analysis）方法,即在设备正常运行时,利用偏最小二乘回归（PLS）方法挖掘状态参量之间的关联关系及回归方程,基于回归预测与实际之间的偏差构建了基于主成分分析（PCA）的变压器状态评判方法,通过控制图对比了变压器状态变化检出的能力。通过对变压器正常运行状态和异常运行状态监测数据进行分析,结果表明：多状态参数回归分析可以将变压器的多元监测数据直观地显示出来;该方法利用监测参数间的相关性,通过发现变压器运行过程中状态参数的霍特林统计量,可以提前检测变压器的异常运行状态。     

基于MCD稳健统计分析的变压器油色谱异常值检测及分布特性

由于人为因素以及现场干扰的影响,变压器油色谱在线监测数据在测量和传输中会不可避免地出现偏误,导致异常数据值,使得经典统计方法的结果出现偏差甚至错误。为了解决上述问题,基于稳健统计理论,根据油色谱监测数据异常值的特点,提出了油色谱H2、CO和总烃3类特征气体异常值的最小协方差行列式MCD稳健多元检测方法。利用迭代和Mahalanobis距离的思想构造一个稳健的协方差估计量,并进行异常值检测,然后再将异常数据和正常数据分类处理。针对H2、CO和总烃这3类特征气体的实例统计分析表明,异常值剔除后可有效减少这3种气体的测量值对经典统计方法的干扰,使得油色谱数据的统计规律更加明显。通过对异常值区间的跟踪评估,还可更加明显地反映变压器运行状态的变化。     

基于动态阈值的变压器异常状态检测

为提升电力变压器状态检修效率和异常状态检测、预警能力,考虑变压器在线监测数据、检修数据及设备本体数据间的相关性,提出了一种基于动态阈值的变压器异常运行状态检测方法,通过构造动态预测模型对特征参数基线进行刻画。在此基础上,采用贝叶斯网络推算变压器运行状态,以概率大小判断变压器可能状态,并基于实际运行数据对所提方法进行了验证分析。计算结果表明此方法可对异常检测数据有效检测,能够对变压器异常状态准确识别和预测。     

基于滑动窗口和聚类算法的变压器状态异常检测

在线监测数据在变压器运行状态中发挥出重要角色,而传统的异常状态检测一般基于阈值判定法,难以及时发现变电设备的异常情况,甄别噪声数据。针对上述问题,根据变压器在线监测数据中异常值特点,提出了一种基于滑动窗口和聚类算法的变压器状态异常检测方法。首先,利用时间序列和滑动窗口对多维的在线监测数据流进行筛选,记录异常点的发生时间和类型,建立候选异常数据集合的判断模型;其次,基于无监督的k-means聚类方法建立多元特征量数据点的异常检测模型,并用于在线监测实时数据的异常检测,判断异常时刻与异常类型。通过某变电站的油中气体数据对本文算法进行了验证,结果表明,该方法可以实时检测在线监测数据流中因运行状态变化而产生的趋势异常,并祛除少量传感器噪声或突变值的影响,具有较高的实用价值。     

基于油色谱数据的变压器可靠度评估方法(英文)

变压器是电力系统的枢纽设备,其运行的可靠性直接关系着电力系统的安全运行。为此,提出了一种基于色谱数据统计规律的变压器可靠度评估方法。首先对正常状态以及过热和放电异常状态时变压器的油色谱数据进行分布规律分析,采取曲线拟合的方式求取各状态下气体含量的概率密度函数以及累积分布函数。根据异常状态时数据的分布规律,利用变压器的可靠性与故障的累计概率之间的关系,得出各气体含量达到国标注意值时变压器的可靠度。最后按照国家安全预警体系将变压器异常状态划分为5个严重等级。     

电力变压器状态评估

长期以来,人们对变压器的研究往往侧重于:在变压器发生故障后,用故障前后特征量的变化来进行变压器的故障诊断。而笔者在电业局现场工作中体会到:对运行单位而言,更关心的是运行变压器状态的好坏,而故障后的诊断意义显得不再重要。针对这个问题,提出变压器研究的另外一个新思路,即:除了对故障后的变压器进行故障诊断外,更重要的是综合利用变压器的历史数据和在线监测数据对运行中的变压器进行状态评估,通过状态评估,可以明确判断运行中变压器状态的好坏,从而为变压器的状态检修或者安排变压器计划检修提供科学的决策依据。鉴于模糊综合评判能够对多因素事物作出综合评判,运用模糊综合评判构成了变压器状态评估的框架。     

基于异常值分析的变压器在线监测方法

从变压器在线监测数据中异常值产生的机理出发，提出了一种利用在线观测值中异常点的发生时间和类型进行报警的变压器在线监测方法。实例表明，这种方法可用于运行条件存在较大差异，难以用统一的标准值来判别状态的设备，存在较高的实用价值。     

基于模糊综合评判和支持向量回归的变压器状态评估方法

将模糊综合评判与支持向量机回归的方法相结合,应用于变压器的状态评估,首先使用模糊综合评判法,综合考虑多种因素对变压器状态的影响,以及各因素之间的模糊性、不确定性,得出模糊运算的结果,再利用支持向量机适合小样本、泛化能力强的特点,使用支持向量机回归模型得出变压器状态的评判分数,依此制定出变压器的检修策略。实例证明该方法的合理性与有效性。     

基于模糊综合评判的电力变压器运行状态评估模型

研究了结合模糊理论对变压器运行状态进行模糊评价的多级评估方法。首先,以预防性试验为基础,综合考虑工作环境、运行资料、检修记录和附件情况,建立层次型评估指标体系。引入了相对劣化度来表征变压器实际状态向故障转化的相对劣化程度;以相对劣化度为输入,搭建神经网络确定了色谱状态量的隶属函数;利用模糊统计试验法和模糊分布法分别建立了定性指标和其余定量指标相对劣化度的隶属函数。在此基础上,基于模糊综合评判思想建立电力变压器运行状态评估模型,分别对各层评判因素进行了评估,并综合得出变压器的运行状态。经实例分析表明,基于模糊综合评判的电力变压器运行状态评估方法是合理和有效的。     

基于神经网络算法的变压器油温诊断

油浸式变压器顶层油温是变压器热点温度的重要指标,直接影响变压器运行寿命和负载能力。针对油浸式风冷变压器上层油温过高对变压器安全运行的影响问题,研究了影响主变油温的相关变量,建立了神经网络算法的变压器油温异常诊断模型;利用一次南通海安变风机没有启动引起的油温异常状态和主变油温正常状态下的两组监测数据完成了模型的验证;通过预测值和实测值的比对分析,诊断出变压器油温异常。结果表明,建立的诊断模型,能够诊断主变油温异常,很好地完成对主变上层油温的预测。     

变压器状态评价的非停电检测技术

总结了变压器运行监测经验,提出了可以有效反映变压器状态变化的非停电检测状态量。根据形态学理论,构造了适用于在线监测数据处理的开-闭、闭-开和混合滤波器。建立了局部放电、油色谱、套管泄漏电流、套管介质损耗因数等18个非停电检测状态的评价函数,建立了基于状态量、部件和整体的3级评价模型,该模型可用于运行中变压器的状态评价。     

基于贝叶斯分类器的电网变压器状态评估研究

状态检修的大规模推广对准确高效进行变压器状态评估提出了更高要求。通过对变压器监测和电气试验进行分析,选取了反映变压器运行状态的核心指标建立变压器评估指标体系,并给出了指标评分模型和隶属度函数。基于贝叶斯理论并考虑包含当前监测数据在内的多个时间维度的变压器监测数据,提出了一种基于贝叶斯分类器的变压器状态评估方法。通过对某地电网中变压器实际运行数据进行分析,对变压器运行状态做出了准确评估,验证了所提方法的有效性和实用性。     

组合核相关向量机在电力变压器故障诊断中的应用研究

仅依据反映变压器运行状态的单一特征信息很难对变压器的状态做出正确的诊断,而组合核相关向量机可实现多特征空间的融合。鉴于此,提出了基于组合核相关向量机的变压器故障诊断新方法。该诊断方法可融合蕴含变压器运行状态的多种特征信息,输出变压器为各种状态的概率,为变压器的检修提供更多的可用信息。此外,为进一步提高组合核相关向量机的性能,提出了基于 K 折交叉验证和遗传算法的核函数参数优化方法,对组合核相关向量机进行了优化。实例分析表明,与BP神经网络、支持向量机诊断方法相比,该文所提方法具有较好的故障诊断效果。     

基于数据分析的变压器套管新型在线监测预警策略研究

套管是电力变压器的重要附件,其安全稳定运行至关重要。为此,常采用在线监测技术对其运行状态进行实时监测。在电网内部,变压器套管在线监测系统已有一定应用。然而,监测数据不仅取决于套管自身绝缘性能,而且受温度、湿度和系统运行电压等环境因素影响,且当前各套管监测厂家推荐的预警策略各异,难以满足应用要求。因此研究适宜的在线监测预警策略至关重要;文中对广东电网在运变压器套管的介损值历史监测数据进行了统计分析。研究发现变压器套管在线监测应用过程中会出现短时性、间歇性的数据异常,异常率接近1%,导致监测系统告警。剔除这些异常数据后,套管介损在线监测数据相对平均值在±15%范围内小幅波动,数据分布近似服从正态关系,进而提出在线监测时介损值相对变化应小于30%的新预警策略,优化了原有的预警策略,新的预警策略适应了不同类型变压器套管的出厂值差异,适用性更强。     

基于振动信号统计特性的变压器绕组状态监测

运行中的变压器振动信号与其绕组状态密切相关,为深入挖掘变压器振动信号的变化规律,实现绕组状态的准确监测,本文从在运变压器的振动监测信号特性出发,通过对预处理后的变压器振动信号进行系统聚类,得到了变压器绕组振动特征曲线,进而根据变压器振动信号的统计特性即T2控制图对绕组状态进行监测分析。对某500k V变压器振动在线监测信号的分析结果表明,所提出的系统聚类方法能够有效地提取变压器振动信号的特征,依据振动信号的T~2控制图可以准确地判断变压器的绕组状态。研究结果可为基于振动信号的变压器绕组状态监测提供重要依据。     

基于栈式降噪自编码器的输变电设备状态数据清洗方法

针对当前输变电设备状态监测数据清洗过程繁琐,易造成信息丢失等问题,利用栈式降噪自编码器对"脏"数据的还原解析能力及异常状态特征提取能力,提出了一种基于栈式降噪自编码器的数据清洗方法。对设备正常工况及异常运行状态数据分别利用栈式降噪自编码器进行训练学习,获取损失函数向量,形成奇异点、缺失数据修复模型和设备异常运行状态数据降噪模型。通过核密度估计确定训练样本损失函数上限和容限时窗,根据测试数据重构误差和异常数据时长与损失函数上限和容限时窗间的关系,对"脏"数据进行分类处理。对某变压器油色谱中总烃含量及某导线温度数据进行清洗,结果表明所提方法能有效辨识奇异点、缺失信息及异常运行状态数据,并对奇异点、缺失值进行修复重构。在设备异常运行时刻,可以有效过滤干扰数据。     

考虑时间序列关联的变压器在线监测数据清洗EI北大核心CSCD

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

考虑时间序列关联的变压器在线监测数据清洗

针对变压器设备大数据状态评估过程中存在数据缺失以及异常数据等问题,提出了一种基于关联规则分析和神经网络的数据清洗策略。首先通过关联规则挖掘,建立了衡量状态监测量间关联程度的数学模型,找出具有强关联性的时间序列。然后利用基于密度的聚类算法检测出序列中的缺失值以及异常点,提出了考虑序列关联性的清洗流程和规则,有效区分可清洗的传感器数据异常和设备状态异常。针对可清洗的数据点,利用小波神经网络模型进行缺失数据预测和错误数据修正,并动态修正小波神经网络参数和组合预测,提高了网络的清洗效率和准确率。以实际变压器设备在线监测数据为例进行测试,测试结果表明序列数据的关联性分析和小波神经网络相结合,能够有效提高变压器在线监测数据清洗的准确度。     

基于声信号特征声谱图的变压器状态监测与故障诊断

为实现基于声信号的变压器状态监测与故障诊断,提出了一种基于改进的瀑布声谱图-卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图,对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构,优化各层网络参数,实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析,变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到95%以上的识别成功率。结果表明：提出的改进的瀑布声谱图-卷积神经网络模型能够对变压器声信号实现较好的识别效果,可用于变压器的状态监测和故障诊断。     

基于层次聚类分析的变压器油中溶解气体在线监测数据异常检测

油中溶解气体分析是电力变压器常用的状态检测手段,在变压器运行与维护中发挥了显著作用,但因现有油中溶解气体在线监测系统可靠性问题及现场干扰,监测数据中充斥着大量的伪数据及错数据,易引起误判。针对此问题,监测系统常采用基于数据分布统计的阈值法判定数据真伪,因数据分布规律预先难以掌握,造成异常数据检出率普遍低下问题。文中依据油中溶解气体在线监测数据时间序列特点,提出了一种基于凝聚层次聚类的异常数据检测方法。首先,利用滑动时间窗对多种油中气体监测数据进行预处理,获得监测数据时间序列集,接着通过综合应用均值、阈值、标准差、小波变换周期性分量等指标对其进行分类建立异常类型的典型时序图谱;在此基础上,利用凝聚层次聚类模型,对不同特征的数据点与典型异常图谱的距离进行相似性聚类,以确定监测数据的异常类型。通过实际监测数据应用验证表明,该方法可实时检测在线监测数据流中数据异常并确定其类型,简单且易操作,具有较好的理论及应用价值。