本發(fā)明涉及變壓器
技術領域：
，特別是涉及一種變壓器油中溶解氣體異常識別方法。
背景技術：
：目前，變壓器油中溶解氣體是評價變壓器運行狀態(tài)重要指標。目前電力部門普遍通過閾值法對變壓器進行預警，在傳統(tǒng)的異常識別方法中，對變壓器油中溶解氣體進行監(jiān)測，當監(jiān)測到的某種特征氣體超過預先設定的注意值時，監(jiān)測系統(tǒng)給出相應的報警信息，但是這種傳統(tǒng)的閾值判定具有局限性，一方面設備信息利用率和狀態(tài)評價正確率都偏低，另一方面難以檢測出設備的潛伏性故障及故障類別，而且相關規(guī)范標準中的固定閾值難以結合設備運行工況的差異性，因此傳統(tǒng)的異常識別方法進行的準確性較低。技術實現(xiàn)要素：本發(fā)明的目的是提供一種變壓器油中溶解氣體異常識別方法，以實現(xiàn)提高溶解氣體異常識別的準確性。為解決上述技術問題，本發(fā)明提供一種變壓器油中溶解氣體異常識別方法，該方法包括：獲取變壓器油中溶解氣體歷史數(shù)據(jù)，對所述數(shù)據(jù)進行預處理；計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量；依據(jù)所述溶解氣體的漸變分量、周期分量和隨機自回歸分量建立組合函數(shù)；計算組合函數(shù)的輸出誤差，依據(jù)所述輸出誤差來判定溶解氣體的異常。優(yōu)選的，所述計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量，包括：利用平滑低通濾波器計算得到溶解氣體的漸變分量P(t)；利用最小二乘法計算得到溶解氣體的周期分量Q(t)；利用最小期望法計算得到溶解氣體的隨機自回歸分量S(t)。優(yōu)選的，所述組合函數(shù)為f(t)，f(t)為非平穩(wěn)隨機過程。優(yōu)選的，所述計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量之前，還包括：獲取變壓器油中溶解氣體的漸變分量估計值周期分量估計值和隨機自回歸分量估計值優(yōu)選的，所述組合函數(shù)的輸出誤差為V(t)，優(yōu)選的，所述組合函數(shù)的標準差為S，V(t)的概率置信區(qū)間為[-qS,qS]，q＝2.5。優(yōu)選的，所述依據(jù)所述輸出誤差來判定溶解氣體的異常，包括：若組合函數(shù)的輸出誤差落在所述概率置信區(qū)間之外，確定溶解氣體出現(xiàn)異常。本發(fā)明所提供的一種變壓器油中溶解氣體異常識別方法，獲取變壓器油中溶解氣體歷史數(shù)據(jù)，對所述數(shù)據(jù)進行預處理；計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量；依據(jù)所述溶解氣體的漸變分量、周期分量和隨機自回歸分量建立組合函數(shù)；計算組合函數(shù)的輸出誤差，依據(jù)所述輸出誤差來判定溶解氣體的異常?？梢姡鄬τ趥鹘y(tǒng)的異常識別方法，本方法既簡化了多維參量的復雜相關關系，又能檢測出設備運行狀態(tài)的異常類型及異常發(fā)生時間，實現(xiàn)異常的實時檢測，提高溶解氣體異常識別的準確性。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為本發(fā)明所提供的一種變壓器油中溶解氣體異常識別方法的流程圖；圖2變壓器油中溶解氣體異常識別驗證示意圖。具體實施方式本發(fā)明的核心是提供一種變壓器油中溶解氣體異常識別方法，以實現(xiàn)提高溶解氣體異常識別的準確性。為了使本
技術領域：
的人員更好地理解本發(fā)明方案，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。請參考圖1，圖1為本發(fā)明所提供的一種變壓器油中溶解氣體異常識別方法的流程圖，該方法包括：S11：獲取變壓器油中溶解氣體歷史數(shù)據(jù)，對所述數(shù)據(jù)進行預處理；S12：計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量；S13：依據(jù)溶解氣體的漸變分量、周期分量和隨機自回歸分量建立組合函數(shù)；S14：計算組合函數(shù)的輸出誤差，依據(jù)輸出誤差來判定溶解氣體的異常?？梢?，相對于傳統(tǒng)的異常識別方法，本方法既簡化了多維參量的復雜相關關系，又能檢測出設備運行狀態(tài)的異常類型及異常發(fā)生時間，實現(xiàn)異常的實時檢測，提高溶解氣體異常識別的準確性?；谏鲜龇椒ǎ唧w的，步驟S12具體包括以下步驟：S21：利用平滑低通濾波器計算得到溶解氣體的漸變分量P(t)；S22：利用最小二乘法計算得到溶解氣體的周期分量Q(t)；S23：利用最小期望法計算得到溶解氣體的隨機自回歸分量S(t)。獲取的漸變分量、周期分量和隨機自回歸分量都是函數(shù)，也就是根據(jù)平滑低通濾波器求取漸變分量函數(shù)，根據(jù)最小二乘法求得周期分量函數(shù)，根據(jù)最小期望法求得隨機自回歸分量函數(shù)，然后再建立組合函數(shù)，輸入數(shù)據(jù)求取輸出誤差，進行異常判斷。組合函數(shù)為f(t)，f(t)為非平穩(wěn)隨機過程。具體的，在計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量之前，還包括：獲取變壓器油中溶解氣體的漸變分量估計值周期分量估計值和隨機自回歸分量估計值其中，組合函數(shù)的輸出誤差為V(t)，其中，組合函數(shù)的標準差為S，V(t)的概率置信區(qū)間為[-qS,qS]，q＝2.5。步驟S14中依據(jù)輸出誤差來判定溶解氣體的異常的過程具體為：若組合函數(shù)的輸出誤差落在概率置信區(qū)間之外，確定溶解氣體出現(xiàn)異常。即若組合函數(shù)的輸出誤差V(t)落在概率置信區(qū)間[-qS,qS]之外，確定溶解氣體出現(xiàn)異常。該方法通過油中溶解氣體特征的數(shù)據(jù)預處理，計算含有漸變分量、周期分量、隨機自回歸分量的組合函數(shù)，并建立異常識別準則，異常識別準則即為：計算組合函數(shù)的輸出誤差，依據(jù)輸出誤差來判定溶解氣體的異常。相對于傳統(tǒng)的異常判定方法，本方法既簡化了多維參量的復雜相關關系，又能檢測出設備運行狀態(tài)的異常類型及異常發(fā)生時間，實現(xiàn)異常的實時檢測。考慮油中溶解氣體特性的數(shù)據(jù)預處理，介于油中溶解氣體不同氣體間存在一定關系，預處理包括缺失值多維氣體插值補全、突變值采用3δ識別及均值替代處理。詳細的，根據(jù)組合估計值求取組合函數(shù)f(t)，漸變成分估計值代表油中溶解氣體隨設備狀態(tài)變化P(t)，周期成分估計值代表監(jiān)測傳感器受周期環(huán)境變化Q(t)，隨機自回歸估計值代表油中溶解氣體隨機干擾S(t)?？紤]不同氣體之間的影響的平滑低通濾波器求取漸變分量，為Pi(t)的擬合值，一般形式為式中i＝a,b,c…g分別代表H2、CH4、C2H6、C2H4、C2H2、CO、CO2氣體。周期分量時間序列Q(t)可表達為其擬合推估值可以用傅里葉級數(shù)表示，即式中a0,am,bm,m常數(shù)可由傅里葉變換及最小二乘法求得。f(t)一般是非平穩(wěn)隨機過程，對于隨機漲落自回歸函數(shù)S(t)，對S(t)可建立自回歸預測模型當：為最小時，按下式求解回歸系數(shù)b1,b2,…,bl。式中R(0),R(1),…,R(l)是自相關系數(shù)，且式中j＝0,1,…,(l-1),E表示數(shù)學期望。對于組合函數(shù)的異常識別準則，異常識別準則即為：計算組合函數(shù)的輸出誤差，依據(jù)輸出誤差來判定溶解氣體的異常。異常識別準則是基于綜合系統(tǒng)即組合函數(shù)的輸出誤差模型擬合系統(tǒng)標準差即組合函數(shù)的標準差為式中V(t)的概率置信區(qū)間為[-qS,qS],q在這里取2.5，對應置信度99％。當V(t)變化落在置信區(qū)間外判定為出現(xiàn)異常。本方法簡化了多維參量的復雜相關關系，又能檢測出設備運行狀態(tài)的異常類型及異常發(fā)生時間，實現(xiàn)動態(tài)數(shù)據(jù)的異常檢測。解決了設備信息利用率和狀態(tài)評價正確率都偏低，難以檢測出設備的潛伏性故障的問題。具體的，本方法中，獲取變壓器油中溶解氣體歷史數(shù)據(jù)，對數(shù)據(jù)進行預處理，根據(jù)平滑低通濾波器求取漸變分量函數(shù)，根據(jù)最小二乘法求得周期分量函數(shù)，根據(jù)最小期望法求得隨機自回歸分量函數(shù)，然后再建立組合函數(shù)，輸入數(shù)據(jù)求取輸出誤差，進行異常判斷，如此對油中溶解氣體異常值進行了判斷，由于判據(jù)充分考慮了氣體之間的相互影響、數(shù)據(jù)波動、環(huán)境干擾因素的影響。因此這種方法更加適用于油中溶解氣體的異常值評估。例如，共獲得某傳感器采集到的某傳感器一個月的H2含量數(shù)據(jù)，其中2月16日至3月5日數(shù)據(jù)用于訓練組合模型，3月5日-3月8日用于測試模型。根據(jù)訓練模型計算值、邊界值及觀測值如表1所示，根據(jù)本發(fā)明的異常識別方法，當觀測值大于置信邊界值識別為異常，識別出3月6日-3月9日氫氣數(shù)據(jù)存在異常，如圖2所示，圖中的實際指代觀測值，預測代表計算值。表13月5日3月6日3月7日3月8日3月9日計算值2.412.472.552.72.9置信邊界3.913.974.054.24.4觀測值3.55.54.97.16.7綜上，本發(fā)明所提供的一種變壓器油中溶解氣體異常識別方法，獲取變壓器油中溶解氣體歷史數(shù)據(jù)，對所述數(shù)據(jù)進行預處理；計算變壓器油中溶解氣體的漸變分量、周期分量和隨機自回歸分量；依據(jù)溶解氣體的漸變分量、周期分量和隨機自回歸分量建立組合函數(shù)；計算組合函數(shù)的輸出誤差，依據(jù)輸出誤差來判定溶解氣體的異常?？梢姡鄬τ趥鹘y(tǒng)的異常識別方法，本方法既簡化了多維參量的復雜相關關系，又能檢測出設備運行狀態(tài)的異常類型及異常發(fā)生時間，實現(xiàn)異常的實時檢測，提高溶解氣體異常識別的準確性。以上對本發(fā)明所提供的一種變壓器油中溶解氣體異常識別方法進行了詳細介紹。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內。當前第1頁1 2 3