電力變壓器故障監測方法及裝置的製作方法
2023-05-02 15:13:01
專利名稱：電力變壓器故障監測方法及裝置的製作方法
技術領域：
本發明涉及電力系統，尤其涉及一種電力變壓器故障監測方法以及一種電力變壓器故障監測裝置。
背景技術：
電力變壓器是電力網絡的核心設備，變壓器的健康狀況和生命周期對電網安全可靠運行極為關鍵。在變壓器運行過程中，有效地對變壓器進行故障診斷，準確地判斷變壓器的運行狀態和故障的發展趨勢，有利於生產人員科學地安排生產計劃，減少事故的發生。變壓器在長期運行的過程中，由於電壓、熱、化學、機械振動以及其他因素的影響， 出現絕緣老化、材質劣化的現象，以及外部的破壞和影響等，難免引發變壓器故障事故。同時，變壓器在設計和製造的過程中可能存在一些質量問題，而且在安裝過程中也可能出現損壞，由此將造成一些潛伏性故障。當前變壓器狀態的定量分析主要採用人工智慧的方法，其中最常見的是人工神經網絡和專家系統。人工神經網絡(Artificial Neural Networks, ANN)具有很強的自學習能力，理論上能實現對任意複雜非線性函數的逼近。使用反向傳播算法的多層前饋網絡是目前在模式識別和故障診斷中應用最多的一種神經網絡形式。但是反向傳播的神經網絡在實際工程應用中面臨著諸多難題首先是神經網絡的結構和節點的數量不容易確定；其次是神經網絡訓練過程中收斂速度緩慢。而且神經網絡的訓練過程通常需要大量歷史數據， 可生產實際中的故障數據往往佔少數，再加之神經網絡的結構和參數往往缺乏實際的物理意義，不利於調試和改進。上述這些問題都影響了人工神經網絡在的實際故障診斷中的效果。專家系統(Expert System)是另一種常用的人工智慧方法，它通過將專業知識和邏輯推理相結合來模擬領域專家解決複雜問題。但是專家系統的建立需要大量的實際經驗，而且很難超越這些經驗而直接從歷史數據中發掘出規律。此外，專家系統內規則的數量隨變量數成指數增長，當變量數較多時可能出現「組合爆炸」效應，需要龐大的計算量。另外，隨著理論研究的不斷進展，統計數據挖掘和隨機過程模型近年來逐漸被應用於複雜設備的狀態分析和輔助維修決策。與人工智慧算法相比，它具有諸多優勢首先，這類模型把時間作為一個重要的因素加以考慮，以動態角度研究系統的發展演變；而傳統的神經網絡和專家系統僅局限於分析穩定的或瞬態的特徵模式。由於變壓器性能的退化、故障的出現和發展都是一個動態的過程，而且「剩餘使用壽命」也是一個時間量，因此必須採用隨機過程的分析方法才能準確地把握其動態特性。其次，統計數據分析的方法能夠有效地分析小樣本數據和缺失數據，在狀態監測系統運行初期數據不完善或存在錯誤數據時，能最大化地利用現有數據，而且計算量大大低於人工智慧算法。除此之外，統計學模型還具有更為精確的預測能力和更加明確的物理意義。
近年來，統計數據挖掘和隨機過程模型在機械設備維修優化領域已取得了顯著的成效。但是電力系統的運行和老化有較大的特殊性，作為電力系統重要設備的主變壓器在可靠性和安全性上往往也有更高的標準，因此，在電網企業建設「智能電網」新形勢下，如何儘快的研究和開發出針對主變壓器的狀態分析及預測算法，以方便維護人員科學地安排變壓器維修計劃，減少事故發生和節約維修成本，成為亟待解決的問題。
發明內容
為解決上述問題，本發明提供一種電力變壓器故障監測方法及裝置，能夠及時發現變壓器潛伏性故障以及故障發展趨勢，從而有利於維護人員科學地安排變壓器維修計劃，減少事故的發生，節約維修成本。為達到上述目的，本發明採用如下的技術方案一種電力變壓器故障監測方法，包括如下步驟對多元監測變量進行特徵量提取與壓縮；計算特徵量在變壓器正常運轉和故障模式下的概率分布函數；根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。一種電力變壓器故障監測裝置，包括特徵量提取模塊，用於對多元監測變量進行特徵量提取與壓縮；函數計算模塊，用於計算特徵量在變壓器正常運轉和故障模式下的概率分布函數；故障分類模塊，用於根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。由以上方案可以看出，本發明的電力變壓器故障監測方法及裝置，其首先通過統計模型對數據進行預處理，進而計算變壓器處於故障狀態的概率，通過後驗概率來實現故障的分類和監測。本發明的方法及裝置能夠利用變壓器監測數據來判斷變壓器的健康狀況，及時發現潛伏性故障及故障發展趨勢，以狀態檢修取代計劃檢修，從而達到減少事故的發生、節約維修成本的目的。
圖1為本發明電力變壓器故障監測方法的流程示意圖；圖2為本發明的電力變壓器故障監測裝置的結構示意圖。
具體實施例方式本發明提供一種電力變壓器故障監測方法及裝置，能夠解決現有技術中無法及時發現變壓器潛伏性故障和故障發展趨勢所帶來的維修成本高的問題。下面結合附圖，對本發明作進一步詳細的說明。如圖1所示，本發明的電力變壓器故障監測方法，包括如下步驟步驟Si，對多元監測變量進行特徵量提取與壓縮。該過程具體可以包括通過偏最小二乘法PLS來對多元監測變量進行特徵量提取與壓縮，提取對模型最有用的信息，去除冗餘信息，使算法高效、快速。所述偏最小二乘法的通用模型為X = ΤΡτ+ΕY = TQT+F ；(1)
其中，X為變壓器監測的油色譜數據矩陣，行為觀測時間，列為氣體項目；Y為故障指示變量，對訓練數據取值為0和1 ;T為加權係數矩陣；P和Q均為加載矩陣；E和F為多元正態分布的誤差向量。通過本步驟可以將多維的變壓器油色譜數據轉換為一個一維的「決策變量」 Y。作為一個較好的實施例，在步驟Sl之前可以包括步驟SO 對原始測試數據進行清理，濾除來自環境、負載等外部因素的幹擾，提取出與變壓器健康狀況直接相關的有用信息。該過程具體可以包括通過附加變量的向量自回歸時間序列模型VARX來對原始測試數據進行清理。所述VARX模型的標準結構為
7 — r —~_ τ·" -· τ — τ； -r -: .(『 9 )
『「- .』.■, _■_......... .' . - ― ,_ · ！『 _ ，V/其中，Xt表t時刻的變壓器監測的油色譜數據，Xt_i為t_i時刻的變壓器監測的油色譜數據，ε t為t時刻的隨機幹擾，C^i為t_i時刻的外界幹擾數據。若實際中負載數據和監測數據不相匹配，則可對臨近點進行插值。對無法獲得滿意匹配的情況，則可以略過該步驟S0，直接使用原始數據進行下一步(步驟Si)的操作。步驟S2，計算特徵量在變壓器正常運轉和故障模式下的概率分布函數。該過程具體可以包括對輸出數據Y進行直方圖分析，將故障分為過熱故障和放電故障兩大類別，判斷出各類故障和正常運行時Y值的基本分布情況，使用正態分布對這些直方圖進行擬和， 獲得故障狀態下的分布函數hi (Z)、正常狀態下的分布函數t!2 (Z)；其中，hi (Z)又分為兩個類別過熱條件下Y的分布函數hl0 (ζ)、放電條件下Y的分布函數hlCl(Z)。步驟S3，根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。該過程具體可以包括如下步驟S301，使用監測數據Y來更新系統狀態X，可以利用貝葉斯公式實現 『——一 ，ν J J步驟S302，利用截止到目前時刻t = mh的所有歷史數據來計算系統處於故障狀態的後驗概率P，以進行故障診斷和維修決策；其中，h為採樣間隔，m為截止到t時刻的採樣總次數；然後根據新觀測到的值來更新模型對系統故障狀態的判斷，應用如下公式Pt = I-(I-Pmh) e_θ (t_mh)，對 mh < t Pd，則系統處於過熱故障。用提取出的信息來更新先驗知識，以先驗概率的形式表示，最終結果通過後驗概率向量的形式輸出，向量內的每個元素分別對應系統處於各種不同故障模式的概率，從而實現故障的初步檢測和分類。貝葉斯方法的一個主要優點在於其對油中氣體的變化趨勢較為敏感，因而能夠在早期發現一些細微的變化，只要油中氣體的含量發生了異常的增加，貝葉斯算法都能及時地發現這一趨勢，而不論其正常運行的基準值是多少。與上述一種電力變壓器故障監測方法相對應的，本發明還提供一種電力變壓器故障監測裝置，如圖2所示，包括
特徵量提取模塊，用於對多元監測變量進行特徵量提取與壓縮；函數計算模塊，用於計算特徵量在變壓器正常運轉和故障模式下的概率分布函數；故障分類模塊，用於根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。作為一個較好的實施例，本發明的裝置還可以包括清理模塊，用於在進行特徵量提取與壓縮之前，對原始測試數據進行清理，濾除來自外部因素的幹擾，提取出與變壓器健康狀況直接相關的有用信息。優選的，所述清理模塊可以通過附加變量的向量自回歸時間序列模型VARX來對原始測試數據進行清理；優選的，所述故障分類模塊可以利用貝葉斯控制理論來進行故障分類。本發明的電力變壓器故障監測裝置中的其它技術特徵與本發明的一種電力變壓器故障監測方法相同，在此不予贅述。通過以上方案可以看出，本發明的電力變壓器故障監測方法及裝置，其首先通過統計模型對數據進行預處理，進而計算變壓器處於故障狀態的概率，通過後驗概率來實現故障的分類和監測。本發明的方法及裝置能夠利用變壓器監測數據來判斷變壓器的健康狀況，及時發現潛伏性故障及故障發展趨勢，以狀態檢修取代計劃檢修，從而達到減少事故的發生、節約維修成本的目的。以上所述的本發明實施方式，並不構成對本發明保護範圍的限定。任何在本發明的精神和原則之內所作的修改、等同替換和改進等，均應包含在本發明的權利要求保護範圍之內。
權利要求
1.一種電力變壓器故障監測方法，其特徵在於，包括如下步驟對多元監測變量進行特徵量提取與壓縮；計算特徵量在變壓器正常運轉和故障模式下的概率分布函數；根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。
2.根據權利要求1所述的電力變壓器故障監測方法，其特徵在於，在所述對多元監測變量進行特徵量提取與壓縮之前還包括步驟對原始測試數據進行清理，濾除來自外部因素的幹擾，提取出與變壓器健康狀況直接相關的有用信息。
3.根據權利要求2所述的電力變壓器故障監測方法，其特徵在於，所述對原始測試數據進行清理的過程具體包括通過附加變量的向量自回歸時間序列模型VARX來對原始測試數據進行清理；所述VARX模型的標準結構為
4.根據權利要求1所述的電力變壓器故障監測方法，其特徵在於，所述對多元監測變量進行特徵量提取與壓縮的過程具體包括通過偏最小二乘法PLS來對多元監測變量進行特徵量提取與壓縮；所述偏最小二乘法的通用模型為
5.根據權利要求1所述的電力變壓器故障監測方法，其特徵在於，所述計算特徵量在變壓器正常運轉和故障模式下的概率分布函數的過程具體包括對輸出數據Y進行直方圖分析，將故障分為過熱故障和放電故障兩大類別，判斷出各類故障和正常運行時Y值的基本分布情況，使用正態分布對這些直方圖進行擬和，獲得正常狀態下的分布函數、過熱故障條件下Y的分布函數、放電故障條件下Y的分布函數。
6.根據權利要求5所述的電力變壓器故障監測方法，其特徵在於，所述根據新監測到的數據實時更新後驗概率函數、根據後驗概率進行故障分類的過程具體包括使用監測數據Y來更新系統狀態X，利用貝葉斯公式實現利用截止到目前時刻t = mh的所有歷史數據來計算系統處於故障狀態的後驗概率P ； 其中，h為採樣間隔，m為截止到t時刻的採樣總次數；並根據新觀測到的值來更新模型對系統故障狀態的判斷，應用如下公式
7.一種電力變壓器故障監測裝置，其特徵在於，包括特徵量提取模塊，用於對多元監測變量進行特徵量提取與壓縮； 函數計算模塊，用於計算特徵量在變壓器正常運轉和故障模式下的概率分布函數； 故障分類模塊，用於根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。
8.根據權利要求7所述的電力變壓器故障監測裝置，其特徵在於，還包括清理模塊，用於在進行特徵量提取與壓縮之前，對原始測試數據進行清理，濾除來自外部因素的幹擾，提取出與變壓器健康狀況直接相關的有用信息。
9.根據權利要求8所述的電力變壓器故障監測裝置，其特徵在於，所述清理模塊通過附加變量的向量自回歸時間序列模型VARX來對原始測試數據進行清理。
10.根據權利要求7-9任意一項所述的電力變壓器故障監測裝置，其特徵在於，所述故障分類模塊利用貝葉斯控制理論來進行故障分類。
全文摘要
本發明提供一種電力變壓器故障監測方法及裝置，該方法包括如下步驟對多元監測變量進行特徵量提取與壓縮；計算特徵量在變壓器正常運轉和故障模式下的概率分布函數；根據新監測到的數據實時更新後驗概率函數，並根據後驗概率進行故障分類。本發明的方法及裝置能夠利用變壓器監測數據來判斷變壓器的健康狀況，及時發現潛伏性故障及故障發展趨勢，實現了減少事故發生、節約維修成本的目的。
文檔編號G01R31/00GK102411106SQ20111037068
公開日2012年4月11日 申請日期2011年11月18日 優先權日2011年11月18日
發明者張德智, 王珏, 田立斌, 陸國俊, 陳婷, 黃青丹 申請人:廣東電網公司廣州供電局