基于多维高斯分布与趋势分段的变压器异常检测方法技术

本发明专利技术涉及一种基于多维高斯分布与趋势分段的变压器异常检测方法。该方法包括对获取到的变压器在线监测历史数据进行筛选和清理，处理无效数据；分析历史数据中每个点的走势，将每个点与前N个值的指数加权移动平均进行比较，得出偏差；采用多维高斯分布来分析变压器在线监测的各气体历史数据的偏差值，从而找出异常数据；同时辅以趋势分析，采用自底向上(BU)算法对历史监测数据分段，并分析各段趋势，发现趋势异常。本发明专利技术能够精确的的实现异常数据的分析检测，还能发现趋势异常，提高了整个变压器在线监测系统的准确性和实用性。

【技术实现步骤摘要】
基于多维高斯分布与趋势分段的变压器异常检测方法
本专利技术涉及一种基于多维高斯分布与趋势分段的变压器异常检测方法，应用于变压器油中气体在线监测数据上，用于分析判断监测数据的异常与否，从而确定设备是否进入危急告警状态。
技术介绍
电力设备在线监测系统(OMDS)，可以及时掌握变电站内高压设备内部绝缘的真实状况，尽早发现故障隐患，供上级决策是否进行检修及其它处理，以防止发生事故损坏，对于提高电力系统的可靠性具有非常重要的作用。现有的OMDS主要通过设置气体含量注意值和产气速率注意值来检测异常(电力行业标准(DL/T722-2014))，注意值是指特征气体的含量或增量需引起关注的值。当超过注意值时，设备将进入危急告警状态，启动后续检测流程，结合设备的运行状况、结构特点、外部环境等因素进行综合判断，来确定设备是否存在故障及故障的严重程度。现有通过设置注意值、告警值检测异常的方式存在以下缺陷：1、危急告警注意值和产气速率注意值的确定对异常的第一时间发现起到了关键性的作用，设置过低，系统频繁告警，误报率增高，设置过高，当设备真正发生故障时系统却无法识别。然而，故障的界定无法用一个具体统一的值来决定(不同的设备，不同的环境)这导致了现有的OMDS的误报率和漏报率都很高，进而影响到整个在线监测系统的准确性和实用性。2、现有OMDS存在监测数据不准确的问题，频繁出现数据失真，而通过注意值的异常检测方法，是一刀切的做法，无法结合不同设备的个体差异，有针对的做出异常判断。3、采取阈值判断的方式忽略了对设备的历史趋势的分析，变压器油中气体值的走势对异常的检测甚至故障的判断有着极大的参考价值。
技术实现思路
本专利技术的目的在于提供一种基于多维高斯分布与趋势分段的变压器异常检测方法，能够精确的的实现变压器在线监测数据的异常检测，提高整个在线监测系统的准确性和实用性。为实现上述目的，本专利技术的技术方案是：一种基于多维高斯分布与趋势分段的变压器异常检测方法，包括如下步骤：步骤S1、数据的筛选与清理：对获取到的变压器在线监测数据的历史数据进行筛选和清理，处理无效数据；步骤S2、数据预处理：设置滑动窗口，窗口宽度为w，将每个点与该点之前滑动窗口内所有数据的指数加权移动平均进行比较，得出偏差数据集；获取变压器投入运行或滤油以来的油中检测气体观测历史数据D＝{(ti,yi),i＝1,2,…N}，其中ti是以t0为基准的相对时间，时间窗口宽度为w，那么观测值yi之前滑动窗口内的数据点表示为：Sw(yi)＝{yi-w,yi-w+1,...,yi-1},i＝w,w+1....N对于时间窗Sw(yi)的指数加权移动平均值vi的计算公式如下：νi＝βyi-1+(1-β)×νi-1(1)把vi-w-1初始化为0后，展开该公式变为：vi＝(1-β)(yi-1+βyi-2+...βw-1yi-w)(2)其中，β代表加权下降的速率，其值越小下降速度越快；在数学运算中，取作为临界值，小于该值的加权系数的值不做考虑，由于所以时间窗的宽度w的取值为：另由于vi-w-1初始化为0会导致初期的数值过小，所以对公式(1)进行修正：把当前观测值减去yi减去νi，便得出我们要分析的偏差值，公式如下：Δyi＝yi-νi(4)根据公式(4)获取到第w个数据之后所有数据的偏差值数据集D'＝{(tw,Δyw),(tw+1,Δyw+1),(tw+2,Δyw+2)),…(tN,ΔyN)}，该偏差值数据集服从高斯分布；步骤S3、基于多维高斯分布的异常检测：正常运行状态下的变压器，因绝缘油和固体绝缘的老化裂解等会分解出极少量气体，这些气体会相互转换，因此各气体的浓度值之间的关系并不独立，而经步骤S2处理后，各气体的加权移动偏差值数据集D'均服从高斯分布，对此采用多维高斯分布来检测变压器在线监测数据异常；具体实现如下：假设训练集为：其中，w为滑动窗口宽度，共有N-w+1次历史观测数据偏差值，而每一笔数据包含m种不同气体观测偏差值，那么各气体的偏差值的关系可通过协方差矩阵来描述，对期望向量的估计如下：其中，μ∈Rm,∑∈Rm×m，Σ为协方差矩阵；通过以上公式可计算出多维高斯模型的参数；对于新观测到的一气体样本值y*，减去它所在时间窗内移动指数加权平均后得到Δy*，这样m种同时观测到的气体偏差值组合生成检测数据x*，使用以上训练得到的多维高斯分布模型计算概率值，具体公式如下：将计算出来的概率与阈值ε进行比较，若该概率值小于ε，则认为这个新观测到的样本值异常。在本专利技术一实施例中，还包括一步骤S4，具体实现如下：步骤S41、对步骤S3中观测到的异常样本值，进行去除，并采用其前后值的均值补充；步骤S42、采用移动平均算法，进行趋势平滑；步骤S43、采用自底向上BU算法对趋势进行分段，具体如下：步骤S431、对于每一种气体历史数据采集而言，可看作为时间序列，每次采集的数据，均有x和y两个坐标值；步骤S432、把时间序列中每个相邻点进行连线，接着把每个相邻的两个线段连接起来；此时每条线段均包含三个原始点，计算每条线段中间点的拟合误差；具体公式如下：e＝|yi-y'|其中，yi-1,yi,yi+1代表三个相邻时间点的观测数值，y'代表估算出来的中间点的值，e为拟合误差；计算所有相连的两线段之间的拟合误差，找出最小拟合误差并且小于阈值的线段作为第一条包含三个点的线段；步骤S433、将包括新生成的线段的所有线段再次相邻连接，同理按照步骤S432的方式找出最小拟合误差并且小于阈值的线段，不断循环，直到最小误差大于阈值，退出循环；步骤S44、对分段的数据信息进行趋势分析：步骤S441、经步骤S43进行趋势分段后，根据线段走势分为：1，0，-1，其中，1、0、-1分别代表上升、不变、下降；步骤S442、分析线段走势：将同方向的走势合并起来，线段走势为0的可看作线段走势为1或线段走势为-1的同方向；对于连续上升的情况，计算上升的起点与终点的差值、上升的斜率，若超过各自相应的阈值和斜率，则报警；对于连续下降的情况，计算上升的起点与终点的差值、下降的斜率，若超过各自相应的阈值和斜率，则报警；统计在X天内走势变换的次数，即由1变为-1或-1变为+1的次数，若次数超过阈值，计算数据的方差，若超过阈值，则报警。在本专利技术一实施例中，所述步骤S2中的气体包括氢气、甲烷、二氧化碳、乙烯、乙炔、乙烷、总烃。在本专利技术一实施例中，所述步骤S3中，m取7。在本专利技术一实施例中，所述步骤S3中，阈值ε是通过验证集来确定的，该验证集是有着真实标签的历史数据中的气体观测值；阈值ε的获取方式具体如下：步骤S31、对验证集里的每个样本采用训练模型得到概率值；步骤S32、循环遍历所有的验证集计算出来的概率值，让阈值等于其中每一个概率值，做如下处理：a、验证集的所有概率值与阈值进行比较，如果大于阈值则判断为正常，小于阈值，则判断为异常；b、统计以下几个值：TP：将标签为正常的验证样本预测为正常的数量；FN：将标签为正常的验证样本预测为异常的数量；FP：将标签为异常的验证样本预测为正常的数量；FN：将标签为异常的验证样本预测为异常的数量；c、计算F1值，公式如下：步骤S33、经过步骤S32的遍历，得到最高的F1值，把相应的概率定为最佳阈值。相较于现有技术，本本文档来自技高网...

【技术保护点】
1.一种基于多维高斯分布与趋势分段的变压器异常检测方法，其特征在于，包括如下步骤：步骤S1、数据的筛选与清理：对获取到的变压器在线监测数据的历史数据进行筛选和清理，处理无效数据；步骤S2、数据预处理：设置滑动窗口，窗口宽度为w，将每个点与该点之前滑动窗口内所有数据的指数加权移动平均进行比较，得出偏差数据集；获取变压器投入运行或滤油以来的油中检测气体观测历史数据D＝{(ti,yi),i＝1,2,…N}，其中ti是以t0为基准的相对时间，时间窗口宽度为w，那么观测值yi之前滑动窗口内的数据点表示为：Sw(yi)＝{yi‑w,yi‑w+1,...,yi‑1},i＝w,w+1....N对于时间窗Sw(yi)的指数加权移动平均值vi的计算公式如下：νi＝βyi‑1+(1‑β)×νi‑1                                                 (1)把vi‑w‑1初始化为0后，展开该公式变为：vi＝(1‑β)(yi‑1+βyi‑2+...βw‑1yi‑w)                                       (2)其中，β代表加权下降的速率，其值越小下降速度越快；在数学运算中，取...

【技术特征摘要】
1.一种基于多维高斯分布与趋势分段的变压器异常检测方法，其特征在于，包括如下步骤：步骤S1、数据的筛选与清理：对获取到的变压器在线监测数据的历史数据进行筛选和清理，处理无效数据；步骤S2、数据预处理：设置滑动窗口，窗口宽度为w，将每个点与该点之前滑动窗口内所有数据的指数加权移动平均进行比较，得出偏差数据集；获取变压器投入运行或滤油以来的油中检测气体观测历史数据D＝{(ti,yi),i＝1,2,…N}，其中ti是以t0为基准的相对时间，时间窗口宽度为w，那么观测值yi之前滑动窗口内的数据点表示为：Sw(yi)＝{yi-w,yi-w+1,...,yi-1},i＝w,w+1....N对于时间窗Sw(yi)的指数加权移动平均值vi的计算公式如下：νi＝βyi-1+(1-β)×νi-1(1)把vi-w-1初始化为0后，展开该公式变为：vi＝(1-β)(yi-1+βyi-2+...βw-1yi-w)(2)其中，β代表加权下降的速率，其值越小下降速度越快；在数学运算中，取作为临界值，小于该值的加权系数的值不做考虑，由于所以时间窗的宽度w的取值为：另由于vi-w-1初始化为0会导致初期的数值过小，所以对公式(1)进行修正：把当前观测值减去yi减去νi，便得出我们要分析的偏差值，公式如下：Δyi＝yi-νi(4)根据公式(4)获取到第w个数据之后所有数据的偏差值数据集D'＝{(tw,Δyw),(tw+1,Δyw+1),(tw+2,Δyw+2)),…(tN,ΔyN)}，该偏差值数据集服从高斯分布；步骤S3、基于多维高斯分布的异常检测：正常运行状态下的变压器，因绝缘油和固体绝缘的老化裂解等会分解出极少量气体，这些气体会相互转换，因此各气体的浓度值之间的关系并不独立，而经步骤S2处理后，各气体的加权移动偏差值数据集D'均服从高斯分布，对此采用多维高斯分布来检测变压器在线监测数据异常；具体实现如下：假设训练集为：x∈Rm，其中，w为滑动窗口宽度，共有N-w+1次历史观测数据偏差值，而每一笔数据包含m种不同气体观测偏差值，那么各气体的偏差值的关系可通过协方差矩阵来描述，对期望向量的估计如下：其中，μ∈Rm,∑∈Rm×m，Σ为协方差矩阵；通过以上公式可计算出多维高斯模型的参数；对于新观测到的一气体样本值y*，减去它所在时间窗内移动指数加权平均后得到Δy*，这样m种同时观测到的气体偏差值组合生成检测数据x*，使用以上训练得到的多维高斯分布模型计算概率值，具体公式如下：将计算出来的概率与阈值ε进行比较，若该概率值小于ε，则认为这个新观测到的样本值异常。2.根据权利要求1所述的基于多维高斯分布与趋势分段的变压器异常检测方法，其特征在于，还包括一步骤S4，具体实现如下：步骤S41、对步骤S3中观测到的异常样本值，进行去除，并采用其前...

【专利技术属性】
技术研发人员：何尧，梁宏池，连鸿松，张少涵，邹复民，张顺淼，叶娟，郑作霖，陈太，娄坚鑫，苏鑫，郑泽志，施宗兴，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：福建,35