油浸式变压器在线监测数据与带电检测数据融合矫正的方法技术

本发明专利技术公开了一种油浸式变压器在线监测数据与带电检测数据融合矫正的方法，首先对在线监测数据和带电检测数据进行预处理得到时间间隔相同且时间点相互对应的两组特征气体含量‑时间序列；再根据在线监控特征气体含量‑时间序列与带电检测特征气体含量‑时间序列建立贝叶斯分层模型，并利用最大期望算法对贝叶斯分层模型进行估计，得到超参数及参数向量β＝[βo,βf]的分布情况，再将β乘以正交向量Z得到Zβf的均值并作为缺失数据的代替值，补入带电检测数据中得到融合矫正后的变压器运行数据。该变压器运行数据与带电检测数据的测度水平大致相同，并最大程度地保留了在线监测数据的变化趋势，做到了优势互补，打破了在线数据与带电数据各自的局限。

【技术实现步骤摘要】

本专利技术涉及统计分析领域，具体涉及一种油浸式变压器在线监测数据与带电检测数据融合矫正的方法。
技术介绍
目前，油浸式变压器的监控手段分为两种，一种是使用在线监测，即使用红外测谱仪远程在线监测设备；一种是带电检测，即专业人员到现场对变压器油进行取样检测。在线数据的监测间隔短(通常为1天)，数据分布较为稠密，但由于在线监测装置本身的问题，其准确性有待验证。带电检测数据来自专业人员的取样检测，准确度很高，但人工检测的方式成本较高，因此检测间隔较长(通常在1个月以上)。在线监测数据能够弥补带电检测数据间隔长、成本高的缺陷，带电检测数据则能够对在线监测数据的准确性进行一定的矫正。因此，一个融合带电检测数据与在线监测数据的序列能够更及时地反映变压器的运行状况。目前，针对油浸式变压器在线监测数据与带电检测数据的融合技术尚属学术空白，相关信号处理与数据测量领域没有可以借鉴技术经验，我们只能借助其他领域的相关方法对该问题进行一定的分析和处理。数据融合技术需要对不同的数据进行优势互补，打破数据自身的局限，此类技术在其他领域的应用十分广泛。例如，卫星数据与地面数据归并技术就是一种典型的数据融合方法。所谓的卫星数据与地面数据归并技术是指将卫星的覆盖范围较广的实时观测数据与地面覆盖范围十分稀疏的人工测量数据相互融合的统计方法，卫星数据的稠密性与人工测量数据的稀疏性与变压器监测数据的特性十分契合，因此，我们可以借鉴此类方法，对油浸式变压器在线监测数据与带电检测数据进行融合。融合数据既能体现出在线数据趋势特性，又能体现出带电数据的准确性，能够为变压器实际运行状况的监测提供实时准确的数据基础。现有的卫星数据与地面数据的处理技术以归并为主，许多学者利用数据归并的方法对观测范围相去甚远的两种不同数据进行整合，如Huffman(HuffmanGJ,AdlerRF,RudolfB,etal.Globalprecipitationestimatesbasedonatechniqueforcombiningsatellite-basedestimates,raingaugeanalysis,andNWPmodelprecipitationinformation[J].JournalofClimate,1995,8(5):1284-1295.)，Arkin(XieP,ArkinPA.Globalprecipitation:A17-yearmonthlyanalysisbasedongaugeobservations,satelliteestimates,andnumericalmodeloutputs[J].BulletinoftheAmericanMeteorologicalSociety,1997,78(11):2539.)，Adler(AdlerRF,HuffmanGJ,ChangA,etal.Theversion-2globalprecipitationclimatologyproject(GPCP)monthlyprecipitationanalysis(1979-present)[J].Journalofhydrometeorology,2003,4(6):1147-1167.)，Lin(LinA,WangXL.AnalgorithmforblendingmultiplesatelliteprecipitationestimateswithinsituprecipitationmeasurementsinCanada[J].JournalofGeophysicalResearch:Atmospheres,2011,116(D21).)等。这些方法中，Lin(2011)等提出的方法是目前较为前沿且技术成熟度较高的一种数据归并方法，具有较强的借鉴意义，其处理步骤可以简单的概括为：(1)设地面数据观测序列为O，卫星数据观测序列为S，卫星数据与地面数据相互匹配的数据序列为SO，计算卫星数据的系统偏差比值R＝SO/O。(2)对所得的系统偏差比值进行插值，得到覆盖全部观测范围的系统偏差比值RS，并利用RS对卫星数据进行修正，得到修正后的卫星数据S’。(3)对地面数据进行插值，得到与卫星数据覆盖范围相同的序列O’。O′，对S’与O’进行加权，即可得到归并后的融合数据。我们可以借鉴Lin(2011)的方法对变压器在线监测数据与带电检测数据进行相同的归并处理，但其方法在变压器数据情景下存在以下局限：(1)在线监测装置的稳定性欠佳，带电检测数据则属于人工测量，二者均存在一定的、随机性质的测量误差，上述归并方法并没有将数据的随机性考虑其中。(2)上述方法的本质是一种插值方法，插值对象为地面数据，因此归并后数据的趋势以地面数据的趋势为主。而在变压器数据情景下，我们更多的希望融合数据能够体现出在线数据的变化趋势，其准确性在带电数据的可控范围内即可。综上所述，Lin(2011)的方法与变压器数据融合的实际需求仍存在一定的差距。
技术实现思路
本专利技术提供了针对油浸式变压器在线监测数据与带电检测数据融合矫正方法，融合矫正后得到的变压器运行数据与带电检测数据的测度水平大致相同，并最大程度地保留了在线监测数据的变化趋势，做到了优势互补，打破了在线数据与带电数据各自的局限。本专利技术提供了一种油浸式变压器在线监测数据与带电检测数据融合矫正的方法，包括如下步骤：(1)、通过远程在线监测设备获得油浸式变压器油内特征气体的含量，记为在线监测数据；通过人工取样获得油浸式变压器油内特征气体的含量，记为带电检测数据；分别对在线监测数据和带电检测数据进行预处理，得到时间点相互对应的两组特征气体含量-时间序列；(2)、根据在线监控特征气体含量-时间序列与带电检测特征气体含量-时间序列建立贝叶斯分层模型，具体形式如下式(Ⅰ)所示：Y|β,Σ~N(Zβ,In⊗Σ),β|Σ,β0,~N(β0,F-1⊗Σ),Σ~GIW(Θ,δ).;]]>式中，Y为模型的因变量，设在线监测数据为具有完整观测值的随机向量Yo，带电检测数据为具有大量缺失值的随机向量Yf，随机向量Y＝[Yo,Yf]服从均值为Zβ、方差为的正态分布，其中Z为傅里叶变换参数，用于刻画融合数据的波动性；参数向量β＝[βo,βf]，服从均值为β0，方差为的正态分布；参数向量Σ服从均值为Θ，方差为δ的GIW分布；β0，F-1，Θ，δ均为超参数；(3)利用最大期望算法对贝叶斯分层模型进行估计，得到超参数从而计算得到参数向量β＝[βo,βf]的分布情况，再将β乘以正交向量Z，得到Zβf的均值，并选择Zβf的均值作为缺失数据的代替值，补入带电检测数据中，从而得到在线监测数据与带电检测数据融合矫正后的变压器运行数据。作为优选，步骤(1)中，所述的特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、总烃、一氧化碳或二氧化碳；所述特征气体的含量为特征气体的质量浓度或体积浓度。作为优选，步骤(1)中，对在线监测数据进行的预处理为：以一天为时间间隔，一天内有多个数据的取平均数，没有数本文档来自技高网...

【技术保护点】
一种油浸式变压器在线监测数据与带电检测数据融合矫正的方法，其特征在于，包括如下步骤：(1)、通过远程在线监测设备获得油浸式变压器油内特征气体的含量，记为在线监测数据；通过人工取样获得油浸式变压器油内特征气体的含量，记为带电检测数据；分别对在线监测数据和带电检测数据进行预处理，得到时间点相互对应的两组特征气体含量‑时间序列；(2)、根据在线监控特征气体含量‑时间序列与带电检测特征气体含量‑时间序列建立贝叶斯分层模型，具体形式如下式(Ⅰ)所示：Y|β,Σ~N(Zβ,In⊗Σ),β|Σ,β0~N(β0,F-1⊗Σ),Σ~GIW(Θ,δ).;]]>式中，Y为模型的因变量，设在线监测数据为具有完整观测值的随机向量Yo，带电检测数据为具有大量缺失值的随机向量Yf，随机向量Y＝[Yo,Yf]服从均值为Zβ、方差为的正态分布，其中Z为傅里叶变换参数，用于刻画融合数据的波动性；参数向量β＝[βo,βf]，服从均值为β0，方差为的正态分布；参数向量Σ服从均值为Θ，方差为δ的GIW分布；β0，F‑1，Θ，δ均为超参数；(3)利用最大期望算法对贝叶斯分层模型进行估计，得到超参数从而计算得到参数向量β＝[βo,βf]的分布情况，再将β乘以正交向量Z，得到Zβf的均值，并选择Zβf的均值作为缺失数据的代替值，补入带电检测数据中，从而得到在线监测数据与带电检测数据融合矫正后的变压器运行数据。...

【技术特征摘要】
1.一种油浸式变压器在线监测数据与带电检测数据融合矫正的方法，其特征在于，包括如下步骤：(1)、通过远程在线监测设备获得油浸式变压器油内特征气体的含量，记为在线监测数据；通过人工取样获得油浸式变压器油内特征气体的含量，记为带电检测数据；分别对在线监测数据和带电检测数据进行预处理，得到时间点相互对应的两组特征气体含量-时间序列；(2)、根据在线监控特征气体含量-时间序列与带电检测特征气体含量-时间序列建立贝叶斯分层模型，具体形式如下式(Ⅰ)所示：Y|β,Σ~N(Zβ,In⊗Σ),β|Σ,β0~N(β0,F-1⊗Σ),Σ~GIW(Θ,δ).;]]>式中，Y为模型的因变量，设在线监测数据为具有完整观测值的随机向量Yo，带电检测数据为具有大量缺失值的随机向量Yf，随机向量Y＝[Yo,Yf]服从均值为Zβ、方差为的正态分布，其中Z为傅里叶变换参数，用于刻画融合数据的波动性；参数向量β＝[βo,βf]，服从均值为β0，方差为的正态分布；参数向量Σ服从均值为Θ，方差为δ的GIW分布；β0，F-1，Θ，δ均为超参数；(3)利用最大期望算法对贝叶斯分层模型进行估计，得到超参数从而计算得到参数向量β＝[βo,βf]的分布情况，再将β乘以正交向量Z，得到Zβf的均值，并选择Zβf的均值作为缺失数据的代替值，补入带电检测数据中，从而得到在线监测数据与带电检测数据融合矫正后的变压器运行数据。2.根据权利要求1所述的油浸式变压器在线监测数据与带电检测...

【专利技术属性】
技术研发人员：华中生，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33