基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法技术

本发明专利技术基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，包括：(1)利用故障变压器从正常状态至故障状态过程中的油中溶解气体浓度数据以及正常变压器的油中溶解气体浓度数据对隐马尔科夫模型进行训练，得到契合每种故障类型的变压器故障模型M

【技术实现步骤摘要】
基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法
本专利技术涉及统计分析领域，具体涉及一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法。
技术介绍
变压器设备发生故障时往往会释放较高的电和热，导致变压器油分解，产生不同的油中溶解气体，包括氢气、甲烷、乙烷、乙烯等。油中溶解气体分析法通过计算、比较变压器在运行过程中产生气体的浓度和组成成分，分析设备存在的潜在风险，对变压器设备的健康状态给予初步的判断。油中溶解气体分析法是一种非常重要的变压器故障诊断方法，该方法对判断变压器慢性局部缺陷十分有效，具有方便在线监测、无需拆解检测的优点，国内颁布的电力设备预试规程(1997年)中将油中溶解气体分析置于首要地位。油中溶解气体是变压器故障的重要判断指标。根据大量的实践经验，相关研究人员已总结出了一些针对不同故障类型体的规律和判断方法，如IEC60599(三比值)方法、Rogers(四比值)方法和Doernenburg(五比值)方法等。这些方法属于早期的经典方法，能够对变压器设备的故障情况进行初步的判断，但在从实际应用中存在比值结果无法对应、容易对正常设备造成误判的问题。我国目前推行的《变压器油中溶解气体分析和判断导则(国家电力行业标准DL/T722-2014)》在上述比值方法的基础上设置了注意值，减少了设备正常情况下的误判现象，并对比值编码和故障类型进行了细化，排除了比值结果与故障类型无法对应的情况，极大的完善了比值方法的实用原则。但是，该方法仍属于比值方法，此类方法在故障描述方面存在一定的局限，具体表现在两个方面，第一，变压器设备故障的实际情况十分复杂，仅用简单的比值的形式对其进行描述存在一定的欠缺，比值运算无法体现出气体指标之间的复杂特征。第二，比值方法的本质是一种阈值方法，而这些阈值大多来自研究人员的实践经验，缺乏一定的严谨性，阈值附近的故障判别往往比较模糊，比值方法在判别的准确度方面还有进一步的提升空间。基于比值方法存在的问题，相关研究人员从不同的视角对变压器故障的识别问题进行了许多探索。Sheng-weiFei等利用支持向量机和遗传算法对上述比值方法进行了优化，提升了对变压器设备故障类型的判别精度；Chin-PaoHung等利用CMAC神经网络对变压器的故障识别进行了探索，在判别精度方面同样取得了较好的提升效果；Shintemirov等利用遗传规划对气体指标的计算方式进行了大幅度改进，得到了较比值方法更为准确的计算方法；Chia-HungLin等利用灰色聚类方法对三比值法的阈值边界进行了优化，弥补了人工经验存在的缺陷。上述前沿研究从不同的角度对比值方法进行了优化，提高了设备故障的判别精度，为变压器故障识别方面的相关研究作出了重要贡献。现有技术对早期的经典比值方法进行了改进，得到了显著的提升效果。但总体来看，上述方法仍存在一定的局限性。第一，现有技术仅对设备当前时间节点的运行状态进行了故障识别，没有考虑设备的历史运行情况。事实上，设备了历史运行数据包含了大量的信息，包括油中溶解气体含量的总体水平，气体浓度的增长趋势信息等，仅对当前状态进行评估显然忽略了上述信息。第二，现有技术仅考虑设备的正常和故障两种状态，而当设备已经出现故障状态时，相关维护人员只能对其进行事后的维修工作，成本较高。变压器故障识别方法应提取设备在发生故障前的特征信息，识别出设备的亚健康状态，“早发现，早预防”，降低维护成本。第三，现有技术无法对设备未来的运行状态进行的预测。如上文所述，现有技术是一种不考虑时间因素的静态方法，而现实中，对变压器设备未来运行情况的估计、剩余寿命的预测同样是设备维护的重要内容，利用变压器油中溶解气体数据对设备未来运行情况进行预测的方法具有广泛的应用前景。
技术实现思路
鉴于上述，本专利技术提出了一种基于变压器油中溶解气体数据的变压器设备亚健康状态识别及平均剩余寿命估计方法，该方法考虑了时间因素和设备的历史信息，通过隐马尔科夫模型提取变压器油中溶解气体的动态特征，并结合历史运行信息对设备的健康状态进行实时评估，对处于亚健康状态的设备进行平均剩余寿命估计。一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，包括如下步骤：(1)利用故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据以及正常变压器设备的油中溶解气体浓度数据对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M，其中，m代表变压器的故障类型；(2)利用变压器故障模型Mm与变压器正常模型M，找到与经过预处理后的待测变压器的油中溶解气体浓度数据相匹配的模型M′，并根据模型M′估计待测设备当前时刻的健康状态；(3)对处于亚健康状态下的变压器设备，根据与其匹配的模型M′预测未来时刻油中溶解气体浓度数据的期望值与未来时刻的健康状态，进而估计得到变压器设备的平均剩余寿命。所述步骤(1)的具体步骤为：(1-1)收集故障变压器设备及此些故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据，并将收集的数据按其所属变压器设备的故障类型分类，构建针对不同故障类型的设备案例库Cm；(1-2)收集正常变压器设备及此些正常变压器设备的油中溶解气体浓度数据，利用收集数据构建针对正常变压器的设备案例库C；(1-3)对设备案例库Cm与C中的溶解气体浓度数据进行预处理，得到处理后的设备案例库C′m与C′，使得所有设备案例库中的溶解气体浓度数据拥有相同的时间间隔；(1-4)将设备案例库C′m与C′作为隐马尔科夫模型输入数据，以最大似然函数L收敛为目标，对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M。所述变压器设备的油中溶解气体包括氢气、甲烷、乙烷、乙烯、乙炔和总烃，其中，总烃是指甲烷、乙烷、乙烯、乙炔四种烃类气体含量总和；所述气体浓度数据为气体的体积浓度，单位为μL/L；所述故障变压器从正常状态至故障状态的过程是指设备从运行良好的状态开始，逐渐向故障状态发展，直到设备出现持续的故障状态为止的过程，相应的气体浓度数据是一个时间序列，时间跨度设为定值；所述正常变压器设备油中溶解气体浓度数据指从投运开始至今未出现任何异常的变压器设备，其在正常运行情况下产生的油中溶解气体数据，该数据同样为时间序列，时间跨度与故障设备气体数据的时间跨度相同。所述变压器设备的故障类型为《变压器油中溶解气体分析和判断导则(国家电力行业标准DL/T722-2014)》中气体比值法运用的故障类型，包括：低温过热、中温过热、高温过热、局部放电、低能放电、低能放电兼过热、电弧放电以及电弧放电兼过热，共8种故障类型。所述的待测设备油中溶解气体数据的预处理方法为线性插值法。线性插值方法是指一种补全缺失数据的方法，具体是一种利用两个时间点上对应数据的连线来代替两个时间点之间缺失数据的插值方法，设某台变压器油中溶解气体数据在t1时刻为a，t2时刻为b，t1与t2之间存在某一缺失数据点，对应时间点为t3，根据线性插值法，t3时刻的数据可以由a+(a-b)*(t3-t1)/(t1-t2)补全。本专利技术中线性插值处理的具体过程为：以1天为单位，对所有设备案例库中每台变压器的溶解气体浓度本文档来自技高网...

【技术保护点】
一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，包括如下步骤：(1)利用故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据以及正常变压器设备的油中溶解气体浓度数据对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型M

【技术特征摘要】
1.一种基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法，包括如下步骤：(1)利用故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据以及正常变压器设备的油中溶解气体浓度数据对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M，其中，m代表变压器的故障类型；(2)利用变压器故障模型Mm与变压器正常模型M，找到与经过预处理后的待测变压器的油中溶解气体浓度数据相匹配的模型M′，并根据模型M′估计待测设备当前时刻的健康状态；(3)对处于亚健康状态下的变压器设备，根据与其匹配的模型M′预测未来时刻油中溶解气体浓度数据的期望值与未来时刻的健康状态，进而估计得到变压器设备的平均剩余寿命。2.如权利要求1所述的变压器亚健康状态识别及平均剩余寿命估计方法，其特征在于，所述步骤(1)的具体步骤为：(1-1)收集故障变压器设备及此些故障变压器设备从正常状态至故障状态过程中的油中溶解气体浓度数据，并将收集的数据按其所属变压器设备的故障类型分类，构建针对不同故障类型的设备案例库Cm；(1-2)收集正常变压器设备及此些正常变压器设备的油中溶解气体浓度数据，利用收集数据构建针对正常变压器的设备案例库C；(1-3)对设备案例库Cm与C中的溶解气体浓度数据进行预处理，得到处理后的设备案例库C′m与C′，使得所有设备案例库中的溶解气体浓度数据拥有相同的时间间隔；(1-4)将设备案例库C′m与C′作为隐马尔科夫模型输入数据，以最大似然函数L收敛为目标，对隐马尔科夫模型进行训练，得到针对每种故障类型的变压器故障模型Mm与变压器正常模型M。3.如权利要求2所述的变压器亚健康状态识别及平均剩余寿命估计方法，其特征在于，所述的待测设备油中溶解气体数据的预处理方法为线性插值法，具体过程为：以1天为单位，对所有设备案例库中每台变压器的溶解气体浓度数据进行线性插值处理，补全数据中的缺失值，得到时间间隔为1天的气体浓度数据插值序列，再按照预先设定的时间间隔对气体浓度数据插值序列进行等间隔取样，使得所有设备案例库中的变压器的溶解气体浓度数据的时间间隔相同。4.如权利要求2所述的变压器亚健康状态识别及平均剩余寿命估计方法，其特征在于，所述的隐马尔科夫模型为：当设备案例库C′m作为训练样本时，在隐马尔科夫模型中，构建三种分别对应变压器设备正常、亚健康以及故障异常三种健康状态i的隐性节点，在训练的过程中，以最大似然函数L收敛为目标，利用设备案例库C′m中的数据迭代确定隐马尔科夫模型的最优参数λ*＝(π*,A*,B*)；当设备案例库C′作为训练样本时，在隐马尔科夫模型中，构建对应变压器设备正常状态的隐性节点，在训练的过程中，以最大似然函数L收敛为目标，利用设备案例库C′中的数据迭代确定隐马尔科夫模型的最优参数λ*＝(π*,A*,B*)；其中，π*表示初始时间点变压器处于不同健康状态下概率，记为为状态转移矩阵，表示变压器设备在t时刻健康状态qt为i时，且t+1时刻健康状态q(t+1)为j的转移概率P(q(t+1)＝j|qt＝i)的具体数值；溶解气体数据在设备各种运行状态下的概率分布B*＝{bi(Ot|μi,∑i)}，μi表示溶解气体数据分布的均值，∑i表示溶解气体数据分布的协方差矩阵，Ot为t时刻的溶解气体数据，bi(Ot|μi,∑i)表示溶解气体数据分布的概率密度函数，i＝1,2…k，j＝1,2…k，k为变压器设备的健康状态的数目。5.如权利要求4所述的变压器亚健康状态识别及平均剩余寿命估计方法，其特征在于，对于设备案例库C′m，隐马尔科夫模型对训练所得的参数集按μi的均值进行排序，μi最大的参数集对应设备的故障状态，μi最小的参数集对应设备的健康状态，介于二者之间的参数集对应设备的亚健康状态。6.如权利要求2所述的变压器亚健康状态识别及平均剩余寿命估计方法，其特征在于，所述的最大似然函数L具体...

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