状态全息感知数据驱动的电力变压器故障预测方法及系统技术方案

本发明专利技术公开了一种状态全息感知数据驱动的电力变压器故障预测方法及系统，建立变压器的历史故障数据集；采集变压器运行过程中的油中溶解气体浓度及反应变压器状态的环境气象数据和其他运行数据，通过突变点检测及相空间重构方式构成最优数据集，搭建变压器油中溶解气体浓度近期预测SARIMA模型，得到变压器近期油中溶解气体浓度变化的预测结果；基于油中溶解气体浓度与变压器其他状态量的关系，得到实时变化的油中溶解气体浓度；基于DBN网络搭建变压器故障诊断模型；将近期油中溶解气体浓度变化的预测结果或实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量，实现变压器故障预测。实现对电网变压器运行风险水平的综合实时分析和辅助决策。平的综合实时分析和辅助决策。平的综合实时分析和辅助决策。

【技术实现步骤摘要】
状态全息感知数据驱动的电力变压器故障预测方法及系统


[0001]本专利技术属于电力设备状态预测和故障诊断
，具体涉及一种状态全息感知数据驱动的电力变压器故障预测方法及系统。

技术介绍

[0002]为适应能源清洁发展和低碳转型的需要趋势，新能源装机将会大量并入电网。随之带来的是对电网安全稳定性和运行优化的更大考验，尤其是“双高”电力系统更是为电网运行态势的常规预测和调度控制带来空前的挑战。而随着社会建设对于电力系统可靠性要求的提高，电力系统的多维检测、状态预测和系统控制等能力都亟需提高。
[0003]在数据处理方面，随着电力物联网的建设与发展，在电网设备建设和运行过程中，积累了海量历史数据。大量设备数据累计沉淀，处于“沉睡状态”，未能有效挖掘其价值，缺少一套能够对历史试验、在线检测等众多数据进行科学分析和高效决策的手段，难以利用大数据精准指导现有生产作业开展。其中电力变压器作为精密复杂的电气设备，涉及到大量表征其运行状态的相关参量，如在线监测数据，电气试验数据，电网运行数据，气象环境数据，油中溶解气体数据以及设备质量记录等。而由于各特征属性间相互耦合、关系密切，因此通过数据驱动方法全方位地对电力变压器当前和未来的运行状态进行科学评估和预测，有助于合理地、有针对性地安排设备检修和制定运维策略。
[0004]在成本压降方面，虽然目前电力企业每年在设备运维方面投入了大量的人力、物力、财力以保障设备安全运行，但传统检修模式对于出现故障或缺陷的电力变压器不具备及时性和针对性、对没有缺陷的电力变压器存在强制性，容易产生新故障，从而造成资源的浪费，因此传统的检修模式存在很大的局限性，成本精益管理水平有待提升。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种状态全息感知数据驱动的电力变压器故障预测方法及系统，实现对电网变压器运行风险水平的综合实时分析和辅助决策，有助于提升电力系统的可靠性评估、全局态势感知以及自适应协调控制等多方面能力。
[0006]本专利技术采用以下技术方案：
[0007]状态全息感知数据驱动的电力变压器故障预测方法，包括以下步骤：
[0008]S1、采集变压器运行过程中，变压器油中溶解气体的浓度，反应变压器状态的环境气象数据和运行数据，构成用于预测的历史数据集，整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型，构成历史故障数据集；
[0009]S2、对步骤S1得到的历史数据集进行数据清洗和补全，并进行突变点检测，删除与当前变压器工况差异最大的历史数据，得到正确反映当下变压器工况的历史数据集，将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度，得到用于实时预测的最优数据集；对最优数据集基于局部加权回归的季节趋势分解方法进行分解，得到变压器各
油中溶解气体的趋势项，构成用于近期预测的最优数据集；
[0010]S3、基于SARIMA模型，利用步骤S2得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型，基于近期预测SARIMA模型得到变压器近期油中溶解气体浓度变化的预测结果；
[0011]S4、建立变压器油中溶解气体浓度实时预测模型，利用步骤S2得到的最优数据集，基于多元线性回归模型，确定油中溶解气体浓度与变压器其他状态量的关系，获取实时监测的变压器其他状态量，得到实时变化的油中溶解气体浓度，完成实时预测；
[0012]S5、利用步骤S1得到的历史故障数据集，基于DBN网络搭建变压器故障诊断模型；将步骤S3得到的近期油中溶解气体浓度变化的预测结果，或者步骤 S4得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量，实现变压器故障预测。
[0013]具体的，步骤S1中，变压器的状态运行数据包括有功功率、无功功率、环境温度和油温；历史故障数据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对应的油中溶解气体浓度，其中故障类型包括局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热。
[0014]具体的，步骤S2中，突变点检测具体为：
[0015]S201、利用Mann
‑
Kendall算法判断步骤S1得到的历史数据集的趋势项中是否有突变点存在，若没有则执行步骤S202，否则执行步骤S203；
[0016]S202、将步骤S1得到的历史数据集作为用于实时预测的最优数据集；
[0017]S203、基于Pettitt突变点检测理论对步骤S1得到的历史数据集进行突变点位置检测，得到突变点位置；
[0018]S204、删除步骤S203得到的突变点位置的前时序数据，将形成的新序列作为反映当下变压器工况的历史数据集。
[0019]具体的，步骤S2中，通过混沌理论和相空间重构理论选取时间序列最优长度具体为：
[0020]S205、将历史数据集作为待处理数据集，进行数据清洗和补全后作为原始数据集；
[0021]S206、判断步骤S205选取的原始数据集的Lyapunov指数；
[0022]S207、若步骤S206得到的Lyapunov指数大于等于0，利用C
‑
C算法计算原始数据集的嵌入维度m，否则步骤S301得到的原始数据集作为最优数据集；
[0023]S208、利用步骤S207得到的嵌入维度m计算最优数据集长度；
[0024]S209、判断步骤S208得到的最优数据集长度；
[0025]S210、如果步骤S209得到的最优数据集长度小于步骤S205选取的原始数据集得长度，原始数据集从后往前取最优数据集的长度数据组成最优数据集；如果步骤S209得到的最优数据集长度大于步骤S205选取的原始数据集得长度，将原始数据集作为最优数据集。
[0026]具体的，步骤S2中，基于局部加权回归的季节趋势分解方法具体为：
[0027]利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气体的最优数据集分解为趋势项、周期项和余项，取趋势项作为用于近期预测的最优数据集。
[0028]具体的，步骤S3中，近期预测具体为：
[0029]利用过去1～2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中溶解气体浓度；利用基于局部加权回归的季节趋势分解方法提取预测数据的趋势项，并将
趋势项作为预测模型输入参考量；基于 SARIMA(p,d,q)(P,D,Q,m)模型构建变压器油中溶解气体预测模型，其中 p,d,q,P,D,Q为SARIMA模型的阶数；根据用于近期预测的最有数据及的特点确定周期时间间隔m；对非平稳时序进行差分计算，得到差分阶数d,D；计算 SARIMA模型取不同的p,q,P,Q时对应的AIC值，取AIC最小时对应的p,q,P,Q 作为变压器预测模型最佳模型阶数，变压器油中溶解气体预测模型构建完成；给模型设置欲预测的天数，得到预测天数的变压器油中溶解气体浓度。
[0030]具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，包括以下步骤：S1、采集变压器运行过程中，变压器油中溶解气体的浓度，反应变压器状态的环境气象数据和运行数据，构成用于预测的历史数据集，整理收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型，构成历史故障数据集；S2、对步骤S1得到的历史数据集进行数据清洗和补全，并进行突变点检测，删除与当前变压器工况差异最大的历史数据，得到正确反映当下变压器工况的历史数据集，将历史数据集通过混沌理论和相空间重构理论选取时间序列最优长度，得到用于实时预测的最优数据集；对最优数据集基于局部加权回归的季节趋势分解方法进行分解，得到变压器各油中溶解气体的趋势项，构成用于近期预测的最优数据集；S3、基于SARIMA模型，利用步骤S2得到的最优数据集搭建变压器油中溶解气体浓度近期预测SARIMA模型，基于近期预测SARIMA模型得到变压器近期油中溶解气体浓度变化的预测结果；S4、建立变压器油中溶解气体浓度实时预测模型，利用步骤S2得到的最优数据集，基于多元线性回归模型，确定油中溶解气体浓度与变压器其他状态量的关系，获取实时监测的变压器其他状态量，得到实时变化的油中溶解气体浓度，完成实时预测；S5、利用步骤S1得到的历史故障数据集，基于DBN网络搭建变压器故障诊断模型；将步骤S3得到的近期油中溶解气体浓度变化的预测结果，或者步骤S4得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量，实现变压器故障预测。2.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，步骤S1中，变压器的状态运行数据包括有功功率、无功功率、环境温度和油温；历史故障数据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对应的油中溶解气体浓度，其中故障类型包括局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热。3.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，步骤S2中，突变点检测具体为：S201、利用Mann
‑
Kendall算法判断步骤S1得到的历史数据集的趋势项中是否有突变点存在，若没有则执行步骤S202，否则执行步骤S203；S202、将步骤S1得到的历史数据集作为用于实时预测的最优数据集；S203、基于Pettitt突变点检测理论对步骤S1得到的历史数据集进行突变点位置检测，得到突变点位置；S204、删除步骤S203得到的突变点位置的前时序数据，将形成的新序列作为反映当下变压器工况的历史数据集。4.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，步骤S2中，通过混沌理论和相空间重构理论选取时间序列最优长度具体为：S205、将历史数据集作为待处理数据集，进行数据清洗和补全后作为原始数据集；S206、判断步骤S205选取的原始数据集的Lyapunov指数；S207、若步骤S206得到的Lyapunov指数大于等于0，利用C
‑
C算法计算原始数据集的嵌入维度m，否则步骤S301得到的原始数据集作为最优数据集；S208、利用步骤S207得到的嵌入维度m计算最优数据集长度；
S209、判断步骤S208得到的最优数据集长度；S210、如果步骤S209得到的最优数据集长度小于步骤S205选取的原始数据集得长度，原始数据集从后往前取最优数据集的长度数据组成最优数据集；如果步骤S209得到的最优数据集长度大于步骤S205选取的原始数据集得长度，将原始数据集作为最优数据集。5.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，步骤S2中，基于局部加权回归的季节趋势分解方法具体为：利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气体的最优数据集分解为趋势项、周期项和余项，取趋势项作为用于近期预测的最优数据集。6.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征在于，步骤S3中，近期预测具体为：利用过去1～2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中溶解气体浓度；利用基于局部加权回归的季节趋势分解方法提取预测数据的趋势项，并将趋势项作为预测模型输入参考量；基于SARIMA(p，d，q)(P，D，Q，m)模型构建变压器油中溶解气体预测模型，其中p，d，q，P，D，Q为SARIMA模型的阶数；根据用于近期预测的最有数据及的特点确定周期时间间隔m；对非平稳时序进行差分计算，得到差分阶数d，D；计算SARIMA模型取不同的p，q，P，Q时对应的AIC值，取AIC最小时对应的p，q，P，Q作为变压器预测模型最佳...

【专利技术属性】
技术研发人员：刘佳鑫，王帅，周榆晓，张国钢，赵陈琛，郑伟，祝倩茜，赵子健，王冠宇，鲁旭臣，崔巨勇，王雅楠，
申请(专利权)人：西安交通大学国家电网有限公司，
类型：发明
国别省市：