基于马氏距离和自编码器的低压变压器健康度评估方法技术

本发明专利技术涉及电力设备监控技术领域，公开了基于马氏距离和自编码器的低压变压器健康度评估方法，从变压器历史数据库中获取低压变压器长期平稳运行的电气参数数据和温度参数数据，对获取到的变压器数据进行预处理，包括缺失值均值填充和标准化处理，减少参数数据具体数值差别，保证每个数据都具有同续性和等效性；基于预处理后的数据进行PCA降维分析，利用降维后的数据求解数据均值和协方差矩阵，进而得到样本数据的马氏距离；同时，利用预处理后的数据建立自编码器模型，通过对模型训练后得到样本数据的重构误差；基于上述马氏距离和重构误差，利用量化函数转换为健康度得分，并对健康度得分进行加权融合后作为低压变压器最终的健康度得分。终的健康度得分。终的健康度得分。

【技术实现步骤摘要】
基于马氏距离和自编码器的低压变压器健康度评估方法


[0001]本专利技术涉及电力设备监控
，具体为基于马氏距离和自编码器的低压变压器健康度评估方法。

技术介绍

[0002]电力变压器是在电力系统传送电能的过程中的关键设备之一，保证变压器的安全稳定运行具有十分重要的意义。在变压器投入使用时，会因所承受负载过高、材料的绝缘老化、自然灾害等原因发生故障。变压器一旦出现了损坏，将无法正常运输电能，会给国民经济带来巨大的损失。为了保障电力系统运行的可靠性和经济性，能够实时准确地评估变压器健康度的诊断模型是不可或缺的。
[0003]目前，变压器运行状态评估包含三个方面：故障诊断、健康状态评估、健康度评估。故障诊断常用的方法有油中溶解气体分析、专家系统、机器学习和深度学习方法。但是这些方法都存在一定的弊端，比如传统的油中溶解气体分析方法存在编码不全面的问题，不能如实表现特征气体与故障类型间的规律；专家系统不能自主学习，需专家经验介入，工作效率低；机器学习和深度学习具有较强的学习能力，但需大量样本数据进行训练，超参数调整复杂且学习周期长，易陷入局部优值。此外，变压器故障诊断需要大量的故障数据，但带有标签的故障数据在现实中难以获得。基于模糊论、云模型和集对分析的变压器健康状态评估方法属于定性方法，这类方法将变压器状态划分为若干等级，当需要比较多个设备健康状态的好坏时，特别是多个设备处于同一健康级别时，定性评估结果就显得无能为力了。因此有必要将变压器设备的健康状态进行量化，来反映变压器设备真实的运行状态。考虑到成本原因，低压变压器一般只会采集基本电气参数和温度参数，也限制了上述方法的使用。鉴于此，利用表征健康度的关键参数指标提出基于马氏距离和自编码器的低压变压器健康度评估方法。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了基于马氏距离和自编码器的低压变压器健康度评估方法，目的是为了解决针对低压变压器缺少故障样本、缺乏核心的量测参数的情况下，对低压变压器运行状态进行评估，得到定量反映变压器运行状态的健康度得分，为运维人员正确判断变压器的运行状况提供可靠依据。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：基于马氏距离和自编码器的低压变压器健康度评估方法，包括以下步骤：
[0008]1)：通过从变压器历史数据库中获取低压变压器长期平稳运行的电气参数数据和温度参数数据；
[0009]2)：对获取到的变压器数据进行预处理，保证每个数据都具有同续性和等效性；
[0010]3)：基于预处理后的数据进行PCA降维，利用降维后的数据计算得到样本数据的马氏距离，利用量化函数转换为马氏距离健康度得分；
[0011]4)：利用预处理后的数据建立自编码器模型，通过对模型训练后得到样本数据的重构误差，利用量化函数转换为自编码器健康度得分；
[0012]5)：基于上述马氏距离健康度和自编码器健康度，对健康度得分进行加权融合后作为低压变压器最终的健康度得分。
[0013]优选的，所述步骤2中对所述数据的预处理包括：对于参数特征数据存在缺失的问题采用该参数数据均值进行填充；为了使各参数特征具有可比性，对每个参数特征的检测数据进行标准化处理。
[0014]优选的，所述步骤3中利用量化函数转换为马氏距离健康度的计算包括对标准化后的数据进行PCA降维，具体地，先求解标准化数据的协方差矩阵，对所求协方差均值进行特征值分解得到特征值和对应的特征向量，对所求特征值从大到小排序，基于主成分贡献度，选取累积贡献度大于90％的前K个特征值对应的特征向量构成负载矩阵，基于负载矩阵对标准化数据进行降维，对降维后数据求其均值向量和协方差矩阵，基于所求均值向量和协方差矩阵求解得到样本数据的马氏距离和马氏距离阈值，对马氏距离进行量化转换为健康度。
[0015]优选的，所述步骤4中利用量化函数转换为自编码器健康度的计算包括随机初始化自编码器Encoder和Decoder的参数矩阵和偏置向量，将标准化数据输入Encoder得到输入数据的压缩表示，Decoder对压缩表示进行解码输出原始输入的重构样本，通过反向传播算法和梯度下降法最小化损失函数，得到自编码器的最优参数。利用训练好的自编码器得到样本数据的重构误差和重构误差阈值，对重构误差进行量化转换为健康度。
[0016]优选的，所述步骤5中对所述加权健康度的计算包括：为客观准确地为运维人员提供判断变压器运行状况的可靠依据，通过对计算得到的马氏距离健康度和自编码器健康度进行加权融合，得到低压变压器最终健康度，融合公式如式(1)。
[0017]s
final
＝w
mh
s
mh
+w
ae
s
ae
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0018]其中s
final
为加权健康度，即低压变压器最终健康度，s
mh
和s
ae
分别为低压变压器马氏距离健康度和自编码器健康度，w
mh
和w
ae
分别为马氏距离健康度和自编码器健康度的权重，w
mh
,w
ae
∈[0,1]，且w
mh
+w
ae
＝1。
[0019](三)有益效果
[0020]本专利技术提供了基于马氏距离和自编码器的低压变压器健康度评估方法，具备以下有益效果：
[0021]通过从变压器历史数据库中获取低压变压器长期平稳运行的电气参数数据和温度参数数据，对获取到的变压器数据进行预处理，包括缺失值均值填充和标准化处理，减少参数数据具体数值差别，保证每个数据都具有同续性和等效性；基于预处理后的数据进行PCA降维分析，利用降维后的数据求解数据均值和协方差矩阵，进而得到样本数据的马氏距离；同时，利用预处理后的数据建立自编码器模型，通过对模型训练后得到样本数据的重构误差；基于上述马氏距离和重构误差，利用量化函数转换为健康度得分，并对健康度得分进行加权融合后作为低压变压器最终的健康度得分。该方法通过模型融合的方式计算低压变压器健康度，为运维人员正确判断变压器的运行状况提供可靠依据
附图说明
[0022]图1为本专利技术提出的基于马氏距离和自编码器的低压变压器健康度评估流程图；
[0023]图2为本专利技术提出的基于PCA
‑
马氏距离的健康度评估流程；
[0024]图3为本专利技术提出的基于自编码器的健康度评估流程。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
...

【技术保护点】

【技术特征摘要】
1.基于马氏距离和自编码器的低压变压器健康度评估方法，其特征在于，包括以下步骤：1)：通过从变压器历史数据库中获取低压变压器长期平稳运行的电气参数数据和温度参数数据；2)：对获取到的变压器数据进行预处理，保证每个数据都具有同续性和等效性；3)：基于预处理后的数据进行PCA降维，利用降维后的数据计算得到样本数据的马氏距离，利用量化函数转换为马氏距离健康度得分；4)：利用预处理后的数据建立自编码器模型，通过对模型训练后得到样本数据的重构误差，利用量化函数转换为自编码器健康度得分；5)：基于上述马氏距离健康度和自编码器健康度，对健康度得分进行加权融合后作为低压变压器最终的健康度得分。2.根据权利要求1所述的基于马氏距离和自编码器的低压变压器健康度评估方法，其特征在于：所述步骤2中对所述数据的预处理包括：对于参数特征数据存在缺失的问题采用该参数数据均值进行填充；为了使各参数特征具有可比性，对每个参数特征的检测数据进行标准化处理。3.根据权利要求1所述的基于马氏距离和自编码器的低压变压器健康度评估方法，其特征在于：所述步骤3中利用量化函数转换为马氏距离健康度的计算包括对标准化后的数据进行PCA降维，具体地，先求解标准化数据的协方差矩阵，对所求协方差均值进行特征值分解得到特征值和对应的特征向量，对所求特征值从大到小排序，基于主成分贡献度，选取累积贡献度大于90％的前K个特征值对应的特征向量构成负载矩阵，基于负载矩阵对标准化数据进行降维，对降维后数据求其均值向量和协方差矩阵，基于所求均值向量和协方差矩阵求解得到样本数据的马氏距离和马氏距离阈值，对马氏距离进行量化转换为健康度。4.根据权利要求1所述的基于马氏距离和自编码器的低...

【专利技术属性】
技术研发人员：刘庆永，董金辉，陈世辉，张三杰，陈尚宇，
申请(专利权)人：河南康派智能技术有限公司，
类型：发明
国别省市：