一种基于色谱数据的监测装置和变压器异常状态识别方法制造方法及图纸

本发明专利技术公开了一种基于色谱数据的监测装置和变压器异常状态识别方法，方法包括：步骤1、对孤立异常点数据的识别与剔除；步骤2、计算核向量k

【技术实现步骤摘要】
一种基于色谱数据的监测装置和变压器异常状态识别方法


[0001]本专利技术涉及电力设备监测
，具体是一种基于色谱数据的监测装置和变压器异常状态识别方法。

技术介绍

[0002]在充油电力变压器类设备的诸多检测方法中，油色谱法对各类内部缺陷均能有效检出，经过长时间的发展，已经形成了较为成熟的判据体系，不仅能够发现故障、还能判断故障类型。然而，在实际使用中，制约油色谱法发挥效果的最大因素在于监测装置的准确性和可靠性问题。目前，油色谱装置存在数据稳定性，算法机制不透明，装置运行特性认识不足等问题。其实上述问题中的核心矛盾就包括缺少对于监测装置提交数据的质量的影响因素研究，无法提出针对性运维措施；缺少多维度定量评价监测数据的技术方法，无法评估监测装置稳定性；缺少现场校准方法及针对监测装置的有效运维策略，无法在运行中保障装置的性能。
[0003]因此，通过对油色谱装置的状态进行异常识别，进而开展油色谱数据清洗及质量评估，监测装置多维度性能评估及差异化特征分析，以及计及装置计量特性要求的现场校准方法及运维策略等方面的研究意义重大，迫在眉睫。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基于色谱数据的监测装置和变压器异常状态识别方法，以实现油色谱装置和变压器异常的快速识别。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是：
[0006]一种基于色谱数据的监测装置和变压器异常状态识别方法，包括；
[0007]步骤1、从监测的历史色谱数据识别与剔除孤立异常点数据；
[0008]步骤2、剔除孤立异常点数据后，基于剩下的历史色谱数据计算核向量k
i
；
[0009]步骤3、基于步骤2计算的核向量k
i
计算统计量T2和Q以及对应的控制限和Q
a
；
[0010]步骤4、根据计算的统计量T2和Q以及对应的控制限和Q
a
，对异常数据进行识别以及对故障类型进行判别。
[0011]进一步的，所述的步骤1中对孤立异常点数据的识别与剔除具体方法为：
[0012]步骤1.1、提取n天历史监测数据，计算其均值和方差σ2；
[0013]步骤1.2、计算n个监测数据到中心点的马氏距离：
[0014][0015]式中，X
i
为第i个监测数据，i＝1，2，
…
n；
[0016]步骤1.3、将n个监测按照马氏距离d
i
升序排列，选取其中d
i
最小的k个监测数据，对新选的h个监测数据通过C—步骤过程迭代直到收敛，返回稳定的均值和方差
[0017]步骤1.4、根据和计算每个监测数据稳健的马氏距离d
i
。d
i
近似服从一个自由度为1的卡方分布，当时，判定i点为异常点。其中表示卡方检验的临界值，α为置信度；
[0018]步骤1.5、根据异常值在时间上是否具有连续性，分为孤立异常值点和连续异常值区间，并将孤立异常点的数据剔除。
[0019]进一步的，所述的步骤2中计算核向量k
i
的具体方法为：
[0020]步骤2.1、将孤立异常点的数据剔除后，假设剩余的监测数据有m个，提取剩余的N个数据标准化为H，H＝[h1,h2,
…
,h
N
]为监测数据中样本数为N的采样序列，根据下式计算其对应的核矩阵K：
[0021][0022]其中，式中K＝φ(H)
T
φ(H)，φ(H)为去均值后的特征矩阵，N为样本数目，E
N
为N
×
N恒1方阵，K为核矩阵，是映射后数据样本经核函数内积；
[0023]步骤2.2、在特征空间中对高维数据去中心化处理，使
[0024][0025]步骤2.3、差异化特征值贡献率的确定。油中溶解特征气体间存在相关性，且不同的生产厂家和运行年限监测装置的油中溶解特征气体间的相关性存在差异，因此需要对不同生产厂家和运行年限的监测装置计算出差异化特征值贡献率，使其引入重复信息较少的情况下提取原始数据的大部分方差信息。
[0026]步骤2.4、对核矩阵K进行主成分分解，根据步骤2.3得出的不同生产厂家和运行年限监测装置的特征值贡献率确定应保留的主成分个数j，并标准化处理其特征向量P；
[0027]步骤2.5、标准化采样数据h
t
，计算其对应核向量k
t
，进行去中心化处理。
[0028]进一步的，所述的步骤3中计算统计量T2和Q以及对应的控制限和Q
a
的具体方法为：
[0029]步骤3.1、根据下式计算在线数据k
t
的统计量T2和Q：
[0030][0031]其中，式中t为n
×
1维主成分向量；P为主元特征向量；φ(h)为非线性映射特征；m
φ
为样本映射均值；I为n
×
n单位矩阵，S＝diag(λ1,λ2,
…
,λ
n
)为主元对角方阵。
[0032]步骤3.2、根据下式分别估计出不同生产厂家和运行年限监测装置的T2统计量的差异化控制限
[0033][0034]其中，式中j为保留的主成分个数；a为置信度；为自由度为j、N
‑
j条件下的F分布临
界值。
[0035]步骤3.3、根据下式分别估计出不同生产厂家和运行年限监测装置的Q统计量的差异化控制限Q
a
：
[0036][0037]其中，式中g＝ρ/(2μ)为权重；是自由度为h＝2μ2/ρ，置信度为α的卡方分布；μ和ρ为样本Q统计量均值和标准差。
[0038]进一步的，所述的步骤4中对异常数据的识别以及故障类型的判别的具体方法为：
[0039]步骤4.1、根据监测装置生产厂家和运行年限比较T2和Q统计量与对应生产厂家和运行年限的控制限和Q
a
，当两个统计量均超出控制限时，判断该组数据异常；
[0040]步骤4.2、最后根据异常数据的特征，识别监测装置的故障类型和变压器的故障类型。
[0041]进一步的，所述的步骤4.2中根据异常数据的特征，识别监测装置的故障类型和变压器的故障类型的具体方法为：
[0042]步骤4.2.1、如果任意气体体积监测幅值v
i
＜0，则判断是异常单元为数据处理单元或数据传输单元；
[0043]步骤4.2.2、如果任意气体体积监测幅值v
i
为空值，则判断异常单元为辅助系统或数据传输单元；
[0044]步骤4.2.3、如果任意气体体积监测幅值v
i
＞t
i
，则判断异常单元为数据采集单元异常或变压器绝缘劣化，其中t
i
为DLT722
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于色谱数据的监测装置和变压器异常状态识别方法，其特征在于，包括如下步骤：步骤1、从监测的历史色谱数据识别与剔除孤立异常点数据；步骤2、剔除孤立异常点数据后，基于剩下的历史色谱数据计算核向量k
i
；步骤3、基于步骤2计算的核向量k
i
计算统计量T2和Q以及对应的控制限和Q
a
；步骤4、根据计算的统计量T2和Q以及对应的控制限和Q
a
，对异常数据进行识别以及对故障类型进行判别。2.根据权利要求1所述的一种基于色谱数据的监测装置和变压器异常状态识别方法，其特征在于，所述的步骤1中对孤立异常点数据的识别与剔除具体方法为：步骤1.1、提取n天历史监测数据，计算其均值和方差σ2；步骤1.2、计算n个监测数据到中心点的马氏距离：式中，x
i
为第i个监测数据，i＝1，2，
…
n；步骤1.3、将n个监测按照马氏距离d
i
升序排列，选取其中d
i
最小的k个监测数据，对新选的h个监测数据通过C—步骤过程迭代直到收敛，返回稳定的均值和方差步骤1.4、根据和计算每个监测数据稳健的马氏距离d
i
。d
i
近似服从一个自由度为1的卡方分布，当时，判定i点为异常点，其中表示卡方检验的临界值，α为置信度；步骤1.5、根据异常值在时间上是否具有连续性，分为孤立异常值点和连续异常值区间，并将孤立异常点的数据剔除。3.根据权利要求1所述的一种基于色谱数据的监测装置和变压器异常状态识别方法，其特征在于，所述的步骤2中计算核向量k
i
的具体方法为：步骤2.1、将孤立异常点的数据剔除后，假设剩余的监测数据有m个，提取剩余的N个数据标准化为H，H＝[h1,h2,
…
,h
N
]为监测数据中样本数为N的采样序列，根据下式计算其对应的核矩阵K：其中，式中K＝φ(H)
T
φ(H)，φ(H)为去均值后的特征矩阵，N为样本数目，E
N
为N
×
N恒1方阵，K为核矩阵，是映射后数据样本经核函数内积；步骤2.2、在特征空间中对高维数据去中心化处理，使步骤2.3、对不同生产厂家和运行年限的监测装置计算出差异化特征值贡献率，使其引入重复信息较少的情况下提取原始数据的大部分方差信息；步骤2.4、对核矩阵K进行主成分分解，根据步骤2.3得出的不同生产厂家和运行年限监测装置的特征值贡献率确定应保留的主成分个数j，并标准化处理其特征向量P；步骤2.5、标准化采样数据h
t
，计算其对应核向量k
t
...

【专利技术属性】
技术研发人员：刘睿，何清，杨天荷，胡然，石勇波，徐广超，陈兆，
申请(专利权)人：湖北方源东力电力科学研究有限公司，
类型：发明
国别省市：