本发明专利技术公开了一种基于AKSC模型的大型变压器早期微弱异常诊断方法，包括模型训练阶段和在线诊断阶段，模型训练阶段包括：利用收集的大型变压器监测数据进行退化特征筛选；利用筛选的退化特征，构建训练数据集和校准数据集；将训练数据集和校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；在线诊断阶段包括：从大型变压器收集在线监测信号数据；提取在线监测信号数据中的退化特征；将提取的退化特征输入到微弱异常诊断模型进行判别，得到异常诊断结果。仅需给定模型的训练数据、校准数据以及故障容错阈值，无需设定大量超参数，摆脱了对领域知识和专家经验的依赖，因此，具有较好的泛化性，可以适用于不同类型大型变压器。同类型大型变压器。同类型大型变压器。
【技术实现步骤摘要】
基于AKSC模型的大型变压器早期微弱异常诊断方法和系统
[0001]本专利技术涉及故障诊断
，尤其涉及一种基于AKSC模型的大型变压器早期微弱异常诊断方法和系统。
技术介绍
[0002]大型变压器早期异常发生在装备故障的初始时期，是一种因轻微疲劳、腐蚀、裂纹等微小故障造成运行状态偏离正常状态的现象。大型变压器结构复杂，失效机理不明，早期异常信号微弱，且易受噪声干扰或掩盖，给大型变压器早期微弱异常的及时诊断与精确识别带来巨大的困难。目前，缺乏有效的大型变压器早期异常诊断方法。
[0003]基于此，需要一种新的解决方案。
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AKSC模型的大型变压器早期微弱异常诊断方法和系统。
[0005]为实现上述目的，本专利技术提供一种基于AKSC模型的大型变压器早期微弱异常诊断方法，包括模型训练阶段和在线诊断阶段，
[0006]所述模型训练阶段包括：
[0007]步骤S11、利用收集的大型变压器监测数据进行退化特征筛选；
[0008]步骤S12、利用筛选的退化特征，构建训练数据集和校准数据集；
[0009]步骤S13、将所述训练数据集和所述校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；
[0010]所述在线诊断阶段包括：
[0011]步骤S21、从大型变压器收集在线监测信号数据；
[0012]步骤S22、提取所述在线监测信号数据中的退化特征；
[0013]步骤S23、将提取的退化特征输入到所述微弱异常诊断模型进行判别，得到异常诊断结果。
[0014]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S11包括：
[0015]步骤S111、收集大型变压器监测信号数据；
[0016]步骤S112、对大型变压器监测信号数据进行统计分析，提取信号的时域退化特征；
[0017]步骤S113、对大型变压器监测信号数据进行频谱分析，提取信号的频域退化特征；
[0018]步骤S114、使用CEEMDAN方法对监测信号数据进行自适应分解，提取信号的时频域退化特征；
[0019]步骤S115、基于单调性和相关性指标，对提取到的时域退化特征、频域退化特征和时频域退化特征进行筛选。
[0020]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S115
包括：
[0021]步骤S1151、通过如下公式计算退化特征的单调性，
[0022][0023]其中，dF是退化特征序列的微分，T为信号采样数；
[0024]步骤S1152、通过如下公式计算退化特征与退化时间之间的关联性，
[0025][0026]其中，F
t
表示退化特征在t时刻的值，L
t
表示信号采样对应的时间值，T为信号采样数；
[0027]步骤S1153、将单调性和关联性进行线性组合，通过如下公式计算筛选准则SC：
[0028]SC＝ω1PCC+ω2Mon
[0029][0030]其中ωi是加权系数。
[0031]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S13包括：
[0032]步骤S131、利用所述训练数据集构建初始AKSC模型；
[0033]步骤S132、将所述校准数据集输入到构建的初始AKSC模型中对所述初始AKSC模型进行参数调整和修正，得到所述微弱异常诊断模型。
[0034]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断方法中，步骤S23包括：
[0035]步骤S231、对每个在线监测样本，将提取的退化特征输入到所述微弱异常诊断模型，计算离群值指标；
[0036]步骤S232、将离群值指标与预设阈值进行比较，若离群值指标大于预设阈值，则判定该在线监测样本为正常样本，若离群值指标小于或等于预设阈值，则判定该在线监测样本为异常样本。
[0037]此外，为实现上述目的，本专利技术还提供一种基于AKSC模型的大型变压器早期微弱异常诊断系统，包括模型训练模块和在线诊断模块，
[0038]所述模型训练模块包括：
[0039]退化特征筛选单元，利用收集的大型变压器监测数据进行退化特征筛选；
[0040]数据构建单元，用于利用筛选的退化特征，构建训练数据集和校准数据集；
[0041]训练单元，用于将所述训练数据集和所述校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；
[0042]所述在线诊断模块包括：
[0043]在线数据收集单元，用于从大型变压器收集在线监测信号数据；
[0044]退化特征提取单元，用于提取所述在线监测信号数据中的退化特征；
[0045]诊断单元，用于将提取的退化特征输入到所述微弱异常诊断模型进行判别，得到
异常诊断结果。
[0046]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断系统中，退化特征筛选单元包括：
[0047]数据收集子单元，用于收集大型变压器监测信号数据；
[0048]时域退化特征提取子单元，用于对大型变压器监测信号数据进行统计分析，提取信号的时域退化特征；
[0049]频域退化特征提取子单元，用于对大型变压器监测信号数据进行频谱分析，提取信号的频域退化特征；
[0050]时频域退化特征提取子单元，用于使用CEEMDAN方法对监测信号数据进行自适应分解，提取信号的时频域退化特征；
[0051]筛选子单元，用于基于单调性和相关性指标，对提取到的时域退化特征、频域退化特征和时频域退化特征进行筛选。
[0052]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断系统中，所述筛选子单元通过如下公式计算退化特征的单调性，
[0053][0054]其中，dF是退化特征序列的微分，T为信号采样数；
[0055]通过如下公式计算退化特征与退化时间之间的关联性，
[0056][0057]其中，F
t
表示退化特征在t时刻的值，L
t
表示信号采样对应的时间值，T为信号采样数；
[0058]将单调性和关联性进行线性组合，通过如下公式计算筛选准则SC：
[0059]SC＝ω1PCC+ω2Mon
[0060][0061]其中ωi是加权系数。
[0062]在本专利技术提供的基于AKSC模型的大型变压器早期微弱异常诊断系统中，所述训练单元包括：
[0063]初始化子单元，用于利用所述训练数据集构建初始AKSC模型；
[0064]校准子单元，用于将所述校准数据集输入到构建的初始AKSC模型中对所述初始AKSC模型进行参数调整和修正，得到所述微弱异常诊断模型。
[0065]在本专利技术提供的基于AKSC模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于AKSC模型的大型变压器早期微弱异常诊断方法，其特征在于，包括模型训练阶段和在线诊断阶段，所述模型训练阶段包括：步骤S11、利用收集的大型变压器监测数据进行退化特征筛选；步骤S12、利用筛选的退化特征，构建训练数据集和校准数据集；步骤S13、将所述训练数据集和所述校准数据集输入到AKSC模型中以完成聚类模型的训练，得到微弱异常诊断模型；所述在线诊断阶段包括：步骤S21、从大型变压器收集在线监测信号数据；步骤S22、提取所述在线监测信号数据中的退化特征；步骤S23、将提取的退化特征输入到所述微弱异常诊断模型进行判别，得到异常诊断结果。2.如权利要求1所述的基于AKSC模型的大型变压器早期微弱异常诊断方法，其特征在于，步骤S11包括：步骤S111、收集大型变压器监测信号数据；步骤S112、对大型变压器监测信号数据进行统计分析，提取信号的时域退化特征；步骤S113、对大型变压器监测信号数据进行频谱分析，提取信号的频域退化特征；步骤S114、使用CEEMDAN方法对监测信号数据进行自适应分解，提取信号的时频域退化特征；步骤S115、基于单调性和相关性指标，对提取到的时域退化特征、频域退化特征和时频域退化特征进行筛选。3.如权利要求2所述的基于AKSC模型的大型变压器早期微弱异常诊断方法，其特征在于，步骤S115包括：步骤S1151、通过如下公式计算退化特征的单调性，其中，dF是退化特征序列的微分，T为信号采样数；步骤S1152、通过如下公式计算退化特征与退化时间之间的关联性，其中，F
t
表示退化特征在t时刻的值，L
t
表示信号采样对应的时间值，T为信号采样数；步骤S1153、将单调性和关联性进行线性组合，通过如下公式计算筛选准则SC：SC＝ω1PCC+ω2Mon其中ωi是加权系数。4.如权利要求1所述的基于AKSC模型的大型变压器早期微弱异常诊断方法，其特征在于，步骤S13包括：
步骤S131、利用所述训练数据集构建初始AKSC模型；步骤S132、将所述校准数据集输入到构建的初始AKSC模型中对所述初始AKSC模型进行参数调整和修正，得到所述微弱异常诊断模型。5.如权利要求1所述的基于AKSC模型的大型变压器早期微弱异常诊断方法，其特征在于，步骤S23包括：步骤S231、对每个在线监测样本，将提取的退化特征输入到所述微弱异常诊断模型，计算离群值指标；步骤S232、将离群值指标与预设阈值进行比较，若离群值指标大于预设阈值，则判定该在线监测样本为正常样本，若离群值指标小于或等于预设阈值，则判定该在线监测样本为异常样本。6.一种基于AKSC模型的大型变压器...
【专利技术属性】
技术研发人员：邵洪平，李学腾，赵加能，王宁，
申请(专利权)人：云南电网有限责任公司大理供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。