一种变压器大数据流下的故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种变压器大数据流下的故障诊断方法及装置，所述方法包括获取

【技术实现步骤摘要】
一种变压器大数据流下的故障诊断方法及装置


[0001]本专利技术涉及一种变压器大数据流下的故障诊断方法及装置，属于配电网信息

。

技术介绍

[0002]随着计算机硬件性能的提升
、
各类粗细粒度并行计算技术的发展
、
大数据处理平台计算能力的优化，故障诊断计算效率已实现了大幅度的提升
。
在线监测量丰富度的要求，以往输变和配变仅实现了电压
、
电流等基本电气量的在线监测，变压器故障诊断主要依据例行试验或定期检修结果，实时性不强
。
近年来，随着在线监测技术的发展，部分输变安装了非电气量在线监测装置
。
然而，关于变电设备的状态数据来源主要由设备数据
、
监测数据以及外部数据，现有状态数据体量大
、
增长快
、
类型多，故障
/
缺陷的样本数少，状态数据存储于不同数据库管理系统中，设备状态数据来源广，数据质量参差不齐
。
数据特点严重制约了配变故障在线诊断技术的发展
。
传统基于大数据挖掘的变压器故障诊断方法很难利用这些数据训练出泛化能力较强的故障诊断器，这进一步增加了配变故障诊断的难度
。

技术实现思路

[0003]本专利技术的目的在于克服现有技术中的不足，提供一种变压器大数据流下的故障诊断方法及装置，能够快速辨识出可能发生故障的配变，并快速判断出配变是否发生故障
。
[0004]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0005]第一方面，本专利技术提供了一种变压器大数据流下的故障诊断方法，包括：
[0006]获取
t+1
时刻配电变压器的在线测量数据，根据在线测量数据计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗；
[0007]利用预先构建的三类故障在线辨识指标的
ARIMA
模型进行预测，获取预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗；
[0008]计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗与预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗的差值；
[0009]将差值与预先设定的阈值进行比较，判断该变压器是否可能发生故障；
[0010]对可能发生故障的变压器基于
TrAdaBoost
算法进行故障诊断，获取诊断结果
。
[0011]进一步的，所述三类故障在线辨识指标的
ARIMA
模型的构建方法，包括：
[0012]获取
t
时刻配电变压器
i
，
i
＝
1,2,
…
,N
在线测量数据，根据在线测量数据计算
t
时刻的短路电抗短路损耗和空载损耗
[0013]根据
t
时刻的短路电抗
、
短路损耗和空载损耗，选择预先设定的自回归系数
、
滑动平均系数和差分系数，分别建立三类故障在线辨识指标的
ARIMA
模型
。
[0014]进一步的，所述计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗与预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗的差值，公式如下：
[0015][0016]其中：为预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗，
j
＝
1,2,3
，
j
的数值分别对应于短路电抗
、
短路损耗和空载损耗；为实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗
。
[0017]进一步的，所述对可能发生故障的变压器基于
TrAdaBoost
算法进行故障诊断，获取诊断结果，包括：
[0018]设定
TrAdaBoost
算法迭代次数
Iter
及基本分类算法
Learner
，训练数据集
Ω
＝
Ω
″
a
∪
Ω
″
d
以及用于模型精准度测试的数据集
S
，
Learner
为分类器所采用的分类算法，
Ω
″
a
为目标训练集合和
Ω
″
d
为辅助训练集合，
Ω
″
a
样本数量为
N
a
，
Ω
″
d
样本数量为
N
d
，
Ω
为合并训练集；
[0019]初始化权重向量其中：
[0020][0021]其中，
m
表示样本编号，初始化参数，公式如下：
[0022][0023]迭代
n
＝
1,2,
…
,Iter
，获取
Iter/2
～
Iter
次的分类结果；
[0024]根据
Iter/2
～
Iter
次的分类结果，输出变压器故障强诊断器，公式如下：
[0025][0026]其中，
λ
n
为第
n
次时迭代时设置的弱诊断器权重参数，
h
n
为第
n
次迭代时分类器对样本得到的学习标识，通过变压器故障强诊断器进行变压器故障诊断，获取诊断结果
。
[0027]进一步的，所述迭代
n
＝
1,2,
…
,Iter
，包括如下步骤：
[0028]权重归一化，公式如下：
[0029][0030]调用
Learner
，根据
Ω
、p
n
和
S
得到变压器故障弱诊断器
h
n
；
[0031]计算弱诊断器
h
n
在
Ω
″
d
上面的错误率，公式如下：
[0032][0033]式中，
h
n
(x
m
)
表示弱诊断器对
x
m
得到的学习；
y
m
表示正确故障类型；
[0034]设置弱诊断器权重参数
...

【技术保护点】

【技术特征摘要】
1.
一种变压器大数据流下的故障诊断方法，其特征在于，包括：获取
t+1
时刻配电变压器的在线测量数据，根据在线测量数据计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗；利用预先构建的三类故障在线辨识指标的
ARIMA
模型进行预测，获取预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗；计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗与预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗的差值；将差值与预先设定的阈值进行比较，判断该变压器是否可能发生故障；对可能发生故障的变压器基于
TrAdaBoost
算法进行故障诊断，获取诊断结果
。2.
根据权利要求1所述的变压器大数据流下的故障诊断方法，其特征在于，所述三类故障在线辨识指标的
ARIMA
模型的构建方法，包括：获取
t
时刻配电变压器
i
，
i
＝
1,2,
…
,N
在线测量数据，根据在线测量数据计算
t
时刻的短路电抗短路损耗和空载损耗根据
t
时刻的短路电抗
、
短路损耗和空载损耗，选择预先设定的自回归系数
、
滑动平均系数和差分系数，分别建立三类故障在线辨识指标的
ARIMA
模型
。3.
根据权利要求1所述的变压器大数据流下的故障诊断方法，其特征在于，所述计算实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗与预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗的差值，公式如下：其中：为预测的
t+1
时刻的短路电抗
、
短路损耗和空载损耗，
j
＝
1,2,3
，
j
的数值分别对应于短路电抗
、
短路损耗和空载损耗；为实际的
t+1
时刻的短路电抗
、
短路损耗和空载损耗
。4.
根据权利要求1所述的变压器大数据流下的故障诊断方法，其特征在于，所述对可能发生故障的变压器基于
TrAdaBoost
算法进行故障诊断，获取诊断结果，包括：设定
TrAdaBoost
算法迭代次数
Iter
及基本分类算法
Learner
，训练数据集
Ω
＝
Ω”a
∪
Ω”d
以及用于模型精准度测试的数据集
S
，
Learner
为分类器所采用的分类算法，
Ω”a
为目标训练集合和
Ω”d
为辅助训练集合，
Ω”a
样本数量为
N
a
，
Ω”d
样本数量为
N
d
，
Ω
为合并训练集；初始化权重向量其中：其中，
m
表示样本编号，初始化参数，公式如下：迭代
n
＝
1,2,
…
,Iter
，获取
Iter/2
～
Iter
次的分类结果；
根据
Iter/2
～
Iter
次的分类结果，输出变压器故障强诊断器，公式如下：其中，
λ
n
为第
n
次时迭代时设置的弱诊断器权重参数，
h
n
为第
n
次迭代时分类器对样本得到的学习标识，通过变压器故障强诊断器进行变压器故障诊断，获取诊断...

【专利技术属性】
技术研发人员：吴鹏，李晓涵，李建生，吴益明，王同磊，姚廷利，陆云才，王胜权，梁家碧，石琦，杨景刚，黄强，邵剑，谢天喜，
申请(专利权)人：江苏省电力试验研究院有限公司国网江苏省电力有限公司，
类型：发明
国别省市：