System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及变压器故障预测,尤其涉及一种变压器故障预测的方法、装置、电子设备及介质。
技术介绍
1、电力变压器在电力系统中担任着变电、输电和分配电能等重要角色,是构成多电压等级电力系统的重要节点类电气设备,其良好的运行状态是电力系统安全、经济、稳定运行的基础。变压器是电力系统的关键设备,运行使用过程中,由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中,各种气体成分含量及不同组分间的比例关系与变压器的健康状况密切相关,因此预测变压器油中溶解气体含量是诊断故障的前提条件。
2、现有技术中,例如专利号为202211219945 .3,名称为一种变压器故障诊断预测方法和系统,其通过训练神经网络模型来预测变压器故障。专利号为202210902015.1,名称为一种智能变压器故障预测方法和装置的专利,其通过构建bp神经网络模型来对变压器故障进行预测。因此,现有技术中缺乏一种通过arima模型来预测变压器故障,从而提高变压器故障预测精度的方法。
技术实现思路
1、有鉴于此,有必要提供一种变压器故障预测的方法、装置、电子设备及介质,用以实现提高变压器故障预测精度的目的。
2、为了实现上述目的,本专利技术提供一种变压器故障预测的方法,包括:
3、获取变压器油中溶解气体浓度的不平稳时间序列;
4、基于差分算法将所述不平稳时间序列转化为平稳时间序列;
5、基于所述平稳时间序列构建arima模型;
6、基于信息准则对所述ari
7、将目标变压器油中溶解气体浓度输入到所述最优arima模型中,得到目标变压器的故障类型。
8、在一些可能的实现方式中,所述基于所述平稳时间序列构建arima模型,包括:
9、根据所述平稳时间序列的自相关系数和偏自相关系数,确定自回归阶次和移动平均阶次,构建arima模型。
10、在一些可能的实现方式中,所述arima模型的p阶自回归过程的公式为:
11、
12、式中:表示t时刻对应的所述平稳时间序列中的值;表示常数项,是基于所述平稳时间序列拟合之后得到的一个常数项;p表示所述arima模型中自回归模型的阶数;表示自相关系数;表示白噪声序列。
13、在一些可能的实现方式中,所述arima模型的q阶自回归过程的公式为:
14、
15、式中,表示t时刻对应的所述平稳时间序列中的值;q表示所述arima模型中移动平均模型的阶数;表示常数项,是基于所述平稳时间序列拟合之后得到的一个常数项;表示白噪声序列;表示消除随机波动的参数。
16、在一些可能的实现方式中,所述基于信息准则对所述arima模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述arima模型的最佳参数,基于所述最佳参数得到最优arima模型,包括:
17、采用aic信息准则对所述arima模型中的参数进行验证,得到最小的aic信息量;
18、将所述最小的aic信息量对应的所述arima模型中的参数确定为最佳参数,基于所述最佳参数得到最优arima模型。
19、在一些可能的实现方式中,所述aic信息准则的计算公式为:
20、
21、式中,表示基于aic信息准则计算得到的信息量;m表示所述平稳时间序列样本数量;l表示似然函数。
22、在一些可能的实现方式中,所述最优arima模型的自回归为2阶,所述最优arima模型的移动平均为2阶,所述最优arima模型的差分为1阶。
23、另一方面,本专利技术还提供了一种变压器故障预测的装置,包括:
24、数据获取模块,用于获取变压器油中溶解气体浓度的不平稳时间序列;
25、数据处理模块,用于基于差分算法将所述不平稳时间序列转化为平稳时间序列;
26、模型获取模块,用于基于所述平稳时间序列构建arima模型;
27、最优模型获取模块,用于基于信息准则对所述arima模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述arima模型的最佳参数,基于所述最佳参数得到最优arima模型;
28、故障预测模块,用于将目标变压器油中溶解气体浓度输入到所述最优arima模型中的,得到目标变压器的故障类型。采用上述实施例的有益效果是:本专利技术提供的一种变压器故障预测的方法,首先获取变压器油中溶解气体浓度的不平稳时间序列,将不平稳时间序列转化为平稳时间序列从而构建arima模型,进一步基于信息准则对arima模型进行验证并选择最佳参数,得到最后arima模型,最后基于优化后的arima模型预测目标变压器的故障类型。本专利技术将变压器中溶解气体浓度的不平稳序列转化为平稳序列,根据平稳序列构建arima模型,并基于信息准则对arima模型进行验证得到最佳arima模型,基于最佳arima模型对变压器故障进行预测,从而提高了变压器故障预测的精度。
本文档来自技高网...【技术保护点】
1.一种变压器故障预测的方法,其特征在于,包括:
2.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于所述平稳时间序列构建ARIMA模型,包括:
3.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述ARIMA模型的p阶自回归过程的公式为:
4.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述ARIMA模型的q阶自回归过程的公式为:
5.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于信息准则对所述ARIMA模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述ARIMA模型的最佳参数,基于所述最佳参数得到最优ARIMA模型,包括:
6.根据权利要求5所述的变压器故障预测的方法,其特征在于,所述AIC信息准则的计算公式为:
7.根据权利要求6所述的变压器故障预测的方法,其特征在于,所述最优ARIMA模型的自回归为2阶,所述最优ARIMA模型的移动平均为2阶,所述最优ARIMA模型的差分为1阶。
8.一种变压器故障预测的装置,其特征在于,
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的一种变压器故障预测的方法中的步骤。
...【技术特征摘要】
1.一种变压器故障预测的方法,其特征在于,包括:
2.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于所述平稳时间序列构建arima模型,包括:
3.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述arima模型的p阶自回归过程的公式为:
4.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述arima模型的q阶自回归过程的公式为:
5.根据权利要求1所述的变压器故障预测的方法,其特征在于,所述基于信息准则对所述arima模型中的参数进行验证得到信息准则信息量,基于所述信息准则信息量确定所述arima模型的最佳参数,基于所述最佳参数得到最优ari...
【专利技术属性】
技术研发人员:付耸,丁国平,朱明月,常璐,陈曦,王进,
申请(专利权)人:沧州经济开发区武理工京津冀协同产业科技研究院,
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。