【技术实现步骤摘要】
本专利技术涉及数据处理领域，具体涉及一种油浸式电力变压器缺陷预警与辨识方法及装置。
技术介绍
1、变压器作为电力系统中关键的组成部分，其正常运行对于整个电力网络的安全和稳定至关重要。在变压器发生内部故障时，会生成烃类气体、氢气和碳氧化合物等融于变压器油中。因此对油中溶解气体（dga）进行分析能够有效揭示变压器内部可能出现的故障类型及其严重性。传统的基于dga的变压器故障诊断方法主要有特征气体法和三比值法。特征气体法通过综合分析油中溶解气体含量及随时间的变化趋势，将油中溶解气体分为主要特征气体和次要特征气体，进而判断故障类型。其优点是简单直接，但对主要特征气体的判别无法直接量化操作，故障诊断易受到经验影响。三比值法只有在气体各组分含量或气体增长率超过告警阈值时才能使用，且告警阈值难以设定；其次，三比值法对一些初始缺陷和极低能量的缺陷的判断易出现偏差。一些学者基于机器学习通过大量变压器在不同典型状态下的样本数据训练诊断模型进行故障诊断，相较于传统的诊断方法，提高了准确性和鲁棒性。然而实际工程应用中变压器各种典型故障状态的样本量有限，且不同变压器间存在个体差异，难以找到普适的故障样本用于识别变压器运行状态的转变。
2、临界相变是非线性动力学中的一个极为重要的概念，近年来该理论逐渐发展并被应用于多个领域。当一个复杂系统发展至临界状态时，系统内部控制参数或应力的细微变化都可能引发临界相变，从而导致事故发生。在复杂系统发生临界相变的过程中，通常会存在一个“临界点”，在临界点附近系统表现出频繁波动和临界慢化等特征，这些特征可被认为
3、有学者在临界相变理论的基础上提出的动态网络标志物(dynamical networkmarker ,dnm)这一概念以描述多变量复杂系统的临界相变动态特性，并在生物，生态和金融系统方面证明了所提方法的有效性。在故障诊断领域，方瑞明等人率先将dnm应用在变压器的早期缺陷预警方面，该方法仅需利用待诊断变压器自身的监测数据，不需要依赖故障状态的典型样本数据，在变压器故障预警方面取得良好效果。但该方法计算成本高，且依赖于对网络关键节点进行筛选，如何选择合适的方法确定关键网络成了制约该方法应用的难题。采用dnm方法虽然可以获得对系统故障贡献度最高的一组变量子集，但缺少量化指标来衡量各个变量间的重要度差异不利于后续的故障类型分析。
技术实现思路
1、本申请的目的在于针对上述提到的技术问题提出一种油浸式电力变压器缺陷预警与辨识方法及装置。
2、第一方面，本专利技术提供了一种油浸式电力变压器缺陷预警与辨识方法，包括以下步骤：
3、在油色谱在线监测系统所监测的变量中将与油浸式电力变压器的运行状态具有高度相关性的油中溶解气体含量作为关键时序变量，获取关键时序变量在当前采样周期内的各采样时间的实际监测值，基于实际监测值构建实测样本数据集；
4、针对每个关键时序变量构建健康状态理论值预测模型，获取油浸式电力变压器在健康状态时油色谱在线监测系统所采集到的每个关键时序变量在前一个采样周期内的各采样时间的历史监测值，将历史监测值输入健康状态理论值预测模型，得到每个关键时序变量在当前采样周期内的各采样时间的预测值，基于预测值构建预测样本数据集；
5、基于预测样本数据集和实测样本数据集构建各时段下的参考样本矩阵和实测样本矩阵，基于参考样本矩阵和实测样本矩阵为每个关键时序变量拟合得到参考分布和扰动分布，根据参考分布和扰动分布利用詹森香农散度算法计算各个关键时序变量的不一致性指标得分，根据各个关键时序变量的不一致性指标得分计算得到各时段的全局综合不一致指标得分；
6、根据连续时段内的全局综合不一致指标得分确定是否触发报警，利用触发报警的时段的各个关键时序变量的不一致性指标得分结合特征气体法进行故障辨识，确定缺陷类型。
7、作为优选，实际监测值和历史监测值均为经过归一化处理后的数据。
8、作为优选，健康状态理论值预测模型包括经训练的长短期记忆神经网络。
9、作为优选，基于预测样本数据集和实测样本数据集构建各时段下的参考样本矩阵和实测样本矩阵，具体包括：
10、将预测样本数据集和实测样本数据集划分为n个时段，每个时段包含n个采样点；
11、基于第t个时段内的n个预测数据集合，构建如下式所示的参考样本矩阵x，其中，为m个维度的关键时序变量在第t个时段内n个采样点的预测值所构成的预测数据；
12、；
13、其中，表示关键时序变量在第j个采样点的预测值，，，m表示关键时序变量的总数；
14、基于第t个时段内的n个实测数据集合，构建如下式所示的实测样本矩阵x’，其中为m个维度的关键时序变量在第t个时段内n个采样点的实际监测值所构成的实际监测数据；
15、；
16、其中，表示关键时序变量在第j个采样点的实际监测值。
17、作为优选，基于参考样本矩阵和实测样本矩阵为每个关键时序变量拟合得到参考分布和扰动分布，具体包括：
18、根据参考样本矩阵x中的关键时序变量的n个预测值计算均值和标准差，根据均值 和标准差计算参考样本矩阵x中的关键时序变量在第j个采样点的预测值的累计概率分布密度，如下式所示：
19、；
20、将累计概率分布密度转化为关键时序变量在第j个采样点的预测值在高斯分布下的概率，如下式所示：
21、；
22、基于各个关键时序变量在第j个采样点的预测值在高斯分布下的概率构建参考分布p：
23、；
24、根据实测样本矩阵x’中的关键时序变量的n个实际监测值计算均值和标准差，根据均值 和标准差计算实测样本矩阵x’中的关键时序变量在第j个采样点的实际监测值的累计概率分布密度，如下式所示：
25、；
26、将累计概率分布密度转化为关键时序变量在第j个采样点的预测值在高斯分布下的概率，如下式所示：
27、；
28、基于各个关键时序变量在第j个采样点的预测值在高斯分布下的概率构建扰动分布q：
29、。
30、作为优选，根据参考分布和扰动分布利用詹森香农散度算法计算各个关键时序变量的不一致性指标得分，根据各个关键时序变量的不一致性指标得分计算得到各时段的全局综合不一致指标得分，具体包括：
31、采用下式计算t时段各个关键时序变量的不一致性指标得分：
32、；
33、；
34、其中，表示参考分布中的第i维行向量，表示扰动分布中的第i维行向量，表示参考分布中的第i行、第j列的概率，表示扰动分布中的第i行、第j列的概率，表示在t时段关键时序变量的kl散度值，表示在时段关键时序变量的不一致性指标得分；
35、采用下式计算t时段的全局综合不一致指标得分：
36、。
37、作为优选，根据连续时段内的本文档来自技高网...
【技术保护点】
1.一种油浸式电力变压器缺陷预警与辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述实际监测值和所述历史监测值均为经过归一化处理后的数据。
3.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述健康状态理论值预测模型包括经训练的长短期记忆神经网络。
4.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述基于所述预测样本数据集和实测样本数据集构建各时段下的参考样本矩阵和实测样本矩阵，具体包括：
5.根据权利要求4所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述基于所述参考样本矩阵和实测样本矩阵为每个所述关键时序变量拟合得到参考分布和扰动分布，具体包括：
6.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述根据所述参考分布和扰动分布利用詹森香农散度算法计算各个所述关键时序变量的不一致性指标得分，根据各个所述关键时序变量的不一致性指标得分计算得到各时段的全局综合不一致指标得分，具体包括：
7.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述根据连续时段内的全局综合不一致指标得分确定是否触发报警，利用触发报警的时段的各个所述关键时序变量的不一致性指标得分结合特征气体法进行故障辨识，确定缺陷类型，具体包括：
8.一种油浸式电力变压器缺陷预警与辨识装置，其特征在于，包括：
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种油浸式电力变压器缺陷预警与辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述实际监测值和所述历史监测值均为经过归一化处理后的数据。
3.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述健康状态理论值预测模型包括经训练的长短期记忆神经网络。
4.根据权利要求1所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述基于所述预测样本数据集和实测样本数据集构建各时段下的参考样本矩阵和实测样本矩阵，具体包括：
5.根据权利要求4所述的油浸式电力变压器缺陷预警与辨识方法，其特征在于，所述基于所述参考样本矩阵和实测样本矩阵为每个所述关键时序变量拟合得到参考分布和扰动分布，具体包括：
6.根据权利要...
【专利技术属性】
技术研发人员：方瑞明，庄杰农，尚荣艳，彭长青，苏太育，
申请(专利权)人：华侨大学，
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。