一种变压器油温表计异常辨识方法及系统
文献发布时间:2024-04-18 19:52:40
技术领域
本发明涉及变压器检测技术领域,尤其涉及一种变压器油温表计异常辨识方法及系统。
背景技术
电力变压器作为电力系统的重要枢纽设备,其安全稳定运行是保障电网正常运行、电力正常供应和社会正常运作的基础。特别的,变压器的负载能力与绝缘老化速度主要由其热特性决定,而油温是反映变压器热特性的重要指标。
设计制造人员为变压器安装了油温表计,并通过SCADA系统将油温数据远传至调度主站,实现对变压器油温的远程、集中监测。在日常运行中,工作人员实时监视油温变化情况,掌握变压器运行状态。一旦出现油温越限告警,则采取调整负荷、专业巡视等方式,确保变压器的安全稳定运行。因此,油温表计的正常可靠工作,是确保设备安全可靠运行的重要因素。
当前供电企业周期性开展变压器油温表计的现场校准工作,通过现场校准检测表计状态并辨识出异常表计,从而确保油温表计可以正常工作。然而周期性校准难以实时掌握表计的工作状态,时间上存在监控“真空期”,不利于设备本质安全体系建设。此外,设备规模逐渐增大,现场工作量日益增加,一线班组业务压力增大,同时,当前变压器温度表计的油温监测数据已通过SCADA远传至调度主站,然而变压器油温监测数据挖掘应用不足,导致变压器油温表计异常辨识的准确性和效率较低。
发明内容
本发明提供了一种变压器油温表计异常辨识方法及系统,解决了变压器油温表计异常辨识的准确性和效率较低的技术问题。
有鉴于此,本发明第一方面提供了一种变压器油温表计异常辨识方法,包括以下步骤:
S1、获取变压器的油温数据、负荷数据和环温数据,构建油温预测样本集;
S2、基于经过遗传算法进行特征优选与参数优化的支持向量回归模型对所述油温预测样本集进行训练,构建变压器油温预测模型;
S3、基于所述变压器油温预测模型进行变压器油温预测,根据油温预测结果对变压器油温表计的残差序列单点偏离、序列波动和残差分布进行计算,得到相应的变压器油温表计的状态静态辨识结果;
S4、利用滑动时间窗对油温预测结果进行监测,得到变压器油温残差序列的变化趋势,根据变压器油温残差序列的变化趋势计算变压器油温表计的异常动态辨识结果;
S5、通过综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识。
优选地,步骤S1具体包括:
通过调度EMS系统获取变压器油温数据、负荷数据和环温数据,以当前负荷、历史负荷、当前环温、历史环温和历史油温为油温预测的输入量,并以未来时刻的油温为油温预测的输出量,构建油温预测样本集。
优选地,步骤S2具体包括:
S201、将所述油温预测样本集作为训练样本集(x
式中:w为权系数;b为阈值;
S202、将回归估计函数转换为二次规划问题的目标函数和不等式约束分别为:
s.t.|y
式中,T为转置符号,ε为松弛变量;
S203、引入松弛变量ξ
|y
S204、引入惩罚因子C,将二次规划问题的目标函数转换为:
S205、对于线性不可分问题,选用径向基核函数进行数据映射处理,得到:
K(x,x
式中,γ为控制核函数尺度的参数;
S206、基于遗传算法对输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ进行优化,并基于优化后的变压器油温预测模型进行油温预测。
优选地,基于遗传算法对输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ进行优化的步骤具体包括:
随机生成二进制编码组成初始种群,初始种群中的染色体由输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ三部分组成;
将染色体由二进制编码通过下式转换为十进制值为:
式中,p为染色体基因序列对应的参数十进制值;p
通过下式的适应度函数计算染色体的适应度值为,
式中,fit为适应度值;W
对种群中的染色体进行交叉操作和变异操作;
计算变异后每个个体的适应度值及种群中适应度的最大值,并进行精英保留操作,获得下一代种群;
利用下一代种群继续进行进化,当进化代数达到设定的最大进化代数时,则停止进化并以当前代种群的染色体作为输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ的参数优化值。
优选地,步骤S3具体包括:
S301、基于所述变压器油温预测模型进行变压器油温预测,通过下式计算预测残差为:
e
式中,e
S302、通过下式计算变压器油温表计的基于单点偏离程度的表计状态静态辨识标识符S
S
式中,IF为逻辑判断标识符,若|e
S303、根据预测残差构建残差序列,根据所述残差序列通过下式计算预测序列的均方根误差E为:
式中,n为残差序列的个数;
S304、通过下式计算变压器油温表计的基于序列波动程度的表计状态静态辨识标识符S
S
式中,E
S305、通过下式计算残差序列的平均值e
S306、根据残差序列的平均值e
/>
S307、根据油温残差序列的偏度SK
式中,
S308、将所述残差序列偏度的Z值和所述峭度的Z值分别与预设的偏度的Z值和峭度的Z值阈值范围进行比对,若所述残差序列偏度的Z值在预设的偏度的Z值阈值范围内或所述峭度的Z值在预设的峭度Z值阈值范围内时,则执行步骤S309,若所述残差序列偏度的Z值不在所述预设的偏度的Z值阈值范围内且所述峭度的Z值不在预设的峭度Z值阈值范围内时,则执行步骤S310;
S309、通过下式计算变压器油温表计的基于残差统计分布的表计状态静态辨识标识符S
S
式中,若|e
S310、建立残差序列的概率密度函数Pr,得到置信度为0.95时的置信区间We,通过下式计算变压器油温表计的基于残差统计分布的表计状态静态辨识标识符S
S
式中,W
S311、根据油温预测结果从单点偏离、序列波动、残差分布角度辨识变压器油温表计的状态,并通过下式识别出变压器油温表计的状态静态辨识结果为:
S
式中,S
优选地,步骤S4具体包括:
S401、利用滑动时间窗对油温预测结果进行监测,获得i时刻的时间窗内的油温实际值序列为[X
S402、通过下式分别计算i时刻的时间窗内的油温预测值序列的均方根误差E
S403、通过滑动窗获取当前最新的预测残差e
S
式中,若|e
S404、根据油温预测值序列的均方根误差E
S
式中,若E
S405、通过滑动窗获取当前最新的预测残差e
式中,
S406、将所述残差序列偏度的Z值和所述峭度的Z值分别与预设的偏度的Z值和峭度的Z值阈值范围进行比对,若所述残差序列偏度的Z值在预设的偏度的Z值阈值范围内或所述峭度的Z值在峭度的Z值阈值范围内时,则通过下式计算变压器油温表计状态动态辨识标识符S
S
式中,若|e
若所述残差序列偏度的Z值不在预设的偏度的Z值阈值范围内且所述峭度的Z值不在峭度的Z值阈值范围内时,则通过下式计算变压器油温表计状态动态辨识标识符S
S
其中,若e
S407、通过下式计算变压器油温表计状态动态辨识标识符S
S
式中,若|e
S408、通过滑动窗计算得到的残差序列标准差σ
S
式中,若|σ
S409、根据变压器油温表计状态动态辨识标识符S
S
式中,若S
优选地,步骤S5具体包括:
根据变压器油温表计的状态静态辨识结果S
S=max(S
式中,若S=1,则判定变压器油温表计状态异常,若S=0,则判定变压器油温表计状态正常。
第二方面,本发明提供了一种变压器油温表计异常辨识系统,包括:
数据获取模块,用于获取变压器的油温数据、负荷数据和环温数据,构建油温预测样本集;
训练模块,用于基于经过遗传算法进行特征优选与参数优化的支持向量回归模型对所述油温预测样本集进行训练,构建变压器油温预测模型;
静态辨识模块,用于基于所述变压器油温预测模型进行变压器油温预测,根据油温预测结果对变压器油温表计的残差序列单点偏离、序列波动和残差分布进行计算,得到相应的变压器油温表计的状态静态辨识结果;
动态辨识模块,用于利用滑动时间窗对油温预测结果进行监测,得到变压器油温残差序列的变化趋势,根据变压器油温残差序列的变化趋势计算变压器油温表计的异常动态辨识结果;
表计状态辨识模块,用于通过综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过变压器的油温数据、负荷数据和环温数据,构建油温预测样本集,基于经过遗传算法进行参数优化的支持向量回归模型对油温预测样本集进行训练,构建变压器油温预测模型,并进行变压器油温预测,从变压器油温表计的单点偏离、序列波动和残差分布三个方面计算变压器油温表计的状态静态辨识结果,还利用滑动时间窗持续监测油温残差序列的变化趋势,依据此计算变压器油温表计的异常动态辨识结果,综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识,从而提高变压器油温表计异常辨识的准确性和效率。
附图说明
图1为本发明实施例提供的一种变压器油温表计异常辨识方法的流程图;
图2为本发明实施例提供的一种变压器油温表计异常辨识系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解,请参阅图1,本发明提供的一种变压器油温表计异常辨识方法,包括以下步骤:
S1、获取变压器的油温数据、负荷数据和环温数据,构建油温预测样本集。
其中,通过调度EMS系统获取变压器油温数据、负荷数据和环温数据,以当前负荷、历史负荷、当前环温、历史环温和历史油温为油温预测的输入量,并以未来时刻的油温为油温预测的输出量,构建油温预测样本集。
考虑负荷的累积热效应和基础油温及环温的叠加热效应,选择当前负荷、历史负荷、当前环温、历史环温和历史油温为当前油温的预测输入。具体的,初步设定油温预测模型输入特征包括当前负荷、前2小时内的历史负荷(包括前15、30、45、60、75、90、105、120分钟共8个时刻的负荷)、当前环温、前2小时内的历史环温(包括前15、30、45、60、75、90、105、120分钟共8个时刻的环温)、前2小时内的历史油温(前15、30、45、60、75、90、105、120分钟共8个时刻的油温)。
S2、基于经过遗传算法进行特征优选与参数优化的支持向量回归模型对油温预测样本集进行训练,构建变压器油温预测模型。
S3、基于变压器油温预测模型进行变压器油温预测,根据油温预测结果对变压器油温表计的残差序列单点偏离、序列波动和残差分布进行计算,得到相应的变压器油温表计的状态静态辨识结果。
S4、利用滑动时间窗对油温预测结果进行监测,得到变压器油温残差序列的变化趋势,根据变压器油温残差序列的变化趋势计算变压器油温表计的异常动态辨识结果。
S5、通过综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识。
本发明提供了一种变压器油温表计异常辨识方法,通过变压器的油温数据、负荷数据和环温数据,构建油温预测样本集,基于经过遗传算法进行参数优化的支持向量回归模型对油温预测样本集进行训练,构建变压器油温预测模型,并进行变压器油温预测,从变压器油温表计的单点偏离、序列波动和残差分布三个方面计算变压器油温表计的状态静态辨识结果,还利用滑动时间窗持续监测油温残差序列的变化趋势,依据此计算变压器油温表计的异常动态辨识结果,综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识,从而提高变压器油温表计异常辨识的准确性和效率。
在一个具体实施例中,步骤S2具体包括:
S201、将油温预测样本集作为训练样本集(x
式中:w为权系数;b为阈值;
S202、将回归估计函数转换为二次规划问题的目标函数和不等式约束分别为:
s.t.|y
式中,T为转置符号,ε为松弛变量;
S203、引入松弛变量ξ
|y
S204、引入惩罚因子C,将二次规划问题的目标函数转换为:
S205、对于线性不可分问题,选用径向基核函数进行数据映射处理,得到:
K(x,x
式中,γ为控制核函数尺度的参数;
S206、基于遗传算法对输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ进行优化,并基于优化后的变压器油温预测模型进行油温预测。
其中,基于遗传算法对输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ进行优化的步骤具体包括:
S2061、随机生成二进制编码组成初始种群,初始种群中的染色体由输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ三部分组成;
S2062、将染色体由二进制编码通过下式转换为十进制值为:
式中,p为染色体基因序列对应的参数十进制值;p
S2063、通过下式的适应度函数计算染色体的适应度值为,
式中,fit为适应度值;W
S2064、对种群中的染色体进行交叉操作和变异操作;
S2065、计算变异后每个个体的适应度值及种群中适应度的最大值,并进行精英保留操作,获得下一代种群;
S2066、利用下一代种群继续进行进化,当进化代数达到设定的最大进化代数时,则停止进化并以当前代种群的染色体作为输入向量特征、支持向量回归参数C和控制核函数尺度的参数γ的参数优化值。
在一个具体实施例中,步骤S3具体包括:
S301、基于变压器油温预测模型进行变压器油温预测,通过下式计算预测残差为:
e
式中,e
S302、通过下式计算变压器油温表计的基于单点偏离程度的表计状态静态辨识标识符S
S
式中,IF为逻辑判断标识符,若|e
S303、根据预测残差构建残差序列,根据残差序列通过下式计算预测序列的均方根误差E为:
式中,n为残差序列的个数;
S304、通过下式计算变压器油温表计的基于序列波动程度的表计状态静态辨识标识符S
S
式中,E
S305、通过下式计算残差序列的平均值e
S306、根据残差序列的平均值e
S307、根据油温残差序列的偏度SK
式中,
S308、将残差序列偏度的Z值和峭度的Z值分别与预设的偏度的Z值和峭度的Z值阈值范围进行比对,若残差序列偏度的Z值在预设的偏度的Z值阈值范围内或峭度的Z值在预设的峭度Z值阈值范围内时,则执行步骤S309,若残差序列偏度的Z值不在预设的偏度的Z值阈值范围内且峭度的Z值不在预设的峭度Z值阈值范围内时,则执行步骤S310;
S309、通过下式计算变压器油温表计的基于残差统计分布的表计状态静态辨识标识符S
S
式中,若|e
S310、建立残差序列的概率密度函数Pr,得到置信度为0.95时的置信区间We,通过下式计算变压器油温表计的基于残差统计分布的表计状态静态辨识标识符S
S
式中,W
S311、根据油温预测结果从单点偏离、序列波动、残差分布角度辨识变压器油温表计的状态,并通过下式识别出变压器油温表计的状态静态辨识结果为:
S
式中,S
在一个具体实施例中,步骤S4具体包括:
S401、利用滑动时间窗对油温预测结果进行监测,获得i时刻的时间窗内的油温实际值序列为[X
S402、通过下式分别计算i时刻的时间窗内的油温预测值序列的均方根误差E
S403、通过滑动窗获取当前最新的预测残差e
S
式中,若|e
S404、根据油温预测值序列的均方根误差E
S
式中,若E
S405、通过滑动窗获取当前最新的预测残差e
式中,
S406、将残差序列偏度的Z值和峭度的Z值分别与预设的偏度的Z值和峭度的Z值阈值范围进行比对,若残差序列偏度的Z值在预设的偏度的Z值阈值范围内或峭度的Z值在峭度的Z值阈值范围内时,则通过下式计算变压器油温表计状态动态辨识标识符S
S
式中,若|e
若残差序列偏度的Z值不在预设的偏度的Z值阈值范围内且峭度的Z值不在峭度的Z值阈值范围内时,则通过下式计算变压器油温表计状态动态辨识标识符S
S
其中,若e
S407、通过下式计算变压器油温表计状态动态辨识标识符S
S
式中,若|e
S408、通过滑动窗计算得到的残差序列标准差σ
S
式中,若|σ
S409、根据变压器油温表计状态动态辨识标识符S
S
式中,若S
在一个具体实施例中,步骤S5具体包括:
根据变压器油温表计的状态静态辨识结果S
S=max(S
式中,若S=1,则判定变压器油温表计状态异常,若S=0,则判定变压器油温表计状态正常。
以上为本发明提供的一种变压器油温表计异常辨识方法的实施例的详细描述,以下为本发明提供的一种变压器油温表计异常辨识系统的实施例的详细描述。
为了便于理解,请参阅图2,本发明提供了一种变压器油温表计异常辨识系统,包括:
数据获取模块100,用于获取变压器的油温数据、负荷数据和环温数据,构建油温预测样本集;
训练模块200,用于基于经过遗传算法进行特征优选与参数优化的支持向量回归模型对油温预测样本集进行训练,构建变压器油温预测模型;
静态辨识模块300,用于基于变压器油温预测模型进行变压器油温预测,根据油温预测结果对变压器油温表计的残差序列单点偏离、序列波动和残差分布进行计算,得到相应的变压器油温表计的状态静态辨识结果;
动态辨识模块400,用于利用滑动时间窗对油温预测结果进行监测,得到变压器油温残差序列的变化趋势,根据变压器油温残差序列的变化趋势计算变压器油温表计的异常动态辨识结果;
表计状态辨识模块500,用于通过综合变压器油温表计的状态静态辨识结果和异常动态辨识结果对变压器油温表计状态进行辨识。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 一种用于监控标准电能表组中标准表异常的方法及系统
- 一种主变压器油温表及顶层油温异常的判断方法和装置
- 一种主变压器油温表及顶层油温异常的判断方法和装置