一种变压器振动在线异常检测方法与流程

本发明涉及电力领域，尤其涉及一种变压器振动在线异常检测方法。

背景技术

电力变压器是电力系统中的重要设备，其运行状态对电力系统的安全和经济效益有着重要的影响。变压器表面振动主要源自电流和电压激励下的绕组和铁芯振动，理论分析和实践经验表明，可以通过变压器振动信号分析绕组和铁芯工作状态并进行故障诊断。振动法分析变压器运行状态和故障诊断，国内外研究学者做了大量研究工作，取得了相当的成果。由于变压器振动信号特征提取是振动法分析变压器运行状态和故障诊断的前提和基础。但是，现有研究成果的数据大多源于实验室或试验变压器仿真，由于变压器表面振动受多重因素复杂影响，所以实际运行中的变压器表面振动信号与理论分析和实验室试验条件下获取的变压器表面振动信号差异明显。

在实际生产中，变压器振动产生流数据，而这些流数据中会包含着新的样本知识，如何及时有效的处理流数据，是变压器异常检测的难点之一。

技术实现要素：

为解决上述技术问题，本发明提出了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

本发明实施例提供了如下技术方案：

一种变压器振动在线异常检测方法，包括：

获取预设时间段内关于变压器运行状态振动信号的新增数据样本；

基于小波包分析提取新增数据样本的特征参数；

基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型；

调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。

其中，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，具体包括：

设初始训练样本a0，新增样本为b＝{b1,b2,…,bn}，且新训练样本ai(i∈n)，

1)初始训练样本a0训练得到支持向量数据描述模型ω0，支持向量为sv0；

2)加入新增样本bi(i∈n)，找出bi中违反kkt条件的样本，记为若则返回ωi-1；否则计算样本ai-1除支持向量svi-1后的样本ai-1，即ai'-1＝ai-1-svi-1，并利用快速凸包算法计算ai'-1的壳向量ci-1；

3)将作为新训练样本训练得到新的支持向量数据描述模型ωi，i＝i+1；当i＞n时，算法终止，当i≤n转步骤2)。

其中，kkt条件表示如下：

其中，αi(i∈n)为拉格朗日乘子，v用来平衡超球体积和训练误差，称为平衡参数，r为训练样本的最小超球体的半径为球心，a为训练样本的最小超球体的半径为球心，z为测试样本，d²＝||z-a||²。

与现有技术相比，上述技术方案具有以下优点：

本发明实施例所提供的方法，本发明提出了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一种变压器振动在线异常检测方法的示意图。

具体实施方式

正如背景技术中所述，如何基于振动法分析变压器运行状态并进行故障诊断，是本领域技术人员急需解决的技术问题。

为了解决上述技术问题，本发明提出了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

图1是一种变压器振动在线异常检测方法的示意图，所述方法包括：

步骤101：获取预设时间段内关于变压器运行状态振动信号的新增数据样本。

在变压器实际运行过程中，关于变压器运行状态振动信号数据样本的获取是一个不断积累的过程，形成了振动流数据，将预设时间段内的新增数据样本作为临时数据样本，则临时数据样本会不断更新。同时异常检测器模型的训练也将会涉及到大样本学习问题。如果异常检测器模型在每次更新升级都要在原始训练样本和新训练样本的基础上重新学习，则会消耗大量的计算资源和时间。因此，在保留以前学习成果的基础上，增量学习(incrementallearning)算法可以学习新增样本的知识，可以在线实时地对新增训练样本进行学习，实现异常检测器模型快速升级，同时可以降低模型更新对时间和空间的需求。因此，本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习。

在此需要说明的是，预设时间段可以根据实际需求进行设置，如可以设置为一周，或者可以设置为一个月，或者可以设置为一个季度，本申请对此并不做任何限定。

步骤102：基于小波包分析提取新增数据样本的特征参数。

小波包分析可以将变压器运行状态原始振动信号在不同频带上进行分解，信号在各频带上的局部能量可以反映信号频率特征的时变特点，具有良好的时频定位特性以及对信号的自适应能力。本申请基于小波包分析技术建立振动特征参数提取模型，提取表征变压器运行状态的振动状态特征参数。

步骤103：基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型。

本申请选取支持向量数据描述(supportvectordomaindescription,svdd)模型作为单类异常检测器，对变压器实测振动数据进行在线异常检测。

svdd的主要思想是在核特征空间中寻找一个最小超球分界面，该分界面应尽可能把所有训练样本包围起来，并以该分界面对样本进行分类和描述，并且其描述的边界，可以用来反映训练样本的分布特点。

假设训练样本x包含n个目标类样本，即x＝{x1,x2…,xn}，在映射的高维空间中，求出能够包含该训练样本的最小超球体的球心a和半径r，则其优化问题可以表示为：

其中v用来平衡超球体积和训练误差，称为平衡参数，一般取0.1；ξi为松弛因子。

使用拉格朗日乘子法，并引入核函数k(xi,xj)解决非线性问题，则将式转化为对偶问题：

其中αi(i∈n)为拉格朗日乘子。

本申请中选取高斯核函数：

其中s为高斯带宽系数。

通过式，可以得到球心a和半径r：

则αi＞0的样本称为支持向量sv。称为边界支持向量bsv，xk∈bsv。

对于测试样本z，如果

则认为测试样本z落入超球内，接受样本为目标类，否则为异类。

当所有αi满足目标函数的karush-kuhn-tucker(kkt)条件，就可以认为是原方程的一个解。

kkt条件可以表示如下：

本申请将变压器历史数据样本集作为训练样本构建svdd模型。根据式对新增数据样本进行检测，判断是否为异常样本，从而实现异常检测。

在后续的实施例中均采用高斯核。由式可知参数s与训练样本之间的相对位置有关，因此，可以将s的初始值设置在训练样本间距的最小值和最大值之间，之后通过交叉验证方法确定最优值。

由svdd的理论介绍可知，svdd模型在训练的过程中寻找的是对分类起决定作用的支持向量的样本。在对样本训练的过程中类边界附近样本有可能成为支持向量，因此可以对非边界样本进行淘汰，以进一步缩小训练样本集规模。

对于新增数据样本后，支持向量集的变化，有如下定理：

定理1若新增样本中存在满足kkt条件的样本，则这部分样本肯定不存在新支持向量；若存在违背kkt条件的样本，则违背kkt条件的样本中必存在新支持向量。

定理2若新增样本中存在违背kkt条件的样本，则原样本中非支持向量可能会转为支持向量。

由定理1可知，在新增样本中违背kkt条件的样本中具有新支持向量信息，因此，将新增样本是否违反kkt条件进行筛选，减少参加训练的新增样本。由定理2可知，在增量学习之后原样本中的非支持向量可又转化为新的支持向量。

这些可能转换为新的支持向量样本通常位于样本边界。壳向量为所有位于训练样本中类边界的样本，即壳向量是训练样本凸顶点。快速凸包算法(quickhull算法)通过对训练样本中点的筛选逐步的删除凸包内部的点，从而快速的计算出壳向量。因此，为了不丢失支持向量信息的同时缩小训练样本集规模，本申请使用quickhull算法计算了除支持向量的训练样本的壳向量来保证支持向量信息的完整。

本申请在对新增数据样本学习时，即在增量学习时，新训练样本的组成为原支持向量，原非支持向量样本的壳向量，和新增样本中违反kkt条件的样本。

本申请基于快速凸包算法对新增数据样本进行学习，更新异常检测器模型的具体过程为：

初始训练样本a0，新增样本为b＝{b1,b2,…,bn}，且新训练样本ai(i∈n)。

1)初始训练样本a0训练得到支持向量数据描述模型ω0，支持向量为sv0；

2)加入新增样本bi(i∈n)，找出bi中违反kkt条件的样本，记为bif,若则返回ωi-1；否则计算样本ai-1除支持向量svi-1后的样本ai-1，即ai'-1＝ai-1-svi-1，并利用quickhull算法计算ai'-1的壳向量ci-1；

3)将作为新训练样本训练得到新的支持向量数据描述模型ωi，即得到了新的球心和和半径:i＝i+1；当i＞n时，算法终止，当i≤n转步骤2)。

在svdd模型建立的过程中，需要求解标准二次规划问题，其算法的复杂度为o((n+m)³)，其中n为原训练样本个数，m为新增样本。采用本申请增量

学习算法，计算新增样本m违反kkt条件的训练样本m时间复杂度为o(m×l×k)，l为原支持向量个数，k为训练集维度。由计算几何理论知，壳向

量个数n远小于原训练样本的个数。则本申请的时间复杂度为o(m×l×k)+o((m'+n')³)。由于m'、n'、l、k都远小于n，m小于(n+m)，因此本申请算法可以有效提高训练效率。

步骤104：调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。

也就是说，更新后的单类异常检测器模型得到了新的球心和和半径：然后对于需要测试的数据z，如果满足公式则认为测试数据z落入超球内，接受样本为目标类，否则为异类。

综上可知，本申请所述的一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

本说明书中各个部分采用递进的方式描述，每个部分重点说明的都是与其他部分的不同之处，各个部分之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本申请所示的实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。