一种配电变压器高压侧缺相故障抢修方法与流程

本发明涉及缺相判断方法，尤其涉及一种配电变压器高压侧缺相故障抢修方法。

背景技术：

在变压器的正常运行过程中，由于环境的异物跌落或者负荷超载等原因，导致高压侧某一相线路断开或者熔断器熔断，进一步会造成其他两相电流突然增大、变压器线圈温度升高，极易导致变压器烧坏，引起一些不安全的事故，对居民和工厂用户都会导致重大的人员和经济损失。在最传统的变压器运维中，由于设备自动化程度低，大部分通过人工巡查、人工报告的方式来排查问题，效率极其低下。近几年随着自动化监控设备和云计算的普及，监测终端周期性的上送实时电压等监测数据到云端主站，主站通过分析连续2-3个周期的监测数据来分析问题，由于通信流量的限制以及减轻云服务器的负担，上送周期最少限定在15分钟，因此，故障发现的时间至少为半小时，不能满足电网运维和供电可靠性的要求。

目前，在低压配网的应用中，对配电变压器高压侧缺相故障的抢修方法主要涉及到智能配变终端(简称：配变终端)、智能公变监测系统(简称：主站系统)和人工三个方面，而从流程上包含：智能配变终端定时上送、智能公变监测系统定时判断、人工分析及发布和人工处理四个环节，具体流程如图1所示。

首先，装在现场的智能配变终端实时量测配电变压器低压侧的三相电压，并以15分钟为周期的任务形式，定时远程上送该数据到智能公变监测系统；然后，智能公变监测系统利用连续三次收到的数据(即：至少两个上送周期)来判断高压侧缺相，进而形成告警事件信息，同时把告警事件信息以短信的形式发送给相关人员；最后，根据短信内容，人工分析出该告警事件所涉及的设备、用户等信息，从而填报相应的停电信息并进行发布，同时还要派人工到现场处理。该流程存在如下缺点：

一、缺乏实时性。智能配变终端15分钟才远程上送一次数据到智能公变监测系统，而智能公变监测系统需要至少30分钟(两个上送周期)才能判断高压侧缺相，接下来衔接的人工环节在时间上也存在很大的不确定性，整个流程在实时性上远远不能满足要求；

二、智能化程度不够深入。在整个流程中，需要人工参与的内容较多，比如分析告警事件信息内容、发布停电信息、派单维修等，流程中所采用的智能化、信息化系统无法对该问题的处理过程进行全程跟踪和监控。

技术实现要素：

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种配电变压器高压侧缺相故障抢修方法，以达到提高应急抢修精准性的目的。为此，本发明采取以下技术方案。

一种配电变压器高压侧缺相故障抢修方法，包括以下步骤：

1)获取数据：

利用现有的通信机制获取高维数据集，把故障检测相关的传感器的数据收集在智能配变终端，从云下放到边缘；

2)数据矩阵化：

采样数据通过随机矩阵模型形成随机矩阵；随机矩阵模型基于时间序列对设备状态演变过程建模，通过随机矩阵模型将电网状态认知转化为随机矩阵分析问题；以拆分仅需处理的局部区域数据；

3)高维特征提取

基于ring-law与mp-law对预处理后的随机矩阵提取高维特征，获得平均谱半径msr、线性统计特征值les，并进行可视化处理，通过谱分析图直观体现故障数据集的高维统计量；

4)多特征融合

以高维统计量为主参考量，以电气特理量及一般统计量为次参考量进行多特征融合，构建缺相判据；

5)故障溯源

通过拼接矩阵处理，对故障进行溯源，定位故障相；经数据拼接重新计算指标并通过新指标的变化情况判断所拼接数据对事件的影响，对判据的统计性质进行分析，根据设定的判据阈值进行高压缺相故障判断；统计性质包括收敛性、置信度；设立的判据阈值包括漏检率阈值、虚警率阈值；

由于电网系统状态取决于多个影响因素，假设某电网的状态是一个n维参数的变量而有k个潜在的影响因素，通过在某一时间段ti(i＝1,2,…,t)的测量，电网的状态的n维向量可自然地组成基本状态矩阵而各个影响因素亦可得到该时段的值，构成因素向量

具有相同长度的两个矩阵(向量)可通过拼接操作形成一个新的矩阵；将基本状态矩阵b和因素向量cj拼接成合成矩阵aj。

为了便于分析其影响因子对基本状态的影响力，需要放大影响因子的影响力；选定因素向量cj，通过一定的方式复制该因素向量k次(k可取0.4×n)形成一个与状态矩阵规模匹配的矩阵dj，如式(4)所示：

在dj中引入白噪声以消除内部相关性，如式(5)所示：

cj＝dj+ηjr(j＝1,2,...,m)(5)

式(5)中，r为标准高斯随机矩阵，ηj与信噪比(snr,signal-to-noiseratio)ρ相关：

并行地对每个因素向量cj通过矩阵拼接形成合成矩阵aj：

对比各aj的统计指标les即可找出不同的数据，即影响状态的敏感因素；

6)高压缺相故障诊断

获取故障溯源结果，得到高压缺相故障诊断结果，按诊断结果安排对应的检修任务。

msr和les本质是矩阵的随机矩阵的统计量，当系统发生异常，该指标会显著变化。利用分布式算法可使得通过各区域的统计量评估配网整体行为，即对配网中是否存在的缺相做出反应。

本技术方案通过重新设计局部通信机制，利用边缘计算和区域内数据，把高压缺相告警研判从“云”(新一代配电自动化主站系统)下放到更靠近故障源的“边缘”(智能配变终端)，大大提高了高压缺相故障抢修的实时性，从之前的至少半小时提高到一分钟内。在功能下放过程中，基于整体情况初步设定判据，进一步基于本地化历史数据和周遭边缘情况的对判据进行修订。结合现有的大数据平台，在云端部署了“告警事件大数据中心”，通过大数据智能分析，自动完成从设备故障详细分析到自动派单的流程。最后，自动接收现场人工处理的反馈结果，丰富了整个抢修流程的智能化程度。本技术方案对于配电变压器高压侧缺相故障抢修具有重要意义，有效提高配电网的供电可靠性。

同时，本技术方案优化配电网检修资源配置；使得应急抢修更精准。融合配电网运行和环境信息，分析故障影响因素，通过时间序列对设备状态演变过程建模，用随机矩阵形成相关指标对电网线路的状态进行评估，为配电网检修安排提供指导。指标及可视化图像，对线路的状态进行评估，进而为线路检修安排提供指导。在配电网络中将配电网线路分为良好段、易发段和故障段等类型，合理对各类型分配相应资源，实现检修资源的合理配置。

作为优选技术手段：还包括数据预处理步骤，预处理步骤在高维特征提取前进行，数据预处理包括：

平移，将数据平移某些时间段以恢复不同步的数据；

和/或加强，将某一列数据复制，以重点分析该时间对系统整体状态的影响；

和/或增广，异常诱因挖掘，以方便地实现并行计算；

和/或随机波、归一化，将矩阵标幺化以使其满足的统计前提。

通过不同的预处理方式可建立起不同的观测矩阵以供分析。

作为优选技术手段：所述的平均谱半径msr指标为高维统计指标，其通过对比观测值和预期值进行假设检验。

作为优选技术手段：所述的线性统计特征值les指标体系通过随机矩阵理论的数据处理方法得到，其值具有统计特征。

有益效果：

1、本技术方案通过重新设计局部通信机制，利用边缘计算和区域内数据，把高压缺相告警研判从“云”下放到更靠近故障源的“边缘”，大大提高了高压缺相故障抢修的实时性，从之前的至少半小时提高到一分钟内。在功能下放过程中，自动完成从设备故障详细分析到自动派单的流程。最后，自动接收现场人工处理的反馈结果，丰富了整个抢修流程的智能化程度。本技术方案对于配电变压器高压侧缺相故障抢修具有重要意义，有效提高配电网的供电可靠性。

2、本技术方案优化配电网检修资源配置；使得应急抢修更精准。融合配电网运行和环境信息，分析故障影响因素，通过时间序列对设备状态演变过程建模，用随机矩阵形成相关指标对电网线路的状态进行评估，为配电网检修安排提供指导。指标及可视化图像，对线路的状态进行评估，进而为线路检修安排提供指导。在配电网络中将配电网线路分为良好段、易发段和故障段等类型，合理对各类型分配相应资源，实现检修资源的合理配置。

附图说明

图1是现有流程图。

图2是本发明的流程图。

图3是本发明的ringlaw,mplaw,msr/les假设检验效果图。

图4是本发明的故障溯源部分流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图2所示，本发明包括以下步骤：

第一步：获取数据

利用现有的通信机制获取高维数据集，就是把故障检测相关的传感器的数据收集在智能配变终端，从云下放到边缘。

第二步：针对收集的高维数据建立数据模型

采用随机矩阵理论方法，以其为基础，构建随机矩阵理论。随机矩阵建模其优势在于可考虑高维空间中数据(数据集)本身的时空联合相关性(高维统计信息)。所建的模型可蕴含某种统计信息(取决于实际场景和数据情况)，进一步，对数据矩阵可进行预处理以方便高维特征(msr，les)提取；用随机矩阵形成相关指标对电网线路的状态进行评估，为配电网缺相诊断提供指导。基于采样数据建立随机矩阵模型rmm，其行n代表采样维度、列t代表采样。通过rmm将电网状态认知转化为随机矩阵分析问题。由于数字矩阵可拆分、合并的特性，该建模方法可拆分仅处理局部区域的数据。

第三步：针对收集的高维数据采用具体的分析算法提取其高维统计量

基于ring-law与mp-law提取msr和les，而之所以能提出来这个特征且这个特征能用来作为判据是因为有随机矩阵理论在做保障，谱分析的结论是具有统计性质的，而这些性质可以先验地得到，如图3所示，作为故障数据集的高维统计量。

第四步：多特征融合

以高维统计量为主要参考，基于多特征融合技术构建缺相判据，检测是否发生故障。

第五步：故障溯源

通过进一步拼接矩阵的处理，对故障进行溯源，即定位故障的相，对判据的统计性质(收敛性、置信度)等进一步分析，根据工程需求(漏检率、虚警率)设立判据阈值。

如图4所示，由于电网系统状态取决于多个影响因素，假设某电网的状态是一个n维参数的变量而有k个潜在的影响因素，通过在某一时间段ti(i＝1,2,…,t)的测量，电网的状态的n维向量可自然地组成基本状态矩阵而各个影响因素亦可得到该时段的值，构成因素向量

具有相同长度的两个矩阵(向量)可通过拼接操作形成一个新的矩阵；将基本状态矩阵b和因素向量cj拼接成合成矩阵aj。

为了便于分析其影响因子对基本状态的影响力，需要放大影响因子的影响力；选定因素向量cj，通过一定的方式复制该因素向量k次(k可取0.4×n)形成一个与状态矩阵规模匹配的矩阵dj，如式(4)所示：

在dj中引入白噪声以消除内部相关性，如式(5)所示：

cj＝dj+ηjr(j＝1,2,...,m)(5)

式(5)中，r为标准高斯随机矩阵，ηj与信噪比(snr,signal-to-noiseratio)ρ相关：

并行地对每个因素向量cj通过矩阵拼接形成合成矩阵aj：

对比各aj的统计指标les即可找出不同的数据，即影响状态的敏感因素。

第六步：高压缺相故障诊断与抢修

通过故障检测与故障溯源获得高压缺相故障诊断结果，根据诊断结果安排相应的检修计划。

为建立起不同的观测矩阵以供分析，并提高准确性，在提取其高维统计量前可进行预处理。预处理设立以下基本功能:1.平移——将数据平移某些时间段以恢复不同步的数据；2.加强——将某一列数据复制以重点分析该时间对系统整体状态的影响；3.增广——可实现异常诱因挖掘，可很方便地实现并行计算；4.随机波、归一化——将矩阵标幺化以使其满足的一定的统计前提。

以上图2所示的一种配电变压器高压侧缺相故障抢修方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。