一种输变电设备状态异常检测方法
【技术领域】
[0001] 本发明涉及输变电设备检测技术领域，具体是一种输变电设备状态异常的检测方 法。
【背景技术】
[0002] 随着智能电网和能源互联网的不断发展，现代电力系统正在逐渐演变成为一个汇 聚大量数据和庞大信息计算的系统，电网实时数据采集、传输、存储以及海量多元数据快速 分析成为了支撑智能电网可靠运行的基础。对于输变电设备状态数据，随着状态监测技术 的多元化发展和SCADA系统、生产管理系统、EMS系统等信息应用系统的关联交互使得其数 据量呈指数型增长，逐渐表现出大数据的规模大、类型多、价值密度低的特征，因此对输变 电设备状态数据的分析处理提出了更高的要求。
[0003] 目前，国内外对输电设备状态的异常检测方法研究较少，大体分为以下两类：
[0004] 1)现有的研究大都是基于单一系统的部分设备信息的故障诊断，设备的实际运维 中大都采用简单阈值判定方法来检测异常，设备信息利用率和设备信息利用率和和状态评 价正确率都偏低。
[0005] 2)目前在线监测数据异常检测方面具有研究的大数据技术有时间序列分析、马尔 可夫模型、遗传规划算法、分类算法等，但这些研究大都还是试探性的，没有形成合理、完善 的评价模型。因此设备的状态评估需要提高状态数据（尤其是在线监测数据）利用率，构 建其大数据表征方法。电力设备在线监测数据相对于试验和带电检测数据具有检测点分布 广、采样周期短的特点，其丰富的历史数据是反映设备状态变化的有效依据。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术的缺点，提出一种输变电设备状态的异常 检测方法，在综合设备状态量和设备性能的基础上实现异常状态的准确检测。首先确定状 态量与设备状态的对应关系，然后利用高维随机矩阵理论对状态数据的时间序列进行表征 和组合，最后通过分析运行历史中各时段状态数据的谱分布、圆环率，研究关键性能的变化 趋势，及时检测出设备状态的异常。
[0007] 本发明的技术解决方案如下：
[0008] -种输变电设备状态异常的检测方法，其特点在于，该方法包括以下步骤：
[0009] 步骤S1，在变电站安装在线综合监测装置，测量状态量；
[0010] 所述的在线综合监测装置包括：测量绕组温度的光纤绕组测温装置、测量接地电 流的接地电流监测装置、测量套管介损的套管监测装置、局部放电监测装置和振动监测装 置。
[0011] 步骤S2,确定状态量与设备状态的对应关系；
[0012] 所述的状态量是指负荷数据、绕组温度、接地电流、套管介损、局部放电和振动数 据、环境温度和环境湿度等。其中，绕组温度包含顶层油温和底层油温；套管介损包含全电 流、电容值和介损值。负荷数据是在变电站能量管理系统中直接取出；绕组温度、接地电流、 套管介损、局部放电和振动数据是通过安装在变电站的在线综合监测装置测量得到，环境 温度和环境湿度数据是在变电站气象监测系统中直接取出。
[0013] 获取方式如下表1所示
[0015] 结合所搜集的故障样本和相关文献，定义了 5类设备状态，并建立起状态量与设 备状态的对应关系，如表2所示。所述的设备状态包括负载性能、绝缘性能（过热、放电、受 潮）和机械性能，以上5类设备状态均是通过查阅标准、文献总结得到的，这些状态分别描 述了变压器运行中的电、热、机械方面的性能。其中负载性能反映变压器的过负荷能力及 在大负荷下的安全运行能力；绝缘性能包括过热、放电、受潮三类，分别反映在负荷下的热 稳定能力、绝缘老化或击穿的程度、变压器绝缘油和纸的受潮程度；机械性能反映变压器各 组成部件的机械性能及正常运行时的振动、抖动等的程度。
[0016] 表2状态量与设备状态的对应关系
[0018] 步骤S3,利用高维随机矩阵对的设备状态量数据的时间序列进行表征、组合和叠 加后得到表征设备状态的高维矩阵；
[0019] 高维随机矩阵理论中表征的大数据结构是灵活多样的，矩阵中的数据既可以是遵 循某种分布的随机数，也可以是确定数据，矩阵的构造原则是对行和列中元素进行调整以 得到最优的行列数比值。
[0020] 假设有N个观测点，每个观测点得到一个状态量数据向量Xie cTX1，i = 1，2, -·，Ν，则原始矩阵为
[0022] 当N相对于T较小，即iV/T<a时，将11按顺序拆分成1^段，即\=(^,...,.4)， < e c(T/m，逐行叠加生成高维矩阵χ' ：
Λ/Ζ-
[0024] 这样就将原始观测值得到的矩阵XNXT转化为X' _ x _，其行列比c = ^ :α
[0025] 以某变电站Α为例，该变电站有换流变6台（含ABC相），高抗6台（含ABC相）， 每台均装有在线综合监测装置（共计12套），监测量包含了油色谱、绕组测温、接地电流、 套管介损、振动、微气象。表3中第二列为各监测量的采集周期，第三列为预处理后的原始 矩阵三列所示，按式（2)构造行列比合适的矩阵如表3中第四列所示。
[0026] 表3状态量的高维矩阵
[0028] 根据步骤S2中状态量与设备状态应关系，将对应的状态量矩阵直接叠加形成表 征设备状态的高维矩阵Xi~X 5，如表4所示。
[0029] 表4设备状态矩阵
[0030]
[0031] 步骤S4,分析运行历史中各时段状态数据的谱分布、圆环率；
[0032] 将设备状态矩阵用高维矩阵XpXn表征，如式（2)所示X= 〇^，&，...，\)，其中Xl，x2, . . .，xn是各状态量的η个独立的向量。由于高维矩阵X pXn中的元素均为实数，因此 通过酉矩阵U对X的样本协方差阵进行奇异化得到等效矩阵X;,
[0033] 当 Xu是一个随机矩阵并有 Xu=UnAnV^，其中 Λ n= diag(Sl，s2，...，sn)并且 Un和1是两个Haar分布且与Λ相独立的随机酉矩阵。在一定条件下Xu的经验谱密度将收 敛于
[0034] {z e C:a^ I z I ^ b J (3)
[0035] 其中，( J x 2v(dx)) Abf ( J x2v(dx)) 1/2。
[0036] 其物理意义在于将的所有特征值在复平面上表示，特征根分布近似为一个内径为 、外径为^的圆环。
[0037] 步骤S5,将设备状态量化为状态评估值P，具体如下：
[0038] S5. 1利用径向基核的KPCA方法对步骤S4中得到的圆环中的散点进行聚类，得到 KPCA重构曲线，曲线距原点的最小距离的倒数定义为散点密度C ;
[0039] S5. 2以正常运行半年以上变压器的历史数据为基础，计算每周历史数据的散点密 度，取均值
[0040] S5. 3计算设备状态评估值P，公式如下；
[0041] P = /G历史
[0042] 其中，为每周历史数据的散点密度的均值，C#iM为将待测数据的散点密度；
[0043] 步骤S6,比较设备状态评估值P与设备状态评估值的阈值ΡΜΛ判断设备状态矩阵 是否出现异常，进而检测出设备状态的异常。
[0044] 当状态数据出现异常时，其时间序列会发生水平漂移或趋势改变，导致原有的模 型参数不再适用于异常发生后的序列，其样本协方差阵的谱分布函数的曲线形状以及复平 面圆环的内外径。
[0045] 步骤S7,根据残差序列矩阵的正态性检验求出异常状态和异常时刻。
[0046] 高维矩阵ΧρΧη中各列向量Xl，χ2,…，χ η通过ARMA模型拟合后得到拟合残差序列， 同理可构造成高维随机矩阵(X 1(3, x&,...，xnJ，xlf3, χ&，...，χη(3是各状态量残差的η个 独立向量。
[0047] X加元素均服从Ν(0, 1)分布，则根据Μ-P律X e的协方差阵的特征根的取值范 围是[a2, b2]。每个特征值λ ;对应的特征向量v ;中元素u ^ u2,…，un服从N(0, 1)分布：
[0049] 当)?矩阵中的第i行第j j k个元素发生趋势改变、水平漂移等现象而不再服 从N(0, 1)分布时，艮的最大特征根λ _将λ _> b 2。当艮的实际谱密度在坐标轴上画 出时，其最大特征根λ _不属于极限谱分布函数的包络内，对应的特征向量Vl中第j j k 个元素也不再服从N(0, 1)分布。
[0050] 因此在设备状态出现异常时，对状态量拟合模型并求出残差的高维矩阵，分析其 特征向量元素分布来检测矩阵中出现异常的行与列，以对应到异常状态量和异常时刻。