一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法
【技术领域】
[0001] 本发明提供一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法， 属于电力系统高压设备的状态监测技术领域。
【背景技术】
[0002] 变电站设备在线监测系统由于可实时反映设备运行状态，广泛应用于智能变电站 一次设备智能化，对变电设备的运行状态进行全程跟踪，监测其在实际运行过程中健康状 态和寿命情况，在保证安全性和可靠性的前提下，合理安排试验检修，提高电力设备的使用 率与使用年限是电力系统一直W来的追求。在线监测系统便是在运样的需求下应运而生 的。目前由于变电站在线监测设备数据精度低，数据的连续性难W保证，导致了变电站设备 "体征"信息孤岛严重，未实现设备运行、监测等信息间互联互通，导致缺乏基于设备运行、 各监测单元多维信息横向维度W及时间纵向维度全景信息可靠综合诊断。由于在变电站的 在线监测中，变压器作为变电站内的主体设备，对变压器在线监测数据进行处理具有重要 意义，并且在电力设备状态监测研究中，变压器状态监测发展时间最长，应用也最广泛，数 据较为丰富和完善。所W，选取变压器在线监测作为研究实例。
[0003] 由于存在上述因素，针对目前变电站设备在线监测目前所存在的问题，为利用变 压器在线监测多维信息，挖掘信息所存在的内在规律，一种基于相关分析和马氏距离的变 压器在线监测信息聚合分析方法。利用变压器在线监测获得的多维信息，首先进行数据归 一化和标准化数据预处理，其次对预处理后的数据W当前采样点的前Μ个点构成一组时窗 长度进行局部相关系数的计算。再次，利用所获得的原始多维信息特征矩阵计算各样本与 分布中屯、的马氏距离，提取距离大于距离整定值Zwt的数据异常样本，基于异常样本找到与 之对应的原始异常数据样本，最终进行数据异常验证说明。经仿真表明，使用距离中屯、的马 氏距离，不仅可W定性检测出异常，而且还可W定量表示异常程度，便于运行人员感知运行 态势。
【发明内容】
[0004] 本发明的目的是提供一种基于相关分析和马氏距离的变压器在线监测信息聚合 分析方法，用W解决上述问题。
[0005] 本发明的技术方案是：一种基于相关分析和马氏距离的变压器在线监测信息聚合 分析方法，利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处 理，其次对预处理后的数据W当前采样点的前Μ个点构成一组时窗长度进行局部相关系数 的计算。再次，利用所获得的原始多维信息特征矩阵计算各样本与分布中屯、的马氏距离，提 取距离大于距离整定值Zwt的数据异常样本，基于异常样本找到与之对应的原始异常数据 样本，最终进行数据异常验证说明。经仿真表明，使用距离中屯、的马氏距离，不仅可W定性 检测出异常，而且还可W定量表示异常程度，便于运行人员感知运行态势。
[0006] 具体步骤如下：
[0007] 第一步、数据归一化，标准化等预处理。由于变压器在线监测数据种类繁多，单位 不一，数据存在冗余。因此，将不同采样频率下具有不同单位的数据进行归一化和标准化处 理。将选定对象X(η)与其余监测数据数据y(η)求取其均方根为：
[0010] 式（1)、似中，Ν为相关信号采样点数。[0011] 定义数字信号X(η)和y(η)互相关函数如下：
[0012] 〇>
[0013] 其中，Ν为相关信号采样点数，j为两个信号之间时间差，j= 0, 1，….。
[0014] 根据（3)式对每组信号进行归一化运算，得到相关系数Pyy:
[0015]
[0016] 第二步、对预处理后的数据W当前采样点的前Μ个点构成的时窗长度为一组进行 局部相关系数的计算。
[0017]第Ξ步、对第二步所得到的相关系数计算距离。假设所获得数据的特征分布服从 多维正态分布，可利用数据特征距分布中屯、的距离表征数据异常程度。利用式（5)对原始 特征矩阵计算各样本与分布中屯、的马氏距离，得到数据样本的马氏距离频数分布直方图： 阳01 引（f狂，G)=狂-U)'Σ1狂-U) (5)
[0019] 式妨中，G为m维总体（考察m个指标），均值向量为u=(叫，112，113...，1〇'，协 方差阵为Σ= (σij)。
[0020] 第四步、提取距离大于距离整定值Zwt的数据异常样本。利用第Ξ步得到的数据 样本的马氏距离频数分布直方图，提取大于整定值Zwt的数据异常样本。
[0021] 第五步、提取异常原始数据样本。根据第四步所获取的数据异常样本，提取异常原 始数据样本的分布区间，利用马氏距离所提取的异常数据样本与原始数据样本进行比对， 可验证方法的有效性。
[0022] 本发明的有益效果是：
[002引 （1)本发明所采用的方法，有效的突破了现有的变压器在线监测数据信息单一，难W实现对所监测设备的全景感知等难题，减小了在线监测判断结果可能存在误差。
[0024] (2)本发明所设及的基马氏距离算法摆脱了传统的异常判断手段，利用数据特征 距分布中屯、的距离来刻画数据异常程度，距离越远，异常程度越高。其中，马氏距离补单考 虑数据相关性，而且不受量纲影响，是一种发现变压器在线监测数据异常潜在规律的有效 手段。
【附图说明】
[00巧]图1为实施例1中1-6类监测量与氨气相关分析结果。 阳0%] 图2为实施例1中7-12类监测量与氨气相关分析结果。
[0027]图3为实施例1中马氏距离计算结果。
[002引图4为实施例1中异常样本提取结果。
[0029] 图5为实施例1中原始数据。
【具体实施方式】
[0030] 实施例1 :本实例中选取220kV变电站的1号主变在线监测数据为例进行实例展 示。1号主变的油中溶解气体监测采样间隔为24小时，即每天1个采样点。本例中展示的 是73天内的历史数据。数据包括12类在线监测数据，分别是：Α、ΒΧΞ相介损、一氧化碳、 甲烧、乙烧、泄漏电流、微水、乙烘、氨气、乙締、总控。
[0031] (1)将不同采样频率下、具有不同单位的12类在线监测数据进行归一化和标准化 处。由于氨气是多种变压器故障表征气体，选取氨气作为与其余监测量相关分析的对象。对 氨气X(η)和其余监测量数据y(η)求取其均方根。对两组信号进行归一化运算后，得到相 关系数Pxy，如图1、2所示。
[0032] (2)对获得的历史数据W当前采样点的前8个点构成的时窗长度为一组进行局部 相关系数的计算，如图1、2所示。如图1可知，在30-40采样点之间相关系数除总控外，其余 相关系数在0. 4左右，弱相关；40-70义样点之间，相关系数稳定在0. 9左右，强相关；80-90 采样点之间，相关系数变化趋势平稳，较强相关。如图2可知，相关系数变化趋势与上述情 况大致吻合。
[0033] (3)再次对原始特征矩阵计算各样本与分布中屯、的马氏距离。数据样本的马氏距 离频数分布直方图，如图3所示，可知，数据呈正态分布，样本总数为2485,样本中屯、点为 3-7。
[0034] (4)提取距离大于Zset的样本。经多组数据验证，取距离整定值Zset为8. 78。样本 数为10,概率为0. 4%。如图4所示，数据的异常样本集中于1745~1945 ;2051~2128 ; 2457~2470。可知距离越远，异常程度越高。
[0035] (5)提取异常原始数据样本；根据距离大于8. 78的数据异常样本，提取异常原始 数据；原始数据样本集中于31-37 ;41~43 ;63~65。如图5所示。从而说明，使用距离中 屯、的马氏距离，不仅可W定性检测出异常，而且还可W定量表示异常程度，便于运行人员感 知运行态势。
【主权项】
1. 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法，利用变压器在 线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数 据以当前采样点的前Μ个点构成一组时窗长度进行局部相关系数的计算；再次，利用所获 得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离，提取距离大于距离整定值 zset的数据异常样本，基于异常样本找到与之对应的原始异常数据样本，最终进行数据异常 验证说明。2. 根据权利要求书1所述的基于相关分析和马氏距离的变压器在线监测信息聚合分 析方法，其特征在于具体步骤为： 第一步、数据归一化，标准化等预处理；将不同采样频率下具有不同单位的数据进行归 一化和标准化处理，将选定对象X (η)与其余监测数据数据y (η)求取其均方根为：式（1)、（2)中，Ν为相关信号采样点数； 定义数字信号X (η)和y (η)互相关函数如下：其中，Ν为相关信号采样点数，j为两个信号之间时间差，j = 0, 1，； 根据（3)式对每组信号进行归一化运算，得到相关系数Pxy:第二步、对预处理后的数据以当前采样点的前Μ个点构成的时窗长度为一组进行局部 相关系数的计算； 第三步、对第二步所得到的相关系数计算距离，假设所获得数据的特征分布服从多维 正态分布，可利用数据特征距分布中心的距离表征数据异常程度，利用式（5)对原始特征 矩阵计算各样本与分布中心的马氏距离，得到数据样本的马氏距离频数分布直方图：式（5)中，G为m维总体（考察m个指标），均值向量为u = (W，u2, u3. . .，um) '，协方差 阵为Σ = 〇 ; 第四步、提取距离大于距离整定值zset的数据异常样本，利用第三步得到的数据样本的 马氏距离频数分布直方图，提取大于整定值zMt的数据异常样本； 第五步、提取异常原始数据样本，根据第四步所获取的数据异常样本，提取异常原始数 据样本的分布区间，利用马氏距离所提取的异常数据样本与原始数据样本进行比对，可验 证方法的有效性。
【专利摘要】本发明提供一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法，属于电力系统高压设备的状态监测技术领域。本发明的技术方案是利用变压器在线监测获得的多维信息，首先进行数据归一化和标准化数据预处理，其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次，利用所获得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离，提取距离大于距离整定值zset的数据异常样本，基于异常样本找到与之对应的原始异常数据样本，最终进行数据异常验证说明。经仿真表明，使用距离中心的马氏距离，不仅可以定性检测出异常，而且还可以定量表示异常程度，便于运行人员感知运行态势。
【IPC分类】G06F17/50
【公开号】CN105279315
【申请号】CN201510631520
【发明人】束洪春, 吕蕾, 董俊, 孟祥飞, 卢杨
【申请人】昆明理工大学
【公开日】2016年1月27日
【申请日】2015年9月29日