本发明属于电网设备状态监测技术领域,具体讲涉及一种变压器油中溶解气体浓度预测方法和系统。
背景技术:
变压器故障早期诊断的最佳方法主要是油中溶解气体分析法,通过变压器油中溶解特征气体浓度能够捕捉到变压器设备故障的前兆。实际中,常用变压器油中溶解气体分析方法来监测和判断变压器在油样采集时的运行情况,及时发现变压器隐藏的缺陷或故障。其原理是:充油电力变压器在长期的运行过程中受到电或热的作用会老化和劣化,产生少量的特征气体溶解在变压器油中。总体来讲溶解气体的量是一个逐步平稳积累的过程,但在故障或异常发生时,气体含量数值会发生较大的变化。当前相关的技术主要考虑气体和气体间的关联关系,缺少对其他因素,例如油温和负荷的考虑;且检测到气体浓度发生较大变化时,故障已经发生了,缺乏对变压器故障的预判能力。
技术实现要素:
为克服上述现有技术的不足,本发明提出一种变压器油中溶解气体浓度预测方法和系统。
实现上述目的所采用的解决方案为:
一种变压器油中溶解气体浓度预测方法,其改进之处在于:
获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
本发明提供的第一优选技术方案,其改进之处在于,所述对各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型,包括:
对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
通过支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
本发明提供的第二优选技术方案,其改进之处在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理之前,还包括:
根据时间和变压器id,对变压器的各特征气体浓度、油温和负荷的历史数据进行关联。
本发明提供的第三优选技术方案,其改进之处在于,所述根据时间和变压器id,对变压器的各特征气体浓度数据、油温和负荷的历史数据进行关联,包括:
采集预设历史时段内每日变压器的油温和负荷时间序列数据,统计并记录变压器每日油温的最大值和每日负荷的95概率值;
采集同一时段相同时间序列的变压器的各特征气体浓度数据;
根据时间和变压器id关联所述各特征气体浓度、油温和负荷数据。
本发明提供的第四优选技术方案,其改进之处在于,所述对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理,包括
将所述各特征气体浓度、油温和负荷的历史数据均标准化为[-1,1]之间的值。
本发明提供的第五优选技术方案,其改进之处在于,所述对无量纲化处理后的所述各特征气体历史浓度数据、历史油温和历史负荷数据进行灰关联相关性分析,包括:
利用灰色关联分析方法,计算无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间的相关性,形成相关性交叉表。
本发明提供的第六优选技术方案,其改进之处在于,所述利用支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型,包括:
以选定的某一特征气体历史时刻浓度为输出,以与所述选定的特征气体相关性大于预设阈值的其他特征气体历史上一时刻的浓度和油温、负荷数据作为输入,利用无量纲化处理后的其他特征气体浓度、油温和负荷的历史数据作为训练样本进行支持向量机模型训练;
通过设置支持向量机算法的核参数类型、惩罚参数和核函数参数,构建所述变压器油中溶解气体浓度预测模型。
本发明提供的第七优选技术方案,其改进之处在于,所述建立变压器油中溶解气体浓度预测模型之后,还包括:
根据均方误差、均方根误差、解释方差、平均绝对误差和r-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
一种变压器油中溶解气体浓度预测系统,其改进之处在于,包括数据获取模块、建模模块和预测模块;
所述数据获取模块用于获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
所述建模模块用于对所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
所述预测模块用于以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
本发明提供的第八优选技术方案,其改进之处在于,所述建模模块包括:无量纲化处理子单元、相关性分析子单元和建模子单元;
所述无量纲化处理子单元用于对所述各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
所述相关性分析子单元用于对无量纲化处理后的所述各特征气体浓度之间以及所述特征气体浓度与油温、负荷之间进行灰关联相关性分析;
所述建模子单元用于通关支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
本发明提供的第九优选技术方案,其改进之处在于,所述建模模块还包括模型优化子单元;
所述模型优化子单元用于根据均方误差、均方根误差、解释方差、平均绝对误差和r-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
与现有技术相比,本发明具有的有益效果如下:
本发明提供的方法和系统综合考虑变压器特征气体的浓度,以及变压器油温、负荷对特征气体的影响,利用大数据分析算法,探索变压器油中溶解特征气体之间的相关性以及特征气体与变压器设备负荷、油温之间的相关性,挖掘出与待预测选定气体相关性较大的因素作为输入变量,建立变压器油中溶解气体浓度预测模型,能够准确预测变压器各特征气体浓度,提升对变压器的掌控能力。
附图说明
图1为本发明提供的一种变压器油中溶解气体浓度预测方法流程示意图;
图2为本发明提供的一种变压器油中溶解气体浓度预测方法原理框架图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
一种变压器油中溶解气体浓度预测方法流程如图1所示,包括:
获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
对各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入所述变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
一种变压器油中溶解气体浓度预测方法原理框架图如图2所示,具体的,该方法流程包括:
步骤一:采集变压器的各特征气体浓度、油温和负荷的历史数据,并以时间和设备id为标识进行数据关联。
1-1采集预设的历史时段,每一日的变压器设备的油温和负荷时间序列数据数据,统计并记录变压器设备每日油温的最大值和每日负荷的95概率值。预设的历史时段通常可设为预测日前30日。油温和负荷的历史数据可自oms系统采集。
这里不使用负荷最大值,而使用95概率值的原因是:负荷曲线受某些突发因素的影响,可能存在毛峰尖刺,95概率值可以有效避开这些毛刺,从而更好的刻画了当日最大负荷特性。
1-2采集同一时段相同时间序列的变压器的各特征气体浓度数据。各特征气体浓度数据的来源可以是变压器的状态监视系统。
1-3根据时间和变压器id关联各特征气体浓度、油温和负荷数据。即将同一变压器同一时间的各特征气体浓度、油温和负荷数据联系起来。
步骤二:对原始数据进行无量纲处理,消除各变量之间的量纲关系,使数据具有可比性,进行相关性分析。
2-1对关联后的变压器油中溶解特征气体和油温、负荷等数据进行数据无量纲化处理,标准化的每个变量取值都在[-1,1]之间。
2-2利用灰色关联分析方法,计算无量纲处理后的变压器设备各特征气体之间以及各特征气体与油温、负荷之间的相关性,形成相关性交叉表。
各变量之间的相关性越大,说明各特征气体之间以及特征气体与油温、负荷之间的关联程度越高,关系越紧密,其发展的趋势和速率越接近。剔除相关性较弱的信息,找出各特征气体之间以及与气体特征气体以及与油温、负荷相关性大于0.8预设阈值的相关变量定义为预测该目标气体的自变量。其中,该阈值可设为0.8。
步骤三:变压器设备油中溶解气体浓度预测模型的构建可以利用电网大数据分析探索工具,利用建模工具提供的支持向量机算法,构建变压器油中溶解气体浓度预测模型。
3-1油中溶解气体的浓度预测主要是针对能够表征变压器故障的特征气体浓度,包括h2(氢气)、ch4(甲烷)、c2h6(乙烷)、c2h4(乙烯)、c2h2(乙炔)、co(一氧化碳)、co2(二氧化碳)。将与选定的特征气体相关性大于0.8的相关变量作为输入变量,以下一时刻的选定的特征气体为输出变量,利用采集的历史时段的特征气体浓度、负荷和油温数据作为训练样本进行支持向量机模型训练。下一时刻可以取值为下一日。
3-2利用电网大数据分析的支持向量机算法,通过设置支持向量机算法的核参数类型、惩罚参数、核函数参数等算法参数,构建变压器油中溶解气体浓度预测模型。
步骤四:模型优化。通过建模工具提供的模型评估的均方误差、均方根误差、解释方差、平均绝对误差和r-平方系数等模型评估指标,综合评估模型预测结果的准确性、适用性,并对支持向量机算法的惩罚参数、核函数类型和核函数参数等条件参数进行优化,直到模型预测结果满足业务需求。
4-1在油中溶解特征气体浓度预测过程中,通过优化支持向量机算法的惩罚参数、核参数类型,例如线性、多形式或径向基函数,和核函数参数等相关参数,提升模型预测的准确性。
4-2需要对几种特征气体浓度进行预测,则需要分别构建基于支持向量机算法的预测模型,然后按照上述方法分别进行训练、评估,然后按照上述方法分别进行训练。
通过对各参数条件下的模型分别运行,对比均方误差、均方根误差、解释方差、平均绝对误差和r-平方系数等模型评估指标,当算法对应的模型参数中惩罚参数为2,核函数类型为线性、核函数参数为0.01时,模型的预测效果最好,将该组参数作为模型固化的参数。
步骤五:利用训练好的模型进行预测。将设定时刻的与选定的特征气体相关性大于0.8的相关特征气体、油温、负荷等数据作为输入变量,以选定的目标特征气体下一时刻浓度为输出,代入变压器油中溶解气体浓度预测模型,即可实现预测选定的特征气体下一时刻浓度的预测。
根据同一发明构思,本发明还提供了一种变压器油中溶解气体浓度预测系统,包括数据获取模块、建模模块和预测模块;
其中,数据获取模块用于获取变压器的各特征气体浓度、油温和负荷数据的历史数据;
建模模块用于对各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行相关性分析,并建立变压器油中溶解气体浓度预测模型;
预测模块用于以当前时刻与预测目标特征气体的相关性大于预设阈值的相关特征气体浓度、油温和负荷数据作为输入变量,输入变压器油中溶解气体浓度预测模型,得到目标特征气体未来时刻的浓度预测值。
进一步,建模模块包括:无量纲化处理子单元、相关性分析子单元和建模子单元;
无量纲化处理子单元用于对各特征气体浓度、油温和负荷的历史数据进行无量纲化处理;
相关性分析子单元用于对无量纲化处理后的各特征气体浓度之间以及特征气体浓度与油温、负荷之间进行灰关联相关性分析;
建模子单元用于通过支持向量机算法和无量纲化处理后的所述各特征气体浓度与油温、负荷的历史数据,建立变压器油中溶解气体浓度预测模型。
进一步,建模模块还包括模型优化子单元;
模型优化子单元用于根据均方误差、均方根误差、解释方差、平均绝对误差和r-平方系数,评估所述变压器油中溶解气体浓度预测模型预测结果的准确性和适用性,对支持向量机算法进行优化,直到所述变压器油中溶解气体浓度预测模型的预测结果满足预设的业务需求。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。