变压器油色谱在线监测异常数据诊断方法与流程

本发明涉及变压器检修技术领域，具体涉及一种变压器油色谱在线监测异常数据诊断方法。

背景技术：

变压器油色谱在线监测是检测变压器内部缺陷的重要手段，已在220千伏及以上电压等级变压器获得了广泛应用。在现场应用中，油色谱在线监测一般通过判断实时测量数据是否超过预设值决定是否发布报警，但是实践表明，在线监测装置易受高压设备的复杂强电磁环境、恶劣运行工况、设备质量等因素影响而发生数据异常现象，从而使得触发装置产生误报警，这一方面加重了现场运行维护工作量，另一方面也会淹没正确报警。因此，研究变压器油色谱异常数据诊断对减轻现场工作量，提高设备状态监测准确性具有重要意义。但是现有的变压器油色谱异常数据诊断方法，多利用模式识别的方法，用规则表征特征识别异常数据，针对性较强，但无法识别新型的异常模式，且诊断准确度较低。

技术实现要素：

本发明要解决的技术问题是提供一种变压器油色谱在线监测异常数据诊断方法，利于提高诊断准确度，便于识别新型的异常模式。

为了解决上述技术问题，本发明提供的技术方案如下：

一种变压器油色谱在线监测异常数据诊断方法，包括以下步骤：

1）获取变压器油色谱监测的历史数据，并按照预设时间周期对历史数据按照气体类型进行属性划分；

2）对预设时间周期内每种类型气体所对应的历史数据进行预处理得到预处理样本，定义预处理样本中的数据为预处理数据；

3）对每种类型气体所对应的预处理样本进行统计分析，得到每种类型气体所对应的预处理样本的一元频率分布序列与二元频率分布序列；

4）根据变压器油色谱监测的历史数据、一元频率分布序列和二元频率分布序列建立异常数据诊断模型；

5）获取一组新的监测数据，并计算这组新的监测数据的一元频率和二元频率，根据这组新的监测数据的一元频率和二元频率对步骤3）中的一元频率分布序列与二元频率分布序列进行更新；

6）根据步骤5）中更新后的一元频率分布序列与二元频率分布序列判断出待测监测数据的一元频率和二元频率并代入异常数据诊断模型进行诊断。

所述步骤2）中对每种类型气体所对应的历史数据进行预处理的方法为：剔除历史数据中的负值，并将在预设时间周期中连续不变的数值归并为一个数值，且将最后一个连续不变的数值的采样时间作为归并后的数值的采样时间。

对每种气体类型所对应的历史数据进行预处理的方法还包括：将每个历史数据的数据值均保留至小数点后三位。

所述步骤3）具体为：划分多个数据区间，每个数据区间的区间长度相同，再判断每个预处理样本中预处理数据所在的数据区间，并将数据区间按照预处理数据的采样时间进行排序，然后计算一元频率和二元频率，每个预处理样本的所有一元频率的值构成一元频率分布序列，每个预处理样本的所有二元频率的值构成二元频率分布序列；

所述一元频率为每个数据区间在预设时间周期内出现的频率，所述二元频率为相邻两个数据区间在预设时间周期内重复出现的频率。

步骤6）之后还进行以下步骤：对异常数据诊断模型的诊断结果进行分析，并根据分析结果再对异常数据诊断模型进行优化。

所述步骤4）中异常数据诊断模型是采用逻辑斯特回归模型建立。

所述气体类型包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气、氮气和总烃。

本发明具有以下有益效果：本发明的变压器油色谱在线监测异常数据诊断方法，建立异常数据诊断模型进行异常数据诊断，且该异常数据诊断模型便于优化，提高了诊断准确度，可方便的识别新型的异常模式；提高了异常数据诊断模型的扩展能力。

附图说明

图1是本发明的压器油色谱在线监测异常数据诊断方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，本实施例公开了一种变压器油色谱在线监测异常数据诊断方法，包括以下步骤：

1）获取变压器的油色谱监测的历史数据，并按照预设时间周期对历史数据按照气体类型进行属性划分；也即每种类型气体在预设时间周期内的历史数据划归为一组，若气体类型有十种，则划分为十组，每种气体类型对应一组；

进一步地，历史数据为气体含量，气体类型包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气、氮气和总烃。

预设时间周期可取为三年。

2）对预设时间周期内每种类型气体所对应的历史数据进行预处理得到预处理样本，定义预处理样本中的数据为预处理数据；

3）对每种类型气体所对应的预处理样本进行统计分析，得到每种类型气体所对应的预处理样本的一元频率分布序列与二元频率分布序列；其中，每种类型气体对应一个预处理样本；

所述步骤3）具体为：划分多个数据区间，每个数据区间的区间长度相同，再判断每个预处理样本中预处理数据所在的数据区间，并将数据区间按照预处理数据的采样时间进行排序，然后计算一元频率和二元频率，每个预处理样本的所有一元频率的值构成一元频率分布序列，每个预处理样本的所有二元频率的值构成二元频率分布序列；

一元频率为每个数据区间在预设时间周期内出现的频率，二元频率为相邻两个数据区间在预设时间周期内重复出现的频率，也即每个数据区间在另一数据区间之后相邻出现的频率。

例如，一个预处理样本为{0.02、0.15、0.17、0.06、0.12、0.13、0.19、0.20、0.16、0.26}，该样本中的每个预处理数据均为氢气的气体含量，且是按照数据采样时间的先后进行排序的，此时划定三个数据区间，数据区间长度为0.1，则各个数据区间分别为{0-0.1}、{0.1-0.2}和{0.2-0.3}，而上述预处理样本中的预处理数据所在的区间序列为{0-0.1，0.1-0.2，0.1-0.2，0-0.1，0.1-0.2，0.1-0.2，0.1-0.2，0.2-0.3，0.1-0.2，0.2-0.3}，其中数据区间{0.-0.1}的一元频率就是该区间在区间序列中出现的频率，这里数据区间{0.-0.1}一共出现两次，则其一元频率就是其出现次数（两次）与总次数（十次）的比值；其中数据区间{0-0.1}和{0.1-0.2}同时相邻出现的频率为两次，也即数据区间{0.1-0.2}总是在{0-0.1}之后相邻出现的频率为两次，则其二元频率即为两区间同时相邻出现的次数（两次）与总次数（十次）的比值。

4）根据变压器油色谱监测的历史数据、一元频率分布序列和二元频率分布序列建立异常数据诊断模型；可以理解地，每种气体类型对应一个异常数据诊断模型。

5）获取一组新的监测数据，并计算这组新的监测数据的一元频率和二元频率，根据这组新的监测数据的一元频率和二元频率对步骤3）中的一元频率分布序列与二元频率分布序列进行更新；

6）根据步骤5）中更新后的一元频率分布序列与二元频率分布序列判断出待测监测数据的一元频率和二元频率并将该一元频率和二元频率代入异常数据诊断模型进行诊断，诊断其是否为异常数据。

步骤6）之后还进行以下步骤：对异常数据诊断模型的诊断结果进行人工分析，并根据分析结果再对异常数据诊断模型进行优化，以利于识别新型的异常模式，进一步提高异常数据诊断模型的扩展能力，也利于提高诊断准确度。

在其中一个实施方式中，所述步骤2）中对每种类型气体所对应的历史数据进行预处理的方法为：剔除历史数据中的负值，并将在预设时间周期中连续不变的数值归并为一个数值，且归并时，将最后一个连续不变的数值的采样时间作为归并后的数值的采样时间，也即将连续不变的数值中采样时间最靠后的数值所对应的采样时间作为归并后的数值的采样时间。

在其中一个实施方式中，对每种气体类型所对应的历史数据进行预处理的方法还包括：将每个历史数据的数据值均保留至小数点后三位，数据值在小数点后不足三位的，采用补零方式补足小数点后三位。

在其中一个实施方式中，步骤4）中异常数据诊断模型是采用逻辑斯特回归模型建立。步骤4）具体为：对变压器油色谱监测的历史数据诊断正误并进行标记，并根据标记结果、一元频率分布序列和二元频率分布序列通过逻辑斯特回归方法建立异常数据诊断模型。

本实施例的变压器油色谱在线监测异常数据诊断方法，通过对历史数据的预处理，以及一元频率分布序列和二元频率序列的建立，优化了异常数据诊断模型，提高了诊断准确度，同时一元频率分布序列和二元频率序列便于更新，利于方便的识别新型的异常模式，也可进一步提高诊断准确度；该方法也易于扩展至其他类型监测量异常数据诊断分析，可以显著提高变压器油色谱在线监测异常数据诊断模型的扩展能力。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。