一种变压器过热隐患智能预警方法及系统与流程

本发明涉及到监控领域，具体涉及一种新的变压器过热隐患智能预警方法及系统。

背景技术：

1、现有技术中，变压器在线监测方法包括油中溶解气体分析(dga)、铁芯接地电流分析、局部放电分析、绕组温度分析、振动分析等，其中，dga是当下辨识油浸式变压器潜伏性缺陷最为广泛的方法之一。多年来，专家学者们提出了众多基于dga分析的电力变压器故障诊断分析方法。常见的dga分析主要包括特征气体法、iec三比值法、罗杰斯比值方法、大卫三角形法等，这些方法采用不同气体的比值或者气体的浓度来解释故障类型。虽然上述方法应用广泛且具有一定的有效性，但也均存在着显著的局限性，这些方法主要依赖于现场运行经验，缺乏足够多的科学计算以及有效的理论解释。此外，对于同一故障数据集，这些常规方法不仅诊断准确率低，且诊断结果一致性较差。

2、严格意义上来讲，变压器故障诊断多属于事后处理，当各方法精准判定设备为故障时，此时设备内部已经或多或少存在一定的损伤，甚至已形成危及设备安全运行的态势。从时效性来看，故障诊断较为滞后，发现隐患的敏感性不足。此外，限制变压器故障诊断发展的因素众多，例如特征气体的分布特性完全不同，这使得标签数据库的构建非常困难，无法支撑机器学习模型的建立；同型号设备之间的横向对比也不具备过多的内在关联性，缺乏类比性的指导建议。为此，本研究立足于提前发现设备隐患这一根本思路，围绕变压器油中溶解气体异常预警开展相关的研究，力求提升人员对设备管理的主动性。

3、变压器油中溶解气体异常预警主要采用异常检测技术。限于变压器运行条件、环境、负载等情况的差异，获取每台变压器故障样本是不具备现实条件的。相较于故障样本，正常运行的样本更容易获取，基于这一实际条件，本研究旨在采用单分类算法构建变压器油中溶解气体的智能预警模型。单分类算法仅通过向目标类样本的训练集学习，试图将目标样本与其它所有样本尽可能的区分开。本质上，它是对目标类的描述，并能检测不属于它的样本。

技术实现思路

1、本发明的目的是针对现有技术问题，公开一种变压器过热隐患智能预警方法,

2、一种变压器过热隐患智能预警方法，包括以下步骤：

3、s1，基于k级差分法构建多时间尺度、多参量的训练数据集；

4、s2，基于ocsvm算法建立判断变压器是否正常运行的预警模型：

5、s3，基于告警触发机制，初步判断变压器是否运行异常：

6、s4，对变压器异常的预警信息进行分析，判断预警信息的数据趋势隐患类型，根据数据趋势隐患类型进行变压器预警诊断。

7、较优地，步骤s1具体包括以下步骤：

8、采集变压器油中溶解气体含量的历史数据，溶解气体包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)；

9、其中一种气体组分的时间序列数据集表示为x＝x1,x2,…，xt，其中xt表示第t时刻所述气体含量，t∈(1,2,3,…，t)；t表示时间序列数据集x的总时刻；

10、采用k级差分法对时间序列x进行预处理，构造若干组不同时间尺度的差分序列；k级差分法实现x预处理具体包括以下步骤：

11、对于时间序列数据集x＝x1,x2,…，xt，依据公式(1)进行计算，得到差分级数为k的新序列数据yk，在公式(1)中，2k表示差分序列的时间跨度，k∈(0,1,2,…,k)，且2k<t；表示第k级差分下第t时刻气体含量的差分值；

12、在k取不同值时，原时间序列数据集x被划分为(y0,y1,y2,…,yk)共k+1个差分序列；

13、

14、依照k级差分法分别对氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)的气体组分的时间序列数据集进行预处理，每种气体均得到k+1个差分序列；

15、在k为0时，氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)对应的差分序列为公式(2)：

16、

17、其中，y(h2)、y(ch4)、y(c2h6)、y(c2h4)、y(co)、y(co2)分别表氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)气体组分在第0级差分下的序列；

18、依据公式(3)的组合，将位于相同差分级数下的各气体差分值组合在一起，构建训练数据集；训练数据集包括若干样本，其中每个样本包括六个参量，且六个参量均是处在相同差分级数下的；将样本1标记为s1，k＝0对应的训练数据集中的元素数为(t×6)。

19、

20、将位于相同差分级数k下的各气体差分值组合在一起，构建训练数据集sk；

21、

22、训练数据集sk＝s1,s2,s3…st，t∈(1,t)；取不同的k值，构建一个训练数据集，共获得到k+1个训练数据集。

23、即当k为不同值时，构建一个训练数据集，共获得到k+1个训练数据集。

24、较优地，步骤s2具体包括以下步骤：

25、预警模型表示为：

26、

27、其中：αt表示拉格朗日乘子；s*表示测试样本；st为训练样本，其中t∈(1,t)；ρ表示位移项，属于一个常量；k(si,s)为核函数，表示为：

28、

29、当f(s*)≥0，s*为目标对象，s*为正样本；当f(s*)＜0，s*位于目标对象之外，与正常样本存在偏离，s*为负样本。

30、基于预警模型，判定每个样本是正样本或者负样本。

31、较优地，步骤s3具体包括以下步骤：

32、对于一个训练数据集的样本中，k+1个预警模型中等于或者多于m个样本判定为负样本，则触发变压器异常的预警信息，m值的定义为：

33、m＝roundup[(k+1)/3+ε]

34、 (7)

35、其中，roundup(.)函数表示向上取整函数；ε为调整因子，m取值范围为(-1,1)。

36、较优地，步骤s4具体包括以下步骤：

37、s401，当预警信息对应的变压器油中溶解气体含量随时间序列数据集是阶跃抬升的，为阶跃抬升型隐患，进入步骤s402；当预警信息对应的变压器油中溶解气体含量随时间序列是趋势上升的，则判断为趋势型隐患，采用基于时间卷积神经网络(tcn)的时间序列预测方法对趋势型隐患进行诊断，进入步骤s403；

38、s402，当时间序列数据集中全部气体含量(h2、ch4、c2h4、c2h6、c2h2、co、co2七种气体)均出现阶跃抬升(超过阶跃抬升的阈值)，且变化规律一致，持续动态稳定状态，则判断预警信息是由于监测装置自身性能缺陷或受外界因素干扰而导致采集的数据产生漂移；

39、当时间序列数据集中部分气体含量发生阶跃抬升，则判断预警信息是由于变压器运行工况(例如满负荷运行、频繁启停)引起，变压器本身存在缺陷；

40、s403，构建时间卷积神经网络，基于各气体历史数据，获取到各气体未来一段时间内的含量，根据预测的气体含量值，判断电压器故障；

41、步骤s403具体包括以下步骤：

42、所述时间卷积神经网络为：

43、xt＝δ(f(xt-1)+xt-1)

44、 (8)

45、其中，δ()表示激活函数；f(.)是时间卷积神经网络的变换运算；

46、基于变压器油中溶解气体的时间序列数据集x＝x1,x2,…，xt，通过时间卷积神经网络预测各气体t+1时刻的气体含量，将t+1时刻的训练数据集输入预警模型，判断训练数据的样本是否为仍旧为负样本，如果仍旧为负样本，说明变压器内部缺陷持续存在，如果为正样本，判断所述训练数据属于变压器自然老化，或由短期非常规运行导致的偶然现象，判断变压器正常。

47、一种变压器过热隐患智能预警系统，包括数据集建立单元、预警模型单元、告警触发单元和信息分析单元；所述数据集建立单元、预警模型单元、告警触发单元和信息分析单元依次顺序连接。

48、较优地，数据集建立单元工作过程具体包括以下步骤：

49、采集变压器油中溶解气体含量的历史数据，溶解气体包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)；

50、其中一种气体组分的时间序列数据集表示为x＝x1,x2,…，xt，其中xt表示第t时刻所述气体含量，t∈(1,2,3,…，t)；t表示时间序列数据集x的总时刻；

51、采用k级差分法对时间序列x进行预处理，构造若干组不同时间尺度的差分序列；

52、k级差分法实现x预处理具体包括以下步骤：

53、对于时间序列数据集x＝x1,x2,…，xt，依据公式(1)计算，得到差分级数为k的新序列数据yk，在公式(1)中，2k表示差分序列的时间跨度，k∈(0,1,2,…,k)，且2k<t；表示第k级差分下第t时刻气体含量的差分值；

54、在k取不同值时，原时间序列数据集x被划分为(y0,y1,y2,…,yk)共k+1个差分序列；

55、

56、依照k级差分法分别对氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)六种气体组分的时间序列数据集进行预处理，每种气体均得到k+1个差分序列；

57、在k为0时，氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)对应的差分序列为公式(2)所示：

58、

59、其中，y(h2)、y(ch4)、y(c2h6)、y(c2h4)、y(co)、y(co2)分别表示氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、一氧化碳(co)和二氧化碳(co2)的气体组分在第0级差分下的序列；

60、依据公式(3)的组合方式，将位于相同差分级数下的各气体差分值组合，构建训练数据集；训练数据集包括若干样本，其中每个样本包括六个参量，且六个参量均是处在相同差分级数下的；将样本1简记为s1，k＝0对应的训练数据集中的元素数为(t×6)：

61、

62、将位于相同差分级数k下的各气体差分值组合在一起，构建训练数据集sk；

63、

64、训练数据集sk＝s1,s2,s3…st，t∈(1,t)；取不同的k值，构建一个训练数据集，共获得到k+1个训练数据集。

65、较优地，预警模型单元工作过程具体包括以下步骤：

66、预警模型为：

67、

68、其中：αt表示拉格朗日乘子；s*表示测试样本；st为训练样本，其中t∈(1,t)；ρ表示位移项，属于一个常量；k(si,s)为核函数，表示为：

69、

70、当f(s*)≥0，s*为目标对象，s*为正样本；当f(s*)＜0，s*位于目标对象之外，与正常样本存在偏离，s*为负样本。

71、基于预警模型，判定每个样本是正样本或者负样本。

72、较优地，预警模型单元工作过程具体包括以下步骤：

73、对于一个训练数据集的样本中，k+1个预警模型中等于或者多于m个模型判定为负样本，则触发变压器异常的预警信息，m值的定义为：

74、m＝roundup[(k+1)/3+ε]

75、 (7)

76、其中，roundup(.)函数表示向上取整函数，例如4＝roundup(3.2)；ε为调整因子，m取值范围为(-1,1)。

77、较优地，信息分析单元工作过程具体包括以下步骤：

78、s401，当预警信息对应的变压器油中溶解气体含量随时间序列数据集是阶跃抬升的，为阶跃抬升型隐患，进入步骤s402；当预警信息对应的变压器油中溶解气体含量随时间序列是趋势上升的，则判断为趋势型隐患，采用基于时间卷积神经网络(tcn)的时间序列预测方法对趋势型隐患进行诊断，进入步骤s403；

79、s402，当时间序列数据集中全部气体含量(h2、ch4、c2h4、c2h6、co、co2六种气体)均出现阶跃抬升(超过阶跃抬升的阈值)，且变化规律一致，持续动态稳定状态，则判断预警信息是由于监测装置自身性能缺陷或受外界因素干扰而导致采集的数据产生漂移；

80、当时间序列数据集中部分气体含量发生阶跃抬升，则判断预警信息是由于变压器运行工况(例如满负荷运行、频繁启停)引起，变压器本身存在缺陷；

81、s403，构建基于时间卷积神经网络，基于各气体历史数据，获取到各气体未来一段时间内的含量，根据预测的气体含量值，判断电压器故障；

82、步骤s403具体包括以下步骤：

83、所述tcn预测模型为：

84、xt＝δ(f(xt-1)+xt-1)

85、 (8)

86、其中，δ()表示激活函数；f(.)是tcn网络的变换运算；

87、基于变压器油中溶解气体的时间序列数据集x＝x1,x2,…，xt，通过基于时间卷积神经网络预测各气体t+1时刻的气体含量，将t+1时刻的训练数据集输入预警模型，判断训练数据的样本是否为仍旧为负样本，如果仍旧为负样本，说明变压器内部缺陷持续存在，如果为正样本，判断所述训练数据属于变压器自然老化，或由短期非常规运行导致的偶然现象，判断变压器正常。

88、相对于现有技术，本发明具有如下有益效果：

89、本研究提出了一种新的变压器隐患智能预警诊断方法，集合人工经验和机器学习各自优势，共同分析变压器运行状态。具体有益效果主要呈现在以下两部分：

90、1)数据预处理：采用多级差分法从不同时间尺度衡量气体的变化程度，一方面，多参量、多时间尺度的分析能够提供更丰富的信息量，另一方面，差分处理使得时间序列曲线变得更为平稳，缓解离散数据对分析结果的影响。

91、2)智能预警模型：应用ocsvm算法构建预警模型，并结合设定的预警触发机制，在提升隐患预警的同时又能避免误报信息的频发。