法律状态公告日
法律状态信息
法律状态
2017-12-15
未缴年费专利权终止 IPC(主分类):G01R31/00 授权公告日:20160323 终止日期:20161030 申请日:20131030
专利权的终止
2016-03-23
授权
授权
2014-02-26
实质审查的生效 IPC(主分类):G01R31/00 申请日:20131030
实质审查的生效
2014-01-22
公开
公开
技术领域
本发明涉及电气行业,尤其涉及一种变压器设备故障与检测电气量信息间非线性相关关 系的识别方法。
背景技术
随着电网建设的快速发展,我国在输电容量、设备和技术水平等都走在了世界的前列, 对输变电设备的性能和运行可靠性也提出了更高的要求。由于电网结构的复杂性,变压器类 设备故障类型也多样,而引起故障的原因也是极为复杂,如制造缺陷、安装质量缺陷、运行 环境甚至操作失误等。如何从由SCADA系统监测所得的电气量与通过各种检测手段所得的故 障特征信息这些海量数据中挖掘出一些隐含的、规律性的信息,为决策者进行电力系统事故 处理提供快速而准确的数据已成为当前一个亟待解决的问题。
目前,针对变压器设备故障诊断有很多的研究方法,比如人工神经网络、专家系统、油 中溶解气体分析等,这些方法对于诊断分析工作发挥了重要作用。但是,由于电力变压器故 障的复杂性、测试监测手段的局限性,故障知识缺乏完备性,各种方法也存在不同的缺点, 而且现有的研究方法都是基于运行状态参量来分析当前设备的状态,没有把设备状态也作为 一种影响设备运行的参变量。这就可能导致分析方法中存在的隐含性错误被忽略,从而降低 了诊断故障的准确性。
虽然目前电力系统中广泛应用的管理信息系统(MIS)可以高效地实现数据的录入、查询、 统计等功能,但无法发现数据中存在的关系和规则,无法根据现有的数据得知电力设备的绝 缘状态并作出诊断决策。正是由于缺乏挖掘数据背后隐藏的知识的手段,可能导致“数据爆 炸但知识贫乏”的现象。为分析诊断变压器类故障,我们需要找出导致设备故障的主要因素, 这就需要进一步分析设备故障与电气量信息监测相关关系。现有技术中均是从挖掘设备的电 气量与电气量的相关关系为出发点,再建立各种模型最终得到设备故障的主要特征量。但是 由于模型本身存在的误差或者是建模出现的错误,又或者是模型本身不具有一般性,这样也 有可能造成误判、错判。
本发明不需要通过具体的建模来做分析,而是把设备状态也作为一种影响设备运行的参 变量,计算变压器设备故障与检测到的电气量信息之间非线性相关关系。
发明内容
本发明的目的就是为了解决上述问题,提出了一种变压器设备故障与检测到的电气量信 息之间非线性相关关系的识别方法。
为了实现上述目的,本发明采用如下技术方案:
一种设备故障与电气量信息间非线性相关关系的识别方法,包括以下步骤:
步骤1:选取若干组同一型号变压器、不同时间段的设备运行相关信息作为样本。
步骤2:建立包含每组样本设备电气信息量以及设备电气信息量对应的当前设备状态的 信息库。
步骤3:通过非线性相关关系识别算法计算每组样本设备电气信息量与其所对应的当前 设备状态之间的相关系数。
步骤4:根据步骤3中计算得到的相关系数,通过matlab软件分析不同样本间的差异性。
所述样本间的差异性是指非线性相关关系识别算法的无偏性,如果样本间存在差异,说 明该算法不具有无偏性,如果样本间不存在差异,说明该算法具有无偏性。
所述设备电气信息量是通过监测和检测手段所得到的影响设备运行的所有信息量。
所述当前设备状态以0或1变量表示,0代表设备正常,1代表设备故障。
所述非线性相关关系识别算法基于距离相关性定义设计,具体的计算公式为:
其中,变量X指信息库中的设备状态,变量Y是指影响设备运行状态的其它信息量。
所述matlab软件分析不同样本间差异性的方法是利用函数ttest2()计算两组样本数据在 5%的置信度下是否属于同一分布。
本发明的有益效果是:
1.本发明方法简单,可以快速有效的分析变压器设备故障与运行状态量间的相关关系快 速,有利于准确提取故障信息,提高了故障诊断的准确性,同时验证了非线性相关关系识别 算法的有效性和无偏性,实用性强。
2.本发明不要通过具体的模型来做预测,不存在通过拟合函数来进行分析所造成的误差, 提高了诊断分析的准确率。
附图说明
图1为本发明的总体流程图;
图2为本发明实施方案中分析结果图。
具体实施方式:
下面结合附图与实施例对本发明做进一步说明:
如图1所示,一种变压器设备故障与检测电气量信息间非线性相关关系识别方法,是针 对变压器设备,基于距离相关性定义,把设备正常或故障状态当成影响设备运行的参变量, 计算监测和检测的多种因素信息以及当前对应的设备状态间的相关关系。具体步骤如下:
步骤1:选取2组同一型号变压器、不同时间段的设备运行相关信息,由于数据量较大, 在此就不一一列出。
步骤2:建立包含每组样本设备电气信息量以及设备电气信息量对应的当前设备状态的 信息库。设备电气信息量是通过监测和检测手段所得到的影响设备运行的所有信息量;当前 设备状态以0或1变量表示,0代表设备正常,1代表设备故障。
步骤3:通过非线性相关关系识别算法计算每组样本设备电气信息量与其所对应的当前 设备状态之间的相关系数。
非线性相关关系识别算法基于距离相关性定义设计,具体的计算公式为:
其中,变量X指信息库中的设备状态,变量Y是指影响设备运行状态的其它信息量。通 过计算两变量间的相关系数,我们可以判断两变量间的相关程度。在计算过程中不必对各参 量进行归一化处理,保存原始数据的真实性即可。
步骤4:根据步骤3中计算得到的相关系数,通过matlab软件分析不同样本间的差异性。
matlab软件分析不同样本间差异性的方法是利用函数ttest2()计算两组样本数据在5%的 置信度下是否属于同一分布,从而判断比较两组数据的区分度。假设两组样本数据在5%的置 信度下属于同一分布,则ttest2()函数计算出的结果值h=0,表明假设成立;h=1表明假设不 成立,即两组变量在统计上认为是来自不同分布的数据,存在差异。
样本间的差异性是指非线性相关关系识别算法的无偏性,如果样本间存在差异,说明该 算法不具有无偏性,如果样本间不存在差异,说明该算法具有无偏性。
经非线性相关关系识别算法计算后所得各因素与设备故障间的相关系数如表1所示。
表1 两组样本计算结果
根据相关系数大小,我们即可得到运行设备状态参量与故障间的相关关系。
利用matlab软件来分析2组样本间数值的差异性,得到的结果为h=0.表明两组变量在5% 的置信度下判断变量间属于同一分布,即不存在差异性,从而证明了非线性相关关系识别算 法的无偏性。
图2给出了两组计算结果的变化趋势图。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限 制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
机译: 信息传输系统,信息输出设备,信息输入设备和连接关系识别方法
机译: 信息传输系统,信息输出设备,信息输入设备和连接关系识别方法
机译: 信息传输系统信息输出设备信息输入设备和连接关系识别方法