公开/公告号CN112884089A
专利类型发明专利
公开/公告日2021-06-01
原文格式PDF
申请/专利权人 国网上海市电力公司;
申请/专利号CN202110386809.2
申请日2021-04-12
分类号G06K9/62(20060101);H02J13/00(20060101);G06F30/20(20200101);G06F16/215(20190101);
代理机构31241 上海兆丰知识产权代理事务所(有限合伙);
代理人章蔚强
地址 200122 上海市浦东新区源深路1122号
入库时间 2023-06-19 11:11:32
技术领域
本发明属于电力大数据分析应用技术,尤其是涉及一种基于数据挖掘的电力变压器故障预警系统。
背景技术
随着智能电网建设的快速发展,智能化在线监测设备得到了很大的发展,电网所监测的数据呈几何增长趋势,尤其是与电力变压器运行状态相关的状态监测数据(DGA)、运行调度数据(SCADA)、生产管理数据(PMS)、气象信息数据以及地理信息数据(GIS)等数据呈现出井喷式增长,每时每刻都有新的数据生成,呈现出数据价值密度低、数据类型繁多以及数据量巨大等大数据的典型特征,形成了丰富的历史数据库和实时数据库。面对这些高参数、强相关、多维度的历史数据,采用人工分析的方法已经不切实际,大数据分析技术应运而生,同时数据挖掘技术是一种从数据中提取隐含、潜在价值信息的大数据分析技术,涉及模式识别技术、人工智能技术、数据处理技术、统计学技术以及机器学习技术等。如何从这些海量、丰富的数据中挖掘出有价值的信息,实现对电力变压器的故障预警,对电网的正常健康运行有着十分重要的意义。
电力变压器作为电力系统中重要的枢纽设备,其安全可靠的运行直接影响到整个电力系统的安全稳定,能否快速准确的预测出电力变压器的故障对电力系统具有重要的意义。而对于电力变压器设备的检修一般采用计划性检修,存在检修针对性不强、分不清主次、检修方式僵化等问题,不仅浪费了大量的人力、物力、财力,还降低了电力变压器的利用率,严重影响到电网的整体经济效益。
而目前对电力变压器的研究大都偏向于故障诊断,例如基于特征气体法的故障诊断、基于三比值法的故障诊断、基于神经网络的故障诊断、基于专家系统的故障诊断、基于遗传算法的故障诊断、基于支持向量机的故障诊断以及基于模糊数学的故障诊断等方法,这些故障诊断方法虽然在一定程度上可以识别出电力变压器的一些故障状态,但是存在很多不足之处。例如传统的特征气体法局限于阈值的诊断,难以识别出潜在故障;三比值法受到编码类型和编码范围的限制,故障诊断精度较差;神经网络的诊断会出现震荡现象,陷入局部最优解;专家系统的诊断依赖于故障知识库,对于电力变压器故障知识库不完善的精度较差;遗传算法诊断的编码和解码过于复杂;支持向量机的诊断适合于二分类问题,适用于小样本分类,而对于电力变压器故障多分类问题,精度较差;模糊理论的诊断无自主学习能力,规则需要经验和知识的长期积累。以上电力变压器的各种故障诊断方法大都需要已知完备的故障诊断知识库,且仅能识别出知识库中已有的故障。而电力变压器又是一种结构复杂、多变量以及非线性的复杂设备,故障与征兆之间无明确的对应关系,一种故障可能出现多种征兆,而一种征兆又有可能发生多种故障。此外,传统故障诊断方法只能事后诊断,无法满足电力变压器故障预警的需求。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种基于数据挖掘的电力变压器故障预警系统,它能够实现通过实时监测的电网数据实现电网故障预警。
实现上述目的的一种技术方案是:一种基于数据挖掘的电力变压器故障预警系统,该系统包括:电力变压器全维度原始数据集模块、无缝嵌入数据应用接口模块、电力变压器全维度原始数据集清洗模块、电力变压器高质量样本数据集模块、电力变压器核心算法模块、电力变压器故障预警模型分析模块和人机界面展示模块;
电力变压器全维度原始数据集模块,该模块用于完成电力变压器全维度原始数据的采集,包括电力变压器本体数据库单元、电力变压器设备数据库单元、电力变压器外部数据库单元;
无缝嵌入数据应用接口模块,该模块用于连接电力变压器全维度原始数据集模块和电力变压器全维度原始数据集清洗模块;
电力变压器全维度原始数据集清洗模块,该模块用于对电力变压器全维度原始数据集模块中的数据进行异常值、缺失值、噪声的预处理,形成一个高质量的样本数据集,包括FCM数据处理单元、EM数据处理单元;
电力变压器高质量样本数据集模块,该模块用来存储经FCM数据处理单元和EM数据处理单元预处理后的电力变压器高质量样本数据集;
电力变压器核心算法模块,该模块用于对电力变压器高质量样本数据集模块中的数据进行KPCA属性的约简和MSET故障预警模型的建立,包括KPCA属性约简单元和MSET故障预警模型单元;
电力变压器故障预警模型分析模块,该模块用于对MSET故障预警模型单元中的电力变压器故障预警模型进行相应的训练、测试、验证,使得电力变压器故障预警模型达到最优,包括电力变压器故障预警模型训练单元、电力变压器故障预警模型测试单元、电力变压器故障预警模型验证单元;
人机界面展示模块,该模块用于用户与电力变压器故障预警模型分析模块进行实时的显示、交流。
进一步的,所述电力变压器本体数据库单元用于采集与电力变压器运行状态直接相关的核心数据,包括电力变压器DGA数据库单元、电力变压器红外检测数据库单元、电力变压器局部放电数据库单元,具体参数有电力变压器各特征气体含量,特征气体包括H2、CH4、C2H2、C2H4、C2H6、CO和CO2,电力变压器油温、电力变压器电压、电力变压器电流。
进一步的,所述的电力变压器设备数据库单元用于采集与电力变压器运行状态间接相关的静态数据,包括数据采集与监视SCADA系统单元、生产管理PMS系统单元,具体参数有历史用电量、历史用电负荷和电力变压器的基本台账信息。
进一步的,所述的电力变压器外部数据库单元用于采集与电力变压器运行状态间接相关的非核心数据,包括地理信息GIS系统单元、气象环境信息系统单元,具体参数有水文、地势、气温、湿度。
进一步的,所述的FCM数据处理单元采用FCM聚类去噪算法对电力变压器全维度原始数据集模块中的数据进行异常值以及噪声的预处理,不仅可以解决多源异构的数据,还可以进行数据异常值的检测和数据的去噪处理,包括异常值删减单元、噪声处理单元。
进一步的,所述的EM数据处理单元采用EM算法对电力变压器全维度原始数据集模块中的数据进行缺失值的处理,不仅可以进行缺失值的处理,还可以进行截尾数据的处理,包括缺失值补充单元。
进一步的,所述的KPCA属性约简单元采用KPCA算法对电力变压器高质量样本数据集模块中的数据进行数据的约简,得到与电力变压器运行状态相关的参数重要性排名,根据权重系数的大小选择出涵盖样本数据集大部分信息的综合特征参数,为下一步MSET故障预警模型的建立提供参数的输入,包括电力变压器全维运行参数约简单元、电力变压器全维运行参数贡献率排名单元、电力变压器综合特征参数单元。
进一步的,所述的MSET故障预警模型单元采用MSET技术对属性约简后的电力变压器高质量样本数据集进行故障预警模型的建立,利用信号之间的相似性达到对电力变压器设备的状态估计,包括电力变压器MSET历史记忆矩阵构建单元、电力变压器MSET相似性度量单元、电力变压器MSET最优向量估计单元、电力变压器MSET残差计算单元、电力变压器滑动窗口法预警单元。
与现有技术相比,本发明具有以下优点:
(1)本发明完成了电力变压器全维度原始数据集的建立,并采用期望最大化算法和模糊c均值聚类去噪算法对原始数据集中的数据进行缺失值、异常值以及噪声的预处理,形成一个高质量的样本数据集,为电力变压器故障预警模型的建立提供了优质的数据支撑;
(2)本发明创新性的建立了以多元状态估计技术为核心,滑动窗口法为辅的电力变压器故障预警模型,同时融合相似性的原理,具有建模速度快、学习过程简单以及无需完备的故障知识库等优点,弥补了传统建模方法建模速度慢以及准确性低等缺点,满足电力变压器故障预警的需求。
附图说明
图1为本发明所述的一种基于数据挖掘的电力变压器故障预警系统的结构框图;
图2为本发明实施例中的KPCA属性约简算法流程图;
图3为本发明实施例中的MSET故障预警算法流程图;
图中标号所示:
1为电力变压器全维度原始数据集模块,2为无缝嵌入数据应用接口模块,3为电力变压器全维度原始数据集清洗模块,4为电力变压器高质量样本数据集模块,5为电力变压器核心算法模块,6为电力变压器故障预警模型分析模块,7为人机界面交互模块,11为电力变压器本体数据库单元,12为电力变压器设备数据库单元,13为电力变压器外部数据库单元,31为FCM数据处理单元,32为EM数据处理单元,51为KPCA属性约简单元,52为MSET故障预警模型单元,61为电力变压器故障预警模型训练单元,62为电力变压器故障预警模型测试单元,63为电力变压器故障预警模型验证单元,111为电力变压器DGA数据库单元,112为电力变压器红外检测数据库单元,113为电力变压器局部放电数据库单元,121为数据采集与监视SCADA系统单元,122为生产管理PMS系统单元,131为地理信息GIS系统单元,132为气象环境信息系统单元,311为异常值删减单元,312为噪声处理单元,321为缺失值补充单元,511为电力变压器全维运行参数约简单元,512为电力变压器全维运行参数贡献率排名单元,513为电力变压器综合特征参数单元,521为电力变压器MSET建模变量选取单元,522为电力变压器MSET历史记忆矩阵构建单元,523为电力变压器MSET相似性度量单元,524为电力变压器MSET最优向量估计单元,525为电力变压器MSET残差计算单元,526为电力变压器滑动窗口法预警单元。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明:
请参阅图1,本发明涉及一种基于数据挖掘的电力变压器故障预警方法及系统,该系统包括电力变压器全维度原始数据集模块1,无缝嵌入数据应用接口模块2,电力变压器全维度原始数据集清洗模块3,电力变压器高质量样本数据集模块4,电力变压器核心算法模块5,电力变压器故障预警模型分析模块6,人机界面交互模块7。
电力变压器全维度原始数据集模块1用于完成电力变压器全维度原始数据的采集,涵盖了与电力变压器运行状态相关的全部参数数据,可以全面、准确、及时的监测到电力变压器的实时运行状态,包括电力变压器本体数据库单元11、电力变压器设备数据库单元12、电力变压器外部数据库单元13,具体如下:
a1)电力变压器本体数据库单元11:该单元用于采集与电力变压器运行状态直接相关的核心数据,包括电力变压器DGA数据库单元111、电力变压器红外检测数据库单元112、电力变压器局部放电数据库单元113,具体参数有电力变压器各特征气体含量(H
a2)电力变压器设备数据库单元12:该单元用于采集与电力变压器运行状态间接相关的静态数据,包括数据采集与监视SCADA系统单元121、生产管理PMS系统单元122,具体参数有历史用电量、历史用电负荷、电力变压器的基本台账信息等;
a3)电力变压器外部数据库单元13:该单元用于采集与电力变压器运行状态间接相关的非核心数据,包括地理信息GIS系统单元131、气象环境信息系统单元132,具体参数有水文、地势、气温、湿度等。
无缝嵌入数据应用接口模块2用于连接电力变压器全维度原始数据集模块1和电力变压器全维度原始数据集清洗模块3。
电力变压器全维度原始数据集清洗模块3用来对电力变压器全维度原始数据集模块中的数据进行异常值、缺失值、噪声的预处理,形成一个高质量的样本数据集,为电力变压器故障预警模型的建立提供优质的数据支撑,包括FCM数据处理单元31、EM数据处理单元32。具体如下:
b1)FCM数据处理单元31:该单元采用模糊c均值(Fuzzy C-Means,FCM)聚类去噪算法对电力变压器全维度原始数据集模块中的数据进行异常值以及噪声的预处理,不仅可以解决多源异构的数据,还可以进行数据异常值的检测和数据的去噪处理,包括异常值删减单元311、噪声处理单元312;
b2)EM数据处理单元32:该单元采用期望最大化(Expectation-maximization,EM)算法对电力变压器全维度原始数据集模块中的数据进行缺失值的处理,不仅可以进行缺失值的处理,还可以进行截尾数据的处理,包括缺失值补充单元321。
其中,FCM数据处理单元31的具体步骤如下:
设数据集X={x
S1、对聚类中心V(0)进行初始化;
确定聚类中心个数c(2≤c≤n),同时设定迭代阈值。
S2、计算隶属度矩阵U(a);
S3、更新聚类中心V(a+1);
S4、若||V(a+1)-V(a)||<ε,则迭代结束并输出隶属度矩阵U和聚类中心V;反之重复步骤S2和S3,直至满足条件为止。
其中,EM数据处理单元32的具体步骤如下:
S1、初始化设置:设定一个初始的系统参数Θ
S2、E步:根据设定的初始参数Θ
式中,C
S3、M步:根据当前样本的隐藏变量,求参数的最大似然估计Θ
Θ
(4)
电力变压器高质量样本数据集模块4用来存储经FCM数据处理单元31和EM数据处理单元32预处理后的电力变压器高质量样本数据集。
电力变压器核心算法模块5用于对电力变压器高质量样本数据集模块4中的数据进行KPCA属性的约简和MSET故障预警模型的建立,包括KPCA属性约简单元51、MSET故障预警模型单元52,具体如下:
c1)KPCA属性约简单元51:该单元采用核主元分析法(Kernel PrincipalComponent Analysis,KPCA)对电力变压器高质量样本数据集模块4中的数据进行数据的约简,得到与电力变压器运行状态相关的参数重要性排名,根据权重系数的大小选择出涵盖样本数据集大部分信息的综合特征参数,为下一步MSET故障预警模型的建立提供参数的输入,包括电力变压器全维运行参数约简单元511、电力变压器全维运行参数贡献率排名单元512、电力变压器综合特征参数单元513;
c2)MSET故障预警模型单元52:该单元采用多元状态估计技术(MultivariateState Estimation Technique,MSET)对属性约简后的电力变压器高质量样本数据集进行故障预警模型的建立,利用信号之间的相似性达到对电力变压器设备的状态估计,其本质是利用电力变压器设备正常工况下的历史数据,建立正常的状态模型,对于每个新的状态,依据所建立的模型来达到对被估对象的最优估计,包括电力变压器MSET建模变量选取单元521、电力变压器MSET历史记忆矩阵构建单元522、电力变压器MSET相似性度量单元523、电力变压器MSET最优向量估计单元524、电力变压器MSET残差计算单元525、电力变压器滑动窗口法预警单元526。
其中,KPCA属性约简单元51的具体流程通过图2所示实现:
设原始数据集合,构成原始空间R,通过非线性映射函数映射到高维度空间F,则F中的映射数据的协方差矩阵如下:
式中,n代表维度,x
则协方差矩阵C对应的特征方差如下:
Cv=λv
(6)
式中,λ代表C的特征值,v代表对应的特征向量。
将公式(5)带入到公式(6)中得:
同时公式(7)又可表示为:
存在系数β
则由公式(7)、(8)、(9)可得:
定义矩阵K
则公式(10)可表示为:
nλβ=Kβ
(12)
式中,nλ代表K的特征值,β代表K的特征向量,K则通过选取合适的核函数进行确定。
将矩阵K进行对角化处理得特征值λ
最终可得v
式中,t
其中,MSET故障预警模型单元52的具体流程通过图3所示实现:
以上海电网某110kV变电站2号主变为例进行实例分析,通过对上海电网某110kV变电站2号主变设备的电力变压器全维度原始数据集模块1进行一系列的EM算法和FCM算法数据清洗后,再采用KPCA算法数据约简后得到样本集合矩阵X
式中,行数k代表选取的k个电力变压器综合状态监测参数,列数m代表某一状态参数的m个样本点,X(t)代表t时刻的观测向量。
对于某一时刻电力变压器的观测向量X
X
=D·[w
(16)
式中W代表权值向量,表征历史记忆矩阵D与最优估计向量X
ε=X
(17)
当预测结果处于理想状态时,此时残差ε=0,显然ε越接近于零越准确,为了使精度更高,现对ε求最小平方误差:
minε
=min[(X
(18)
令
W=(D
(19)
但此方法可能出现D
通常采用欧式距离作为非线性运算符:
将公式(20)带入公式(16),便可得到最优估计向量X
优选的,为了进一步提高MSET故障预警模型单元52的准确性,现采用滑动窗口统计法进行预警阈值的确定,具体如下:
假设某段时间内,MSET预警模型的残差序列如下:
ε=[ε
(23)
对该残差序列取一滑动窗口,宽度为N(根据现场经验取值),得窗口内连续N个残差的均值
则电力变压器故障预警阈值如下:
E=±kE
(25)
式中,k值一般大于1,根据现场运行经验确定;E
电力变压器故障预警模型分析模块6用于对MSET故障预警模型单元中的电力变压器故障预警模型进行相应的训练、测试、验证,使得电力变压器故障预警模型达到最优,包括电力变压器故障预警模型训练单元61、电力变压器故障预警模型测试单元62、电力变压器故障预警模型验证单元63,具体如下:
d1)电力变压器故障预警模型训练单元61:
该单元根据电力变压器核心算法模块5中建立的电力变压器MSET故障预警模型采用正常的电力变压器历史数据进行不断的训练,使得MSET故障预警模型达到最优;
d2)电力变压器故障预警模型测试单元62:
该单元根据电力变压器故障预警模型训练单元61中训练得到的最优MSET预测模型采用下一时间段的正常电力变压器历史数据进行测试,以验证该MSET故障预警模型的准确性;
d3)电力变压器故障预警模型验证单元63:
该单元根据电力变压器故障预警模型训练单元61中训练得到的最优MSET预测模型采用含有故障样本数据集的历史数据进行验证该MSET故障预警模型的及时性。
人机界面交互模块7用于用户与电力变压器故障预警模型分析模块进行实时的显示、交流。
本发明将数据挖掘领域中的技术应用到电力变压器故障预警系统中,不仅解决了电力变压器设备计划性检修存在的检修针对性不强、分不清主次、检修方式僵化等问题,还可以提前、准确的预知电力变压器故障的发生,保证电力变压器始终处于安全稳定的运行状态,更具有以下特点:
①对于电力变压器全维度原始数据集的数据预处理方法不仅适用于电力变压器设备,对于电网中的输电、变电以及配电设备同样适用,可以推广至整个电网。
②以多元状态估计技术为核心,滑动窗口法为辅的电力变压器故障预警方法不仅适用于电力变压器设备,凡是电网中具有高参数、非线性以及多变量等特点的复杂设备同样适用。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
机译: 基于GSMALLAT-NIN-CNN网络的电力变压器绕组故障诊断方法
机译: 基于物联网的机房设备故障预警系统
机译: 故障检测方法,例如堤防,包括检测和可视化大坝中的薄弱环节,通过基于软件的预警系统自动检测和可视化洪水,并及时采取措施