CN102411106A - 电力变压器故障监测方法及装置 - Google Patents

Abstract

本发明提供一种电力变压器故障监测方法及装置，该方法包括如下步骤：对多元监测变量进行特征量提取与压缩；计算特征量在变压器正常运转和故障模式下的概率分布函数；根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。本发明的方法及装置能够利用变压器监测数据来判断变压器的健康状况，及时发现潜伏性故障及故障发展趋势，实现了减少事故发生、节约维修成本的目的。

Description

电力变压器故障监测方法及装置

技术领域

本发明涉及电力***，尤其涉及一种电力变压器故障监测方法以及一种电力变压器故障监测装置。

背景技术

电力变压器是电力网络的核心设备，变压器的健康状况和生命周期对电网安全可靠运行极为关键。在变压器运行过程中，有效地对变压器进行故障诊断，准确地判断变压器的运行状态和故障的发展趋势，有利于生产人员科学地安排生产计划，减少事故的发生。

变压器在长期运行的过程中，由于电压、热、化学、机械振动以及其他因素的影响，出现绝缘老化、材质劣化的现象，以及外部的破坏和影响等，难免引发变压器故障事故。同时，变压器在设计和制造的过程中可能存在一些质量问题，而且在安装过程中也可能出现损坏，由此将造成一些潜伏性故障。

当前变压器状态的定量分析主要采用人工智能的方法，其中最常见的是人工神经网络和专家***。人工神经网络(Artificial Neural Networks，ANN)具有很强的自学习能力，理论上能实现对任意复杂非线性函数的逼近。使用反向传播算法的多层前馈网络是目前在模式识别和故障诊断中应用最多的一种神经网络形式。但是反向传播的神经网络在实际工程应用中面临着诸多难题：首先是神经网络的结构和节点的数量不容易确定；其次是神经网络训练过程中收敛速度缓慢。而且神经网络的训练过程通常需要大量历史数据，可生产实际中的故障数据往往占少数，再加之神经网络的结构和参数往往缺乏实际的物理意义，不利于调试和改进。上述这些问题都影响了人工神经网络在的实际故障诊断中的效果。专家***(Expert System)是另一种常用的人工智能方法，它通过将专业知识和逻辑推理相结合来模拟领域专家解决复杂问题。但是专家***的建立需要大量的实际经验，而且很难超越这些经验而直接从历史数据中发掘出规律。此外，专家***内规则的数量随变量数成指数增长，当变量数较多时可能出现“组合***”效应，需要庞大的计算量。

另外，随着理论研究的不断进展，统计数据挖掘和随机过程模型近年来逐渐被应用于复杂设备的状态分析和辅助维修决策。与人工智能算法相比，它具有诸多优势：

首先，这类模型把时间作为一个重要的因素加以考虑，以动态角度研究***的发展演变；而传统的神经网络和专家***仅局限于分析稳定的或瞬态的特征模式。由于变压器性能的退化、故障的出现和发展都是一个动态的过程，而且“剩余使用寿命”也是一个时间量，因此必须采用随机过程的分析方法才能准确地把握其动态特性。

其次，统计数据分析的方法能够有效地分析小样本数据和缺失数据，在状态监测***运行初期数据不完善或存在错误数据时，能最大化地利用现有数据，而且计算量大大低于人工智能算法。除此之外，统计学模型还具有更为精确的预测能力和更加明确的物理意义。

近年来，统计数据挖掘和随机过程模型在机械设备维修优化领域已取得了显著的成效。但是电力***的运行和老化有较大的特殊性，作为电力***重要设备的主变压器在可靠性和安全性上往往也有更高的标准，因此，在电网企业建设“智能电网”新形势下，如何尽快的研究和开发出针对主变压器的状态分析及预测算法，以方便维护人员科学地安排变压器维修计划，减少事故发生和节约维修成本，成为亟待解决的问题。

发明内容

为解决上述问题，本发明提供一种电力变压器故障监测方法及装置，能够及时发现变压器潜伏性故障以及故障发展趋势，从而有利于维护人员科学地安排变压器维修计划，减少事故的发生，节约维修成本。

为达到上述目的，本发明采用如下的技术方案：

一种电力变压器故障监测方法，包括如下步骤：

对多元监测变量进行特征量提取与压缩；

计算特征量在变压器正常运转和故障模式下的概率分布函数；

根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。

一种电力变压器故障监测装置，包括：

特征量提取模块，用于对多元监测变量进行特征量提取与压缩；

函数计算模块，用于计算特征量在变压器正常运转和故障模式下的概率分布函数；

故障分类模块，用于根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。

由以上方案可以看出，本发明的电力变压器故障监测方法及装置，其首先通过统计模型对数据进行预处理，进而计算变压器处于故障状态的概率，通过后验概率来实现故障的分类和监测。本发明的方法及装置能够利用变压器监测数据来判断变压器的健康状况，及时发现潜伏性故障及故障发展趋势，以状态检修取代计划检修，从而达到减少事故的发生、节约维修成本的目的。

附图说明

图1为本发明电力变压器故障监测方法的流程示意图；

图2为本发明的电力变压器故障监测装置的结构示意图。

具体实施方式

本发明提供一种电力变压器故障监测方法及装置，能够解决现有技术中无法及时发现变压器潜伏性故障和故障发展趋势所带来的维修成本高的问题。下面结合附图，对本发明作进一步详细的说明。

如图1所示，本发明的电力变压器故障监测方法，包括如下步骤：

步骤S1，对多元监测变量进行特征量提取与压缩。该过程具体可以包括：通过偏最小二乘法PLS来对多元监测变量进行特征量提取与压缩，提取对模型最有用的信息，去除冗余信息，使算法高效、快速。所述偏最小二乘法的通用模型为：

X＝TP^T+E

Y＝TQ^T+F；        (1)

其中，X为变压器监测的油色谱数据矩阵，行为观测时间，列为气体项目；Y为故障指示变量，对训练数据取值为0和1；T为加权系数矩阵；P和Q均为加载矩阵；E和F为多元正态分布的误差向量。通过本步骤可以将多维的变压器油色谱数据转换为一个一维的“决策变量”Y。

作为一个较好的实施例，在步骤S1之前可以包括步骤S0：对原始测试数据进行清理，滤除来自环境、负载等外部因素的干扰，提取出与变压器健康状况直接相关的有用信息。该过程具体可以包括：通过附加变量的向量自回归时间序列模型VARX来对原始测试数据进行清理。所述VARX模型的标准结构为：

其中，X_t表t时刻的变压器监测的油色谱数据，X_t-i为t-i时刻的变压器监测的油色谱数据，ε_t为t时刻的随机干扰，d_t-i为t-i时刻的外界干扰数据。若实际中负载数据和监测数据不相匹配，则可对临近点进行插值。对无法获得满意匹配的情况，则可以略过该步骤S0，直接使用原始数据进行下一步(步骤S1)的操作。

步骤S2，计算特征量在变压器正常运转和故障模式下的概率分布函数。该过程具体可以包括：对输出数据Y进行直方图分析，将故障分为过热故障和放电故障两大类别，判断出各类故障和正常运行时Y值的基本分布情况，使用正态分布对这些直方图进行拟和，获得故障状态下的分布函数h₁(z)、正常状态下的分布函数h₂(z)；其中，h₁(z)又分为两个类别：过热条件下Y的分布函数h₁o(z)、放电条件下Y的分布函数h₁d(z)。

步骤S3，根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。该过程具体可以包括如下：

步骤S301，使用监测数据Y来更新***状态X，可以利用贝叶斯公式实现：

$f_X\left(x\right|Y=y)=\frac{f_{X,Y}(x,y)}{f_Y\left(y\right)}=\frac{f_Y\left(y\right|X=x)}{f_Y\left(y\right)}=\frac{f_Y\left(y\right|X=x)f_X\left(x\right)}{{\∫}_{-\∞}^{\∞}{f}_Y\left(y\right|X=\mathrm{\ξ})f_X\left(\mathrm{\ξ}\right)\mathrm{d\ξ}};---\left(3\right)$

步骤S302，利用截止到目前时刻t＝mh的所有历史数据来计算***处于故障状态的后验概率P，以进行故障诊断和维修决策；其中，h为采样间隔，m为截止到t时刻的采样总次数；然后根据新观测到的值来更新模型对***故障状态的判断，应用如下公式：

P_t＝1-(1-P_mh)e^-θ(t-mh)，对mh＜t＜(m+1)h；

对m＝1，2，...，；(4)

步骤S303，在贝叶斯后验概率的基础上，根据所述正常状态下的分布函数h₂(z)、过热故障条件下Y的分布函数h_1o(z)、放电故障条件下Y的分布函数h_1d(z)，计算出***处于过热、放电的后验概率P_o和P_d，进行故障分类，例如：若P_o＞P_d，则***处于过热故障。

用提取出的信息来更新先验知识，以先验概率的形式表示，最终结果通过后验概率向量的形式输出，向量内的每个元素分别对应***处于各种不同故障模式的概率，从而实现故障的初步检测和分类。贝叶斯方法的一个主要优点在于其对油中气体的变化趋势较为敏感，因而能够在早期发现一些细微的变化，只要油中气体的含量发生了异常的增加，贝叶斯算法都能及时地发现这一趋势，而不论其正常运行的基准值是多少。

与上述一种电力变压器故障监测方法相对应的，本发明还提供一种电力变压器故障监测装置，如图2所示，包括：

特征量提取模块，用于对多元监测变量进行特征量提取与压缩；

函数计算模块，用于计算特征量在变压器正常运转和故障模式下的概率分布函数；

故障分类模块，用于根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。

作为一个较好的实施例，本发明的装置还可以包括清理模块，用于在进行特征量提取与压缩之前，对原始测试数据进行清理，滤除来自外部因素的干扰，提取出与变压器健康状况直接相关的有用信息。

优选的，所述清理模块可以通过附加变量的向量自回归时间序列模型VARX来对原始测试数据进行清理；

优选的，所述故障分类模块可以利用贝叶斯控制理论来进行故障分类。

本发明的电力变压器故障监测装置中的其它技术特征与本发明的一种电力变压器故障监测方法相同，在此不予赘述。

通过以上方案可以看出，本发明的电力变压器故障监测方法及装置，其首先通过统计模型对数据进行预处理，进而计算变压器处于故障状态的概率，通过后验概率来实现故障的分类和监测。本发明的方法及装置能够利用变压器监测数据来判断变压器的健康状况，及时发现潜伏性故障及故障发展趋势，以状态检修取代计划检修，从而达到减少事故的发生、节约维修成本的目的。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (10)

1.一种电力变压器故障监测方法，其特征在于，包括如下步骤：

对多元监测变量进行特征量提取与压缩；

计算特征量在变压器正常运转和故障模式下的概率分布函数；

根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。

2.根据权利要求1所述的电力变压器故障监测方法，其特征在于，在所述对多元监测变量进行特征量提取与压缩之前还包括步骤：对原始测试数据进行清理，滤除来自外部因素的干扰，提取出与变压器健康状况直接相关的有用信息。

3.根据权利要求2所述的电力变压器故障监测方法，其特征在于，所述对原始测试数据进行清理的过程具体包括：通过附加变量的向量自回归时间序列模型VARX来对原始测试数据进行清理；所述VARX模型的标准结构为：

其中，X_t表t时刻的变压器监测的油色谱数据，X_t-i为t-i时刻的变压器监测的油色谱数据，ε_t为t时刻的随机干扰，d_t-i为t-i时刻的外界干扰数据。

4.根据权利要求1所述的电力变压器故障监测方法，其特征在于，所述对多元监测变量进行特征量提取与压缩的过程具体包括：通过偏最小二乘法PLS来对多元监测变量进行特征量提取与压缩；所述偏最小二乘法的通用模型为：

X＝TP^T+E

Y＝TQ^T+F；

其中，X为变压器监测的油色谱数据矩阵，行为观测时间，列为气体项目；Y为故障指示变量，对训练数据取值为0和1；T为加权系数矩阵；P和Q均为加载矩阵；E和F为多元正态分布的误差向量。

5.根据权利要求1所述的电力变压器故障监测方法，其特征在于，所述计算特征量在变压器正常运转和故障模式下的概率分布函数的过程具体包括：对输出数据Y进行直方图分析，将故障分为过热故障和放电故障两大类别，判断出各类故障和正常运行时Y值的基本分布情况，使用正态分布对这些直方图进行拟和，获得正常状态下的分布函数、过热故障条件下Y的分布函数、放电故障条件下Y的分布函数。

6.根据权利要求5所述的电力变压器故障监测方法，其特征在于，所述根据新监测到的数据实时更新后验概率函数、根据后验概率进行故障分类的过程具体包括：

使用监测数据Y来更新***状态X，利用贝叶斯公式实现：

$f_X\left(x\right|Y=y)=\frac{f_{X,Y}(x,y)}{f_Y\left(y\right)}=\frac{f_Y\left(y\right|X=x)}{f_Y\left(y\right)}=\frac{f_Y\left(y\right|X=x)f_X\left(x\right)}{{\∫}_{-\∞}^{\∞}{f}_Y\left(y\right|X=\mathrm{\ξ})f_X\left(\mathrm{\ξ}\right)\mathrm{d\ξ}};---\left(3\right)$

利用截止到目前时刻t＝mh的所有历史数据来计算***处于故障状态的后验概率P；其中，h为采样间隔，m为截止到t时刻的采样总次数；并根据新观测到的值来更新模型对***故障状态的判断，应用如下公式：

P_t＝1-(1-P_mh)e^-θ(t-mh)，对mh＜t＜(m+1)h；

对m＝1，2，...，；

在贝叶斯后验概率的基础上，根据所述正常状态下的分布函数、过热故障条件下Y的分布函数、放电故障条件下Y的分布函数计算出***处于过热、放电的后验概率，进行故障分类。

7.一种电力变压器故障监测装置，其特征在于，包括：

特征量提取模块，用于对多元监测变量进行特征量提取与压缩；

函数计算模块，用于计算特征量在变压器正常运转和故障模式下的概率分布函数；

故障分类模块，用于根据新监测到的数据实时更新后验概率函数，并根据后验概率进行故障分类。

8.根据权利要求7所述的电力变压器故障监测装置，其特征在于，还包括清理模块，用于在进行特征量提取与压缩之前，对原始测试数据进行清理，滤除来自外部因素的干扰，提取出与变压器健康状况直接相关的有用信息。

9.根据权利要求8所述的电力变压器故障监测装置，其特征在于，所述清理模块通过附加变量的向量自回归时间序列模型VARX来对原始测试数据进行清理。

10.根据权利要求7-9任意一项所述的电力变压器故障监测装置，其特征在于，所述故障分类模块利用贝叶斯控制理论来进行故障分类。

Images