CN105279315B - 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 - Google Patents
一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 Download PDFInfo
- Publication number
- CN105279315B CN105279315B CN201510631520.7A CN201510631520A CN105279315B CN 105279315 B CN105279315 B CN 105279315B CN 201510631520 A CN201510631520 A CN 201510631520A CN 105279315 B CN105279315 B CN 105279315B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- mahalanobis distance
- distance
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法,属于电力***高压设备的状态监测技术领域。本发明的技术方案是利用变压器在线监测获得的多维信息,首先进行数据归一化和标准化数据预处理,其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次,利用所获得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离,提取距离大于距离整定值zset的数据异常样本,基于异常样本找到与之对应的原始异常数据样本,最终进行数据异常验证说明。经仿真表明,使用距离中心的马氏距离,不仅可以定性检测出异常,而且还可以定量表示异常程度,便于运行人员感知运行态势。
Description
技术领域
本发明提供一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法,属于电力***高压设备的状态监测技术领域。
背景技术
变电站设备在线监测***由于可实时反映设备运行状态,广泛应用于智能变电站一次设备智能化,对变电设备的运行状态进行全程跟踪,监测其在实际运行过程中健康状态和寿命情况,在保证安全性和可靠性的前提下,合理安排试验检修,提高电力设备的使用率与使用年限是电力***一直以来的追求。在线监测***便是在这样的需求下应运而生的。目前由于变电站在线监测设备数据精度低,数据的连续性难以保证,导致了变电站设备“体征”信息孤岛严重,未实现设备运行、监测等信息间互联互通,导致缺乏基于设备运行、各监测单元多维信息横向维度以及时间纵向维度全景信息可靠综合诊断。由于在变电站的在线监测中,变压器作为变电站内的主体设备,对变压器在线监测数据进行处理具有重要意义,并且在电力设备状态监测研究中,变压器状态监测发展时间最长,应用也最广泛,数据较为丰富和完善。所以,选取变压器在线监测作为研究实例。
由于存在上述因素,针对目前变电站设备在线监测目前所存在的问题,为利用变压器在线监测多维信息,挖掘信息所存在的内在规律,一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法。利用变压器在线监测获得的多维信息,首先进行数据归一化和标准化数据预处理,其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次,利用所获得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离,提取距离大于距离整定值zset的数据异常样本,基于异常样本找到与之对应的原始异常数据样本,最终进行数据异常验证说明。经仿真表明,使用距离中心的马氏距离,不仅可以定性检测出异常,而且还可以定量表示异常程度,便于运行人员感知运行态势。
发明内容
本发明的目的是提供一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法,用以解决上述问题。
本发明的技术方案是:一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法,利用变压器在线监测获得的多维信息,首先进行数据归一化和标准化数据预处理,其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算。再次,利用所获得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离,提取距离大于距离整定值zset的数据异常样本,基于异常样本找到与之对应的原始异常数据样本,最终进行数据异常验证说明。经仿真表明,使用距离中心的马氏距离,不仅可以定性检测出异常,而且还可以定量表示异常程度,便于运行人员感知运行态势。
具体步骤如下:
第一步、数据归一化,标准化等预处理。由于变压器在线监测数据种类繁多,单位不一,数据存在冗余。因此,将不同采样频率下具有不同单位的数据进行归一化和标准化处理。将选定对象x(n)与其余监测数据数据y(n)求取其均方根为:
式(1)、(2)中,N为相关信号采样点数。
定义数字信号x(n)和y(n)互相关函数如下:
其中,N为相关信号采样点数,j为两个信号之间时间差,j=0,1,….。
根据(3)式对每组信号进行归一化运算,得到相关系数ρxy:
第二步、对预处理后的数据以当前采样点的前M个点构成的时窗长度为一组进行局部相关系数的计算。
第三步、对第二步所得到的相关系数计算距离。假设所获得数据的特征分布服从多维正态分布,可利用数据特征距分布中心的距离表征数据异常程度。利用式(5)对原始特征矩阵计算各样本与分布中心的马氏距离,得到数据样本的马氏距离频数分布直方图:
d2(X,G)=(X-u)’∑-1(X-u) (5)
式(5)中,G为m维总体(考察m个指标),均值向量为u=(u1,u2,u3...,um)’,协方差阵为∑=(σij)。
第四步、提取距离大于距离整定值zset的数据异常样本。利用第三步得到的数据样本的马氏距离频数分布直方图,提取大于整定值zset的数据异常样本。
第五步、提取异常原始数据样本。根据第四步所获取的数据异常样本,提取异常原始数据样本的分布区间,利用马氏距离所提取的异常数据样本与原始数据样本进行比对,可验证方法的有效性。
本发明的有益效果是:
(1)本发明所采用的方法,有效的突破了现有的变压器在线监测数据信息单一,难以实现对所监测设备的全景感知等难题,减小了在线监测判断结果可能存在误差。
(2)本发明所涉及的基马氏距离算法摆脱了传统的异常判断手段,利用数据特征距分布中心的距离来刻画数据异常程度,距离越远,异常程度越高。其中,马氏距离补单考虑数据相关性,而且不受量纲影响,是一种发现变压器在线监测数据异常潜在规律的有效手段。
附图说明
图1为实施例1中1-6类监测量与氢气相关分析结果。
图2为实施例1中7-12类监测量与氢气相关分析结果。
图3为实施例1中马氏距离计算结果。
图4为实施例1中异常样本提取结果。
图5为实施例1中原始数据。
具体实施方式
实施例1:本实例中选取220kV变电站的1号主变在线监测数据为例进行实例展示。1号主变的油中溶解气体监测采样间隔为24小时,即每天1个采样点。本例中展示的是73天内的历史数据。数据包括12类在线监测数据,分别是:A、B、C三相介损、一氧化碳、甲烷、乙烷、泄漏电流、微水、乙炔、氢气、乙烯、总烃。
(1)将不同采样频率下、具有不同单位的12类在线监测数据进行归一化和标准化处。由于氢气是多种变压器故障表征气体,选取氢气作为与其余监测量相关分析的对象。对氢气x(n)和其余监测量数据y(n)求取其均方根。对两组信号进行归一化运算后,得到相关系数ρxy,如图1、2所示。
(2)对获得的历史数据以当前采样点的前8个点构成的时窗长度为一组进行局部相关系数的计算,如图1、2所示。如图1可知,在30-40采样点之间相关系数除总烃外,其余相关系数在0.4左右,弱相关;40-70采样点之间,相关系数稳定在0.9左右,强相关;80-90采样点之间,相关系数变化趋势平稳,较强相关。如图2可知,相关系数变化趋势与上述情况大致吻合。
(3)再次对原始特征矩阵计算各样本与分布中心的马氏距离。数据样本的马氏距离频数分布直方图,如图3所示,可知,数据呈正态分布,样本总数为2485,样本中心点为3-7。
(4)提取距离大于zset的样本。经多组数据验证,取距离整定值zset为8.78。样本数为10,概率为0.4%。如图4所示,数据的异常样本集中于1745~1945;2051~2128;2457~2470。可知距离越远,异常程度越高。
(5)提取异常原始数据样本;根据距离大于8.78的数据异常样本,提取异常原始数据;原始数据样本集中于31-37;41~43;63~65。如图5所示。从而说明,使用距离中心的马氏距离,不仅可以定性检测出异常,而且还可以定量表示异常程度,便于运行人员感知运行态势。
Claims (1)
1.一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法,其特征在于:利用变压器在线监测获得的多维信息,首先进行数据归一化和标准化数据预处理,其次对预处理后的数据以当前采样点的前M个点构成一组时窗长度进行局部相关系数的计算;再次,利用所获得的原始多维信息特征矩阵计算各样本与分布中心的马氏距离,提取距离大于距离整定值zset的数据异常样本,基于异常样本找到与之对应的原始异常数据样本,最终进行数据异常验证说明;
具体步骤为:
第一步、数据归一化,标准化预处理;将不同采样频率下具有不同单位的数据进行归一化和标准化处理,将选定对象x(n)与其余监测数据y(n)求取其均方根为:
式(1)、(2)中,N为相关信号采样点数;
定义数字信号x(n)和y(n)互相关函数如下:
其中,N为相关信号采样点数,j为两个信号之间时间差,j=0,1,….秒;
根据(3)式对每组信号进行归一化运算,得到相关系数ρxy:
第二步、对预处理后的数据以当前采样点的前M个点构成的时窗长度为一组进行局部相关系数的计算;
第三步、对第二步所得到的相关系数计算距离,假设所获得数据的特征分布服从多维正态分布,可利用数据特征分布中心的距离表征数据异常程度,利用式(5)对原始特征矩阵计算各样本与分布中心的马氏距离,得到数据样本的马氏距离频数分布直方图:
d2(X,G)=(X-u)’∑-1(X-u) (5)
式(5)中,G为m维总体其中,m为考察指标的个数,均值向量为u=(u1,u2,u3...,um)’,协方差阵为∑=(σij),i为矩阵的行标;
第四步、提取距离大于距离整定值zset的数据异常样本,利用第三步得到的数据样本的马氏距离频数分布直方图,提取大于整定值zset的数据异常样本;
第五步、提取异常原始数据样本,根据第四步所获取的数据异常样本,提取异常原始数据样本的分布区间,利用马氏距离所提取的异常数据样本与原始数据样本进行比对,可验证方法的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631520.7A CN105279315B (zh) | 2015-09-29 | 2015-09-29 | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510631520.7A CN105279315B (zh) | 2015-09-29 | 2015-09-29 | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279315A CN105279315A (zh) | 2016-01-27 |
CN105279315B true CN105279315B (zh) | 2018-11-27 |
Family
ID=55148325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510631520.7A Active CN105279315B (zh) | 2015-09-29 | 2015-09-29 | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279315B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950446A (zh) * | 2017-03-22 | 2017-07-14 | 国网上海市电力公司 | 基于主成分分析法的电网异常快速检测与定位方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436277B (zh) * | 2017-07-12 | 2019-07-09 | 中山大学 | 基于相似距离判别的单指标数据质量控制方法 |
CN110049000B (zh) * | 2019-01-24 | 2021-11-23 | 浙江工商大学 | 一种大小空间明文聚合及差分安全的物联通信方法及*** |
CN110346666A (zh) * | 2019-07-15 | 2019-10-18 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于加权马氏距离判别的电网变压器状态分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2453259A1 (en) * | 2010-11-10 | 2012-05-16 | Fujitsu Ten Limited | Radar device |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN103913663A (zh) * | 2014-04-21 | 2014-07-09 | 南京航空航天大学 | 一种直流***电弧故障在线检测方法和保护装置 |
-
2015
- 2015-09-29 CN CN201510631520.7A patent/CN105279315B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2453259A1 (en) * | 2010-11-10 | 2012-05-16 | Fujitsu Ten Limited | Radar device |
CN102866321A (zh) * | 2012-08-13 | 2013-01-09 | 广东电网公司电力科学研究院 | 一种自适应的防窃漏电诊断方法 |
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN103913663A (zh) * | 2014-04-21 | 2014-07-09 | 南京航空航天大学 | 一种直流***电弧故障在线检测方法和保护装置 |
Non-Patent Citations (1)
Title |
---|
Study on state evalution of high voltage switchgear based on sudden-change componet of fuzzy clustering algorithm;Jing Xie等;《Power System Technology(POWERCON 2014)》;20141222;第1238-1244页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950446A (zh) * | 2017-03-22 | 2017-07-14 | 国网上海市电力公司 | 基于主成分分析法的电网异常快速检测与定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105279315A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220906B (zh) | 基于用电采集***的多时间尺度用电异常分析方法 | |
CN105279315B (zh) | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 | |
CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN104007336B (zh) | 一种基于物联网的变压器在线监测信息聚合方法 | |
CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
US20100188240A1 (en) | Continuous condition monitoring of transformers | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN105606944B (zh) | 配电***的单相接地故障选线方法和装置 | |
CN110133410A (zh) | 基于模糊c均值聚类算法的变压器故障诊断方法及*** | |
CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
CN107656161A (zh) | 一种天然酯绝缘油变压器内部故障的诊断方法及*** | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
Meier et al. | Power system data management and analysis using synchrophasor data | |
CN109188197A (zh) | 一种用于高压电缆健康指数的评估***及方法 | |
CN105137324A (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
KR101290295B1 (ko) | 유중가스 함량비 조합을 통한 유입변압기의 내부결함 진단방법 | |
CN110824299A (zh) | 基于零序电流曲线簇的二维平面判断的故障选线方法 | |
CN113051763B (zh) | 基于数据融合技术的舰船***级电子装备可靠性评估方法 | |
CN114460519A (zh) | 基于电力互感器检验的现场与终端融合管理***和方法 | |
CN106646138B (zh) | 基于多采样频率小波特征能量折算的配电网接地故障定位方法 | |
CN112801135A (zh) | 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备 | |
CN113066540B (zh) | 一种油浸式变压器非平衡故障样本预处理方法 | |
Su | A fuzzy logic tool for transformer fault diagnosis | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |