CN116340810A - 基于随机森林的变压器出线部位局部放电诊断方法和装置 - Google Patents
基于随机森林的变压器出线部位局部放电诊断方法和装置 Download PDFInfo
- Publication number
- CN116340810A CN116340810A CN202310119792.3A CN202310119792A CN116340810A CN 116340810 A CN116340810 A CN 116340810A CN 202310119792 A CN202310119792 A CN 202310119792A CN 116340810 A CN116340810 A CN 116340810A
- Authority
- CN
- China
- Prior art keywords
- sensor
- time interval
- transformer
- random forest
- target time
- 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.)
- Pending
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 70
- 208000028659 discharge Diseases 0.000 title claims description 47
- 238000003745 diagnosis Methods 0.000 title claims description 21
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 abstract description 9
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供了一种基于随机森林的变压器出线部位局部放电诊断方法和装置，方法包括：获取待测变压器中各传感器若干天的测量数据；通过滑动窗口法以及随机森林模型分别预测各传感器目标时间区间测量数据，并计算特征量；对每个特征量进行标准化处理，根据标准化处理结果结合传感器类型权重计算特征参数；对各特征参数进行聚类，判断待测变压器是否存在局部放电。本发明通过滑动窗口和随机森林预测模型预测目标区间的测量数据，计算出特征量，通过对特征量进行标准化处理得到变压器在目标区间中每一天的特征参数，实现了各种类型传感器的数据融合，其判断结果利于各变压器的横向对比。
Description
技术领域
本发明涉及变压器放电检测领域，尤其涉及一种基于随机森林的变压器出线部位局部放电诊断方法和装置。
背景技术
大型电力变压器是现代电力***的重要组成部分，其安全、稳定的运行，对保证电能的有效传输具有重要意义。大型变压器出线部位具有结构复杂、电压等级高和场强集中等特点，在运行过程中容易产生绝缘缺陷进而引发局部放电故障，目前，常见的变压器局部放电监测方式包括采用超声、特高频和高频电流等，这些技术通过实时监测每个传感器的参数变化，并将其变化情况与历史数据对比以实现对局部放电的判别。但是，实际情况中，不同类型的传感器监测的信号种类不同，通过这些技术方案测得的结果难以实现横向对比，导致特征参量提取困难，难以实现多传感器的数据融合，同时，内部绝缘结构的差异使得在出线部位发生局部放电时，传感器的输出信号特征不同，也会导致难以实现多个设备的横向对比。
发明内容
本发明提供了一种基于随机森林的变压器出线部位局部放电诊断方法和装置，通过实现多类型传感器的数据融合，以解决如何对多个变压器进行诊断并横向比对的技术问题。
为了解决上述技术问题，本发明实施例提供了一种基于随机森林的变压器出线部位局部放电诊断方法，包括：
获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；
通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；
计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；
对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
作为优选方案，所述通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
作为优选方案，所述对每个特征量进行标准化处理，具体为：
根据下式分别计算各特征量标准化处理后的值
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
作为优选方案，所述根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。
作为优选方案，所述计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。
相应的，本发明实施例还提供了一种基于随机森林的变压器出线部位局部放电诊断装置，包括数据获取模块、预测模块、特征参数计算模块和诊断模块；其中，
所述数据获取模块，用于获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；
所述预测模块，用于通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；
所述特征参数计算模块，用于计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；
所述诊断模块，用于对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
作为优选方案，所述预测模块通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
所述预测模块将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
作为优选方案，所述特征参数计算模块对每个特征量进行标准化处理，具体为：
所述特征参数计算模块根据下式分别计算各特征量标准化处理后的值
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
作为优选方案，所述特征参数计算模块根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
所述特征参数计算模块根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。
作为优选方案，所述预测模块计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
所述预测模块将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于随机森林的变压器出线部位局部放电诊断方法和装置，所述方法包括：获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。本发明通过滑动窗口和随机森林预测模型预测目标区间的测量数据，计算出特征量，通过对特征量进行标准化处理得到变压器在目标区间中每一天的特征参数，实现了各种类型传感器的数据融合，其判断结果利于各变压器的横向对比；并且，本发明实施例传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器，在获得特征量并进行标准化处理后，结合对应的权重计算特征参数，通过聚类的方法诊断变压器是否存在局部放电，诊断的方法考虑了多种类型的传感器，相比现有技术的单传感器监测以及将信号与历史数据比对的技术方案，具有更高的准确性；考虑到实际测量过程中可能存在测量信号幅值差异过大的情况，本发明采用中位数和四分位点作为计算基准，可以避免极大值或极小值的干扰，实现有效的数据融合。
附图说明
图1：为本发明基于随机森林提供的变压器出线部位局部放电诊断方法的一种实施例的流程示意图。
图2：为本发明提供的滑动窗口法的一种实施例的原理示意图。
图3：为本发明提供的存在局部放电的变压器的特征参数示意图。
图4：为本发明提供的无局部放电的变压器的特征参数示意图。
图5：为本发明基于随机森林提供的变压器出线部位局部放电诊断装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一:
请参照图1，图1为本发明实施例提供的一种基于随机森林的变压器出线部位局部放电诊断方法，包括步骤S1至步骤S4；其中，
步骤S1，获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器。
本实施例基于随机森林提供的变压器出线部位局部放电诊断方法可以应用于服务器等设备中，待测变压器包括但不限于大型电力变压器，可以为一台或多台，传感器主要为用于检测变压器局部放电的传感器，通常变压器上有数量和种类至少为一的传感器。所述服务器等设备可以调用传感器获取到的测量数据，用于目标时间区间测量数据的预测。
步骤S2，通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量。
在本实施例中，随机森林是一个包含多个决策树的决策、预测模型。在进行预测的过程中，该模型可以以某传感器N天的数据作为输入，以第N+1天的数据作为输出，通过循环步进(优选为滑动窗口法，滑动窗口法在本实施例中可以有效提高诊断效率)即可预测传感器未来若干天的结果。其具有效率高、无需降维即可处理高维特征、对于类别不平衡数据能够有效减小误差等优点。
所述通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法(参照图2)以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
优选地，所述第一预设时间区间可以为5天，第二预设时间区间为15天。传感器总数为N(取值范围为1至n)，监测时刻以天为单位，持续监测的天数为K(取值范围为1至k)，K即为所述目标时间区间。本实施例具体的预测过程如下所示：
遍历并提取出每个传感器第一预设时间区间的监测(实测)数据yn,1～yn,5，进而将这五天数据输入随机森林基础模型，通过随机森林基础模型进行预测，获得第六天的预测数据yn,6。
以时间为滑动依据，向前滑动选择窗口1天，遍历传感器的第2～5个实测数据yn,2～yn,5，结合获得第六天的预测数据yn,6作为模型的输入，获得第七天的预测数据yn,7。继续滑动所述选择窗口，获得该传感器第1至K天的预测数据。
当所述目标时间区间K大于等于所述第二预设时间区间(15天)，可以将前15天的测量数据作为所述随机森林基础模型的输入，对模型参数进行更新，获得所述训练好的随机森林预测模型，进而更新时间索引(即预测的第k天)并通过所述训练好的随机森林预测模型完成所有传感器所有监测时刻的预测。当K小于15天时，则不需要对其进行更新。如果K的数量远远大于15天，可以每预测15天对随机森林模型的模型参数更新一次，避免因模型参数不更新而导致预测偏差增大的问题。
进一步地，所述计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。具体地，所述特征量Δyn,k＝|yn,k(预测)-yn,k(实际)|。
步骤S3，计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数。
本实施例步骤S3采用的是鲁棒标准化的处理方法，这是因为，考虑到实际测量过程，可能存在测量信号幅值差异过大的情况(这种情况可能是不同类型的传感器引起的，也可能是其他因素引起的)，为了避免由于幅值差异大导致无法实现数据融合的问题，本实施例以中位数和两个四分位点作为计算基准，可以有效避免极大或极小值的干扰。
优选地，所述对每个特征量进行标准化处理，具体为：
根据下式分别计算各特征量标准化处理后的值
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
所述根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。本实施例中，超声传感器和高频的权重优选为0.4。特高频传感器由于更容易受到空间电磁波的干扰，权重优选为0.2。实施本申请实施例，通过鲁棒标准化处理不同类型传感器数据，便于实现不同种传感器的数据融合；而考虑到外界干扰对传感数据的影响，对不同类型传感器赋予不同的权重，以提高特征参数的计算精度。
步骤S4，对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
本实施例中，可以采用现有的聚类方法(也可以通过现有的分类模型的方法)，对各特征参数进行处理和分析，将各特征参数分为“存在局部放电”和“无局部放电”两类，从而实现不同变压器的对比。
下面以10台不同地点、不同相别的变压器为例对本发明的基于随机森林的变压器出线部位局部放电诊断方法进行介绍，具体地，本实施例中传感器数量为12个超声传感器、4个特高频传感器和2个高频电流传感器(n为18)，持续监测天数为120天(k为120)。
通过本实施例基于随机森林提供的变压器出线部位局部放电诊断方法可以计算出120天内的特征参数Yn，分别如图3(存在局部放电)和图4(无局部放电)所示。
相应的，参照图5，本发明实施例还提供了一种基于随机森林的变压器出线部位局部放电诊断装置，包括数据获取模块101、预测模块102、特征参数计算模块103和诊断模块104；其中，
所述数据获取模块101，用于获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；
所述预测模块102，用于通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；
所述特征参数计算模块103，用于计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；
所述诊断模块104，用于对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
作为一种优选实施方式，所述预测模块102通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
所述预测模块102将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
作为一种优选实施方式，所述特征参数计算模块103对每个特征量进行标准化处理，具体为：
所述特征参数计算模块103根据下式分别计算各特征量标准化处理后的值
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
作为一种优选实施方式，所述特征参数计算模块103根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
所述特征参数计算模块103根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。
作为一种优选实施方式，所述预测模块102计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
所述预测模块102将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。
相比于现有技术，本发明实施例具有如下有益效果：
本发明实施例提供了一种基于随机森林的变压器出线部位局部放电诊断方法和装置，所述方法包括：获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。本发明通过滑动窗口和随机森林预测模型预测目标区间的测量数据，计算出特征量，通过对特征量进行标准化处理得到变压器在目标区间中每一天的特征参数，实现了各种类型传感器的数据融合，其判断结果利于各变压器的横向对比；并且，本发明实施例传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器，在获得特征量并进行标准化处理后，结合对应的权重计算特征参数，通过聚类的方法诊断变压器是否存在局部放电，诊断的方法考虑了多种类型的传感器，相比现有技术的单传感器监测以及将信号与历史数据比对的技术方案，具有更高的准确性；考虑到实际测量过程中可能存在测量信号幅值差异过大的情况，本发明采用中位数和四分位点作为计算基准，可以避免极大值或极小值的干扰，实现有效的数据融合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林的变压器出线部位局部放电诊断方法，其特征在于，包括：
获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；
通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；
计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；
对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
2.如权利要求1所述的一种基于随机森林的变压器出线部位局部放电诊断方法，其特征在于，所述通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
3.如权利要求1所述的一种基于随机森林的变压器出线部位局部放电诊断方法，其特征在于，所述对每个特征量进行标准化处理，具体为：
根据下式分别计算各特征量标准化处理后的值
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
4.如权利要求3所述的一种基于随机森林的变压器出线部位局部放电诊断方法，其特征在于，所述根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。
5.如权利要求3所述的一种基于随机森林的变压器出线部位局部放电诊断方法，其特征在于，所述计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。
6.一种基于随机森林的变压器出线部位局部放电诊断装置，其特征在于，包括数据获取模块、预测模块、特征参数计算模块和诊断模块；其中，
所述数据获取模块，用于获取待测变压器中各传感器若干天的测量数据；其中，传感器的类型包括超声传感器、特高频电流传感器和高频电流传感器；
所述预测模块，用于通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，并计算每个传感器在所述目标时间区间中每一天对应的特征量；
所述特征参数计算模块，用于计算所有特征量的中位数、不大于75％位置的四分位点和不大于25％位置的四分位点，根据所述中位数、所述不大于75％位置的四分位点和不大于25％位置的四分位点，并对每个特征量进行标准化处理，进而根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数；
所述诊断模块，用于对各所述特征参数进行聚类处理，根据聚类处理结果判断所述待测变压器的出线部位是否存在局部放电。
7.如权利要求6所述的一种基于随机森林的变压器出线部位局部放电诊断装置，其特征在于，所述预测模块通过滑动窗口法以及预设的随机森林预测模型分别预测各传感器目标时间区间测量数据的预测值，具体为：
所述预测模块将第一预设时间区间的所述测量数据通过预设的随机森林基础模型进行预测，基于滑动窗口法获得所述目标时间区间测量数据的预测值；
当所述目标时间区间大于等于第二预设时间区间时，通过所述第二预设时间区间测量数据的预测值对所述随机森林基础模型的模型参数进行训练，获得训练好的随机森林预测模型；
通过滑动窗口法以及所述训练好的随机森林预测模型，分别预测各传感器目标时间区间测量数据的预测值。
8.如权利要求6所述的一种基于随机森林的变压器出线部位局部放电诊断装置，其特征在于，所述特征参数计算模块对每个特征量进行标准化处理，具体为：
所述特征参数计算模块根据下式分别计算各特征量标准化处理后的值Δyn,k：
其中，n为传感器编号，k为第k天，Δyn,m为所述中位数，Δyn,25％为不大于75％位置的四分位点，Δyn,75％为不大于25％位置的四分位点。
9.如权利要求8所述的一种基于随机森林的变压器出线部位局部放电诊断装置，其特征在于，所述特征参数计算模块根据标准化处理结果结合传感器类型对应的权重计算得到所述待测变压器在所述目标时间区间中每一天对应的特征参数，具体为：
所述特征参数计算模块根据下式计算所述特征参数Yn：
其中，K为所述目标时间区间对应天数，wi为传感器类型i对应的权重。
10.如权利要求8所述的一种基于随机森林的变压器出线部位局部放电诊断装置，其特征在于，所述预测模块计算每个传感器在所述目标时间区间中每一天对应的特征量，具体为：
所述预测模块将每个传感器在所述目标时间区间中每一天的预测值分别减去对应的实际值，并将差值作为所述特征量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310119792.3A CN116340810A (zh) | 2023-02-13 | 2023-02-13 | 基于随机森林的变压器出线部位局部放电诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310119792.3A CN116340810A (zh) | 2023-02-13 | 2023-02-13 | 基于随机森林的变压器出线部位局部放电诊断方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116340810A true CN116340810A (zh) | 2023-06-27 |
Family
ID=86875472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310119792.3A Pending CN116340810A (zh) | 2023-02-13 | 2023-02-13 | 基于随机森林的变压器出线部位局部放电诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116340810A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970061A (zh) * | 2024-04-02 | 2024-05-03 | 山东泰开电力电子有限公司 | 一种高压电力电容器故障预警方法及*** |
-
2023
- 2023-02-13 CN CN202310119792.3A patent/CN116340810A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970061A (zh) * | 2024-04-02 | 2024-05-03 | 山东泰开电力电子有限公司 | 一种高压电力电容器故障预警方法及*** |
| CN117970061B (zh) * | 2024-04-02 | 2024-06-11 | 山东泰开电力电子有限公司 | 一种高压电力电容器故障预警方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109444791B (zh) | 一种电容式电压互感器误差状态评估方法和*** | |
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| CN103499382B (zh) | 一种基于振动数据融合和图像识别的变压器故障诊断方法 | |
| CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
| CN109029960B (zh) | 一种断路器机械状态检测方法 | |
| CN110333474A (zh) | 一种在线检测互感器计量异常状态的方法和*** | |
| CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及*** | |
| KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
| CN103576059A (zh) | 一种变压器匝间放电综合故障诊断方法及*** | |
| CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估***及方法 | |
| CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
| Kang et al. | A comparative study of fault diagnostic methods for lithium-ion batteries based on a standardized fault feature comparison method | |
| CN116340810A (zh) | 基于随机森林的变压器出线部位局部放电诊断方法和装置 | |
| CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
| CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
| CN117169804B (zh) | 基于合电流矢量分析的电流互感器误差状态在线辨识方法 | |
| CN112034387B (zh) | 一种基于预测序列的输电线路短路故障诊断方法及装置 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
| CN110929673A (zh) | 一种基于itd排列熵和cgwo-svm的变压器绕组振动信号识别方法 | |
| CN115034094A (zh) | 一种金属加工机床运行状态预测方法及*** | |
| CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断***及方法 | |
| CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及*** | |
| Du et al. | Fault diagnosis method of automation equipment in independent and controllable substation based on deep reinforcement learning | |
| CN117232644B (zh) | 一种基于声学原理的变压器声音监测故障诊断方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |