CN116879662A - 基于数据分析的变压器故障检测方法 - Google Patents
基于数据分析的变压器故障检测方法 Download PDFInfo
- Publication number
- CN116879662A CN116879662A CN202311139228.4A CN202311139228A CN116879662A CN 116879662 A CN116879662 A CN 116879662A CN 202311139228 A CN202311139228 A CN 202311139228A CN 116879662 A CN116879662 A CN 116879662A
- Authority
- CN
- China
- Prior art keywords
- acquisition time
- suspected abnormal
- value
- determining
- target
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000007405 data analysis Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 315
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 21
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000011056 performance test Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及电性能测试技术领域,具体涉及一种基于数据分析的变压器故障检测方法,该方法通过获取待检测变压器的各个采集时刻的不同种类的参数值,确定目标疑似异常采集时刻组,并根据目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,确定目标疑似异常采集时刻组对应每种参数值的影响因子;构造每个采集时刻对应的样本点,并根据目标疑似异常采集时刻组对应每种参数值的影响因子以及样本点的坐标值,确定任意两个不同样本点之间的度量距离,根据该度量距离,进行离群样本点检测,从而确定变压器是否出现故障。本发明可以有效提升变压器的故障检测准确性。
Description
技术领域
本发明涉及电性能测试技术领域,具体涉及一种基于数据分析的变压器故障检测方法。
背景技术
变压器作为一种常见的电气设备,其利用电磁感应原理,在两个或多个绕组之间传递交流电功率,从而使输入端和输出端电压达到不同要求。变压器在电路中起着至关重要的作用,当变压器发生故障时,就会导致整个电路无法正常工作,甚至会造成重大安全事故。因此,对变压器的运行状态进行实时监测,并及时准确地检测出变压器故障,避免恶性事故的发生,具有十分重要的现实意义。
LOF算法(Local Outlier Factor,局部离群因子检测方法)是一种常用的异常检测算法,该算法可以有效发现样本数据中的异常点,在处理较复杂的数据集时具有较高的鲁棒性,同时该算法基于局部密度进行局部离群因子构建,相较于常规密度聚类算法更适用于具有不同密度分布的数据集,常被用于变压器故障检测。但是现有LOF算法在确定样本间的度量距离时,仅仅考虑了不同样本之间的欧式距离,而由于样本不同维度上信息对样本特征的影响程度不同,从而无法准确对不同样本点之间的差异情况进行评估,这就导致所确定的样本局部可达密度存在精度低的情况,从而造成局部异常因子检测不够准确,最终导致变压器故障检测结果不够准确。
发明内容
本发明的目的在于提供一种基于数据分析的变压器故障检测方法,用于解决现有变压器故障检测准确性低的问题。
为解决上述技术问题,本发明提供了一种基于数据分析的变压器故障检测方法,包括以下步骤:
获取待检测变压器的各个采集时刻的不同种类的参数值,所述参数值至少包括电信号值、温度值和振动信号值;
根据各个采集时刻的电信号值的分布差异,确定所述各个采集时刻中的疑似异常采集时刻,对所述疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组;
根据所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的分布差异,确定所述疑似异常采集时刻组对应的异常置信度指标;
根据所述异常置信度指标,确定所述疑似异常采集时刻组中的目标疑似异常采集时刻组,并根据所述目标疑似异常采集时刻组中各个采集时刻的参数值,确定所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值;
根据所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,确定所述目标疑似异常采集时刻组对应每种参数值的影响因子;
根据每个采集时刻的不同种类的参数值,构造每个采集时刻对应的样本点,并根据所述目标疑似异常采集时刻组对应每种参数值的影响因子以及样本点对应采集时刻的不同种类的参数值,确定任意两个不同样本点之间的度量距离;
根据所述度量距离,进行离群样本点检测,从而确定变压器是否出现故障。
进一步的,确定所述各个采集时刻中的疑似异常采集时刻,包括:
根据各个采集时刻的电信号值,确定每个采集时刻对应的电信号值变化斜率,并对所述电信号值变化斜率进行阈值分割,确定各个疑似异常电信号值变化斜率,并将所述疑似异常电信号值变化斜率对应的采集时刻确定为疑似异常采集时刻。
进一步的,确定所述疑似异常采集时刻组对应的异常置信度指标,包括:
确定所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的极差值和二阶差分方差,并根据所述极差值和二阶差分方差,确定所述疑似异常采集时刻组对应同一种参数值的异常系数;
确定所述疑似异常采集时刻组对应任意两种不同参数值的异常系数的差值绝对值,并根据所述差值绝对值,确定所述疑似异常采集时刻组对应的异常置信度指标,所有所述差值绝对值均与所述异常置信度指标成负相关关系。
进一步的,确定所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,包括:
根据所述目标疑似异常采集时刻组中各个采集时刻的同一种参数值,确定所述目标疑似异常采集时刻组对应同一种参数值的时序序列;
确定对应其中一种参数值的时序序列与其他每个种类的参数值的时序序列之间的皮尔逊相关系数,并将所述皮尔逊相关系数确定为所述目标疑似异常采集时刻组对应的其中一种参数值和其他每个种类的参数值之间的相关指标值;
确定对应其他每两个不同种类的参数值的时序序列之间的斯皮尔曼相关系数,并将所述斯皮尔曼相关系数确定为所述目标疑似异常采集时刻组对应的其他每两个不同种类的参数值之间的相关指标值。
进一步的,确定所述目标疑似异常采集时刻组对应每种参数值的影响因子,包括:
确定所述目标疑似异常采集时刻组对应的每种参数值与其他各种参数值之间的相关指标值的累加和,从而得到所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值;
确定所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值与所述目标疑似异常采集时刻组对应的所有累计相关指标值的累计和的比值,并将所述比值确定为所述目标疑似异常采集时刻组对应每种参数值的影响因子。
进一步的,确定任意两个不同样本点之间的度量距离,对应的计算公式为:
其中,表示均位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第q种参数值的影响因子;/>和/>分别表示采集时刻/>和/>的第q种参数值,/>表示参数值的种类数;/>表示位于目标疑似异常采集时刻组中的采集时刻/>和不位于目标疑似异常采集时刻组中的采集时刻/>对应的样本点之间的度量距离;表示采集时刻/>的第q种参数值;/>表示不位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>表示采集时刻/>的第q种参数值。
进一步的,进行离群样本点检测,从而确定变压器是否出现故障,包括:
根据任意两个不同样本点之间的度量距离,利用LOF算法确定每个样本点对应的局部离群因子;
将所述局部离群因子大于设定阈值的样本点所对应的采样时刻确定为离群异常采集时刻,若存在大于或者等于设定数目的连续离群异常采集时刻,则判定变压器出现故障,否则判定变压器没有出现故障。
进一步的,对所述疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组,包括:
采用密度聚类算法对所述疑似异常采集时刻进行分组,获取各个初始的疑似异常采集时刻组,并对所述初始的疑似异常采集时刻组进行修正,从而得到最终的疑似异常采集时刻组。
进一步的,确定所述疑似异常采集时刻组中的目标疑似异常采集时刻组,包括:
根据所述异常置信度指标,将设定比例的所述疑似异常采集时刻组确定为目标疑似异常采集时刻组,每个所述目标疑似异常采集时刻组的异常置信度指标均大于不属于目标疑似异常采集时刻组的其他各个疑似异常采集时刻组的异常置信度指标。
进一步的,所述电信号值为电流值,所述振动信号值为振幅值。
本发明具有如下有益效果:本发明通过对变压器进行电性能测试,可以有效提升变压器的故障检测准确性。具体体现为,当变压器发生故障时,其对应的电信号最为敏感,会首先发生变化,因此通过对变压器的电信号值分布情况进行分析,可初步确定疑似异常采集时刻组,疑似异常采集时刻组表征了变压器有可能发生故障的时间段。由于疑似异常采集时刻组仅是根据变压器电信号值变化情况得到,但是电信号值发生变化还有可能是电信号值采集出错或者其他因素影响导致,考虑到当变压器发生故障时,其对应的各种参数值会对应发生变化,因此为了进一步准确判断变压器是否发生故障,对疑似异常采集时刻组中各个采集时刻对应的每种参数值的分布差异情况进行分析,确定异常置信度指标,从而确定变压器最有可能发生故障的目标疑似异常采集时刻组。对目标疑似异常采集时刻组对应不同参数值之间的互相影响程度进行评估,构建标疑似异常采集时刻组对应每种参数值的影响因子。构造每个采集时刻对应的样本点,并根据影响因子对离群样本点检测中样本点之间的度量距离进行改进,从而可以准确表征不同样本点之间的度量距离,保证了样本局部可达密度的精度,有效提升了变压器的故障检测准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例的基于数据分析的变压器故障检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有变压器故障检测准确性低的问题,本实施例提供了一种基于数据分析的变压器故障检测方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取待检测变压器的各个采集时刻的不同种类的参数值,所述参数值至少包括电信号值、温度值和振动信号值。
变压器运行监测***通过安装相应的传感器设备,来对变压器运行过程中的不同参数进行采集。所安装的传感器设备类型可以需要进行选定,在本实施例中,所安装的传感器设备包括电流传感器、温度传感器和振动传感器三种。其中,电流传感器安装在变压器的输出端,温度传感器安装在变压器绕组顶部盖板上,振动传感器安装在变压器底部壳体上。设置这些传感器设备以同步方式采集数据,且相邻两次采集数据的时间间隔为秒。时间间隔/>的具体取值可以根据需要进行合理设置,考虑变压器的温度变化较慢,本实施例设置该时间间隔/>。三种传感器每采集一次数据,即可获得一组电流值、温度值和振幅值,每一组电流值、温度值和振幅值对一个采集时刻。这里的电流值即为电信号值,振幅值即为振动信号值。
在变压器运行过程中,当需要对变压器的运行状态进行检测时,获取当前每种传感器采集的个参数值,这/>个参数值是指当前新采集到的过去/>个参数值。/>的具体取值可以根据需要进行设置,本实施例设置/>。在获取到当前每种传感器采集的/>个参数值之后,对这些参数值进行数据预处理,数据预处理过程包括数据清洗以及最小-最大归一化操作。其中,数据清洗时需要着重注意检查时间戳,修正非同步采集导致的时间偏差。在数据清洗后,通过对清洗后的数据进行最小-最大归一化操作,可以将参数值归一化到值域内。由于清晰过程和最小-最大归一化操作均属于现有技术,此处不再赘述。
通过上述步骤,可获取三组时序参数值,分别记为电流值时间序列、温度值时间序列/>以及振幅值时间序列/>,同时记第/>个采集时刻获取的归一化电流值、温度值和振幅值为/>、/>和/>,此时有:/>;/>;。
本实施例获取变压器运行的电流值、温度值和振幅值这三类参数数据作为变压器异常检测的特征是因为这三种参数能够很好的反映变压器的运行状态。其中,电流值能直接关联变压器的负载情况,而温升是变压器长期过载的重要表征,振幅可检测机械异常如阻力增大、绝缘老化等,同时三种参数之间存在一定的内在联系,后续通过分析上述三种参数之间的相关性,对LOF算法中样本间的度量距离进行改进,从而提高变压器故障检测的准确性。应当理解的是,在保证所获取的变压器参数可以很好的反映变压器的运行状态的情况下,实施者也可以根据需要来确定所获取的变压器参数的类型和种类数。
步骤S2:根据各个采集时刻的电信号值的分布差异,确定所述各个采集时刻中的疑似异常采集时刻,对所述疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组。
因为电流往往敏感度较高,在变压器运行过程中,如若发生故障,则会出现较大响应变化,所以首先以电流值序列为分析对象,检测该序列中的异常数据,从而确定疑似异常采集时刻。在本实施例中,确定疑似异常采集时刻的实现步骤为:根据各个采集时刻的电信号值,确定每个采集时刻对应的电信号值变化斜率,并对所述电信号值变化斜率进行阈值分割,确定各个疑似异常电信号值变化斜率,并将所述疑似异常电信号值变化斜率对应的采集时刻确定为疑似异常采集时刻。具体的,计算电流值序列/>的一阶差分序列,即计算电流值序列/>中每个电流值与其后一个电流值的差值绝对值,并将该差值绝对值作为每个电流值的差分值,然后将各个差分值按照其对应的电流值的排列顺序进行排列,从而得到一阶差分序列。其中,对于电流值序列/>中的最后一个电流值,由于其没有后一个电流值,此时可以根据电流值序列/>中的各个电流值,利用插值算法计算出该电流值序列/>中最后一个电流值的后一个电流值,进而基于计算出的电流值来确定该电流值序列/>中最后一个电流值对应的差分值。一阶差分序列中的每个差分值即为其对应的电流值的对应采集时刻的电信号值变化斜率。然后使用最大类间方差法获取该一阶差分序列的分割阈值,将大于分割阈值的差分值记为疑似异常差分值,并返回原始电流值序列,记录每个疑似异常差分值对应的采集时刻,并将这些采集时刻记为疑似异常采集时刻。
在获取到疑似异常采集时刻之后,为了便于后续分析,对这些疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组,实现步骤为:采用密度聚类算法对所述疑似异常采集时刻进行分组,获取各个初始的疑似异常采集时刻组,并对所述初始的疑似异常采集时刻组进行修正,从而得到最终的疑似异常采集时刻组。具体的,将所有疑似异常采集时刻按照升序排列,排序后得到的序列中包含连续的疑似异常采集时刻以及离散的疑似异常采集时刻,然后使用密度聚类算法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)对所有疑似异常采集时刻进行聚类,获取各个初始的疑似异常采集时刻组。在采用DBSCAN算法对所有疑似异常采集时刻进行聚类时,可以根据需要来设置域半径以及样本个数阈值/>,在本实施例中,设置/>,。所得到的初始的疑似异常采集时刻组可能是由连续的疑似异常采集时刻构成,也可能是由单个或者两个离散疑似异常采集时刻构成。在得到各个初始的疑似异常采集时刻组之后,合并与连续疑似异常采集时刻相距较近的离散疑似异常采集时刻,同时剔除与连续疑似异常采集时刻相距较远的离散疑似异常采集时刻,从而得到最终的疑似异常采集时刻组。在本实施例中,当某个离散疑似异常采集时刻与某段连续疑似异常采集时刻中间仅仅间隔一个采集时刻时,则认为该离散疑似异常采集时刻与该某段连续疑似异常采集时刻距离较近,此时可以将该离散疑似异常采集时刻以及中间间隔的一个采集时刻均合并到该某段连续疑似异常采集时刻中。当某个离散疑似异常采集时刻与其最近的连续疑似异常采集时刻中间间隔两个及其以上个采集时刻时,则认为该离散疑似异常采集时刻与该某段连续疑似异常采集时刻距离较远,则直接将该离散疑似异常采集时刻剔除。按照这种方式对初始的疑似异常采集时刻组进行修正,从而得到最终的疑似异常采集时刻组,每个最终的疑似异常采集时刻组中的各个疑似异常采集时刻构成了一个疑似异常采集时刻序列,此时每个最终的疑似异常采集时刻组对应一个疑似异常采集时刻序列。
步骤S3:根据所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的分布差异,确定所述疑似异常采集时刻组对应的异常置信度指标。
由于上述所得到的疑似异常采集时刻序列是由电流值时间序列分析得到,但电流异常并不能确定整个变压器设备都发生了故障,其可能因为传感器设备出错或其他因素所造成,所以后续需要根据疑似异常采集时刻序列所对应的疑似异常电流值、温度值以及振幅值在各自对应序列内的变化情况,来确定异常采集序列。因此,通过对每个疑似异常采集时刻组中各个采集时刻对应的同一种参数值的分布差异进行分析,确定该疑似异常采集时刻组对应的异常置信度指标,实现步骤包括:
确定所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的极差值和二阶差分方差,并根据所述极差值和二阶差分方差,确定所述疑似异常采集时刻组对应同一种参数值的异常系数;
确定所述疑似异常采集时刻组对应任意两种不同参数值的异常系数的差值绝对值,并根据所述差值绝对值,确定所述疑似异常采集时刻组对应的异常置信度指标,所有所述差值绝对值均与所述异常置信度指标成负相关关系。
具体的,将第个最终的疑似异常采集时刻组也就是第/>个疑似异常采集时刻序列对应的电流值所构成的序列记为疑似异常电流值序列/>,根据该序列/>内电流值的整体变化趋势,确定该第/>个最终的疑似异常采集时刻组也就是第/>个疑似异常采集时刻序列对应电流值的异常系数,对应的计算公式为:
其中,表示第/>个最终的疑似异常采集时刻组也就是第/>个疑似异常采集时刻序列对应电流值的异常系数,/>表示疑似异常电流值序列/>中的极差值,即电流值极大值与电流值极小值的差值;/>表示疑似异常电流值序列/>中电流值的二阶差分方差,通过对疑似异常电流值序列/>中每相邻两个电流值中的后一个电流值减去前一个电流值,从而得到一阶差分序列,再通过对一阶差分序列中每相邻两个元素中后一个元素减去前一个元素,从而得到二阶差分序列,计算该二阶差分序列中所有元素值的方差,从而得到二阶差分方差。
对于上述的第个最终的疑似异常采集时刻组对应电流值的异常系数的计算公式,在正常情况下,电流值序列内的电流值之间差异较小,当/>越大时,说明该疑似异常电流值序列/>内电流值极大值与极小值之间的差异越大,此时异常系数/>越大,则疑似异常电流值序列/>越有可能为异常电流值序列;当/>越大时,说明该疑似异常电流值序列/>的二阶差分序列的方差越大,即该序列/>内电流值变化幅度越大,说明越有可能为故障引起的电流变化,而非变压器负载功率增大引起的变化,此时异常系数/>越大,则疑似异常电流值序列/>越有可能为异常电流值序列。
通过上述方法,可以获得第个最终的疑似异常采集时刻组也就是第/>个疑似异常采集时刻序列对应电流值的异常系数/>,将第/>个最终的疑似异常采集时刻组对应的温度值所构成的序列记为疑似异常温度值序列/>,并将第/>个最终的疑似异常采集时刻组对应的振幅值所构成的序列记为疑似异常振幅值序列/>,按照相同的方式,可以获取第/>个最终的疑似异常采集时刻组对应温度值的异常系数/>以及对应振幅值的异常系数。然后通过对这三种异常系数的相似情况进行分析,可以确定该第/>个最终的疑似异常采集时刻组是否处于变压器运行异常时间段。在本实施例中,通过计算该第/>个最终的疑似异常采集时刻组对应任意两种不同参数值的异常系数的差值绝对值,从而确定该第/>个最终的疑似异常采集时刻组对应的异常置信度指标,对应的计算公式为:
其中,表示第/>个最终的疑似异常采集时刻组对应的异常置信度指标;表示第/>个疑似异常采集时刻序列对应的疑似异常电流值序列/>的异常系数/>与对应的疑似异常温度值序列/>的异常系数/>之间的差异度,也就是第/>个最终的疑似异常采集时刻组对应电流值和温度值这两种参数值的异常系数的差值绝对值;/>表示第/>个疑似异常采集时刻序列对应的疑似异常电流值序列/>的异常系数/>与对应的疑似异常振幅值序列/>的异常系数/>之间的差异度,也就是第/>个最终的疑似异常采集时刻组对应电流值和振幅值这两种参数值的异常系数的差值绝对值;/>表示第个疑似异常采集时刻序列对应的第/>个疑似异常采集序列对应的疑似异常温度值序列的异常系数/>与对应的疑似异常振幅值序列/>的异常系数/>之间的差异度,也就是第/>个最终的疑似异常采集时刻组对应温度值和振幅值这两种参数值的异常系数的差值绝对值;| |表示取绝对值符号;/>表示归一化函数;/>表示调参因子,用于避免分母为0的情况,这里取经验值0.001。
对于上述的第个最终的疑似异常采集时刻组对应的异常置信度指标,当上述三种异常系数彼此之间的差异越小时,说明该第/>个最终的疑似异常采集时刻组对应的疑似异常电流值序列/>、疑似异常温度值序列/>和疑似异常振幅值序列/>的变化情况越相似,则第/>个最终的疑似异常采集时刻组的异常置信度指标/>越大,第/>个最终的疑似异常采集时刻组越有可能处于变压器运行异常时间段内。
步骤S4:根据所述异常置信度指标,确定所述疑似异常采集时刻组中的目标疑似异常采集时刻组,并根据所述目标疑似异常采集时刻组中各个采集时刻的参数值,确定所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值。
根据所述步骤所获得的各个最终的疑似异常采集时刻组对应的异常置信度指标,确定目标疑似异常采集时刻组,即:根据所述异常置信度指标,将设定比例的所述疑似异常采集时刻组确定为目标疑似异常采集时刻组,每个所述目标疑似异常采集时刻组的异常置信度指标均大于不属于目标疑似异常采集时刻组的其他各个疑似异常采集时刻组的异常置信度指标。具体的,将各个最终的疑似异常采集时刻组对应的异常置信度指标进行降序排列,并取前设定比例的异常置信度指标所对应的最终的疑似异常采集时刻组作为目标疑似异常采集时刻组。设定比例可以根据需要进行设定,在本实施例中,设置该设定比例的取值为10%。在通过上述方式确定各个目标疑似异常采集时刻组之后,将各个目标疑似异常采集时刻组对应的疑似异常电流值序列、疑似异常温度值序列和疑似异常振幅值序列,分别记为目标电流值时序序列、目标温度值时序序列和目标振幅值时序序列。
基于先验知识可知,对变压器来说,电流越大时温度相应升高,且振幅也相应增大,三者之间均为正相关性,因此通过对每个目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关性进行分析,便于后续更加准确地确定变压器是否发生故障,实现步骤包括:
根据所述目标疑似异常采集时刻组中各个采集时刻的同一种参数值,确定所述目标疑似异常采集时刻组对应同一种参数值的时序序列;
确定对应其中一种参数值的时序序列与其他每个种类的参数值的时序序列之间的皮尔逊相关系数,并将所述皮尔逊相关系数确定为所述目标疑似异常采集时刻组对应的其中一种参数值和其他每个种类的参数值之间的相关指标值;
确定对应其他每两个不同种类的参数值的时序序列之间的斯皮尔曼相关系数,并将所述斯皮尔曼相关系数确定为所述目标疑似异常采集时刻组对应的其他每两个不同种类的参数值之间的相关指标值。
具体的,对于每个目标疑似异常采集时刻组,计算其对应的目标电流值时序序列和目标温度值时序序列之间的皮尔逊相关系数,并将该皮尔逊相关系数作为该目标疑似异常采集时刻组对应的电流值和温度值之间的相关指标值;同时计算其对应的目标温度值时序序列和目标振幅值时序序列之间的皮尔逊相关系数,并将该皮尔逊相关系数作为该目标疑似异常采集时刻组对应的电流值和振幅值之间的相关指标值。考虑到当电压器温度升高时,变压器的振幅也会相应增大,二者同样存在单调关系,但是温度和振幅两类数据不太可能满足联合正态分布,因此为了表征温度和振幅两类数据之间的相关性,计算该目标疑似异常采集时刻组对应的目标温度值时序序列和目标振幅时序序列之间的斯皮尔曼相关系数,并将该斯皮尔曼相关系数作为该目标疑似异常采集时刻组对应的温度值和振幅值之间的相关指标值。
以第j个目标疑似异常采集时刻组为例,确定每个目标疑似异常采集时刻组对应的三个相关指标值,对应的计算公式为:
其中,表示第j个目标疑似异常采集时刻组对应的电流值和温度值之间的相关指标值;/>表示第j个目标疑似异常采集时刻组对应的电流值和振幅值之间的相关指标值;/>表示第j个目标疑似异常采集时刻组对应的温度值和振幅值之间的相关指标值;表示第j个目标疑似异常采集时刻组对应的目标电流值时序序列/>和目标温度值时序序列/>之间的皮尔逊相关系数;/>表示第j个目标疑似异常采集时刻组对应的目标电流值时序序列/>和目标振幅值时序序列/>之间的皮尔逊相关系数;/>表示第j个目标疑似异常采集时刻组对应的目标温度值时序序列/>和目标振幅值时序序列/>之间的斯皮尔曼相关系数。
对于上述的相关指标值的计算公式,每个相关指标值反映了其对应的两种不同种类的参数值的时序序列之间的相关性大小,当两种不同种类的参数值的时序序列之间相关性越大时,此时相关指标值的取值就越大。
应当理解的是,上述是以每个目标疑似异常采集时刻组对应的目标电流值时序序列为基准,计算该目标电流值时序序列分别与目标温度值时序序列和目标振幅值时序序列之间的皮尔逊相关系数,并计算目标温度值时序序列和目标振幅值时序序列之间的斯皮尔曼相关系数,从而得到各个相关指标值。作为其他的实施方式,也可以选择以每个目标疑似异常采集时刻组对应的目标温度值时序序列或者目标振幅值时序序列为基准,并按照相同的方式来得到各个相关指标值。
步骤S5:根据所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,确定所述目标疑似异常采集时刻组对应每种参数值的影响因子。
在通过上述步骤确定每个目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值之后,基于这些相关指标值,确定该目标疑似异常采集时刻组对应每种参数值的影响因子,实现步骤如下:
确定所述目标疑似异常采集时刻组对应的每种参数值与其他各种参数值之间的相关指标值的累加和,从而得到所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值;
确定所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值与所述目标疑似异常采集时刻组对应的所有累计相关指标值的累计和的比值,并将所述比值确定为所述目标疑似异常采集时刻组对应每种参数值的影响因子。
具体的,以第j个目标疑似异常采集时刻组为例,确定每个目标疑似异常采集时刻组对应每种参数值的影响因子,对应的计算公式为:
其中,表示第j个目标疑似异常采集时刻组对应电流值的影响因子;/>表示第j个目标疑似异常采集时刻组对应温度值的影响因子;/>表示第j个目标疑似异常采集时刻组对应振动值的影响因子。
在上述的影响因子的计算公式中,分子为第j个目标疑似异常采集时刻组对应每种参数值所对应的累计相关指标值,分母为第j个目标疑似异常采集时刻组对应的所有累计相关指标值的累计和,因此影响因子表征了对应每种参数值所对应的累计相关指标值在所有种类的参数值所对应的累计相关指标值中的占比大小,后续通过将该占比作为对应参数值计算的权重,可以有效提高异常点检测的准确性。
步骤S6:根据每个采集时刻的不同种类的参数值,构造每个采集时刻对应的样本点,并根据所述目标疑似异常采集时刻组对应每种参数值的影响因子以及样本点对应采集时刻的不同种类的参数值,确定任意两个不同样本点之间的度量距离。
根据上述步骤S1所确定的每个采集时刻的归一化电流值、温度值和振幅值,以电流值为x轴上的坐标值,以温度值为y轴上的坐标值,并以振幅值为z轴导航的坐标值,从而构建出每个采集时刻对应的三维样本点。以第个采集时刻的归一化电流值/>、温度值/>和振幅值/>为例,将归一化电流值/>、温度值/>和振幅值/>分别作为x轴、y轴和z轴上的坐标值,从而构造一个三维样本点/>,此时有/>。
在确定各个采集时刻对应的三维样本点之后,基于这些三维样本点的三维坐标,并结合每个目标疑似异常采集时刻组对应每种参数值的影响因子,确定任意两个不同样本点之间的度量距离,对应的计算公式为:
=
=
其中,表示均位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第q种参数值的影响因子;/>和/>分别表示采集时刻/>和/>的第q种参数值,/>表示参数值的种类数,在本实施例中,/>;/>表示采集时刻/>和/>的第一种参数值即电流值在x轴上的距离;/>;/>和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第一种参数值即电流值的影响因子;/>和/>分别表示采集时刻/>和/>的第一种参数值即电流值;/>表示采集时刻/>和/>的第二种参数值即温度值在y轴上的距离;/>;和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第二种参数值即温度值的影响因子;/>和/>分别表示采集时刻/>和/>的第二种参数值即温度值;表示采集时刻/>和/>的第三种参数值即电流值在z轴上的距离;/>;/>和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第三种参数值即振幅值的影响因子;/>和/>分别表示采集时刻/>和/>的第三种参数值即振幅值;/>表示位于目标疑似异常采集时刻组中的采集时刻/>和不位于目标疑似异常采集时刻组中的采集时刻/>对应的样本点之间的度量距离;/>表示采集时刻/>的第q种参数值;/>表示采集时刻/>和/>的第一种参数值即电流值在x轴上的距离;/>;/>表示采集时刻/>的第一种参数值即电流值;/>表示采集时刻/>和/>的第二种参数值即温度值在y轴上的距离;;/>表示采集时刻/>的第二种参数值即温度值;/>表示采集时刻/>和/>的第三种参数值即振幅值在z轴上的距离;;/>表示采集时刻/>的第三种参数值即振幅值;表示不位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>表示采集时刻/>的第q种参数值;/>表示采集时刻/>和/>的第一种参数值即电流值在x轴上的距离;/>;/>表示采集时刻/>的第一种参数值即电流值;/>表示采集时刻/>和/>的第二种参数值即温度值在y轴上的距离;;/>表示采集时刻/>的第二种参数值即温度值;/>表示采集时刻/>和/>的第二种参数值即振幅值在z轴上的距离;/>;/>表示采集时刻/>的第三种参数值即振幅值。
根据上述的任意两个不同样本点之间的度量距离的计算公式可知,对于均位于目标疑似异常采集时刻组的采集时刻和/>,利用该采集时刻/>和/>所位于的目标疑似异常采集时刻组对应每种参数值的影响因子的平均值,作为采集时刻/>和/>的该种参数值之间的距离的权重,从而最终得到采集时刻/>和/>所对应两个样本点之间的度量距离。对于位于目标疑似异常采集时刻组中的采集时刻/>和不位于目标疑似异常采集时刻组中的采集时刻/>,将该采集时刻/>所位于的目标疑似异常采集时刻组对应每种参数值的影响因子与1进行求平均,此时可以认为采集时刻/>对应的影响因子为1,并将该平均值作为采集时刻/>和/>的该种参数值之间的距离的权重,从而最终得到采集时刻/>和/>所对应两个样本点之间的度量距离。而对于均不位于目标疑似异常采集时刻组中的采集时刻/>和/>,可以认为采集时刻/>和/>对应的影响因子为1,采集时刻/>和/>的种参数值之间的距离的权重为1,此时直接根据采集时刻/>和/>对应每种参数值之间的距离,得到采集时刻/>和/>所对应两个样本点之间的度量距离。
上述通过判断采样时刻是否属于目标疑似异常采集时刻组,当属于目标疑似异常采集时刻组时,则利用其所属于目标疑似异常采集时刻组对应每种参数值的影响因子,确定其对应每种参数值的距离的权重,从而可以更加准确的评估不同采集时刻对应样本之间的度量距离,从而提高了后续基于度量距离进行异常点检测的准确性。
步骤S7:根据所述度量距离,进行离群样本点检测,从而确定变压器是否出现故障。
在通过上述方式确定任意两个不同样本点之间的度量距离之后,基于这些距离值,利用LOF算法对行离群样本点检测,从而确定变压器是否出现故障,实现步骤包括:
根据任意两个不同样本点之间的度量距离,利用LOF算法确定每个样本点对应的局部离群因子;
将所述局部离群因子大于设定阈值的样本点所对应的采样时刻确定为离群异常采集时刻,若存在大于或者等于设定数目的连续离群异常采集时刻,则判定变压器出现故障,否则判定变压器没有出现故障。
具体的,基于任意两个不同样本点之间的度量距离,利用LOF算法确定每个样本点的局部离群因子。预先设置设定阈值,设定阈值的具体取值可以根据经验或者实验进行合理设置,本实施例设置该设定阈值的取值为1.2。将每个样本点的局部离群因子与该设定阈值进行比较,将局部离群因子大于该设定阈值的样本点标记为离群样本点。统计最终所确定的所有离群样本点对应的采集时刻,并将这些采集时刻作为离群异常采集时刻。当这些离群异常采集时刻中存在连续出现的离群异常采集时刻,且连续出现的离群异常采集时刻的数目大于或者等于设定数目时,则认为连续出现的离群异常采集时刻处于变压器故障时间段,说明变压器出现故障,需人工维护,此时则进行报警处理。设定数目的具体取值可以根据经验或者实验进行合理设置,本实施例设置该设定数目的取值为4。
本发明通过确定疑似异常采集时刻组对应的异常置信度指标,从中筛选出目标疑似异常采集时刻组,进而根据目标疑似异常采集时刻组对应不同参数值之间的互相影响程度,构建标疑似异常采集时刻组对应每种参数值的影响因子,并利用该影响因子对LOF算法中不用样本点之间的度量距离进行改进,从而可以准确表征不同样本点之间的距离值,保证了样本局部可达密度的精度,有效提升了变压器的故障检测准确性。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于数据分析的变压器故障检测方法,其特征在于,包括以下步骤:
获取待检测变压器的各个采集时刻的不同种类的参数值,所述参数值至少包括电信号值、温度值和振动信号值;
根据各个采集时刻的电信号值的分布差异,确定所述各个采集时刻中的疑似异常采集时刻,对所述疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组;
根据所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的分布差异,确定所述疑似异常采集时刻组对应的异常置信度指标;
根据所述异常置信度指标,确定所述疑似异常采集时刻组中的目标疑似异常采集时刻组,并根据所述目标疑似异常采集时刻组中各个采集时刻的参数值,确定所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值;
根据所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,确定所述目标疑似异常采集时刻组对应每种参数值的影响因子;
根据每个采集时刻的不同种类的参数值,构造每个采集时刻对应的样本点,并根据所述目标疑似异常采集时刻组对应每种参数值的影响因子以及样本点对应采集时刻的不同种类的参数值,确定任意两个不同样本点之间的度量距离;
根据所述度量距离,进行离群样本点检测,从而确定变压器是否出现故障。
2.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定所述各个采集时刻中的疑似异常采集时刻,包括:
根据各个采集时刻的电信号值,确定每个采集时刻对应的电信号值变化斜率,并对所述电信号值变化斜率进行阈值分割,确定各个疑似异常电信号值变化斜率,并将所述疑似异常电信号值变化斜率对应的采集时刻确定为疑似异常采集时刻。
3.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定所述疑似异常采集时刻组对应的异常置信度指标,包括:
确定所述疑似异常采集时刻组中各个采集时刻对应的同一种参数值的极差值和二阶差分方差,并根据所述极差值和二阶差分方差,确定所述疑似异常采集时刻组对应同一种参数值的异常系数;
确定所述疑似异常采集时刻组对应任意两种不同参数值的异常系数的差值绝对值,并根据所述差值绝对值,确定所述疑似异常采集时刻组对应的异常置信度指标,所有所述差值绝对值均与所述异常置信度指标成负相关关系。
4.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定所述目标疑似异常采集时刻组对应的任意两种不同参数值之间的相关指标值,包括:
根据所述目标疑似异常采集时刻组中各个采集时刻的同一种参数值,确定所述目标疑似异常采集时刻组对应同一种参数值的时序序列;
确定对应其中一种参数值的时序序列与其他每个种类的参数值的时序序列之间的皮尔逊相关系数,并将所述皮尔逊相关系数确定为所述目标疑似异常采集时刻组对应的其中一种参数值和其他每个种类的参数值之间的相关指标值;
确定对应其他每两个不同种类的参数值的时序序列之间的斯皮尔曼相关系数,并将所述斯皮尔曼相关系数确定为所述目标疑似异常采集时刻组对应的其他每两个不同种类的参数值之间的相关指标值。
5.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定所述目标疑似异常采集时刻组对应每种参数值的影响因子,包括:
确定所述目标疑似异常采集时刻组对应的每种参数值与其他各种参数值之间的相关指标值的累加和,从而得到所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值;
确定所述目标疑似异常采集时刻组对应的每种参数值的累计相关指标值与所述目标疑似异常采集时刻组对应的所有累计相关指标值的累计和的比值,并将所述比值确定为所述目标疑似异常采集时刻组对应每种参数值的影响因子。
6.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定任意两个不同样本点之间的度量距离,对应的计算公式为:
其中,表示均位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>和/>分别表示采集时刻/>和/>所位于的目标疑似异常采集时刻组对应第q种参数值的影响因子;/>和/>分别表示采集时刻/>和/>的第q种参数值,/>表示参数值的种类数;/>表示位于目标疑似异常采集时刻组中的采集时刻/>和不位于目标疑似异常采集时刻组中的采集时刻/>对应的样本点之间的度量距离;表示采集时刻/>的第q种参数值;/>表示不位于目标疑似异常采集时刻组中的采集时刻/>和/>对应的样本点之间的度量距离;/>表示采集时刻/>的第q种参数值。
7.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,进行离群样本点检测,从而确定变压器是否出现故障,包括:
根据任意两个不同样本点之间的度量距离,利用LOF算法确定每个样本点对应的局部离群因子;
将所述局部离群因子大于设定阈值的样本点所对应的采样时刻确定为离群异常采集时刻,若存在大于或者等于设定数目的连续离群异常采集时刻,则判定变压器出现故障,否则判定变压器没有出现故障。
8.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,对所述疑似异常采集时刻进行分组,获取至少两个疑似异常采集时刻组,包括:
采用密度聚类算法对所述疑似异常采集时刻进行分组,获取各个初始的疑似异常采集时刻组,并对所述初始的疑似异常采集时刻组进行修正,从而得到最终的疑似异常采集时刻组。
9.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,确定所述疑似异常采集时刻组中的目标疑似异常采集时刻组,包括:
根据所述异常置信度指标,将设定比例的所述疑似异常采集时刻组确定为目标疑似异常采集时刻组,每个所述目标疑似异常采集时刻组的异常置信度指标均大于不属于目标疑似异常采集时刻组的其他各个疑似异常采集时刻组的异常置信度指标。
10.根据权利要求1所述的一种基于数据分析的变压器故障检测方法,其特征在于,所述电信号值为电流值,所述振动信号值为振幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139228.4A CN116879662B (zh) | 2023-09-06 | 2023-09-06 | 基于数据分析的变压器故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139228.4A CN116879662B (zh) | 2023-09-06 | 2023-09-06 | 基于数据分析的变压器故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116879662A true CN116879662A (zh) | 2023-10-13 |
CN116879662B CN116879662B (zh) | 2023-12-08 |
Family
ID=88271836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311139228.4A Active CN116879662B (zh) | 2023-09-06 | 2023-09-06 | 基于数据分析的变压器故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879662B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力***故障诊断*** |
CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及*** |
CN117269655A (zh) * | 2023-11-17 | 2023-12-22 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、***、终端及介质 |
CN117349781A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及*** |
CN117349711A (zh) * | 2023-12-04 | 2024-01-05 | 湖南京辙科技有限公司 | 一种铁路机车零部件电子标签数据处理方法及*** |
CN117436024A (zh) * | 2023-12-19 | 2024-01-23 | 湖南翰文云机电设备有限公司 | 一种基于钻机运行数据分析的故障诊断方法及*** |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117633695A (zh) * | 2024-01-24 | 2024-03-01 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
CN117851960A (zh) * | 2024-03-08 | 2024-04-09 | 傲世威科技(深圳)有限公司 | 一种基于电子烟雾化器的温度测试数据管理方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能***用的散热***故障智能检测方法 |
CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN118017504A (zh) * | 2024-04-08 | 2024-05-10 | 菱亚能源科技(深圳)股份有限公司 | 一种变电站可调gis方法及*** |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004349846A (ja) * | 2003-05-20 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | 外れ値検出方法 |
CN102928728A (zh) * | 2012-10-30 | 2013-02-13 | 清华大学 | 基于零序电流波形畸变凹凸性的高阻接地故障检测方法 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN106503086A (zh) * | 2016-10-11 | 2017-03-15 | 成都云麒麟软件有限公司 | 分布式局部离群点的检测方法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
CN108414883A (zh) * | 2018-04-25 | 2018-08-17 | 佛山科学技术学院 | 一种基于模型融合的变压器故障类型检测方法 |
CN110865260A (zh) * | 2019-11-29 | 2020-03-06 | 南京信息工程大学 | 一种基于离群检测对mov实际状态监测评估的方法 |
US20210042585A1 (en) * | 2018-06-14 | 2021-02-11 | Mitsubishi Electric Corporation | Abnormality detection device, abnormality detection method and computer readable medium |
KR20220043548A (ko) * | 2020-09-29 | 2022-04-05 | 한국전력공사 | 부분 방전 발생 탐지 방법 및 그 장치 |
CN114418378A (zh) * | 2022-01-17 | 2022-04-29 | 国网江苏省电力有限公司扬州供电分公司 | 基于lof离群因子检测算法的光伏发电上网数据校核方法 |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
CN114966392A (zh) * | 2022-04-29 | 2022-08-30 | 江苏奥派电气科技有限公司 | 一种风机工作异常的检测方法 |
CN115379123A (zh) * | 2022-10-26 | 2022-11-22 | 山东华尚电气有限公司 | 一种用无人机巡检的变压器故障检测方法 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
CN115809435A (zh) * | 2023-02-06 | 2023-03-17 | 山东星科智能科技股份有限公司 | 基于模拟器的汽车运行故障识别方法 |
CN115856492A (zh) * | 2022-11-23 | 2023-03-28 | 国网福建省电力有限公司漳州供电公司 | 一种基于非同步信号的配电网单相接地故障区段定位方法 |
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
CN116055182A (zh) * | 2023-01-28 | 2023-05-02 | 北京特立信电子技术股份有限公司 | 基于访问请求路径分析的网络节点异常识别方法 |
RU2797931C1 (ru) * | 2019-09-18 | 2023-06-13 | Сименс Акциенгезелльшафт | Оценка сигналов частичных разрядов |
CN116628616A (zh) * | 2023-07-20 | 2023-08-22 | 山东万辉新能源科技有限公司 | 一种大功率充电能源的数据处理方法及*** |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制***的数据异常检测方法 |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及*** |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
-
2023
- 2023-09-06 CN CN202311139228.4A patent/CN116879662B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004349846A (ja) * | 2003-05-20 | 2004-12-09 | Nippon Telegr & Teleph Corp <Ntt> | 外れ値検出方法 |
CN102928728A (zh) * | 2012-10-30 | 2013-02-13 | 清华大学 | 基于零序电流波形畸变凹凸性的高阻接地故障检测方法 |
CN106371939A (zh) * | 2016-09-12 | 2017-02-01 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN106503086A (zh) * | 2016-10-11 | 2017-03-15 | 成都云麒麟软件有限公司 | 分布式局部离群点的检测方法 |
CN108256559A (zh) * | 2017-12-27 | 2018-07-06 | 国网河南省电力公司电力科学研究院 | 一种基于局部离群点因子的低压窃电用户定位方法 |
CN108414883A (zh) * | 2018-04-25 | 2018-08-17 | 佛山科学技术学院 | 一种基于模型融合的变压器故障类型检测方法 |
US20210042585A1 (en) * | 2018-06-14 | 2021-02-11 | Mitsubishi Electric Corporation | Abnormality detection device, abnormality detection method and computer readable medium |
RU2797931C1 (ru) * | 2019-09-18 | 2023-06-13 | Сименс Акциенгезелльшафт | Оценка сигналов частичных разрядов |
CN110865260A (zh) * | 2019-11-29 | 2020-03-06 | 南京信息工程大学 | 一种基于离群检测对mov实际状态监测评估的方法 |
KR20220043548A (ko) * | 2020-09-29 | 2022-04-05 | 한국전력공사 | 부분 방전 발생 탐지 방법 및 그 장치 |
WO2022252505A1 (zh) * | 2021-06-02 | 2022-12-08 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114418378A (zh) * | 2022-01-17 | 2022-04-29 | 国网江苏省电力有限公司扬州供电分公司 | 基于lof离群因子检测算法的光伏发电上网数据校核方法 |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
CN114966392A (zh) * | 2022-04-29 | 2022-08-30 | 江苏奥派电气科技有限公司 | 一种风机工作异常的检测方法 |
CN115656673A (zh) * | 2022-10-25 | 2023-01-31 | 云南电网有限责任公司电力科学研究院 | 变压器数据的处理及装置、设备存储介质 |
CN115379123A (zh) * | 2022-10-26 | 2022-11-22 | 山东华尚电气有限公司 | 一种用无人机巡检的变压器故障检测方法 |
CN115856492A (zh) * | 2022-11-23 | 2023-03-28 | 国网福建省电力有限公司漳州供电公司 | 一种基于非同步信号的配电网单相接地故障区段定位方法 |
CN116055182A (zh) * | 2023-01-28 | 2023-05-02 | 北京特立信电子技术股份有限公司 | 基于访问请求路径分析的网络节点异常识别方法 |
CN115809435A (zh) * | 2023-02-06 | 2023-03-17 | 山东星科智能科技股份有限公司 | 基于模拟器的汽车运行故障识别方法 |
CN115982602A (zh) * | 2023-03-20 | 2023-04-18 | 济宁众达利电气设备有限公司 | 一种光伏变压器电故障检测方法 |
CN116628616A (zh) * | 2023-07-20 | 2023-08-22 | 山东万辉新能源科技有限公司 | 一种大功率充电能源的数据处理方法及*** |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制***的数据异常检测方法 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及*** |
Non-Patent Citations (3)
Title |
---|
JIAFENG QIN等: "Outlier Detection for Transformer\'s Oil Chromatographic Data Based on Metric Learning and the Weighted Local Outlier Factor", 《 2019 6TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI)》 * |
张彼德;梅婷;王涛;: "电力变压器故障诊断的k值自适应加权KNN算法研究", 湖北电力, no. 02 * |
李培法;李田;虞荻;: "基于相关度的窃电用户自动识别方法", 农村电气化, no. 09 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力***故障诊断*** |
CN117129790B (zh) * | 2023-10-26 | 2024-01-23 | 山西思极科技有限公司 | 一种电力***故障诊断*** |
CN117150244A (zh) * | 2023-10-30 | 2023-12-01 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及*** |
CN117150244B (zh) * | 2023-10-30 | 2024-01-26 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及*** |
CN117269655A (zh) * | 2023-11-17 | 2023-12-22 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、***、终端及介质 |
CN117269655B (zh) * | 2023-11-17 | 2024-02-06 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、***、终端及介质 |
CN117349711A (zh) * | 2023-12-04 | 2024-01-05 | 湖南京辙科技有限公司 | 一种铁路机车零部件电子标签数据处理方法及*** |
CN117349711B (zh) * | 2023-12-04 | 2024-02-13 | 湖南京辙科技有限公司 | 一种铁路机车零部件电子标签数据处理方法及*** |
CN117349781A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及*** |
CN117349781B (zh) * | 2023-12-06 | 2024-03-22 | 东莞市郡嘉电子科技有限公司 | 一种变压器故障智能诊断方法及*** |
CN117436024B (zh) * | 2023-12-19 | 2024-03-08 | 湖南翰文云机电设备有限公司 | 一种基于钻机运行数据分析的故障诊断方法及*** |
CN117436024A (zh) * | 2023-12-19 | 2024-01-23 | 湖南翰文云机电设备有限公司 | 一种基于钻机运行数据分析的故障诊断方法及*** |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117574270B (zh) * | 2024-01-19 | 2024-03-26 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117633695B (zh) * | 2024-01-24 | 2024-05-31 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
CN117633695A (zh) * | 2024-01-24 | 2024-03-01 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
CN117851960B (zh) * | 2024-03-08 | 2024-05-17 | 傲世威科技(深圳)有限公司 | 一种基于电子烟雾化器的温度测试数据管理方法 |
CN117851960A (zh) * | 2024-03-08 | 2024-04-09 | 傲世威科技(深圳)有限公司 | 一种基于电子烟雾化器的温度测试数据管理方法 |
CN117892095B (zh) * | 2024-03-14 | 2024-05-28 | 山东泰开电力电子有限公司 | 一种储能***用的散热***故障智能检测方法 |
CN117892095A (zh) * | 2024-03-14 | 2024-04-16 | 山东泰开电力电子有限公司 | 一种储能***用的散热***故障智能检测方法 |
CN117951455A (zh) * | 2024-03-22 | 2024-04-30 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN117951455B (zh) * | 2024-03-22 | 2024-06-07 | 汶上义桥煤矿有限责任公司 | 一种刮板输送机运行故障在线监测方法 |
CN118017504A (zh) * | 2024-04-08 | 2024-05-10 | 菱亚能源科技(深圳)股份有限公司 | 一种变电站可调gis方法及*** |
CN118017504B (zh) * | 2024-04-08 | 2024-06-14 | 菱亚能源科技(深圳)股份有限公司 | 一种变电站gis调节方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116879662B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
WO2017038749A1 (ja) | 電池の劣化診断装置、劣化診断方法、及び劣化診断システム | |
CN117421610B (zh) | 一种用于电能表运行状态预警的数据异常分析方法 | |
JP2018169161A (ja) | 電池の劣化診断装置、劣化診断方法、及び劣化診断システム | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN117002309B (zh) | 一种充电桩的故障智能预警方法及*** | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN116756595A (zh) | 一种导电滑环故障数据采集监测方法 | |
CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN111307480A (zh) | 一种基于嵌入式热管传热管理***、方法及存储介质 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN116520236A (zh) | 一种智能电表的异常检测方法和*** | |
CN114460360B (zh) | 一种基于电表测量电流时间积分的检测方法、***及装置 | |
CN115683319A (zh) | 一种电力变压器绕组状态评估方法 | |
CN115015810A (zh) | 一种应用于感应电容的电性连接瑕疵诊断*** | |
CN113672658A (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
CN118100446B (zh) | 一种用于电力***的节点运行状态智能检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |