CN114397526B 状态全息感知数据驱动的电力变压器故障预测方法及系统 （国网辽宁省电力有限公司电力科学研究院）

状态全息感知数据驱动的电力变压器故障本发明公开了一种状态全息感知数据驱动中溶解气体浓度及反应变压器状态的环境气象时变化的油中溶解气体浓度；基于DBN网络搭建变化的预测结果或实时变化的油中溶解气体浓2S1、采集变压器运行过程中，变压器油中溶解气据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对应的油中S3、基于SARIMA模型，利用步骤S2得到的最优数据2.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征S201、利用Mann-Kendall算法判断步骤S1得到的S204、删除步骤S203得到的突变点位置的前时序数3.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征S207、若步骤S206得到的Lyapunov指数大于等于0，S210、如果步骤S209得到的最优数据集长度小于步骤S205选取的原始数据集得长度，34.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气体的5.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征利用过去1~2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中溶解项作为预测模型输入参考量；基于SARIMA(P,d,q)(P,D,Qm)模型构建变压器油中溶解6.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征数据集拟合得到变压器状态量与油中溶解气体浓度的关系，输入实时监测的变压器状态7.根据权利要求6所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的余8.根据权利要求1所述的状态全息感知数据驱动的电力变压器故障预测方法，其特征4S503、设置DBN网络参数：输入层神经元个数S507、利用步骤S502训练集的归一化规则归一化S3或步骤S4得到的近期预测或实时预测的史故障数据集中包括变压器正常时的油中溶解气体浓度历史数据及变压器发生故障时对数据处理模块，对数据采集模块得到的历史数据集进行数据清于实时预测的最优数据集；对最优数据集基于局部加权回归的季节趋势分解方法进行分历史预测模块，基于SARIMA模型，利用数据处理模块得到的最实时预测模块，建立变压器油中溶解气体浓度实时预测模型，5因此通过数据驱动方法全方位地对电力变压器当前和未来的运行状态进行科学评估和预6将步骤S3得到的近期油中溶解气体浓度变化的预测结果，或者步骤S4得到的实时变化的[0017]S203、基于Pettitt突变点检测理论对步骤S1得到的历史数据集进行突变点位置[0027]利用基于局部加权回归的季节趋势分解方法将步骤S3得到的变压器油中溶解气[0029]利用过去1～2年的变压器油中溶解气体浓度历史数据集预测未来1个月内的油中7及的特点确定周期时间间隔m；对非平稳时序进行差分计算，得到差分阶数d,D；计算[0031]利用实时监测的变压器运行数据和环境气象数据，预测油中溶解气体的实时浓据集拟合得到变压器状态量与油中溶解气体浓度的关系，输入实时监测的变压器状态量，Y2nn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的系1n}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的余项。数下的DBN故障诊断模型；将步骤S702的测试集作为各参数下的DBN故障诊断模型的输入，步骤S3或步骤S4得到的近期预测或实时预测的变压8器油中溶解气体浓度近期预测SARIMA模型，基于近期预测SARIMA模型得到变压器近期油时预测模块得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量，时故障预测结果更全面地掌握变压器运行发展趋势。利用历史数据集训练近期预测模型，变压器所处地区的环境气象数据和与变压器状态相关的变压器运行数据引入油中溶解气9和运算效率。绝大多数变压器的油中溶解气体浓度均有混沌特性，混沌特性可以用[0056]进一步的，局部加权回归的季节趋势分解方法STL是一种应用广泛且具有强鲁棒预测结果包含故障，则提前采取应对措施以尽量避免故障发生。SARIMA(SeasonalAutoregressiveIntegratedMovingAveragemodel)季节性差分自回归移动平均模型是[0059]进一步的，深度置信网络DBN(DeepBeliefNetworks)是一种基于大量训练数据集的深度学习方法。该网络由若干层受限玻尔兹曼机RBM(RestrictedBoltzmann[0061](1)结合变压器的实时故障预测和近期故障预测，一方面对变压器一天内的故障[0062](2)将环境气象数据和其他与变压器状态相关的运行数据引入变压器油中溶解气H62H42H22和总烃[0092](3)收集过去变压器发生故障时的油中溶解气体浓度及对应的故障类型，构成历[0105]请参阅图3，基于混沌理论对经突变点检测的历史数据集进行相空间重构理论选趋势分解方法STL提取油中溶解气体浓度历史数据集的趋势项，并将其作为预测模型输入[0115]S301、基于局部加权回归的季节趋势分解方法STL提取油中溶解气体浓度历史数的作为因变量Ygas，利用自变量和因变量的历史数据集拟合得到变压器状态量与油中溶解Y2nn}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的系1n}为变压器状态量与油中溶解气体浓度拟合的实时预测多元线性回归模型的余项。骤S3或步骤S4得到的油中溶解气体浓度近期预测结果或实时预测结果作为DBN故障诊断模网络参数下测试集的故障诊断结果，记录测试集诊断准确率最高时DBN网络对应的网络参[0132]故障诊断模型的使用是指将步骤S3或步骤S4得到的油中溶解气体浓度近期预测结果或实时预测结果作为DBN故障诊断模型的输入特征量，利用DBN故障诊断模型对油中器油中溶解气体浓度近期预测SARIMA模型，基于近期预测SARIMA模型得到变压器近期油时预测模块得到的实时变化的油中溶解气体浓度作为变压器故障诊断模型的输入特征量，[0155]以某台实际投运的220kV变压器为例，2019年3月至2021年3月间部分油中溶解气[0160]根据混沌理论和相空间重构法，该案例嵌入维数为3，因此在上一步基础上取后00007.4900000077.85007.6000078.300.42000000000007.8279.1800000000.4107.93000000008.040000000000.400081.140000预测时间氢气一氧化碳二氧化碳总烃2021103112:393.816.7800.53243.79892.218.67[0178]综上所述，本发明一种状态全息感知数据驱动的电力变压器故障预测方法及系图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装[0181]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一