本发明专利技术提供一种基于变压器油中溶解气体监测数据的变压器故障预测方法，该法包括对变压器个体油中溶解气体历史在线数据优化、模型识别优化后的数据、自回归滑动平均模型参数的估计、模型检验及建立，预测未来任意时刻变压器油中特征气体含量并对变压器的故障做出预判与维修措施。与最接近的现有技术相比,该方法改善了样本质量，体现了变压器的个体特性，反应了油中溶解气体随时间的变化特性，因其数据无剧烈变动，所以较传统机器学习建立的预测模型，可以做出更加稳定且明确的物理解释；提高了变压器油中溶解气体在线数据预测的准确性，使得对故障的预判与维修措施更加准确可靠；为变压器的维修及使用提供了可靠保障，延长了变压器的使用寿命。
【技术实现步骤摘要】
本专利技术涉及一种电力设备故障预测技术，具体涉及一种基于变压器油中溶解气体 监测数据的变压器故障预测方法。
技术介绍
变压器作为电网中的一种主要变电设备，在电网中具有举足轻重的地位。因此，对 变压器的状态检修技术研宄就显得格外重要，在线监测技术是状态检修技术中的重要组成 部分，而油中溶解气体在线监测作为一种综合灵敏度高的监测方法，得到了快速应用和推 广，同时也成为变压器维护、评估的有效手段。变压器油中溶解气体的在线监测可以用于故 障的诊断及预测两个方面，其中故障预测技术要求在变压器发生故障前就能根据某些故障 征兆预先予以发现，在故障尚未破坏设备时，能及时发现并做出判断。 变压器油中溶解气体目前的在线监测数据预测方法大多是机器学习构建的预测 模型。这些方法的最大特点是根据样本反复迭代，直到找到合适的模型，这种特点导致的主 要问题是迭代过程的不可知性，即迭代出的数学模型缺乏物理解释，无法反应数据的时域 特性。并且机器学习方法对迭代样本的数据质量要求高，由于在线监测设备会受到现场干 扰及环境因素的影响，数据质量很难保证，用这些存在问题的数据作为机器学习训练样本， 将会导致预测模型随时间长度的变化而剧烈变动，这样会直接导致预测结果不稳定，无法 保证预测的准确性。 随着变压器越来越广泛的应用，对变压器油中溶解气体在线数据预测的准确性的 要求也越来越高，因此，需要提供一种准确、有效且可靠的变压器油中溶解气体监测数据预 测方法。
技术实现思路
有鉴于此，本专利技术提供一种基于变压器油中溶解气体监测数据的变压器故障预测 方法，该方法准确、有效且可靠；其在改善了样本质量的同时，还体现了变压器的个体特性， 反应了油中溶解气体随时间的变化特性，使其相较于传统根据机器学习建立的预测模型， 更加稳定，并且有明确的物理解释，且数据不会产生剧烈变动；从而提高了变压器油中溶解 气体在线数据预测的准确性，使得故障预判与维修措施更加准确可靠；保证了变压器的维 修及使用的可靠性，同时延长了变压器的使用寿命。 ，其特征在于，所述预 测方法包括如下步骤： 步骤1-1.将在线监测的变压器油中溶解气的历史数据优化为序列样本； 步骤1-2.识别所述序列样本所属的ARMA模型的类型； 步骤1-3.对确定所属类型后的ARMA模型定阶，获得所述ARMA模型中的未知参量 的个数； 步骤1-4.估计各所述未知参量的值的参数，初步建立所述ARMA模型； 步骤1-5.检验初步建立的所述ARMA模型的有效性；若模型有效，则所述ARMA模 型建立完成；若模型无效，则返回1-3 ; 步骤1-6.根据建立完成的所述ARMA模型预测未来任意时刻变压器油中特征气体 含量，并做出故障预测及诊断； 步骤1-7.根据故障预测及诊断结果，强化对所述变压器的运行监控，并对其检修 或更换。 优选的，所述步骤1-1包括： 步骤1-1-1.整理变压器油中至少30天的溶解气体的历史在线监测数据； 步骤1-1-2.用线性估算方法补全在线监测所述的历史数据； 步骤1-1-3.根据3S法则从补全后的历史在线监测数据中删除奇异值，得到所述 样本序列。 优选的，所述步骤1-1-2中的数据补全包括： 假设丢失数据在丢失期间是线性变化的，且丢失数据的两端点由已知数据确定， 根据所述两端点的线性规律得出丢失数据的补全值。 优选的，所述步骤1-1-3中根据3S法则删除奇异值包括： 确定样本均值与样本标准差：确定补全后的历史在线监测数据中两个连续测量点 之间差值的正态分布参数； 用所述样本均值与样本标准差过滤补全后的历史在线监测数据：当补全后的历史 在线监测数据中的某处数据与样本均值之间的误差比样本标准差大3倍以上时，判断该处 数据为干扰产生的奇异值点，用样本均值代替奇异值点。 优选的，所述步骤1-2包括： 步骤1-2-1.计算所述样本序列的自相关系数；【主权项】1. ，其特征在于，所述预测 方法包括如下步骤： 步骤1-1.将在线监测的变压器油中溶解气的历史数据优化为序列样本； 步骤1-2.识别所述序列样本所属的ARMA模型的类型； 步骤1-3.对确定所属类型后的ARMA模型定阶，获得所述ARMA模型中的未知参量的个 数； 步骤1-4.估计各所述未知参量的值的参数，初步建立所述ARMA模型； 步骤1-5.检验初步建立的所述ARM模型的有效性；若模型有效，则所述ARM模型建 立完成；若模型无效，则返回1-3 ; 步骤1-6.根据建立完成的所述ARMA模型预测未来任意时刻变压器油中特征气体含 量，并做出故障预测及诊断； 步骤1-7.根据故障预测及诊断结果，强化对所述变压器的运行监控，并对其检修或更 换。2. 根据权利要求1所述的故障预测方法，其特征在于，所述步骤I-I包括： 步骤1-1-1.整理变压器油中至少30天的溶解气体的历史在线监测数据； 步骤1-1-2.用线性估算方法补全在线监测所述的历史数据； 步骤1-1-3.根据3 S法则从补全后的历史在线监测数据中删除奇异值，得到所述样本 序列。3. 根据权利要求2所述的故障预测方法，其特征在于，所述步骤1-1-2中的数据补全包 括： 假设丢失数据在丢失期间是线性变化的，且丢失数据的两端点由已知数据确定，根据 所述两端点的线性规律得出丢失数据的补全值。4. 根据权利要求2所述的故障预测方法，其特征在于，所述步骤1-1-3中根据3 S法则 删除奇异值包括： 确定样本均值与样本标准差：确定补全后的历史在线监测数据中两个连续测量点之间 差值的正态分布参数； 用所述样本均值与样本标准差过滤补全后的历史在线监测数据：当补全后的历史在线 监测数据中的某处数据与样本均值之间的误差比样本标准差大3倍以上时，判断该处数据 为干扰产生的奇异值点，用样本均值代替奇异值点。5. 根据权利要求1所述的故障预测方法，其特征在于，所述步骤1-2包括： 步骤1-2-1.计算所述样本序列的自相关系数；其中，A表示间距为k的样本自相关系数、n表示样本总数、t表示样本序号、k表示两 样本间距、J表示样本均值、^表示样本序列； 步骤1-2-2.计算所述样本序列的偏自相关系数；其中，4表示所述样本序列的偏自相关系数、众为自协方差函数，力为方差函数： 步骤1-2-3.根据所述自相关系数及偏自相关系数识别出所述样本序列所属的ARMA模 型的类型为自回归模型、移动平均模型或自回归移动平均模型。6. 根据权利要求5所述的故障预测方法，其特征在于，所述步骤1-2-3包括：将所述样 本序列的自相关系数代入ARMA模型中的平稳序列{y t}中的自相关函数中，将所述样本序 列的偏自相关系数代入ARMA模型中的平稳序列{yt}中的偏相关函数中； 若所述平稳序列{yt}中的偏相关函数是截尾的，自相关函数是拖尾的，则所述样本序 列识别为自回归模型； 若所述平稳序列{yt}的偏相关函数是拖尾的，自相关函数是截尾的，则所述样本序列 识别为移动平均模型； 若所述平稳序列{yt}的偏相关函数与自相关函数均是拖尾的，则所述样本序列识别 为自回归移动平均模型。7. 根据权利要求1所述的故障预测方法，其特征在于，所述步骤1-3的定阶为：根据试 探性法则，对确定所属类型后的ARM模型的阶（p，q本文档来自技高网...
【技术保护点】
基于变压器油中溶解气体监测数据的变压器故障预测方法,其特征在于,所述预测方法包括如下步骤：步骤I‑1.将在线监测的变压器油中溶解气的历史数据优化为序列样本；步骤I‑2.识别所述序列样本所属的ARMA模型的类型；步骤I‑3.对确定所属类型后的ARMA模型定阶，获得所述ARMA模型中的未知参量的个数；步骤I‑4.估计各所述未知参量的值的参数,初步建立所述ARMA模型；步骤I‑5.检验初步建立的所述ARMA模型的有效性；若模型有效，则所述ARMA模型建立完成；若模型无效，则返回I‑3；步骤I‑6.根据建立完成的所述ARMA模型预测未来任意时刻变压器油中特征气体含量，并做出故障预测及诊断；步骤I‑7.根据故障预测及诊断结果，强化对所述变压器的运行监控，并对其检修或更换。
【技术特征摘要】
【专利技术属性】
技术研发人员：王峰，毛光辉，张忠元，陈宏刚，毕建刚，齐波，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网甘肃省电力公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。