一种智能变压器故障预测方法和装置制造方法及图纸

本发明专利技术涉及一种智能变压器故障预测方法和装置，属于数据预处理与识别技术领域，解决现有方法未充分考虑变压器故障影响因素，预测模型无法真实预测变压器故障的问题。方法包括：获取智能变压器故障影响因素的历史数据；通过灰色关联度分析法对智能变压器故障影响因素的历史数据进行预处理，计算智能变压器故障与智能变压器故障影响因素的各类数据之间的关联度值，将关联度值大于等于关联度阈值的历史数据作为训练数据集；构建BP神经网络并利用训练数据集进行训练以获取预测模型；以及获取智能变压器故障影响因素的实时数据，并将实时数据输入预测模型以获得智能变压器是否发生故障的预测结果。通过灰色关联度分析降低数据输入量，提高数据可靠性。提高数据可靠性。提高数据可靠性。

【技术实现步骤摘要】
一种智能变压器故障预测方法和装置


[0001]本专利技术涉及数据预处理与识别
，尤其涉及一种智能变压器故障预测方法和装置。

技术介绍

[0002]变压器是电力系统核心设备之一，一旦发生故障，将影响一定范围内的电力供应，可能造成巨大经济损失，甚至还会发生安全事故，造成人员伤亡。另一方面，电力设备一般都会存在一定的故障潜伏期，因此进行电力变压器的故障预测，提前采取有效防范措施也是一项很重要的工作。
[0003]目前针对智能变压器故障预测方法主要分为两类：传统预测方法和智能预测方法。传统预测方法主要有时间序列、回归模型、趋势外推等方法；智能预测方法主要有神经网络、支持向量机等。传统预测方法模型较为简单、模型的参数固定，难以对突变的故障进行解释。以神经网络为代表的智能预测方法能够实现线性、非线性的复杂映射，目前应用较为广泛。
[0004]目前大多数的智能变压器预测方法集中于变压器设备自身的状态情况进行预测，对于影响变压器设备故障的因素考虑不足，所构建模型无法体现真实运行情况下多维时空数因素对变压器设备的影响。

技术实现思路

[0005]鉴于上述的分析，本专利技术实施例旨在提供一种智能变压器故障预测方法和装置，用以解决现有方法对于影响变压器设备故障的因素考虑不足，所构建模型无法体现真实运行情况下多维时空数因素对变压器设备的影响的问题。
[0006]一方面，本专利技术实施例提供了一种智能变压器故障预测方法，包括：获取智能变压器故障影响因素的历史数据；通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；构建BP神经网络并利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及获取所述智能变压器故障影响因素的实时数据，并将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。
[0007]上述技术方案的有益效果如下：通过灰色关联度分析法，针对已剔除异常值的数据与设备故障率数据进行相关性分析，从而确定影响智能变压器故障率的关键因素及数据，降低数据输入量，提高数据可靠性。
[0008]基于上述方法的进一步改进，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及所述智能变压器自身的历
史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。
[0009]基于上述方法的进一步改进，通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的关联度值包括：确定参考序列和比较序列，其中，所述参考序列为智能变压器工作状态的原始数据序列，所述比较序列为所述智能变压器故障影响因素的数据序列；对所述比较序列进行无量纲化处理；基于参考序列和无量纲化处理后的比较序列计算灰色关联系数；通过计算所述灰色关联系数的平均值来获取灰色关联度；以及对所述灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。
[0010]基于上述方法的进一步改进，所述参考序列为：X0=(x0(1), x0(2),
…
, x0(n))，所述比较序列为：；通过以下公式对所述比较序列进行无量纲化处理： X'
i
=X
i
/x
i
(1)=(x'
i
(1),x'
i
(2),
…
,x'
i
(n)),i=1,2,
…
,m；通过以下公式计算无量纲化处理后的所述比较序列： ，其中，ξ
0i
(k)表示所述参考序列X0与所述比较序列X
i
在k点的关联系数；λ为分辨系数，取值范围为0至1；Δ
0i
(k)是指所述参考序列X0与所述比较序列X
i
在k点时无纲量化数据的绝对差值：Δ(min)是上式中的两级最小值：，Δ(max)是上式中的两级最大值：，通过以下公式计算灰色关联度γ
i
：；对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能
变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。
[0011]基于上述方法的进一步改进，构建BP神经网络包括：输入层、中间隐含层和输出层，所述输入层的输入向量为：X=(x1,x2,
…
,x
i
)，其中，当n=6时，x1为前一天同一时刻的故障率；x2为温度；x3为相对湿度；x4为降雨量；x5为日期类型；x6为云图类型；所述中间隐含层的输出向量为：Y=(y1,y2,
…
,y
j
)，所述输出层的输出向量为：O=(o1,o2,
…
,o
k
)，其中，所述输出层的输出向量为预测的对应智能变压器的故障率；期望输出的向量为：其中，为目标故障率向量。
[0012]基于上述方法的进一步改进，在利用所述训练数据集对所述BP神经网络进行训练之前，应用改进粒子群算法对BP神经网络预测模型进行优化以获得初始化权值和初始化阈值包括：确定优化问题的解空间，同时确定种群的大小N；在所述解空间中随机抽取N个备选解，并对每个备选解进行编码；对所述种群中的每个个体求解适应度，其中，所述适应度为优化问题中的目标函数或者对所述目标函数进行变换后的变换函数；根据当前种群的适应度判断是否终止产生下一代种群，判断条件包括算法最大迭代次数、适应度阈值和相邻两代适应度变化阈值，如果满足终止条件，则对当前种群中最优适应度值对应的个体进行解码以得到问题的最优解；如果终止条件不满足，则进入遗传步骤；根据当前种群的适应度通过选择、交叉和变异三种操作产生下一代种群；以及结束选择、交叉和变异三种操作步骤后，返回对所述种群中的每个个体求解适应度的步骤。
[0013]基于上述方法的进一步改进，在将所述实时数据输入所述BP神经网络预测模型之前还包括：对所述智能变压器故障影响因素进行实时检测，其中，所述智能变压器故障影响因素的实时数据包括智能变压器的外部实时数据和智能变压器自身的实时数据；以及对所述智能变压器故障影响因素中的超阈值范围数据进行实时抓取，并应用NACEMD法对实时抓取的数据进行降噪处理。
[0014]基于上述方法的进一步改进，应用NACEMD法对实时抓取的数据进行降噪处理包括：执行M次初始化CEMD，计次添加幅值为k的白噪声；将所述白噪声x
n
(z)加入所述智能变压器工作状态的原始数据序列x0(z)，以形成复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能变压器故障预测方法，其特征在于，包括：获取智能变压器故障影响因素的历史数据；通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的各类数据之间的关联度值，其中，将所述智能变压器故障影响因素中的所述关联度值大于等于关联度阈值的历史数据作为训练数据集；构建BP神经网络并利用所述训练数据集对所述BP神经网络进行训练以获取BP神经网络预测模型；以及获取所述智能变压器故障影响因素的实时数据，并将所述实时数据输入所述BP神经网络预测模型以获得所述智能变压器是否发生故障的预测结果。2.根据权利要求1所述的智能变压器故障预测方法，其特征在于，所述智能变压器故障影响因素的历史数据包括智能变压器的外部历史数据和智能变压器自身的历史数据，其中，所述智能变压器的外部历史数据包括：气压、温度、降水量、相对湿度、风速和风向数据；以及所述智能变压器自身的历史数据包括：智能变压器自身电压、电流、温度、出力、损耗数据和故障数据。3.根据权利要求2所述的智能变压器故障预测方法，其特征在于，通过灰色关联度分析法对所述智能变压器故障影响因素的历史数据进行预处理，计算所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的关联度值包括：确定参考序列和比较序列，其中，所述参考序列为智能变压器工作状态的原始数据序列，所述比较序列为所述智能变压器故障影响因素的数据序列；对所述比较序列进行无量纲化处理；基于参考序列和无量纲化处理后的比较序列计算灰色关联系数；通过计算所述灰色关联系数的平均值来获取灰色关联度；以及对所述灰色关联度按照由小到大或由大到小的顺序进行排序以分别获取所述智能变压器故障与所述智能变压器故障影响因素的历史数据之间的由劣到优或由优到劣的关联关系。4.根据权利要求3所述的智能变压器故障预测方法，其特征在于，所述参考序列为：X0=(x0(1),x0(2),
…
,x0(n))，所述比较序列为：通过以下公式对所述比较序列进行无量纲化处理：X'
i
=X
i
/x
i
(1)=(x'
i
(1),x'
i
(2),
…
,x'
i
(n)),i=1,2,
…
,m通过以下公式计算无量纲化处理后的所述比较序列：
其中，ξ
0i
(k)表示所述参考序列X0与所述比较序列X
i
在k点的关联系数；λ为分辨系数，取值范围为0至1；Δ
0i
(k)是指所述参考序列X0与所述比较序列X
i
在k点时无纲量化数据的绝对差值：，Δ(min)是上式中的两级最小值： Δ(max)是上式中的两级最大值：通过以下公式计算灰色关联度γ
i
：对所述灰色关联度进行排序，并选择所述灰色关联度大于等于关联度阈值的智能变压器故障影响因素的历史数据作为所述BP神经网络预测模型的训练数据集。5.根据权利要求1所述的智能变压器故障预测方法，其特征在于，构建BP神经网络包括：输入层、中间隐含层和输出层，所述输入层的输入向量为：X=(x1,x2,
…
,x
i
)，其中，当n=6时，x1为前一天同一时刻的故障率；x2为温度；x3为相对湿度；x4为降雨量；x5为日期类型；x6为云图类型；所述中间隐含层的输出向量为：Y=(y1,y2,
…
,y
j
)，所述输出层的输出向量为：O=(o1,o2,
…
...

【专利技术属性】
技术研发人员：任妍，李新伟，刘金朋，于泽邦，刘方舟，刘浩，周子毓，丁伟斌，邹美华，喻婧，陈超，
申请(专利权)人：华北电力大学国网浙江省电力有限公司国网福建省电力有限公司经济技术研究院，
类型：发明
国别省市：