一种基于密度聚集算法的变压器油温异常监测方法及系统技术方案

本发明专利技术公开了一种基于密度聚集算法的变压器油温异常监测方法，包括：获取变压器的特征参数，并根据该特征参数获取时间序列形式的特征矩阵；对特征矩阵进行归一化，得到归一化后的特征矩阵，并根据该归一化后的特征矩阵，确定密度聚集算法的参数；根据密度聚集算法的参数，并采用密度聚集算法对归一化后的特征矩阵进行聚类处理，得到聚类结果；根据聚类结果，对变压器油温进行异常分析，得到变压器油温异常监测结果

【技术实现步骤摘要】
一种基于密度聚集算法的变压器油温异常监测方法及系统


[0001]本专利技术涉及变压器油温异常监测领域，具体涉及一种基于密度聚集算法的变压器油温异常监测方法及系统
。

技术介绍

[0002]变压器作为电网关键一次设备，变压器运行状况对电网的安全有较大的影响
。
变压器油温决定着变压器负载能力及其内部绝缘系统的性能，进而影响着变压器的寿命
。
[0003]传统变压器油温异常识别的方法主要有：油浸式变压器顶层油温预测
、
基于油色谱的油浸式变压器诊断技术和基于顶层油温的异常识别技术
。
上述油温异常识别方法取得了重要的研究成果但是也还存在推广成本高，难度大，实时决策能力差等不足之处
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于密度聚集算法的变压器油温异常监测方法及系统，解决了现有技术中存在的问题
。
[0005]本专利技术通过下述技术方案实现：
[0006]一种基于密度聚集算法的变压器油温异常监测方法，包括：
[0007]获取变压器的特征参数，并根据该特征参数获取时间序列形式的特征矩阵；
[0008]对所述特征矩阵进行归一化，得到归一化后的特征矩阵，并根据该归一化后的特征矩阵，确定密度聚集算法的参数；
[0009]根据所述密度聚集算法的参数，并采用密度聚集算法对归一化后的特征矩阵进行聚类处理，得到聚类结果；
[0010]根据所述聚类结果，对变压器油温进行异常分析，得到变压器油温异常监测结果
。
[0011]在一种可能的实施方式中，所述变压器的特征参数包括：时间序列上的设备生产厂家
U
厂家
、
设备型号
R
型号
、
环境温度
T
温度
以及变压器负载率
W
压
。
[0012]在一种可能的实施方式中，根据该特征参数获取时间序列形式的特征矩阵，包括：
[0013]对时间序列上的特征参数进行数据清洗，洗去环境温度
T
温度
以及变压器负载率
W
压
超过阈值的数据，得到清洗后的特征参数；
[0014]对清洗后的特征参数进行特征提取，得到时间序列形式的特征矩阵，所述特征矩阵中每个时间点上的特征数据均为一个元素
。
[0015]在一种可能的实施方式中，所述密度聚集算法的参数包括
ε
‑
邻域以及核心对象；
[0016]针对时间序列形式的特征矩阵中任一元素
x
j
，该元素
x
j
的
ε
‑
邻域包括与其距离不超过距离阈值
ε
的样本，即：
[0017]N
ε
(x
j
)
＝
{x
i
∈D|dist(x
i
,x
j
)≤
ε
}
[0018]其中，
N
ε
(x
j
)
表示元素
x
j
的
ε
‑
邻域中其他元素的集合，
dist(x
i
,x
j
)
表示元素
x
i
与元素
x
j
之间的距离，
D
表示特征矩阵；
[0019]针对任意元素
x
j
，若元素
x
j
的
ε
‑
邻域内包括至少
MinPts
个样本，则元素
x
j
为核心对
象
。
[0020]在一种可能的实施方式中，根据该归一化后的特征矩阵，确定密度聚集算法的参数，包括：
[0021]根据该归一化后的特征矩阵，获取特征矩阵
D
中任意两个元素之间的欧式距离，得到一维距离数据集
G
；
[0022]采用
K
‑
Means
算法对一维距离数据集
G
中的数据进行聚类，得到
K
个以为距离类
{G1,G2,
…
,G
i
,
…
,G
K
}
，
G
i
表示第
i
个类簇；
[0023]获取第
i
个类簇
G
i
中距离数据的均值并确定均值相对于一维距离数据集
G
的比重
p
i
；
[0024]根据所述均值以及比重
p
i
，确定密度聚集算法的
ε
‑
邻域取值；
[0025]根据所述
ε
‑
邻域取值，确定类簇
G
i
中每个欧式距离邻域内的其他欧式距离的个数，并将最小的个数作为类簇
G
i
的最小个数阈值
MinPts i
；
[0026]在所有的最小个数阈值
MinPts i
中确定最大值，将该最大值作为密度聚集算法的最小个数阈值
MinPts
，所述最小个数阈值
MinPts
用于表征核心对象的
ε
‑
邻域内的最小样本数
。
[0027]在一种可能的实施方式中，根据所述均值以及比重
p
i
，确定密度聚集算法的
ε
‑
邻域取值为：
[0028]Eps
＝
p1G1+p2G2+
…
+p
K
G
K
[0029]其中，
Eps
表示领域距离阈值
ε
。
[0030]在一种可能的实施方式中，根据所述密度聚集算法的参数，并采用密度聚集算法对归一化后的特征矩阵进行聚类处理，得到聚类结果，包括：
[0031]A1、
初始化变压器油温核心对象集合
A
，油温聚类簇数
k
，未被访问变压器油温样本集合
B
以及油温聚类簇
C
，即
k
＝0，
B
＝
D
，
[0032]A2、
根据所述密度聚集算法的参数，确定特征矩阵
D
中所有的核心对象，并将确定的核心对象放入变压器油温核心对象集合
A
中；
[0033]A3、
判断变压本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于密度聚集算法的变压器油温异常监测方法，其特征在于，包括：获取变压器的特征参数，并根据该特征参数获取时间序列形式的特征矩阵；对所述特征矩阵进行归一化，得到归一化后的特征矩阵，并根据该归一化后的特征矩阵，确定密度聚集算法的参数；根据所述密度聚集算法的参数，并采用密度聚集算法对归一化后的特征矩阵进行聚类处理，得到聚类结果；根据所述聚类结果，对变压器油温进行异常分析，得到变压器油温异常监测结果
。2.
根据权利要求1所述的基于密度聚集算法的变压器油温异常监测方法，其特征在于，所述变压器的特征参数包括：时间序列上的设备生产厂家
U
厂家
、
设备型号
R
型号
、
环境温度
T
温度
以及变压器负载率
W
压
。3.
根据权利要求2所述的基于密度聚集算法的变压器油温异常监测方法，其特征在于，根据该特征参数获取时间序列形式的特征矩阵，包括：对时间序列上的特征参数进行数据清洗，洗去环境温度
T
温度
以及变压器负载率
W
压
超过阈值的数据，得到清洗后的特征参数；对清洗后的特征参数进行特征提取，得到时间序列形式的特征矩阵，所述特征矩阵中每个时间点上的特征数据均为一个元素
。4.
根据权利要求3所述的基于密度聚集算法的变压器油温异常监测方法，其特征在于，所述密度聚集算法的参数包括
ε
‑
邻域以及核心对象；针对时间序列形式的特征矩阵中任一元素
x
j
，该元素
x
j
的
ε
‑
邻域包括与其距离不超过距离阈值
ε
的样本，即：
N
ε
(x
j
)
＝
{x
i
∈D|dist(x
i
,x
j
)≤
ε
}
其中，
N
ε
(x
j
)
表示元素
x
j
的
ε
‑
邻域中其他元素的集合，
dist(x
i
,x
j
)
表示元素
x
i
与元素
x
j
之间的距离，
D
表示特征矩阵；针对任意元素
x
j
，若元素
x
j
的
ε
‑
邻域内包括至少
MinPts
个样本，则元素
x
j
为核心对象
。5.
根据权利要求4所述的基于密度聚集算法的变压器油温异常监测方法，其特征在于，根据该归一化后的特征矩阵，确定密度聚集算法的参数，包括：根据该归一化后的特征矩阵，获取特征矩阵
D
中任意两个元素之间的欧式距离，得到一维距离数据集
G
；采用
K
‑
Means
算法对一维距离数据集
G
中的数据进行聚类，得到
K
个以为距离类
{G1,G2,
…
,G
i
,
…
,G
K
}
，
G
i
表示第
i
个类簇；获取第
i
个类簇
G
i
中距离数据的均值并确定均值相对于一维距离数据集
G
的比重
p
i
；根据所述均值以及比重
p
i
，确定密度聚集算法的
ε
‑
邻域取值；根据所述
ε
‑
邻域取值，确定类簇
G
i
中每个欧式距离邻域内的其他欧式距离的个数，并将最小的个数作为类簇
G
i
的最小个数阈值
MinPts i
；在所有的最小个数阈值
MinPts i
中确定最大值，将该最大值作为密度聚集算法的最小个数阈值
MinPts
，所述最小个数阈值
MinPts
用于表征核心对象的
ε
‑
邻域内的最小样本数
。6.
根据权利要求5所述的基于密度聚集算法的变压器油温异常监测方法，其特征在于，
根据所述均值以及比重
p
i
，确定密度聚集算法的
ε
‑
邻域取值为：
Eps
＝
p1G1+p2G2+
…
+p

【专利技术属性】
技术研发人员：马小敏，唐军，朱敏，谭茗月，杨帆，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：