首页> 中文学位 >变压器状态监测数据质量提升和故障识别方法研究
【6h】

变压器状态监测数据质量提升和故障识别方法研究

代理获取

目录

目 录

1 绪 论

1.1 研究背景与意义

1.2 状态监测数据质量提升研究现状

1.2.1 状态监测数据质量的影响因素

1.2.2 异常数据检测研究现状

1.2.3 异常检测技术在电气工程领域的研究现状

1.2.4 缺失数据修复研究现状

1.2.5 缺失值插补技术在电气工程领域的研究现状

1.3 故障识别方法的研究现状

1.3.1 故障检测的研究现状

1.3.2 故障诊断的研究现状

1.4.1 研究目的

1.4.2 研究内容

2 基于辅助特征向量和密度聚类的状态监测数据异常检测方法

2.1 引言

2.2 变压器状态监测数据的特征

2.2.1 正常数据的概念漂移

2.2.2 有效异常数据

2.2.3 无效异常数据

2.2.4 状态监测数据的核心假设

2.3 状态监测数据的预处理

2.3.1 数据分段

2.3.2 数据标准化

2.3.3 辅助特征向量构造

2.4.1 DBSCAN聚类模型

2.4.2 基于k距离图的DBSCAN模型参数选择方法

2.4.3 基于“类别数–Eps”曲线的邻域半径参数选择方法

2.4.4 基于DBSCAN模型的数据聚类流程

2.5.1 基于辅助特征向量与密度聚类的异常检测流程

2.5.2 异常检测模型的性能评估指标

2.6 实例分析:变压器油色谱数据的异常检测

2.6.1 油色谱数据的获取

2.6.2 数据分段

2.6.3 实例1:人工数据集的异常检测和性能评估

2.6.4 实例2:真实数据集的异常检测和性能评估

2.6.5 实例3:基于多个数据集的异常检测和性能评估

2.7 小结

3 基于三层次插补模型的状态监测数据缺失值修复方法

3.1 引言

3.2.1 缺失值分类规则

3.2.2 数据集完整性评价指标

3.3.1 一维插值模型

3.3.2 孤立缺失值的插补流程

3.4 连续缺失变量的插补方法

3.4.1 多元线性回归模型

3.4.2 随机森林回归模型

3.4.3 k邻近回归模型

3.4.4 连续缺失变量的插补流程

3.5 连续缺失样本的插补方法

3.5.1 长短时记忆网络

3.5.2 连续缺失样本的插补流程

3.6 缺失值修复流程与性能评估

3.6.1 基于三层次插补模型的缺失值修复流程

3.6.2 基准缺失值插补方法和性能评估指标

3.7.1 油色谱数据基本信息

3.7.2 人工缺失数据集的构造方法

3.7.3 孤立缺失值的插补

3.7.4 连续缺失变量的插补

3.7.5 连续缺失样本的插补

3.7.6 数据修复效果展示

3.8.1 基本信息

3.8.2 孤立和连续缺失值的插补

3.8.3 连续缺失样本的插补

3.8.4 数据修复效果展示

3.9 小结

4 基于无监督概念漂移识别和动态图嵌入的变压器故障检测方法

4.1 引言

4.2 无监督概念漂移识别模型

4.2.1 余弦相似度

4.2.2 多元线性回归预测误差

4.2.3 概念漂移识别规则

4.2.4 概念漂移识别流程

4.3 动态图嵌入模型

4.3.1 相似性矩阵计算

4.3.2 动态图嵌入模型推导

4.4 故障检测流程与性能评估

4.4.1 基于动态图嵌入模型的故障检测流程

4.4.2 故障检测模型的性能评估指标

4.5.1 Tennessee Eastman过程简介

4.5.2 TE过程概念漂移识别

4.5.3 TE过程故障检测

4.6 实例分析2:基于油色谱数据的变压器故障检测

4.6.1 案例(1):概念漂移识别对故障检测结果的影响

4.6.2 案例(2):数据质量提升对故障检测结果的影响

4.7 小结

5 基于关联规则分析的变压器故障概率计算方法

5.1 引言

5.2 基于Weibull分布模型的状态量离散和差异化预警值计算方法5.2.1 状态量和设备状态的分类规则

5.2.2 Weibull概率分布模型

5.2.3 状态量的离散方法

5.2.4 状态量的差异化预警值计算方法

5.3.1 关联规则

5.3.2 状态量与故障模式间的关联规则挖掘

5.3.3 状态量的故障隶属函数构造

5.3.4 状态量的差异化权重

5.4 变压器故障概率计算方法

5.4.1 故障模式的故障发生概率

5.4.2 设备的故障发生概率

5.4.3 故障概率计算流程

5.5 实例分析

5.5.1 状态量离散和差异化预警值计算

5.5.2 状态量与故障间的关联规则挖掘

5.5.3 状态量的故障隶属函数构造

5.5.4 状态量的重要度计算

5.5.5 实例1:变压器的故障概率计算与模型性能评估

5.5.6 实例2:数据质量提升对故障概率计算结果的影响

5.6 小结

6 结论与展望

6.1 主要结论

6.2 后续研究工作的展望

参考文献

附 录

A. 作者在攻读博士学位期间发表的论文目录

B. 作者在攻读博士学位期间参加的科研项目目录

C. 作者在攻读博士学位期间参与起草和修订的导则

D. 作者在攻读博士学位期间参与编写的专著

E. 学位论文数据集

致 谢

展开▼

摘要

电力变压器是电网中能量转换和传输的核心,是电网中最重要和最关键的变电设备。为准确监控变压器的真实运行状态,大量的状态监测装置和智能电表被部署于设备侧,使得变压器的状态量已由过去单一少量的离线数据逐步发展为具有大体量、多类型和高增速的状态监测数据。在上述背景下,如何有效利用多种类型的状态监测数据来提升变压器故障识别结果的准确性成为了迫切需要开展研究的课题。针对故障识别过程中面临的原始数据质量低下、故障数据稀缺以及诊断方式简单粗犷等瓶颈问题,本文开展了变压器状态监测数据质量提升、故障状态辨识和故障概率计算等相关研究工作,并取得了如下研究成果:  ①根据正常数据、无效和有效异常数据的变化特征,提出了基于辅助特征向量和密度聚类(DBSCAN)的变压器状态监测数据异常检测方法。通过为每类状态量构造辅助特征向量,使用DBSCAN聚类方法对辅助特征向量聚类,实现了监测数据中不同类型正常数据、含故障信息的有效异常数据、无效异常数据的准确识别。为了在无监督的条件下优化DBSCAN模型参数,提出了基于“类别数–Eps”曲线的启发式参数选择方法,提升了异常检测结果的精准率和召回率。与现有的异常检测技术相比,所提出的方法具有兼顾模式识别与异常检测的能力,避免了现有数据清洗方法无法保留有效异常数据的不足。该方法适用于满足平稳性假设的状态监测数据,且在多个变压器油色谱数据集的异常检测实例中表现出了准确率高和稳定性好的性能。  ②根据监测数据中缺失值的特征和严重程度,定义了孤立缺失值、连续缺失变量和连续缺失样本三类缺失值。按照由易到难的数据修复原则,建立了基于三层次插补模型的状态监测数据缺失值修复方法,分别使用一维插值、多元回归分析和基于长短时记忆网络的逐步外推预测模型顺序插补三类缺失值。在变压器油色谱和负荷数据集中的插补实验结果表明,三层次插补模型适用于插补具有平稳和非平稳特征的时间序列数据,其在复杂场景中的数据修复性能优于单一数据插补方法。  ③针对可用于故障识别的建模数据缺乏、故障发生时刻未知等问题,提出了基于无监督概念漂移识别和动态图嵌入的变压器故障检测方法。使用余弦相似度和多元线性回归模型识别不同数据模式之间的概念漂移分界点以及正常与故障数据分界点,为故障检测模型选择最佳的离线建模数据。在对变压器进行故障检测时,动态图嵌入模型使用无标签的正常历史数据建模,其性能不受故障数据稀缺的影响,相比传统的阈值检测技术,本文方法能够及时准确地检测出电力设备早期且严重程度较小的故障。  ④针对传统故障诊断方法只能定性地识别变压器故障模式,而不能定量计算设备故障概率的不足,提出了基于关联规则分析的变压器故障概率计算方法。使用Weibull概率分布模型和Apriori关联规则挖掘算法量化状态量与故障模式之间的关联规则与重要度,实现不同故障模式和变压器的故障概率计算。实例分析表明,本文提出的方法基于数据驱动,故障概率计算过程不依赖于专家经验或领域知识,保证了计算结果的客观性和准确性。  ⑤变压器故障识别对比实验结果表明,状态监测数据中的无效异常值和缺失值是影响故障识别方法性能的重要因素之一。开展异常检测和缺失值插补能够提升状态监测数据的有效性与完整性,对获取准确可靠的故障识别结果具有重要意义。  本文研究工作得到了国家自然科学基金项目(51637004)的资助。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号