首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于机器学习的变压器油色谱分析监测系统研究

基于机器学习的变压器油色谱分析监测系统研究

2025-06-08 60 上传者：管理员

摘要：为提高对数字供电所变压器异常数据的识别准确性，提出一种基于气体关联分析的数字供电所变压器油色谱监测装置的偏差识别及系统搭建。首先，根据变压器油色谱监测装置中溶解气体的时序变化，采用滑动窗口算法对数据进行了曲线拟合；然后为实现数据符号化，采用k-means算法对气体数据进行了聚类分析；最后，采用Apriori算法对气体进行关联分析，并利用数据分段细化数据区间，实现了变压器油色谱监测装置的偏差识别与定位。算例分析结果表明，所提方法可有效追踪数字供电所变压器油色谱监测装置的群体偏差，且具有一定的有效性和准确性。

关键词：
偏差识别
关联分析
变压器
油色谱
监测管理设备
加入收藏

变压器油色谱监测装置是数字供电所重要的监测管理设备,对数字供电所日常运行具有重要意义｡然而,由于其运行环境的特殊,通常在变压器附近带电运行,导致通常存在老化､热分解等问题,引起装置监测数据出现较大的偏差,进而影响数字供电所日常运行｡因此,对变压器油色谱监测装置偏差进行识别与定位,对数字供电所正常运行尤为重要｡目前,针对变压器油色谱监测装置偏差的识别方法主要是基于油中溶解气体分析(DissolvedGasAnalysis,DGA)方法,如陈自振等[1]通过考虑ID案例变压器DGA数据不平衡性,提出一种改进型辅助分类生成对抗网络(Improvedauxiliaryclassifiergener-ativead⁃versarialnetwork,IACGAN)故障诊断方法,通过构建适用于电力变压器DGA数据结构,并采用深度残差网络(Deepresidualnetwork,ResNet)用作ACGAN的判别器,实现了变压器油色谱监测装置的异常识别以及变压器的故障诊断;周秀等[2]通过将变压器样本初始特征量与DGA故障诊断标准进行结合,建立变压器初始故障特征量集,并采用AMPOSELM网络模型进行识别,实现了变压器异常识别与故障诊断;张英等[3]通过深度剖析DGA数据与变压器的故障状况,利用决策树较强的分类性能,提出了基于决策树的变压器故障诊断模型,实现了变压器监测装置的异常识别和故障诊断｡通过上述研究可以发现,基于DGA的变压器油色谱监测装置偏差识别方法已得到广泛应用,并取得了良好的成效｡但张丞鸣等[4]认为,其识别的准确性还有待进一步提高｡为解决该问题,提出一种基于气体关联分析的变压器油色谱监测装置偏差识别方法,通过采用滑动窗口进行数据线性分段,采用k-means算法和Apriori算法分别进行聚类分析和关联分析,实现了变压器油色谱监测装置偏差识别｡

1、试验方案

1.1研究方法

1.1.1曲线拟合方法

滑动窗口算法是一种经典的数据曲线线性拟合方法,可根据数据在时序上的变化对数据进行分段线性化[5-7]｡因此,本研究选用该方法对变压器油色谱监测装置气体数据进行曲线拟合｡

1.1.2聚类分析方法

基于气体数据曲线拟合结果,为满足后续关联分析要求,需对曲线特征进行聚类,已对数据进行符号化｡k-means聚类算法是目前常用的聚类算法,其主要流程可分为三步,一是选取k个聚类中心,并计算数据点到聚类中心的距离,将数据集划分为k个类簇;二是计算各类簇中点均值,并将其作为新的聚类中心重新分簇;三是重复第二步,直到聚类中心不变,则完成了数据集的聚类[8-13]｡k-means算法中,k值的选择决定了算法的性能高低,因此采用常用的肘部法则算法确定其k值｡肘部法则是基于数据簇的畸变程度实现,畸变程度越高,簇内数据越分散,反之,簇内数据越严密｡

1.1.3关联性分析方法

Apriori算法是一种典型关联规则挖掘分析方法,其基本原理是通过对比数据集中频繁项集的最小支持度和最小置信度,对频繁项集进行筛选,以获取数据间的关联规则[14-17]｡其中,支持度表示关联规则的频繁程度,置信度表示某一项集在包含另一项集事务中的频繁程度｡

1.2研究装置

本次实验装置为变压器油色谱监测装置,其整体结构如图1所示,主要包括油箱､监测装置､监测系统[18]｡其中,监测装置包括油气分离､气体组分分离､气体组分检测､数据传输4个模块｡

图1变压器油色谱监测装置整体结构

油气分离模块负责将变压器油箱中的绝缘油和气体进行分离,以快速有效提取绝缘的气体｡气体组分分离模块负责分离油气分离模块获取的不同组分气体,以获得各类高纯度特征气体,其分离原理是不同气体组分通过模块色谱柱保留的时间不同进行分离｡气体组分检测模块负责利用检测器计算各类特征气体的含量,并将其转换为电信号｡数据传输模块负责转换电信号,并将其传输到监测系统平台进行分析与展示[19]｡

1.3监测装置偏差识别

基于上述研究方法,将变压器油色谱监测装置偏差识别流程设计为如图2所示[20]｡

1.4数据来源及预处理

本实验以线下连续测试100天的陕西西安临潼区某500kV变压器气体数据为实验数据｡考虑到充油变压器内部绝缘材料为绝缘油,其主要特征气体为H2､CH4､CO2､CO､C2H2｡因此,本次试验共收集了该变压器H2､CH4､CO2､CO､C2H2五类气体数据作为实验数据｡

2、结果与分析

2.1数据曲线拟合结果

为验证基于气体关联分析的变压器油色谱监测偏差识别方法对气体的拟合效果,以H2气体为例,采用最小二乘法进行线性拟合,结果如图3所示｡

图2变压器油色谱监测装置偏差识别流程

图3变压器油色谱监测装置数据拟合结果

由图3可知,拟合值与实际值变化趋势一致,且数值较为接近,拟合误差e=0.2｡由此说明,所提方法可良好拟合变压器油色谱装置气体,合理分段实验数据｡

基于H2数据线性拟合结果进行指标计算,其指标计算如表1所示｡

表1H2的指标计算结果

由表1可知,所提方法的数据线性分段效果良好,且线段间具有一定的数据差异｡

2.2k-means聚类分析结果

采用k-means算法进行聚类分析,实现数据符号化的前提是确定类别k的值,即划分合理类别的数量｡因此,首先采用肘部法则确定k-means算法的k值｡以H2为例,采用肘部法则进行进行确定,当k值小于3时,数据的SSE值下降速度较快,当k值大于3后,数据的SSE值下降速度减缓｡因此,可确定H2的k-means聚类分析的k值为3,即H2的聚类分析合理类别是3｡确定变压器油色谱监测装置不同气体合理聚类分析的类别后,采用k-means算法进行聚类分析,实现数据符号化｡以H2和CH4为例,其符号结合分别为{H}a2,Hb2,Hc2和{CH}a4,CHb4,CHc4,CHd4｡

2.3数据关联度分析

采用Apriori算法分析数据间的关联度,设置最小支持度minsup1､minsup2,则所有气体的关联性如表2所示｡

表2变压器油色谱气体关联性分析结果

由表2可知,变压器油色谱气体间存在一定的关联性,且不同气体组合的关联强弱不同｡因此,可根据气体间的关联性随数据变化结果,判断气体数据中的异常数据｡

2.4监测偏差识别结果

以H2和CO为例,设置窗口长度为500,总数据量为2000,并将其分为4段,计算每段的关联性,结果如表3所示｡

由表3可知,H2和CO的关联性较强,支持度和置信度都达到0.79以上,证明了所提方法可监测异常数据变化｡

为进一步查找异常数据,研究对该段数据进行了细分,设置窗口长度为100,数据分段为5,得到表4所示每段数据的关联性｡

表3H2与CO关联性分析结果

表4H2与CO异常数据段关联性分析结果

由表4可知,在不同数据段H2和CO的支持度和置信度均达到0.8以上｡由此说明,所提方法可有效追踪数字供电,所变压器油色谱监测装置的群体偏差,进而实现变压器油色谱监测装置的偏差数据位置识别,具有一定的有效性和准确性｡

3、结语

综上所述,所提的基于气体关联分析的变压器油色谱监测装置偏差识别方法,通过先后采用滑动窗口算法对变压器油色谱气体数据进行曲线拟合,采用k-means聚类算法对气体特征进行聚类分析,完成气体数据的符号化,采用Apriori算法对气体进行关联分析,并利用数据分段细化数据区间,实现了变压器油色谱监测装置的偏差识别与定位｡该方法可有效追踪数字供电所变压器油色谱监测装置的群体偏差,具有一定的有效性和准确性,为变压器油色谱监测装置偏差识别奠定了理论基础｡

参考文献:

[1]陈自振,崔庆炜,李惠勇,等.考虑DGA数据不平衡性的电力变压器IACGAN故障诊断方法[J].自动化与仪器仪表,2023(6):248-253.

[2]周秀,怡恺,李刚,等.基于邻域粗糙集与AMPOS-ELM的变压器DGA故障诊断[J].电力科学与技术学报,2022,37(3):157-164.

[3]张英,徐龙舞,王明伟,等.基于智能算法的DGA变压器故障诊断研究及决策树验证[J].电力大数据,2021,24(12):55-61.

[4]张丞鸣,谢菊芳,胡东,等.基于QPSO-SVM与DGA五边形解释工具的变压器故障诊断方法[J].高压电器,2021,57(12):117-124.

[5]张弛,吴东,王伟,等.不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法[J].南方电网技术,2021,15(3):68-74.

[6]马向南,杨涛,王云龙,等.基于轻量化神经网络及模型压缩的变压器油色谱故障诊断方法[J].供用电,2023,40(5):84-91.

[7]赵伟程.两种变压器油色谱分析方法对比[J].电工技术,2023(1):148-151.

[8]尹杭,王磊,孟涛.基于改进神经网络算法的变压器油色谱故障检测方法[J].吉林电力,2022,50(1):14-18.

[9]穆宝.基于某电厂油浸式变压器油色谱数据传输问题解析[J].仪器仪表用户,2022,29(8):82-86.

[10]伊锋,黄国华,高志新,等.一台220kV变压器油色谱异常分析与故障预判[J].青海电力,2022,41(2):53-59.

[11]田倩倩,兰新生,王杰,等.变压器油色谱检测数据误差来源浅析[J].四川电力技术,2023,46(3):71-73.