一种配电变压器故障检测方法和系统

摘要

本发明涉及一种配电变压器故障检测方法和系统。所述配电变压器故障检测方法通过采用基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型，基于实时获取的配电变压器运行过程中的监测数据得到检测结果，以解决数据不平衡问题和噪声干扰问题，进而提高故障检测率和降低故障误报率。

权利要求

1.一种配电变压器故障检测方法，其特征在于，包括：获取配电变压器运行过程中的监测数据；

获取配电变压器故障检测模型；所述配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型；

采用所述配电变压器故障检测模型，以所述监测数据为输入得到检测结果；所述检测结果包括：故障状态和正常状态；

所述获取配电变压器故障检测模型，之前还包括：获取配电变压器正常运行状态下的历史监测数据；

向所述历史监测数据中添加高斯噪声生成模型目标输出；

获取多核函数；

以所述历史监测数据和所述模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重；

基于所述多核函数和所述输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

2.根据权利要求1所述的配电变压器故障检测方法，其特征在于，所述鲁棒多核极限学习机‑自编码器的构建过程具体包括：获取RELM‑AE网络；

基于所述多核函数构建核函数矩阵；

采用所述核函数矩阵替代所述RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

3.根据权利要求2所述的配电变压器故障检测方法，其特征在于，所述多核函数由局部径向基核函数和全局多项式核函数组成。

4.根据权利要求1所述的配电变压器故障检测方法，其特征在于，还包括：当所述检测结果为故障状态时进行故障报警；

当所述检测结果为正常状态时，返回“获取配电变压器运行过程中的监测数据”。

5.一种配电变压器故障检测系统，其特征在于，包括：监测数据获取模块，用于获取配电变压器运行过程中的监测数据；

配电变压器故障检测模型获取模块，用于获取配电变压器故障检测模型；所述配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型；

检测模块，用于采用所述配电变压器故障检测模型，以所述监测数据为输入得到检测结果；所述检测结果包括：故障状态和正常状态；

还包括：

历史监测数据获取模块，用于获取配电变压器正常运行状态下的历史监测数据；

模型目标输出生成模块，用于向所述历史监测数据中添加高斯噪声生成模型目标输出；

多核函数获取模块，用于获取多核函数；所述多核函数由局部径向基核函数和全局多项式核函数组成；

输出权重确定模块，用于以所述历史监测数据和所述模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重；

重构误差统计极限训练模块，用于基于所述多核函数和所述输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

6.根据权利要求5所述的配电变压器故障检测系统，其特征在于，还包括鲁棒多核极限学习机‑自编码器构建模块；所述鲁棒多核极限学习机‑自编码器构建模块包括：RELM‑AE网络获取单元，用于获取RELM‑AE网络；

核函数矩阵构建单元，用于基于所述多核函数构建核函数矩阵；

鲁棒多核极限学习机‑自编码器构建单元，用于采用所述核函数矩阵替代所述RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

7.根据权利要求5所述的配电变压器故障检测系统，其特征在于，还包括：故障报警模块，用于当所述检测结果为故障状态时进行故障报警；

循环执行模块，用于当所述检测结果为正常状态时，返回执行“获取配电变压器运行过程中的监测数据”。

说明书

一种配电变压器故障检测方法和系统

技术领域

[0001] 本发明涉及变压器故障检测领域，特别是涉及一种基于鲁棒多核极限学习机‑自编码器(Robust multi‑kernel extreme learning machine‑autoencoder,RMKELM‑AE)的配电网低压变压器故障检测方法和系统。

背景技术

[0002] 配电变压器(简称配变，35KV及其以下，主要是10KV)分布于城镇村落的各个角落，数量庞大，分布复杂。配变作为电力系统中实现电能转换的核心设备，其一旦发生故障，轻则造成停电，影响人们正常生活，重则引发起火、爆炸等严重事故，进而造成重大经济损失。

[0003] 为了降低配变故障发生率，电网公司往往采用人工不定期或定期巡检的方式检查变压器的运行状态。然而人工巡检一方面难以实现变压器运行状态的全天候监测，故障响应慢；另一方面人工巡检对工作人员来说，存在潜在的安全隐患。此外，依靠人为经验判断变压器是否发生故障，往往会造成误检或漏检。随着大数据、人工智能等先进信息技术的发展，数据驱动型配电变压器故障自动检测方法逐渐成为电力设备监测与运维领域的主流技术。

[0004] 在配电变压器运行过程中，故障的发生仍然是一个小概率事件，这导致实际获得的故障状态样本远远小于正常状态样本，即存在数据不平衡问题。传统一些诸如支持向量机、神经网络等模式识别算法将故障检测视为二分类问题，但在数据不平衡的环境下存在故障检测率低的弊端。产生该弊端的主要原因在于传统模式识别算法将整体最小化训练误差作为学习目标，进而会忽略对数据较少的故障状态的学习。此外，在实际运行环境中配电变压器正常状态数据容易受到噪声干扰，影响模型的鲁棒性，进而产生故障误报率高的弊端，而产生该弊端的主要原因在于传统故障检测模型不具备抑制噪声干扰的能力。

发明内容

[0005] 为解决现有技术中存在的上述问题，本发明提供了一种配电变压器故障检测方法和系统。

[0006] 为实现上述目的，本发明提供了如下方案：

[0007] 一种配电变压器故障检测方法，包括：

[0008] 获取配电变压器运行过程中的监测数据；

[0009] 获取配电变压器故障检测模型；所述配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型；

[0010] 采用所述配电变压器故障检测模型，以所述监测数据为输入得到检测结果；所述检测结果包括：故障状态和正常状态。

[0011] 优选地，所述获取配电变压器故障检测模型，之前还包括：

[0012] 获取配电变压器正常运行状态下的历史监测数据；

[0013] 向所述历史监测数据中添加高斯噪声生成模型目标输出；

[0014] 获取多核函数；

[0015] 以所述历史监测数据和所述模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重；

[0016] 基于所述多核函数和所述输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

[0017] 优选地，所述鲁棒多核极限学习机‑自编码器的构建过程具体包括：

[0018] 获取RELM‑AE网络；

[0019] 基于所述多核函数构建核函数矩阵；

[0020] 采用所述核函数矩阵替代所述RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

[0021] 优选地，所述多核函数由局部径向基核函数和全局多项式核函数组成。

[0022] 优选地，还包括：

[0023] 当所述检测结果为故障状态时进行故障报警；

[0024] 当所述检测结果为正常状态时，返回“获取配电变压器运行过程中的监测数据”。

[0025] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0026] 本发明提供的配电变压器故障检测方法，通过采用基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型，基于实时获取的配电变压器运行过程中的监测数据得到检测结果，以解决数据不平衡问题和噪声干扰问题，进而提高故障检测率和降低故障误报率。

[0027] 对应于上述提供的配电变压器故障检测方法，本发明还对应提供了一种实施系统，具体如下：

[0028] 一种配电变压器故障检测系统，包括：

[0029] 监测数据获取模块，用于获取配电变压器运行过程中的监测数据；

[0030] 配电变压器故障检测模型获取模块，用于获取配电变压器故障检测模型；所述配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型；

[0031] 检测模块，用于采用所述配电变压器故障检测模型，以所述监测数据为输入得到检测结果；所述检测结果包括：故障状态和正常状态。

[0032] 优选地，还包括：

[0033] 历史监测数据获取模块，用于获取配电变压器正常运行状态下的历史监测数据；

[0034] 模型目标输出生成模块，用于向所述历史监测数据中添加高斯噪声生成模型目标输出；

[0035] 多核函数获取模块，用于获取多核函数；所述多核函数由局部径向基核函数和全局多项式核函数组成；

[0036] 输出权重确定模块，用于以所述历史监测数据和所述模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重；

[0037] 重构误差统计极限训练模块，用于基于所述多核函数和所述输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

[0038] 优选地，还包括鲁棒多核极限学习机‑自编码器构建模块；所述鲁棒多核极限学习机‑自编码器构建模块包括：

[0039] RELM‑AE网络获取单元，用于获取RELM‑AE网络；

[0040] 核函数矩阵构建单元，用于基于所述多核函数构建核函数矩阵；

[0041] 鲁棒多核极限学习机‑自编码器构建单元，用于采用所述核函数矩阵替代所述RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

[0042] 优选地，还包括：

[0043] 故障报警模块，用于当所述检测结果为故障状态时进行故障报警；

[0044] 循环执行模块，用于当所述检测结果为正常状态时，返回执行“获取配电变压器运行过程中的监测数据”。

[0045] 因本发明提供的配电变压器故障检测系统达到的技术效果与上述提供的配电变压器故障检测方法达到的技术效果相同，故在此不再进行赘述。

附图说明

[0046] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0047] 图1为本发明提供的配电变压器故障检测方法的流程图；

[0048] 图2为本发明实施例实施配电变压器故障检测方法的流程框架图；

[0049] 图3为本发明提供的配电变压器故障检测系统的结构示意图。

具体实施方式

[0050] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0051] 本发明的目的是提供一种配电变压器故障检测方法和系统，以解决数据不平衡问题和噪声干扰问题，进而提高故障检测率和降低故障误报率。

[0052] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0053] 如图1所示，本发明提供的一种配电变压器故障检测方法，包括：

[0054] 步骤100：获取配电变压器运行过程中的监测数据。

[0055] 步骤110：获取配电变压器故障检测模型。配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型。

[0056] 步骤120：采用配电变压器故障检测模型，以监测数据为输入得到检测结果。检测结果包括：故障状态和正常状态。

[0057] 进一步，为了克服数据不平衡问题，提高故障检测率，如图2所示，在上述步骤110述获取配电变压器故障检测模型之前，本发明上述提供的配电变压器故障检测方法还包括：

[0058] A、获取配电变压器正常运行状态下的历史监测数据。具体的，历史监测数据记为N×mSy，xi∈R ，i＝1,2,…,N，其中N是训练样本总数，每个样本包含m种观测特征变量，并将历史监测数据Sy作为模型输入。

[0059] 其中，配电变压器的历史监测数据包括油中溶解气体特征、变压器电气试验特征和绝缘油特性试验特征。其中，变压器油中溶解气体特征包括H2、C2H2、CH4、C2H6、C2H4、总烃等各种气体的含量，总烃的产气速率以及CO2级CO气体含量的比值。变压器电气试验特征包括变压器介质损耗因素、绕组泄漏电流、绝缘电阻、绕组直流电阻相间差。绝缘油特性试验特征包括绝缘油介损、油中含水量、糖醛含量。

[0060] B、向历史监测数据中添加高斯噪声生成模型目标输出。具体的，历史监测数据记N×m为Sy，模型目标输出记为Sny，xni∈R ,ni＝1,2,…,N。其中，模型目标输出Sny为：

[0061] Sny＝Sy+rand(N,m,M,s)   (1)

[0062] 式中，rand(N,m,M,s)表示生成N行m列均值为M、标准差为s的高斯噪声矩阵。

[0063] C、获取多核函数。具体的，将局部径向基核函数krbf(xi,xj)和全局多项式核函数kploy(xi,xj)组合成多核核函数kmix(xi,xj)。

[0064] 其中，各核函数的表达式为：

[0065]

[0066] 式中，xi,xj∈Sy是训练样本，λ是用于调节局部径向基核函数krbf(xi,xj)和全局多项式核函数kploy(xi,xj)权重的调节常数，其取值在0到1之间。δ是局部径向基核函数krbf(xi,xj)的核函数宽度，a,p,d是全局多项式核函数kploy(xi,xj)的参数。

[0067] D、以历史监测数据和模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重。具体的，最小化训练误差的学习目标[即棒极限学习机‑自动编码器(Robust multi‑kernel extreme learning machine‑autoencoder，RELM‑AE)的建模训练目标]可以表达为下式：

[0068]

[0069] 式中，LRELM‑AE表示RELM‑AE的最小化训练目标，βRELM‑AE是RELM‑AE的网络输出权重。C是惩罚因子，N是训练样本总数，xi表示第i个训练样本，h(xi)是第i个训练样本的RELM‑AE网络隐含层输出向量， 是第i个训练样本的目标输出向量， 是第i个训练样本的训练误差。

[0070] 具体的，RELM‑AE网络隐含层输出向量h(xi)表达为下式：

[0071] h(xi)＝g(wxi+b)

[0072] 式中，w是RELM‑AE的网络输入权值矩阵，b是RELM‑AE的网络隐含层偏置，w,b均采用随机生成的方式。g(·)为激活函数，可选方案有sin、sig等激活函数。

[0073] 对的最小化训练误差的学习目标进行求解，进而得到RELM‑AE网络的输出权重βRELM‑AE。输出权重βRELM‑AE公式可表达如下：

[0074]

[0075] 式中，H＝[h(x1),h(x2)…h(xi)…h(xN)]是RELM‑AE的网络隐含层输出矩阵，X＝Sny是目标输出矩阵。L是RELM‑AE网络的隐含层节点。

[0076] E、基于多核函数和输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

[0077] 进一步，上述采用的鲁棒多核极限学习机‑自编码器的构建过程具体包括：

[0078] 获取RELM‑AE网络。

[0079] 基于多核函数构建核函数矩阵。具体的，利用多核核函数kmix(xi,xj)来构造核函数矩阵Ω，根据Mercer条件，核函数矩阵Ω可由下式得到：

[0080]

[0081] 采用核函数矩阵替代RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

[0082] RELM‑AE网络的网络隐含层输出向量h(xi)表达为下式：

[0083] h(xi)＝g(wxi+b)   (6)

[0084] 式中，w是RELM‑AE的网络输入权值矩阵，b是RELM‑AE的网络隐含层偏置，w,b均采用随机生成的方式。g(·)为激活函数，可选方案有sin、sig等激活函数。

[0085] 基于此，上述步骤E具体实施过程为：

[0086] 使用多核核函数来替代原始RELM‑AE的网络隐含层特征映射，得到RMKELM‑AE的输出权重βRMKELM‑AE，具体的，将公式(5)代入公式(4)可以得到

[0087]

[0088] 进一步，基于输出权重βRMKELM‑AE计算得到RMKELM‑AE的重构误差统计限RESLRMKELM‑AE，如下式所示：

[0089]

[0090] 式中，errRE,i是第i个训练样本xi的重构误差，mean(·)表示求平均值，h(xi)是第i个训练样本xi的网络隐含层输出向量，RESLRMKELM‑AE是训练得到的重构误差统计限，max(·)表示求最大值。

[0091] 进一步，在执行上述步骤120之后，当检测结果为故障状态时进行故障报警。当检测结果为正常状态时，返回步骤100，以执行下一轮的检测。

[0092] 具体可由下式对检测结果进行判断：

[0093]

[0094] 式中，errRE,k是第k个在线监测样本xk的重构误差，h(xk)是第k个在线监测样本xk的网络隐含层输出向量。

[0095] 具体的说，如果步骤7中判断xk是正常状态样本，则继续采集新的在线样本xk+1。如果步骤7中判断xk是故障状态样本，则进行故障报警。

[0096] 综上，本发明上述提供的配电变压器故障检测方法相对于现有技术具有以下优点：

[0097] 1，本发明构造了一种新颖的基于鲁棒多核极限学习机‑自编码器(Robust multi‑kernel extreme learning machine‑autoencoder,RMKELM‑AE)的配电变压器故障检测方法，其仅仅使用配电变压器正常状态数据进行建模而不需要提前获得足够多的故障状态数据，能够克服数据不平衡问题，进而提高故障检测率。

[0098] 2，本发明使用带有噪声的数据集作为建模目标输出，使得模型具备抗噪声的能力，能够提高模型的鲁棒性。更具体的说，当在线正常状态样本受到噪声干扰时，所提方法能够有效降低故障误报率。

[0099] 3，本发明将学习能力强、泛化能力弱的局部径向基核函数与学习能力弱、泛化能力强的全局多项式核函数相结合来构造多核核函数实现数据的非线性处理，能够达到提高故障检测率并降低故障误报率的效果。

[0100] 此外，对应于上述提供的配电变压器故障检测方法，本发明还对应提供了一种配电变压器故障检测系统。如图3所示，该配电变压器故障检测系统，包括：监测数据获取模块1、配电变压器故障检测模型获取模块2和检测模块3。

[0101] 其中，监测数据获取模块1用于获取配电变压器运行过程中的监测数据。

[0102] 配电变压器故障检测模型获取模块2用于获取配电变压器故障检测模型。配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型。

[0103] 检测模块3用于采用配电变压器故障检测模型，以监测数据为输入得到检测结果。检测结果包括：故障状态和正常状态。

[0104] 进一步，上述提供的配电变压器故障检测系统还优选包括：历史监测数据获取模块、模型目标输出生成模块、多核函数获取模块、输出权重确定模块和重构误差统计极限训练模块。

[0105] 其中，历史监测数据获取模块用于获取配电变压器正常运行状态下的历史监测数据。

[0106] 模型目标输出生成模块用于向历史监测数据中添加高斯噪声生成模型目标输出。

[0107] 多核函数获取模块用于获取多核函数。多核函数由局部径向基核函数和全局多项式核函数组成。

[0108] 输出权重确定模块用于以历史监测数据和模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机‑自编码器进行训练，得到输出权重。

[0109] 重构误差统计极限训练模块用于基于多核函数和输出权重训练得到基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型的重构误差统计极限。

[0110] 进一步，还包括鲁棒多核极限学习机‑自编码器构建模块。该鲁棒多核极限学习机‑自编码器构建模块包括：RELM‑AE网络获取单元、核函数矩阵构建单元和鲁棒多核极限学习机‑自编码器构建单元。

[0111] 其中，RELM‑AE网络获取单元用于获取RELM‑AE网络。

[0112] 核函数矩阵构建单元用于基于多核函数构建核函数矩阵。

[0113] 鲁棒多核极限学习机‑自编码器构建单元用于采用核函数矩阵替代RELM‑AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机‑自编码器。

[0114] 再进一步，还可以包括：故障报警模块和循环执行模块。

[0115] 其中，故障报警模块用于当检测结果为故障状态时进行故障报警。

[0116] 循环执行模块用于当检测结果为正常状态时，返回执行“获取配电变压器运行过程中的监测数据”。

[0117] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0118] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。