[发明专利]基于变压器油中溶解气体监测数据的变压器故障预测方法

说明书

本发明提供一种基于变压器油中溶解气体监测数据的变压器故障预测方法，该法包括对变压器个体油中溶解气体历史在线数据优化、模型识别优化后的数据、自回归滑动平均模型参数的估计、模型检验及建立，预测未来任意时刻变压器油中特征气体含量并对变压器的故障做出预判与维修措施。与最接近的现有技术相比,该方法改善了样本质量，体现了变压器的个体特性，反应了油中溶解气体随时间的变化特性，因其数据无剧烈变动，所以较传统机器学习建立的预测模型，可以做出更加稳定且明确的物理解释；提高了变压器油中溶解气体在线数据预测的准确性，使得对故障的预判与维修措施更加准确可靠；为变压器的维修及使用提供了可靠保障，延长了变压器的使用寿命。

技术领域

本发明涉及一种电力设备故障预测技术，具体涉及一种基于变压器油中溶解气体监测数据的变压器故障预测方法。

背景技术

变压器作为电网中的一种主要变电设备，在电网中具有举足轻重的地位。因此，对变压器的状态检修技术研究就显得格外重要，在线监测技术是状态检修技术中的重要组成部分，而油中溶解气体在线监测作为一种综合灵敏度高的监测方法,得到了快速应用和推广，同时也成为变压器维护、评估的有效手段。变压器油中溶解气体的在线监测可以用于故障的诊断及预测两个方面，其中故障预测技术要求在变压器发生故障前就能根据某些故障征兆预先予以发现，在故障尚未破坏设备时，能及时发现并做出判断。

变压器油中溶解气体目前的在线监测数据预测方法大多是机器学习构建的预测模型。这些方法的最大特点是根据样本反复迭代，直到找到合适的模型，这种特点导致的主要问题是迭代过程的不可知性，即迭代出的数学模型缺乏物理解释，无法反应数据的时域特性。并且机器学习方法对迭代样本的数据质量要求高，由于在线监测设备会受到现场干扰及环境因素的影响，数据质量很难保证，用这些存在问题的数据作为机器学习训练样本，将会导致预测模型随时间长度的变化而剧烈变动，这样会直接导致预测结果不稳定，无法保证预测的准确性。

随着变压器越来越广泛的应用，对变压器油中溶解气体在线数据预测的准确性的要求也越来越高，因此，需要提供一种准确、有效且可靠的变压器油中溶解气体监测数据预测方法。

发明内容

有鉴于此，本发明提供一种基于变压器油中溶解气体监测数据的变压器故障预测方法，该方法准确、有效且可靠；其在改善了样本质量的同时，还体现了变压器的个体特性，反应了油中溶解气体随时间的变化特性，使其相较于传统根据机器学习建立的预测模型，更加稳定，并且有明确的物理解释，且数据不会产生剧烈变动；从而提高了变压器油中溶解气体在线数据预测的准确性，使得故障预判与维修措施更加准确可靠；保证了变压器的维修及使用的可靠性，同时延长了变压器的使用寿命。

基于变压器油中溶解气体监测数据的变压器故障预测方法,其特征在于,所述预测方法包括如下步骤：

步骤I-1.将在线监测的变压器油中溶解气的历史数据优化为序列样本；

步骤I-2.识别所述序列样本所属的ARMA模型的类型；

步骤I-3.对确定所属类型后的ARMA模型定阶，获得所述ARMA模型中的未知参量的个数；

步骤I-4.估计各所述未知参量的值的参数,初步建立所述ARMA模型；

步骤I-5.检验初步建立的所述ARMA模型的有效性；若模型有效，则所述ARMA模型建立完成；若模型无效，则返回I-3；

步骤I-6.根据建立完成的所述ARMA模型预测未来任意时刻变压器油中特征气体含量，并做出故障预测及诊断；

步骤I-7.根据故障预测及诊断结果，强化对所述变压器的运行监控，并对其检修或更换。

优选的，所述步骤I-1包括：

步骤I-1-1.整理变压器油中至少30天的溶解气体的历史在线监测数据；