[发明专利]一种基于趋势分析的变压器潜伏性故障预警方法

权利要求书

1.一种基于趋势分析的变压器潜伏性故障预警方法，其特征是，包括：

步骤1：对变压器正常运行状态的气体浓度历史数据，取近30天数据，通过kernel-smoothing非参数回归方法对历史数据进行平滑处理，通过异常值检测评价指标得到最优的非参数回归方法参数，及与该最优的非参数回归方法参数对应的上下限时间序列数据；

步骤2：以步骤1中得到的最优的非参数回归方法参数对应的上下限时间序列数据为历史数据，建立变压器油中溶解气体浓度预测模型，并通过智能优化方法进行模型参数优化；

步骤3：确定好预测模型参数后，对未来7天的上下限气体浓度进行预测，预测得到的上下限气体浓度称为预警边界；

步骤4：通过气体浓度测量数据与预警边界的比较，确定预警策略；

所述步骤1具体为：

步骤1.1：选取实测变压器近30天油中溶解气体浓度数据，包括H₂和总烃，并人工对数据中的异常数据即尖突点、零值进行标注；

步骤1.2：采用kernel-smoothing非参数回归方法对近30天气体数据进行拟合，采用准确率、召回率和平均带宽作为评价指标，对非参数回归方法中的参数进行优化，取准确率和召回率均值最大的为最优参数，若存在多个相同的召回率均值，则选取平均带宽最小的为最优参数，优化方法采用群体搜索优化算法或分等级枚举；式(1)中R_num为正确检测出异常值的数量，Out_total为检测出的异常值总数，Det_total为异常值的总数，Pre_iup为第i个数据的拟合上限，Pre_ilow为第i个数据的拟合下限；n为数据个数；

步骤1.3：选取好非参数回归方法的参数后，通过该参数对应的拟合值加上一个允许误差或减去允许误差，来计算得到该参数对应的历史数据的上下边界。

2.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤2具体为：

步骤2.1：以步骤1中得到的最优的非参数回归方法参数对应的上下限时间序列数据为历史数据，建立变压器油中溶解气体浓度预测模型训练集；

步骤2.2：基于核极限学习机建立气体浓度预测模型，基于粒子群与引力搜索混合算法PSOGSA以预测平均绝对误差百分比作为适应度函数对模型参数进行优化。

3.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤3具体为：

基于优化得到的预测模型参数，对未来7天的上下限气体浓度进行预测。

4.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤4具体为：

步骤4.1：若检测到数据超过下限，则判断该数据为异常数据，并以上下限的平均值代替；

步骤4.2：若第1次检测到数据超过上限，判断该数据由潜伏性故障或检测系统误差造成，启动一级预警；

步骤4.3：若连续2次检测到数据超过上限，则认为变压器内部存在潜伏性故障的概率较大，启动二级预警。