[发明专利]一种变压器振动在线异常检测方法

说明书

针对目前如何基于振动法分析变压器运行状态并进行故障诊断，本发明实施例公开了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

技术领域

本发明涉及电力领域，尤其涉及一种变压器振动在线异常检测方法。

背景技术

电力变压器是电力系统中的重要设备，其运行状态对电力系统的安全和经济效益有着重要的影响。变压器表面振动主要源自电流和电压激励下的绕组和铁芯振动，理论分析和实践经验表明，可以通过变压器振动信号分析绕组和铁芯工作状态并进行故障诊断。振动法分析变压器运行状态和故障诊断，国内外研究学者做了大量研究工作，取得了相当的成果。由于变压器振动信号特征提取是振动法分析变压器运行状态和故障诊断的前提和基础。但是，现有研究成果的数据大多源于实验室或试验变压器仿真，由于变压器表面振动受多重因素复杂影响，所以实际运行中的变压器表面振动信号与理论分析和实验室试验条件下获取的变压器表面振动信号差异明显。

在实际生产中，变压器振动产生流数据，而这些流数据中会包含着新的样本知识，如何及时有效的处理流数据，是变压器异常检测的难点之一。

发明内容

为解决上述技术问题，本发明提出了一种变压器振动在线异常检测方法，该方法是获取预设时间段内关于变压器运行状态振动信号的新增数据样本，基于小波包分析提取新增数据样本的特征参数，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。由于本申请利用增量学习算法只对预设时间段内的新增数据样本进行学习，所以能够及时有效的处理新增数据，可以在线实时地对新增训练样本进行学习，实现检测模型的快速升级，同时可以降低模型更新对时间和空间的需求。

本发明实施例提供了如下技术方案：

一种变压器振动在线异常检测方法，包括：

获取预设时间段内关于变压器运行状态振动信号的新增数据样本；

基于小波包分析提取新增数据样本的特征参数；

基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型；

调用更新后的单类异常检测器模型，对当前变压器振动进行在线异常检测。

其中，基于快速凸包算法完成新增数据样本的学习，训练更新单类异常检测器模型，具体包括：

设初始训练样本A₀，新增样本为B＝{B₁,B₂,…,B_n}，且新训练样本A_i(i∈n)，

1)初始训练样本A₀训练得到支持向量数据描述模型Ω₀，支持向量为SV₀；

2)加入新增样本B_i(i∈n)，找出B_i中违反KKT条件的样本，记为若则返回Ω_i-1；否则计算样本A_i-1除支持向量SV_i-1后的样本A_i-1，即A_i'_-1＝A_i-1-SV_i-1，并利用快速凸包算法计算A_i'_-1的壳向量C_i-1；