[发明专利]一种变压器故障预警方法及系统

说明书

本发明涉及一种变压器故障预警方法及系统，采用每种溶解气体的训练好的长短期记忆神经网络模型能够实现对每种溶解气体含量的预测，并基于滑动窗口计算残差分布特性，能够有效剔除随机信号的影响，防止出现误报警的情况，有效提高了变压器故障预警的准确度。

技术领域

本发明涉及变压器电力技术领域，特别是涉及一种变压器故障预警方法及系统。

背景技术

随着我国近年来电力建设行业的快速发展，能源需求也随之不断增加，对电力系统的安全可靠运行提出了更高的要求。变压器在电力系统设备中占据着十分重要的地位，其能否正常稳定的运行直接影响到电力系统的状态，一旦变压器产生任何故障，都有可能影响电力系统的正常供电甚至导致系统故障，从而造成巨大的经济损失。因此，能否正确的提前预测到变压器发生故障，对电力系统的正常运行具有重要的意义。

变压器常见的故障包括高温故障、局部放电故障和电弧放电故障等，当故障发生时，会产生多种气体溶解在油中。油中分析技术(dissolved gas analysis，DGA)是一种检测变压器故障的方法，基于DGA的传统预警方法包括特征气体法、气体含量三比值法和气体比值图示法等，这些方法操作简单，方便计算，近些年来广泛应用在变压器故障诊断与预警的实际工作中，但在实际使用中仍然存在如边界模糊、比值范围不足、气体测量成分含量需求较高等问题，这就导致诊断故障容易出现误判。

发明内容

本发明的目的是提供一种变压器故障预警方法及系统，以提高变压器故障预警的准确度。

为实现上述目的，本发明提供了如下方案：

一种变压器故障预警方法，所述方法包括：

获取每个历史时刻变压器产生的多种溶解气体含量，构建变压器运行数据集；

按照预设时间序列步长将所述变压器运行数据集划分为多个运行输入矩阵；

将多个运行输入矩阵分别输入每种溶解气体的训练好的长短期记忆神经网络模型中，输出每种溶解气体的预测含量序列；

确定每种溶解气体的预测含量序列中每个预测含量与实际含量的差的绝对值，构成每种溶解气体的残差序列；

利用滑动窗口算法将每种溶解气体的残差序列划分为多个残差滑动窗口；

获取每种溶解气体的每个残差滑动窗口内的残差平均值；

若所有溶解气体的残差平均值中存在至少一个残差平均值大于或等于残差阈值，则确定变压器出现了故障。

可选的，每种溶解气体的训练好的长短期记忆神经网络模型的训练过程具体包括：

获取历史时间段内的变压器运行样本数据集；所述变压器运行样本数据集包括：变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；

将变压器运行样本数据集中预设时间段内的变压器无故障运行过程的多种气体含量构成初始训练样本集，将变压器运行样本数据集中训练样本集以外的气体含量构成初始测试样本集；所述测试样本集包括变压器无故障运行过程的多种气体含量和变压器故障停机过程的多种气体含量；

按照预设时间序列步长将所述初始训练样本集划分为多个训练样本输入矩阵，并按照预设时间序列步长将所述初始测试样本集划分为多个测试样本输入矩阵；

将每个训练样本输入矩阵与所述初始训练样本集中第w种溶解气体的含量作为一条训练数据，构成第w种溶解气体的训练样本集，并将每个测试样本输入矩阵与所述初始测试样本集中第w种溶解气体的含量作为一条测试数据，构成第w种溶解气体的测试样本集；

利用第w种溶解气体的训练样本集对第w种溶解气体的长短期记忆神经网络模型进行训练，获得训练后的第w种溶解气体的长短期记忆神经网络模型；