本發(fā)明涉及統(tǒng)計分析領域，具體涉及一種基于變壓器油中溶解氣體數(shù)據(jù)的變壓器亞健康狀態(tài)識別及平均剩余壽命估計方法。
背景技術(shù)：
：變壓器設備發(fā)生故障時往往會釋放較高的電和熱，導致變壓器油分解，產(chǎn)生不同的油中溶解氣體，包括氫氣、甲烷、乙烷、乙烯等。油中溶解氣體分析法通過計算、比較變壓器在運行過程中產(chǎn)生氣體的濃度和組成成分，分析設備存在的潛在風險，對變壓器設備的健康狀態(tài)給予初步的判斷。油中溶解氣體分析法是一種非常重要的變壓器故障診斷方法，該方法對判斷變壓器慢性局部缺陷十分有效，具有方便在線監(jiān)測、無需拆解檢測的優(yōu)點，國內(nèi)頒布的電力設備預試規(guī)程(1997年)中將油中溶解氣體分析置于首要地位。油中溶解氣體是變壓器故障的重要判斷指標。根據(jù)大量的實踐經(jīng)驗，相關研究人員已總結(jié)出了一些針對不同故障類型體的規(guī)律和判斷方法，如IEC60599(三比值)方法、Rogers(四比值)方法和Doernenburg(五比值)方法等。這些方法屬于早期的經(jīng)典方法，能夠?qū)ψ儔浩髟O備的故障情況進行初步的判斷，但在從實際應用中存在比值結(jié)果無法對應、容易對正常設備造成誤判的問題。我國目前推行的《變壓器油中溶解氣體分析和判斷導則(國家電力行業(yè)標準DL/T722-2014)》在上述比值方法的基礎上設置了注意值，減少了設備正常情況下的誤判現(xiàn)象，并對比值編碼和故障類型進行了細化，排除了比值結(jié)果與故障類型無法對應的情況，極大的完善了比值方法的實用原則。但是，該方法仍屬于比值方法，此類方法在故障描述方面存在一定的局限，具體表現(xiàn)在兩個方面，第一，變壓器設備故障的實際情況十分復雜，僅用簡單的比值的形式對其進行描述存在一定的欠缺，比值運算無法體現(xiàn)出氣體指標之間的復雜特征。第二，比值方法的本質(zhì)是一種閾值方法，而這些閾值大多來自研究人員的實踐經(jīng)驗，缺乏一定的嚴謹性，閾值附近的故障判別往往比較模糊，比值方法在判別的準確度方面還有進一步的提升空間?；诒戎捣椒ù嬖诘膯栴}，相關研究人員從不同的視角對變壓器故障的識別問題進行了許多探索。Sheng-weiFei等利用支持向量機和遺傳算法對上述比值方法進行了優(yōu)化，提升了對變壓器設備故障類型的判別精度；Chin-PaoHung等利用CMAC神經(jīng)網(wǎng)絡對變壓器的故障識別進行了探索，在判別精度方面同樣取得了較好的提升效果；Shintemirov等利用遺傳規(guī)劃對氣體指標的計算方式進行了大幅度改進，得到了較比值方法更為準確的計算方法；Chia-HungLin等利用灰色聚類方法對三比值法的閾值邊界進行了優(yōu)化，彌補了人工經(jīng)驗存在的缺陷。上述前沿研究從不同的角度對比值方法進行了優(yōu)化，提高了設備故障的判別精度，為變壓器故障識別方面的相關研究作出了重要貢獻?，F(xiàn)有技術(shù)對早期的經(jīng)典比值方法進行了改進，得到了顯著的提升效果。但總體來看，上述方法仍存在一定的局限性。第一，現(xiàn)有技術(shù)僅對設備當前時間節(jié)點的運行狀態(tài)進行了故障識別，沒有考慮設備的歷史運行情況。事實上，設備了歷史運行數(shù)據(jù)包含了大量的信息，包括油中溶解氣體含量的總體水平，氣體濃度的增長趨勢信息等，僅對當前狀態(tài)進行評估顯然忽略了上述信息。第二，現(xiàn)有技術(shù)僅考慮設備的正常和故障兩種狀態(tài)，而當設備已經(jīng)出現(xiàn)故障狀態(tài)時，相關維護人員只能對其進行事后的維修工作，成本較高。變壓器故障識別方法應提取設備在發(fā)生故障前的特征信息，識別出設備的亞健康狀態(tài)，“早發(fā)現(xiàn)，早預防”，降低維護成本。第三，現(xiàn)有技術(shù)無法對設備未來的運行狀態(tài)進行的預測。如上文所述，現(xiàn)有技術(shù)是一種不考慮時間因素的靜態(tài)方法，而現(xiàn)實中，對變壓器設備未來運行情況的估計、剩余壽命的預測同樣是設備維護的重要內(nèi)容，利用變壓器油中溶解氣體數(shù)據(jù)對設備未來運行情況進行預測的方法具有廣泛的應用前景。技術(shù)實現(xiàn)要素：鑒于上述，本發(fā)明提出了一種基于變壓器油中溶解氣體數(shù)據(jù)的變壓器設備亞健康狀態(tài)識別及平均剩余壽命估計方法，該方法考慮了時間因素和設備的歷史信息，通過隱馬爾科夫模型提取變壓器油中溶解氣體的動態(tài)特征，并結(jié)合歷史運行信息對設備的健康狀態(tài)進行實時評估，對處于亞健康狀態(tài)的設備進行平均剩余壽命估計。一種基于變壓器油中溶解氣體數(shù)據(jù)的變壓器亞健康狀態(tài)識別及平均剩余壽命估計方法，包括如下步驟：(1)利用故障變壓器設備從正常狀態(tài)至故障狀態(tài)過程中的油中溶解氣體濃度數(shù)據(jù)以及正常變壓器設備的油中溶解氣體濃度數(shù)據(jù)對隱馬爾科夫模型進行訓練，得到針對每種故障類型的變壓器故障模型Mm與變壓器正常模型M，其中，m代表變壓器的故障類型；(2)利用變壓器故障模型Mm與變壓器正常模型M，找到與經(jīng)過預處理后的待測變壓器的油中溶解氣體濃度數(shù)據(jù)相匹配的模型M′，并根據(jù)模型M′估計待測設備當前時刻的健康狀態(tài)；(3)對處于亞健康狀態(tài)下的變壓器設備，根據(jù)與其匹配的模型M′預測未來時刻油中溶解氣體濃度數(shù)據(jù)的期望值與未來時刻的健康狀態(tài)，進而估計得到變壓器設備的平均剩余壽命。所述步驟(1)的具體步驟為：(1-1)收集故障變壓器設備及此些故障變壓器設備從正常狀態(tài)至故障狀態(tài)過程中的油中溶解氣體濃度數(shù)據(jù)，并將收集的數(shù)據(jù)按其所屬變壓器設備的故障類型分類，構(gòu)建針對不同故障類型的設備案例庫Cm；(1-2)收集正常變壓器設備及此些正常變壓器設備的油中溶解氣體濃度數(shù)據(jù)，利用收集數(shù)據(jù)構(gòu)建針對正常變壓器的設備案例庫C；(1-3)對設備案例庫Cm與C中的溶解氣體濃度數(shù)據(jù)進行預處理，得到處理后的設備案例庫C′m與C′，使得所有設備案例庫中的溶解氣體濃度數(shù)據(jù)擁有相同的時間間隔；(1-4)將設備案例庫C′m與C′作為隱馬爾科夫模型輸入數(shù)據(jù)，以最大似然函數(shù)L收斂為目標，對隱馬爾科夫模型進行訓練，得到針對每種故障類型的變壓器故障模型Mm與變壓器正常模型M。所述變壓器設備的油中溶解氣體包括氫氣、甲烷、乙烷、乙烯、乙炔和總烴，其中，總烴是指甲烷、乙烷、乙烯、乙炔四種烴類氣體含量總和；所述氣體濃度數(shù)據(jù)為氣體的體積濃度，單位為μL/L；所述故障變壓器從正常狀態(tài)至故障狀態(tài)的過程是指設備從運行良好的狀態(tài)開始，逐漸向故障狀態(tài)發(fā)展，直到設備出現(xiàn)持續(xù)的故障狀態(tài)為止的過程，相應的氣體濃度數(shù)據(jù)是一個時間序列，時間跨度設為定值；所述正常變壓器設備油中溶解氣體濃度數(shù)據(jù)指從投運開始至今未出現(xiàn)任何異常的變壓器設備，其在正常運行情況下產(chǎn)生的油中溶解氣體數(shù)據(jù)，該數(shù)據(jù)同樣為時間序列，時間跨度與故障設備氣體數(shù)據(jù)的時間跨度相同。所述變壓器設備的故障類型為《變壓器油中溶解氣體分析和判斷導則(國家電力行業(yè)標準DL/T722-2014)》中氣體比值法運用的故障類型，包括：低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、低能放電兼過熱、電弧放電以及電弧放電兼過熱，共8種故障類型。所述的待測設備油中溶解氣體數(shù)據(jù)的預處理方法為線性插值法。線性插值方法是指一種補全缺失數(shù)據(jù)的方法，具體是一種利用兩個時間點上對應數(shù)據(jù)的連線來代替兩個時間點之間缺失數(shù)據(jù)的插值方法，設某臺變壓器油中溶解氣體數(shù)據(jù)在t1時刻為a，t2時刻為b，t1與t2之間存在某一缺失數(shù)據(jù)點，對應時間點為t3，根據(jù)線性插值法，t3時刻的數(shù)據(jù)可以由a+(a-b)*(t3-t1)/(t1-t2)補全。本發(fā)明中線性插值處理的具體過程為：以1天為單位，對所有設備案例庫中每臺變壓器的溶解氣體濃度數(shù)據(jù)進行線性插值處理，補全數(shù)據(jù)中的缺失值，得到時間間隔為1天的氣體濃度數(shù)據(jù)插值序列。再按照事先設定的時間間隔(如1周)對氣體濃度數(shù)據(jù)插值序列進行等間隔取樣，使得所有設備案例庫中的變壓器的溶解氣體濃度數(shù)據(jù)的時間間隔相同。所述隱馬爾科夫模型(HiddenMarkovModel,HMM)是一種隨機過程模型，通常用于描述多個潛在狀態(tài)之間的動態(tài)演化過程。在變壓器故障動態(tài)預警問題的情景中，隱馬爾科夫模型將變壓器的運行狀態(tài)分為隱性和顯性兩個部分，隱性部分對應變壓器的真實健康狀態(tài)(正常、亞健康、故障)，無法直接觀測；顯性部分對應變壓器油中溶解氣體數(shù)據(jù)的分布情況，可以直接觀測。同時，該模型通過計算隱性狀態(tài)之間的轉(zhuǎn)移概率，對變壓器的氣體的動態(tài)演化過程進行描述。本發(fā)明中對已有的隱馬爾科夫模型進行了改進，具體本發(fā)明所述隱馬爾科夫模型為：當設備案例庫C′m作為訓練樣本時，在隱馬爾科夫模型中，構(gòu)建三種分別對應變壓器設備正常、亞健康以及故障異常三種健康狀態(tài)i的隱性節(jié)點，在訓練的過程中，以最大似然函數(shù)L收斂為目標，利用設備案例庫C′m中的數(shù)據(jù)迭代確定隱馬爾科夫模型的最優(yōu)參數(shù)λ*＝(π*,A*,B*)；當設備案例庫C′作為訓練樣本時，在隱馬爾科夫模型中，構(gòu)建對應變壓器設備正常狀態(tài)的隱性節(jié)點，在訓練的過程中，以最大似然函數(shù)L收斂為目標，利用設備案例庫C′中的數(shù)據(jù)迭代確定隱馬爾科夫模型的最優(yōu)參數(shù)λ*＝(π*,A*,B*)；其中，π*表示初始時間點變壓器處于不同健康狀態(tài)下概率，記為為狀態(tài)轉(zhuǎn)移矩陣，表示變壓器設備在t時刻健康狀態(tài)qt為i時，且t+1時刻健康狀態(tài)q(t+1)為j的轉(zhuǎn)移概率P(q(t+1)＝j|qt＝i)的具體數(shù)值；溶解氣體數(shù)據(jù)在設備各種運行狀態(tài)下的概率分布B*＝{bi(Ot|μi,∑i)}，μi表示溶解氣體數(shù)據(jù)分布的均值，∑i表示溶解氣體數(shù)據(jù)分布的協(xié)方差矩陣，Ot為t時刻的溶解氣體數(shù)據(jù)，bi(Ot|μi,∑i)表示溶解氣體數(shù)據(jù)分布的概率密度函數(shù)，i＝1,2…k，j＝1,2…k，k為變壓器設備的健康狀態(tài)的數(shù)目。對于設備案例庫C′m，隱馬爾科夫模型對訓練所得的參數(shù)集按μi的均值進行排序，μi最大的參數(shù)集對應設備的故障狀態(tài)，μi最小的參數(shù)集對應設備的健康狀態(tài)，介于二者之間的參數(shù)集對應設備的亞健康狀態(tài)。對于設備案例庫C′，隱馬爾科夫模型將所有油中溶解氣體數(shù)據(jù)視為一類，對應設備的正常狀態(tài)。經(jīng)過訓練確定的模型的最優(yōu)參數(shù)λ*＝(π*,A*,B*)實際上對應的是訓練樣本的動態(tài)特征，對模型訓練的過程實際上是設備案例庫提取的過程。步驟(1-4)中，所述的最大似然函數(shù)L具體為：其中，Ont為第n臺變壓器設備t時刻的溶解氣體數(shù)據(jù)，N表示變壓器設備的總個數(shù)，t表示時刻，時間長度為T，π′i,a′ij,μi′,∑′i為算法迭代后的更新參數(shù)，γnt(i)表示變壓器設備在t時刻處于健康狀態(tài)i的概率，由初始參數(shù)計算得出，ξnt(i,j)為設備從第i種健康狀態(tài)變化至第j種健康狀態(tài)的轉(zhuǎn)移概率，由γnt(i)計算得出。所述步驟(2)的具體步驟為：(2-1)將待檢測數(shù)據(jù)方法O′輸入到變壓器故障模型Mm與變壓器正常模型M，并計算模型Mm與模型M中前向變量αt(i)，然后將前向變量αt(i)代入到似然函數(shù)f中，計算得似然函數(shù)值序列f1,f2,…,fd,fd+1，MAX(f1,f2,…,fd,fd+1)所對應的模型為待檢測數(shù)據(jù)O′匹配的模型M′，其中，d為變壓器設備故障類型的總個數(shù)，所述的似然函數(shù)f為：其中，前向變量αt(i)為：式中，πi,aji,bi(Ot)為隱馬爾科夫模型的參數(shù)，πi表示初始時間點變壓器處于第i種健康狀態(tài)下概率，aji表示設備從第j種健康狀態(tài)變化至第i種健康狀態(tài)的轉(zhuǎn)移概率，bi(Ot)表示設備在第i種健康狀態(tài)時氣體數(shù)據(jù)為Ot的概率；(2-2)根據(jù)待測變壓器設備的待檢測數(shù)據(jù)O′和模型M′采用Viterbi算法計算待測變壓器設備當前時刻的健康狀態(tài)qt：設δt(i)＝maxP(q1,q2…qt＝i|O’,λ)，計算t＝1時刻δ1(i)的值，δ1(i)＝πibi(O1)，并按照如下公式進行遞歸計算，得到t時刻設備的健康狀態(tài)qt；根據(jù)值的大小確定qt所對應的健康狀態(tài)。所述步驟(3)是根據(jù)待測設備油中溶解氣體數(shù)據(jù)O′＝O1′,O2′…OT′以及隱馬爾科夫模型的參數(shù)λ*＝(π*,A*,B*)，計算設備在下一時刻氣體數(shù)據(jù)的期望值E(O′t+1)。不斷迭代此過程，并利用Viterbi算法計算待測設備在未來時刻的健康狀態(tài)，則從當前時刻開始直到設備在未來時刻第一次出現(xiàn)故障狀態(tài)為止的時間長度即為設備的平均剩余壽命。具體步驟為：變壓器設備當前時刻處于亞健康狀態(tài)，設備平均剩余壽命記為V，待測變壓器的油中溶解氣體濃度數(shù)據(jù)O′＝O1′,O2′…OT′的時間間隔為l，匹配模型M′的最優(yōu)參數(shù)λ*＝(π*,A*,B*)；(3-1)利用參數(shù)λ*＝(π*,A*,B*)、數(shù)據(jù)O′計算當前時刻的前向變量為αT，則下一時刻變壓器油中溶解氣體數(shù)據(jù)的期望值E(O′T+1)為：E(O′T+1)＝[μ1,OT′,μ3]×A*×αT(3-2)將待測變壓器的油中溶解氣體數(shù)據(jù)下一期期望值E(O′T+1)作為該變壓器設備在T+1的觀測值，則O′＝O1′,O2′…O′T,E(O′T+1)，將O′代入到Viterbi算法中，計算下一時刻變壓器設備的健康狀態(tài)；(3-3)判斷所得的健康狀態(tài)是否為非故障狀態(tài)，若是，令V＝V+l，并執(zhí)行步驟(3-1)～步驟(3-3)，若否，結(jié)束迭代，此時的V為變壓器設備的平均剩余壽命。與現(xiàn)有的方法相比，該方法彌補了靜態(tài)方法在缺失信息方面的缺點，以亞健康狀態(tài)識別的方式給予設備維護人員一定的警示，能夠?qū)喗】翟O備的剩余壽命進行估計，創(chuàng)新性較強，在設備的維護和保養(yǎng)方面具有廣泛的應用前景。附圖說明圖1是本發(fā)明變壓器亞健康狀態(tài)識別及平均剩余壽命估計方法的流程圖；圖2是測試設備1的變壓器油中溶解氣體數(shù)據(jù)隨時間的變化情況，單位為μL/L；圖3是測試設備2的變壓器油中溶解氣體數(shù)據(jù)隨時間的變化情況，單位為μL/L；圖4是測試設備1的健康狀態(tài)判別結(jié)果，單位為μL/L；圖5是測試設備2的健康狀態(tài)判別結(jié)果，單位為μL/L。具體實施方式為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實施方式對本發(fā)明的技術(shù)方案進行詳細說明。如圖1所示，本發(fā)明基于變壓器油中溶解氣體數(shù)據(jù)的變壓器亞健康狀態(tài)識別及平均剩余壽命估計方法，具體包括如下步驟：S01，收集故障變壓器設備及此些故障變壓器設備從正常狀態(tài)至故障狀態(tài)過程中的油中溶解氣體濃度數(shù)據(jù)，并將收集的數(shù)據(jù)按其所屬變壓器設備的故障類型分類，構(gòu)建針對不同故障類型的設備案例庫Cm。S02，收集正常變壓器設備及此些正常變壓器設備的油中溶解氣體濃度數(shù)據(jù)，利用收集數(shù)據(jù)構(gòu)建針對正常變壓器的設備案例庫C。S01與S02中，S01與S02中，變壓器油中溶解氣體包括氫氣、甲烷、乙烷、乙烯、乙炔和總烴，其中，總烴是指甲烷、乙烷、乙烯、乙炔四種烴類氣體含量總和；氣體濃度數(shù)據(jù)為氣體的體積濃度，單位為μL/L；故障變壓器從正常狀態(tài)至故障狀態(tài)的過程是指設備從運行良好的狀態(tài)開始，逐漸向故障狀態(tài)發(fā)展，直到設備出現(xiàn)持續(xù)的故障狀態(tài)為止的過程，相應的氣體濃度數(shù)據(jù)是一個時間序列，時間跨度設為定值；正常變壓器設備油中溶解氣體濃度數(shù)據(jù)指從投運開始至今未出現(xiàn)任何異常的變壓器設備，其在正常運行情況下產(chǎn)生的油中溶解氣體數(shù)據(jù)，該數(shù)據(jù)同樣為時間序列，時間跨度與故障設備氣體數(shù)據(jù)的時間跨度相同。變壓器設備故障類型為《變壓器油中溶解氣體分析和判斷導則(國家電力行業(yè)標準DL/T722-2014)》中氣體比值法運用的故障類型，包括低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、低能放電兼過熱、電弧放電和電弧放電兼過熱。S03，對設備案例庫Cm與C中的溶解氣體濃度數(shù)據(jù)進行線性插值處理，得到處理后的設備案例庫C′m與C′，使得所有設備案例庫中的溶解氣體濃度數(shù)據(jù)擁有相同的時間間隔；S03中，線性插值處理的具體過程為：以1天為單位，對所有設備案例庫中每臺變壓器的溶解氣體濃度數(shù)據(jù)進行線性插值處理，補全數(shù)據(jù)中的缺失值，得到時間間隔為1天的氣體濃度數(shù)據(jù)插值序列。再按照事先設定的時間間隔對氣體濃度數(shù)據(jù)插值序列進行等間隔取樣，使得所有設備案例庫中的變壓器的溶解氣體濃度數(shù)據(jù)的時間間隔相同。S04，將設備案例庫C′m與C′作為隱馬爾科夫模型輸入數(shù)據(jù)，以最大似然函數(shù)L收斂為目標，對隱馬爾科夫模型進行訓練，得到契合每種故障類型的變壓器故障模型Mm與變壓器正常模型M。隱馬爾科夫模型是一種隨機過程模型。隱馬爾科夫模型的參數(shù)包括設備健康狀態(tài)的初始概率π、不同狀態(tài)之間的轉(zhuǎn)移概率A以及不同狀態(tài)下氣體數(shù)據(jù)的概率分布情況B，假設氣體數(shù)據(jù)服從正態(tài)分布，則B＝{bi(Ont|μi,∑i)},i＝1,2…k。式中，Ot代表樣本數(shù)據(jù)t時刻的具體數(shù)值，μi為正態(tài)分布的均值，∑i為正態(tài)分布的協(xié)方差矩陣。隱馬爾科夫模型將實際問題分為估計問題、解碼問題、學習問題三種類型，并給出了解決問題的不同算法，具體內(nèi)容如下：設某種類型的訓練樣本中共有N臺變壓器，每臺變壓器的油中溶解氣體數(shù)據(jù)擁有T個時刻，則第n臺變壓器油中溶解氣體數(shù)據(jù)的時間序列記為On＝On1,On2,…,Ont,…,OnT,n＝1,2…N，每時刻的觀測數(shù)據(jù)對應氫氣、甲烷、乙烷、乙烯、乙炔和總烴六種氣體指標的具體數(shù)值。a.估計問題：已知模型參數(shù)λ＝(π,A,B)，其中π＝{πi}，A＝{aij}，B＝{bi(Ont|μi,∑i)},i＝1,2…k。計算t時刻設備健康狀態(tài)為i時，設備1～t時刻的油中溶解氣體數(shù)據(jù)為On1,On2…Ont的概率pi(On1,On2…Ont|λ)以及t～T時刻的數(shù)據(jù)為On(t+1),On(t+2)…OnT的概率pi(On(t),On(t+1)…OnT|λ)。設αnt(i)＝pi(On1,On2…Ont|λ)，βnt(i)＝pi(On(t+1),On(t+2)…OnT|λ)。則上述問題的兩種概率由以下算法計算得出。forward算法：計算t＝1時刻的pi(On1|λ)值，αn1(i)＝πibi(On1)，并按照公式進行遞歸計算，得到αnt(i)。backward算法：計算t＝T時刻的pi(OnT|λ)值，βnT(i)＝1，并按照公式進行遞歸計算，得到βnt(i)。b.解碼問題：已知模型參數(shù)λ＝(π,A,B)以及設備的油中溶解氣體數(shù)據(jù)On＝On1,On2…OnT，計算設備1～T時刻的健康狀態(tài)序列Qn＝qn1…qnT。Viterbi算法：設δt(i)＝maxP(qn1,qn2…qnt＝i|On,λ)，計算t＝1時刻δ1(i)的值，δ1(i)＝πibi(On1)，并按照如下公式進行遞歸計算，得到t時刻設備的健康狀態(tài)qntc.學習問題：已知多臺設備的油中溶解氣體數(shù)據(jù)On＝On1,On2…OnT，n＝1,2…N。計算隱馬爾科夫模型中的參數(shù)λ＝(π,A,B)。Baum-Welch算法：首先，隨機賦予參數(shù)λ一個初始值，λ＝(π0,A0,B0)，并計算第n設備在t時刻健康狀態(tài)為i時，t+1時刻健康狀態(tài)為j的概率ξnt(i,j)以及第t時刻處于狀態(tài)i的概率γnt(i)。式中，為參數(shù)λ＝(π0,A0,B0)時forward算法與backward算法的計算結(jié)果。其次，對模型的參數(shù)進行更新，得到參數(shù)的更新值λ′＝(π′,A′,B′)。具體計算方式如下。最后，利用上述結(jié)果最大似然函數(shù)值L，并將參數(shù)中的更新值λ′＝(π′,A′,B′)替換參數(shù)的初始值λ＝(π0,A0,B0)，不斷重復此過程，直到似然函數(shù)值L收斂，此時的參數(shù)值即為模型的估計結(jié)果，即為λ*＝(π*,A*,B*)。S05，將待檢測數(shù)據(jù)方法O′輸入到變壓器故障模型Mm與變壓器正常模型M，并計算模型Mm與模型M中前向變量αt(i)，然后將前向變量αt(i)代入到似然函數(shù)f中，計算得似然函數(shù)值序列f1,f2,…,fd,fd+1，MAX(f1,f2,…,fd,fd+1)所對應的模型為待檢測數(shù)據(jù)O′匹配的模型M′，其中，d為變壓器設備故障類型的總個數(shù)，所述的似然函數(shù)f為：其中，前向變量αt(i)為：S06，根據(jù)待測變壓器設備的待檢測數(shù)據(jù)O′和模型M′采用Viterbi算法計算待測變壓器設備當前時刻的健康狀態(tài)qt：變壓器設備當前時刻處于亞健康狀態(tài)，設備平均剩余壽命記為V，待測變壓器的油中溶解氣體濃度數(shù)據(jù)O′＝O1′,O2′…OT′的時間間隔為l，匹配模型M′的最優(yōu)參數(shù)λ*＝(π*,A*,B*)；S07，利用參數(shù)λ*＝(π*,A*,B*)、數(shù)據(jù)O′計算當前時刻的前向變量為αT，則下一時刻變壓器油中溶解氣體數(shù)據(jù)的期望值E(O′T+1)為：E(O′T+1)＝[μ1,OT′,μ3]×A*×αTS08，將待測變壓器的油中溶解氣體數(shù)據(jù)下一期期望值E(O′T+1)作為該變壓器設備在T+1的觀測值，則O′＝O1′,O2′…O′T,E(O′T+1)，將O′代入到Viterbi算法中，計算下一時刻變壓器設備的健康狀態(tài)；S09，判斷所得的健康狀態(tài)是否為非故障狀態(tài)，若是，令V＝V+l，并執(zhí)行S07～S09，若否，結(jié)束迭代，此時的V為變壓器設備的平均剩余壽命。實施例1本實施例收集了8臺故障變壓器設備(故障類型為高溫過熱)與32臺正常變壓器設備的變壓器油中溶解氣體數(shù)據(jù)，氣體類型包括氫氣、甲烷、乙烷、乙烯、乙炔和總烴，時間跨度為1600天，組成了針對故障類型為高溫過熱的故障設備的訓練樣本和正常設備的訓練樣本。同時，按照本發(fā)明中提出的數(shù)據(jù)預處理方法，利用線性插值法以1天為單位對所有訓練樣本中每臺變壓器氣體濃度數(shù)據(jù)進行線性插值處理，補全數(shù)據(jù)中的缺失值，得到時間間隔為1天的氣體濃度數(shù)據(jù)插值序列。再以20天為時間間隔等間隔取樣，使得所有訓練樣本中的變壓器氣體濃度數(shù)據(jù)時間間隔均為20天。再次，采用以上得到的訓練樣本，并利用Baum-Welch算法對隱馬爾科夫模型進行訓練，即對隱馬爾科夫模型的最優(yōu)參數(shù)λ*＝(π*,A*,B*)進行估計，相應參數(shù)估計結(jié)果如下所示：(1)利用故障樣本訓練隱馬爾科夫模型得到的最優(yōu)參數(shù)為：(2)利用正常樣本訓練隱馬爾科夫模型得到的最優(yōu)參數(shù)為：確定兩組最優(yōu)參數(shù)后，即獲得了變壓器故障模型和變壓器正常模型。經(jīng)過訓練確定的模型的最優(yōu)參數(shù)λ*＝(π*,A*,B*)實際上對應的是訓練樣本的動態(tài)特征，對模型訓練的過程實際上是設備案例庫提取的過程。然后，選取了兩臺高溫過熱故障變壓器作為測試設備，并利用上述模型計算得到的最優(yōu)參數(shù)λ*＝(π*,A*,B*)對其進行健康狀態(tài)識別，兩臺用于測試的變壓器油中溶解氣體數(shù)據(jù)的變化情況分別如圖2、3所示。變壓器設備健康狀態(tài)判別分為兩個步驟，首先，利用不同訓練樣本及其帶有的動態(tài)特征λ*＝(π*,A*,B*)與待測數(shù)據(jù)，按照forward算法計算αnt(i)以及似然度的過程。似然度L的值越大，說明待測數(shù)據(jù)與相應的動態(tài)特征越匹配，通過計算每種訓練樣本的似然函數(shù)值L，可以篩選出與待測設備最為匹配的動態(tài)特征。兩臺變壓器的油中溶解氣體數(shù)據(jù)在不同樣本之間的似然函數(shù)值如表1所示。從表1中可以看出，這兩臺變壓器的油中溶解氣體變化情況與故障案例的動態(tài)特征更為相似，特征匹配結(jié)果準確。表1測試變壓器似然函數(shù)值計算結(jié)果故障樣本正常樣本測試設備1-1282.7-2910.3測試設備2-4435.9-28905.0其次，利用本發(fā)明所述的Viterbi算法對設備的健康狀態(tài)進行估計，兩臺變壓器設備的健康狀態(tài)識別結(jié)果分別如圖4、5所示。從圖4、5中可以看出，上述模型識別出的測試設備故障狀態(tài)的時間點與測試設備發(fā)生故障的真實時間點基本重合，模型的判別精度較高。同時，從亞健康狀態(tài)的識別結(jié)果來看，該模型識別出的亞健康狀態(tài)均對應設備油中溶解氣體發(fā)生故障前的快速增長階段，亞健康狀態(tài)的識別結(jié)果可以幫助變壓器的維護人員提早發(fā)現(xiàn)設備的異常情況，起到一定的警示作用。對于亞健康設備的平均剩余壽命估計，本實施例同樣利用上述兩臺測試設備對其計算過程進行說明。為了進一步驗證方法的準確性，測試設備均采用故障發(fā)生之前的油中溶解氣體數(shù)據(jù)，利用本發(fā)明提供的亞健康設備平均剩余壽命估計方法，待測設備處于亞健康狀態(tài)時相應的平均剩余壽命計算結(jié)果如表2、3所示。從計算結(jié)果中可以看出，當變壓器剛剛從正常狀態(tài)轉(zhuǎn)移到亞健康狀態(tài)時，模型估計的設備平均剩余壽命非常長，因為此時變壓器的油中溶解氣體濃度與正常狀態(tài)十分接近，模型判斷待測設備近似于正常狀態(tài)。隨著時間的發(fā)展，亞健康設備的平均剩余壽命迅速降低，預測精度也愈發(fā)準確。同時，從圖中可以看出，亞健康設備的平均剩余壽命與設備的實際產(chǎn)氣速度具有一定的對應關系。當設備特征氣體的增長速度減慢時，亞健康設備的平均剩余壽命的降低速度也逐漸減慢，而當設備特征氣體的增長速度增快時，亞健康設備的平均剩余壽命的降低速度也相應加快。因此，本發(fā)明提供的方法能夠反映出氣體增長速率與變壓器亞健康程度之間的關系，準確的預測設備的平均剩余壽命，對設備的運行狀況起到警示作用，有效的降低設備維護成本。表2測試設備1平均剩余壽命預測結(jié)果表3測試設備2平均剩余壽命預測結(jié)果以上所述的具體實施方式對本發(fā)明的技術(shù)方案和有益效果進行了詳細說明，應理解的是以上所述僅為本發(fā)明的最優(yōu)選實施例，并不用于限制本發(fā)明，凡在本發(fā)明的原則范圍內(nèi)所做的任何修改、補充和等同替換等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3