[发明专利]基于时间序列混沌特性的电力设备在线监测错误数据诊断方法

说明书

本发明公开了一种基于时间序列混沌特性的电力设备在线监测错误数据诊断方法。本发明提出了基于电力设备状态量在线监测数据时间序列的混沌特性，对状态量在线监测数据进行判断，识别其中的错误数据。本发明适用于随机性强的状态量，对于现有的基于状态量在线监测数据的概率统计分布规律和确定性变化规律来识别错误数据而言，具有很好的补充作用。

技术领域

本发明属于电力设备状态评价领域，具体地说是一种基于相关性的电力设备在线监测数据中错误数据的识别方法，用于剔除电力设备状态量在线监测数据中的错误数据。

背景技术

输变电设备的健康状态对电网的安全运行至关重要，健康状态不良的电力设备将严重威胁电网的安全运行水平，甚至引发电网事故。如何对电力设备状态进行准确监测，及时发现电力设备的潜在缺陷、避免意外事故发生，已成为电力行业的重要课题。

但是，由于在线监测装置损坏、性能下降等原因，报送的检测结果中往往存在错误数据，严重影响到电力设备维护人员对于设备状态的准确评估，甚至会造成严重故障漏报和良好状态误报，导致错误诊断结果。错误数据，是指由于在线监测系统出现错误、局部故障等因素而产生的无效数据。这种数据与被检测设备的状态无关，不包含与设备状态相关的信息。设备状态检测中错误数据种类众多，主要来源包括：1)传感器老化、失效或损坏，信号采集与处理装置失效或损坏；2)站内通讯系统发生故障，数据在传输通道中受到污染；3)测量系统的抗干扰能力差，受到严重的电磁、热、机械应力干扰；4)软件系统运行出错；5)人为不当操作与失误等。

为了识别在线监测装置报送的数据中是否存在错误数据，人们采取了众多方法。

1)基于数理统计的阈值诊断方法

传统的基于数理统计的异常数据检测与辨识方法数理统计中常见的异常数据检测方法。其基本思想是状态检测数据符合某一概率分布，处于概率分布边沿(或者说，属于该分布的概率很低)的数据被视为异常数据，将被剔除(即，异常数据就是错误)。主要有拉依达检测法、Grubbs检验、Dixon检验等，它们都是假设数据之间相互独立并满足正态分布，通过显著性水平进行检验，并利用置信区间过滤异常数据。

2)基于聚类分析的离群点辨识

除了拉依达检测法检测准则之外，还有基于统计概率密度分布聚类分析的异常数据辨识方法。该方法的原理是，在数个聚类中心周围一定范围之外孤悬的数据点，被认定为异常数据。其基本思想仍然是在某一数据集合中，远离大部分数据的数据被认定为异常数据。

3)基于自回归模型的状态检测数据预测方法

自回归移动平均模型(ARMA)型可描述平稳时间序列，求和自回归移动平均模型(ARIMA)可描述非平稳时间序列。自回归移动平均模型ARMA(p,q)中，一个时间序列{xt}在t时刻的响应xt与其以前时刻的自身值以及以前时刻进入系统的扰动有关。ARMA(p,q)模型当前时刻观测值xt可以看作是其自身历史值的有限项的加权和及其现在与过去的干扰项的有限项的加权和的叠加。因此，当前在线监测数据远离其基于以往数据的预测值时，我么可以认为该数据是一个错误数据。显然，这种自回归模型假设了设备当前状态量与其以往数值之间存在确定的线性或者非线性关系。

4)基于变分模态分解的状态检测数据预测方法

现有研究结果表明，电力设备状态量(例如，变压器油中溶解气体的含量等)发展过程本身具有波动特征，状态检测量的时间序列往往存在的一定程度的非线性和非平稳特性，将会在较大程度上影响预测效果。因此，适当的预处理对于提升预测精度十分必要。目前对序列进行预处理的方式主要有经验模态分解(EMD)、聚合经验模态分解(EEMD)、小波分解、变分模态分解(VMD)和分形理论等。这种理论存在前提假设，即电力设备状态量的变化是基于某些确定模式的线性组合。