[发明专利]一种配电变压器故障检测方法和系统

说明书

本发明涉及一种配电变压器故障检测方法和系统。所述配电变压器故障检测方法通过采用基于鲁棒多核极限学习机‑自编码器的配电变压器故障检测模型，基于实时获取的配电变压器运行过程中的监测数据得到检测结果，以解决数据不平衡问题和噪声干扰问题，进而提高故障检测率和降低故障误报率。

技术领域

本发明涉及变压器故障检测领域，特别是涉及一种基于鲁棒多核极限学习机-自编码器(Robust multi-kernel extreme learning machine-autoencoder,RMKELM-AE)的配电网低压变压器故障检测方法和系统。

背景技术

配电变压器(简称配变，35KV及其以下，主要是10KV)分布于城镇村落的各个角落，数量庞大，分布复杂。配变作为电力系统中实现电能转换的核心设备，其一旦发生故障，轻则造成停电，影响人们正常生活，重则引发起火、爆炸等严重事故，进而造成重大经济损失。

为了降低配变故障发生率，电网公司往往采用人工不定期或定期巡检的方式检查变压器的运行状态。然而人工巡检一方面难以实现变压器运行状态的全天候监测，故障响应慢；另一方面人工巡检对工作人员来说，存在潜在的安全隐患。此外，依靠人为经验判断变压器是否发生故障，往往会造成误检或漏检。随着大数据、人工智能等先进信息技术的发展，数据驱动型配电变压器故障自动检测方法逐渐成为电力设备监测与运维领域的主流技术。

在配电变压器运行过程中，故障的发生仍然是一个小概率事件，这导致实际获得的故障状态样本远远小于正常状态样本，即存在数据不平衡问题。传统一些诸如支持向量机、神经网络等模式识别算法将故障检测视为二分类问题，但在数据不平衡的环境下存在故障检测率低的弊端。产生该弊端的主要原因在于传统模式识别算法将整体最小化训练误差作为学习目标，进而会忽略对数据较少的故障状态的学习。此外，在实际运行环境中配电变压器正常状态数据容易受到噪声干扰，影响模型的鲁棒性，进而产生故障误报率高的弊端，而产生该弊端的主要原因在于传统故障检测模型不具备抑制噪声干扰的能力。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种配电变压器故障检测方法和系统。

为实现上述目的，本发明提供了如下方案：

一种配电变压器故障检测方法，包括：

获取配电变压器运行过程中的监测数据；

获取配电变压器故障检测模型；所述配电变压器故障检测模型为训练好的基于鲁棒多核极限学习机-自编码器的配电变压器故障检测模型；

采用所述配电变压器故障检测模型，以所述监测数据为输入得到检测结果；所述检测结果包括：故障状态和正常状态。

优选地，所述获取配电变压器故障检测模型，之前还包括：

获取配电变压器正常运行状态下的历史监测数据；

向所述历史监测数据中添加高斯噪声生成模型目标输出；

获取多核函数；

以所述历史监测数据和所述模型目标输出作为训练样本数据对，以最小化训练误差为学习目标对鲁棒多核极限学习机-自编码器进行训练，得到输出权重；

基于所述多核函数和所述输出权重训练得到基于鲁棒多核极限学习机-自编码器的配电变压器故障检测模型的重构误差统计极限。

优选地，所述鲁棒多核极限学习机-自编码器的构建过程具体包括：

获取RELM-AE网络；

基于所述多核函数构建核函数矩阵；

采用所述核函数矩阵替代所述RELM-AE网络中网络隐含层的特征映射，得到鲁棒多核极限学习机-自编码器。