一种油浸变压器突发严重故障下油面上气体模型建立方法与流程

本发明属于油浸变压器故障，具体而言，涉及一种油浸变压器突发严重故障下油面上气体模型建立方法。

背景技术：

1、油浸变压器是电力系统中的关键设备，其安全稳定运行直接关系到整个电网的可靠性。在变压器运行过程中，由于绝缘老化、局部过热或电弧放电等故障，会导致油中溶解气体的异常变化。因此，对变压器油中溶解气体的实时监测和分析成为故障诊断的重要手段。

2、传统的油中溶解气体分析方法主要包括定期离线采样分析和在线监测两种。离线采样分析通常采用气相色谱法，每隔数月进行一次采样检测。这种方法虽然准确度高，但采样频率低，无法及时发现突发性故障。在线监测技术近年来得到广泛应用，常见的方法包括光学传感器法、电化学传感器法和气体渗透膜法等。这些方法可以实现连续监测，但在监测精度、气体种类覆盖范围和抗干扰能力等方面仍存在局限性。

3、现有的气体分析模型主要基于经验阈值或简单的统计方法，如三比值法、杜汉比值法等。这些方法在实际应用中存在以下问题：1)难以准确捕捉气体浓度的动态变化趋势，特别是在突发严重故障情况下；2)对多种气体之间的复杂相互作用考虑不足，导致诊断准确率受限；3)缺乏对微量气体变化的敏感性，可能错过早期故障征兆；4)难以适应不同类型变压器和运行环境的差异，泛化能力不足。

4、综上所述，现有技术存在难以捕捉气体浓度动态变化趋势，对微量气体变化的敏感性差的技术问题，导致对油浸变压器突发严重故障下油面上气体模型不够准确。

技术实现思路

1、有鉴于此，本发明提供一种油浸变压器突发严重故障下油面上气体模型建立方法，能够解决现有技术存在的难以捕捉气体浓度动态变化趋势，对微量气体变化的敏感性差的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种油浸变压器突发严重故障下油面上气体模型建立方法，其中，包括以下步骤：

4、s10、在油浸变压器油箱顶部安装气相色谱-质谱联用设备，用于实时监测并采集油面上气体成分；

5、s20、根据变压器的故障发展进度，设定正常运行状态下，所述采集的采样间隔为每5～10分钟之间采样一次；

6、s30、在变压器的正常运行状态下，采集至少24小时的气体成分的数据；

7、s40、当检测到所述变压器发生突发严重故障时，立即启动高频采样模式采集所述气体成分，缩短采样间隔至每15秒～1分钟之间一次；

8、s50、对采集到的所述气体成分的数据进行预处理，包括去噪、标准化和异常值检测；

9、s60、对所述预处理后的各种气体成分的数据随时间的变化进行时间序列分析，识别出主要气体成分及其变化趋势，得到气体时序矩阵；

10、s70、基于所述气体时序矩阵以及突发严重故障时刻，建立训练数据集，所述训练数据集的输入为所述气体时序矩阵，输出为突发严重故障的发生时刻以及严重故障类别和发生区域，建立并训练一个动态气体组成模型，预测各种气体成分随时间的变化；

11、s80、使用部分采集的气体成分的数据作为验证集，对动态气体组成模型进行验证和优化；

12、s90、将所述优化后的所述动态气体组成模型应用于实时采集现场的油浸变压器的数据流，持续更新监测到的气体组成、以及预测结果，并根据所述预测结果设置触发报警机制的阈值，及时发现异常气体变化并预测。

13、其中，所述动态气体组成模型采用长记忆网络结构，包括高频特征子网络、低频特征子网络、主要气体特征子网络、微量气体特征子网络、时间特征子网络、空间特征子网络以及融合特征子网络；所述气体成分包括所述主要气体和微量气体。

14、其中，所述高频特征子网络用于提取短时间内气体浓度快速变化的特征，所述高频特征子网络的结构是由多层lstm单元组成，输入为所述步骤s40内的所述高频采样模式下采集气体成分的数据。

15、其中，所述低频特征子网络用于捕捉气体浓度长期变化趋势，所述低频特征子网络的结构是由多层gru单元组成，输入为步骤s20的采样间隔采样的低频采样模式下采集气体成分的数据。

16、其中，所述主要气体特征子网络用于分析所述主要气体的浓度变化特征，所述主要气体包括：氢气、甲烷和乙烯，所述主要气体特征子网络的结构是由全连接层和lstm层组成。

17、其中，所述微量气体特征子网络用于分析所述微量气体的浓度变化特征，所述微量气体包括：乙炔和一氧化碳，所述微量气体特征子网络的结构是由注意力机制和lstm层组成。

18、进一步的，所述时间特征子网络用于提取气体浓度变化的时间模式，其结构是由时间卷积网络组成。

19、进一步的，所述空间特征子网络用于分析不同气体之间的相互关系，其结构是由图神经网络组成。

20、进一步的，所述融合特征子网络用于整合各个子网络的输出特征，其结构是由多头自注意力机制和全连接层组成。

21、进一步的，所述每个子网络的输入和输出关系，具体是各子网络接收气体时序矩阵的相应部分作为输入，输出特征向量传递给融合特征子网络进行整合，最终输出故障发生时刻、严重故障类别和发生区域的预测结果。

22、其中，所述步骤s10具体包括：

23、步骤101、选择具有高灵敏度、高分辨率和快速响应能力的气相色谱-质谱联用设备，确保该设备能够满足变压器油中常见气体成分的检测需求；

24、步骤102、在油箱顶部的气体采样口附近确定安装位置，以确保采集到最具代表性的气体样本；

25、步骤103、进行设备的安装和调试，包括气路连接、电源供应和数据传输接口的设置；

26、步骤104、对安装完成的气相色谱-质谱联用设备进行校准和性能验证，确保测量结果的准确性和可靠性；

27、步骤105、设置设备的自动采样程序，确保能够按照预定的时间间隔进行连续采样；

28、步骤106、建立数据传输和存储系统，实现采集数据的实时传输和长期存储；

29、步骤107、制定设备维护和定期校准计划，确保长期监测的稳定性和数据质量。

30、其中，所述步骤s20具体包括：

31、步骤201、分析变压器不同类型故障的发展速度特征，包括绝缘老化、局部过热和电弧放电等故障类型；

32、步骤202、根据历史数据和经验，估算各类故障从初始阶段到严重阶段的典型时间跨度；

33、步骤203、考虑气体生成和扩散的动力学过程，评估气体浓度变化的时间常数；

34、步骤204、权衡采样频率与数据存储、处理能力之间的关系，选择合适的采样间隔；

35、步骤205、针对中等规模的油浸变压器，将采样间隔设置为7分钟；

36、步骤206、在气相色谱-质谱联用设备上设置采样程序，确保按照设定的时间间隔进行自动采样；

37、步骤207、建立采样间隔动态调整机制，根据变压器运行状态自动调整采样频率。

38、其中，所述步骤s30具体包括：

39、步骤301、确保变压器处于稳定的正常运行状态，包括负载、温度和电压等参数均在正常范围内；

40、步骤302、启动气相色谱-质谱联用设备的连续采样模式，按照步骤s20设定的采样间隔进行数据采集；

41、步骤303、记录采集的数据，包括各种气体的浓度值和采样时间戳；

42、步骤304、对采集到的数据进行初步分析，计算各气体浓度的均值、标准差和变异系数等统计指标；

43、步骤305、通过统计指标初步判断变压器正常状态下气体组成的波动范围；

44、步骤306、将基准值数据存储在数据库中，作为后续异常检测和模型训练的参考；

45、步骤307、建立基准值数据的定期更新机制，确保基准值能够反映变压器的长期变化趋势。

46、其中，所述步骤s40具体包括：

47、步骤401、设置故障触发条件，基于气体浓度突变、气体生成速率异常、气体比值分析和电气参数异常等多个指标；

48、步骤402、开发实时监测程序，持续比较当前气体数据与正常基准值的偏差；

49、步骤403、当偏差超过预设阈值时，自动触发高频采样模式；

50、步骤404、在高频采样模式下，根据故障类型的严重程度动态调整采样间隔；

51、步骤405、对于疑似电弧放电的故障，将采样间隔设为15秒；对于疑似局部过热的故障，将采样间隔设为45秒；

52、步骤406、确保数据采集系统能够处理高频采样产生的大量数据，包括数据存储、实时传输和初步处理；

53、步骤407、建立高频采样模式的自动结束机制，当故障状态稳定或消除时恢复正常采样频率。

54、其中，所述步骤s50具体包括：

55、步骤501、对原始数据进行噪声去除，采用小波变换方法对气体浓度时间序列进行多尺度分解；

56、步骤502、选择合适的阈值进行软阈值处理，然后重构信号，得到去噪后的数据；

57、步骤503、进行数据标准化处理，对每种气体的浓度数据分别进行z-score标准化；

58、步骤504、进行异常值检测，采用改进的局部异常因子算法检测多维气体数据中的异常点；

59、步骤505、引入时间窗口概念，仅考虑最近n个时间点的数据，以适应气体浓度的动态变化特性；

60、步骤506、对检测到的异常点进行处理，可选择删除或使用插值方法替换；

61、步骤507、建立数据质量评估机制，对预处理后的数据进行综合评分，确保后续分析的数据质量。

62、其中，所述步骤s60具体包括：

63、步骤601、对每种气体的时间序列数据进行趋势分析，采用季节性趋势分解方法，将时间序列分解为趋势、季节性和残差三个组成部分；

64、步骤602、进行主成分分析，识别对变压器状态变化贡献最大的气体成分；

65、步骤603、对主要气体成分进行时间序列特征提取，计算滑动时间窗口内的统计特征；

66、步骤604、计算气体浓度的变化率和加速度，捕捉短期变化特征；

67、步骤605、进行气体比值分析，计算关键气体对的比值；

68、步骤606、将分析结果整合成气体时序矩阵，矩阵的每一行代表一个时间点，列包括各气体的原始浓度、趋势值、主成分得分、统计特征、变化率、加速度和气体比值等；

69、步骤607、建立气体时序矩阵的动态更新机制，确保矩阵能够实时反映最新的气体组成变化情况。

70、其中，所述步骤s70具体包括：

71、步骤701、构建训练数据集，将气体时序矩阵按时间顺序划分为若干个时间窗口，每个窗口的长度设置为2小时，步长为10分钟；

72、步骤702、对每个时间窗口标注是否包含突发严重故障时刻，如包含则进一步标注故障类别和发生区域；

73、步骤703、设计动态气体组成模型的网络结构，包括高频特征子网络、低频特征子网络、主要气体特征子网络、微量气体特征子网络、时间特征子网络、空间特征子网络以及融合特征子网络；

74、步骤704、定义损失函数和优化策略，对于故障发生时刻的预测采用均方误差损失，对于故障类别和发生区域的预测采用交叉熵损失；

75、步骤705、进行模型训练，使用80％的数据作为训练集，20％作为验证集，采用小批量梯度下降法，批量大小设为64；

76、步骤706、使用早停策略，当验证集上的损失连续10个epoch没有改善时停止训练；

77、步骤707、对训练好的模型进行测试和评估，使用剩余的数据作为测试集，评估模型在未见过的数据上的性能。

78、其中，所述步骤s80具体包括：

79、步骤801、准备验证数据集，从采集的数据中随机选取20％作为验证集，确保验证集包含不同类型的故障案例和正常运行数据；

80、步骤802、进行模型验证，将验证集数据输入训练好的模型，获取预测结果；

81、步骤803、计算验证集上的各项性能指标，包括故障发生时刻预测的均方根误差、平均绝对百分比误差，故障类别和发生区域预测的准确率、精确率、召回率和f1分数；

82、步骤804、分析模型性能，对比验证集性能与训练集性能，评估模型是否存在过拟合或欠拟合问题；

83、步骤805、根据验证结果进行模型优化，包括添加正则化项、调整网络结构、进行特征工程、采用集成学习技术和应用迁移学习等方法；

84、步骤806、进行交叉验证，采用5折交叉验证方法，将数据集分成5份，轮流使用其中4份作为训练集，1份作为验证集；

85、步骤807、根据交叉验证结果，对模型进行最后的微调，使用网格搜索或贝叶斯优化等方法，自动搜索最优的超参数组合。

86、其中，所述步骤s90具体包括：

87、步骤901、部署优化后的模型到实时数据处理服务器上，确保模型能够高效处理输入的气体时序矩阵；

88、步骤902、开发数据流处理模块，实时接收来自气相色谱-质谱联用设备的数据，并将其转换为模型所需的输入格式；

89、步骤903、采用滑动窗口技术，保持一个固定长度为2小时的数据窗口，每次新数据到来时更新窗口内容；

90、步骤904、每当数据窗口更新时，将最新的气体时序矩阵输入模型，获取预测结果；

91、步骤905、基于模型预测结果，设置多级报警阈值，包括轻微异常、中度异常和严重异常三个级别；

92、步骤906、实现自适应阈值机制，使用指数加权移动平均方法动态更新各气体的正常范围；

93、步骤907、开发可视化界面，实时显示各种气体的浓度、变化趋势、预测结果和报警状态。

94、可选的，所述高频特征子网络由3层长短期记忆网络单元组成，每层64个神经元，用于提取短时间内气体浓度快速变化的特征；所述低频特征子网络由2层门控循环单元组成，每层32个神经元，用于捕捉气体浓度长期变化趋势；所述主要气体特征子网络包含一个全连接层和一个长短期记忆网络层，全连接层64个神经元，长短期记忆网络层32个神经元，用于分析主要气体的浓度变化特征。

95、可选的，所述微量气体特征子网络包含一个多头注意力层和一个长短期记忆网络层，多头注意力层4个头，每个头16维，长短期记忆网络层32个神经元，用于分析微量气体的浓度变化特征；所述时间特征子网络采用时间卷积网络，包含3个膨胀卷积层，卷积核大小为3，膨胀率分别为1、2、4，用于提取气体浓度变化的时间模式；所述空间特征子网络采用图注意力网络结构，包含2个图注意力层，每层16个注意力头，用于分析不同气体之间的相互关系。

96、可选的，所述融合特征子网络包含一个多头自注意力机制和两个全连接层，多头自注意力机制8个头，每个头32维，两个全连接层分别为128和64个神经元，用于整合各个子网络的输出特征；所述动态气体组成模型的优化器采用adam算法，学习率初始值设为0.001，每50个epoch衰减10％；所述模型训练过程中使用早停策略，当验证集上的损失连续10个epoch没有改善时停止训练。

97、可选的，所述步骤s50中的小波变换方法具体为：使用db4小波基，分解层数选择4-5层，阈值采用visushrink方法自适应选择；所述z-score标准化的公式为：标准化后的值等于原始值减去均值后除以标准差；所述改进的局部异常因子算法引入时间窗口概念，仅考虑最近n个时间点的数据，其中n的取值范围为100到200。

98、可选的，所述步骤s60中的季节性趋势分解方法能够处理非线性趋势和多种周期性；所述主成分分析选择累计贡献率达到85％的主成分作为主要气体成分；所述滑动时间窗口的大小设置为30分钟，每5分钟滑动一次；所述关键气体比值包括乙炔与乙烯的比值、甲烷与氢气的比值、乙烯与乙烷的比值。

99、可选的，所述步骤s70中的故障类别包括绝缘老化、局部过热、电弧放电；所述发生区域包括线圈、铁芯、套管；所述早停策略的判断条件为验证集上的损失连续10个epoch没有改善；所述模型性能评估指标包括故障发生时刻预测的平均绝对误差、故障类别和发生区域预测的准确率和f1分数。

100、可选的，所述步骤s80中的模型优化方法包括：添加l2正则化项，正则化系数从0.001开始逐步调整；使用dropout技术，dropout率设置在0.2到0.5之间；采用特征重要性分析方法，如排列重要性，保留重要特征，去除或组合次要特征；使用模型集成技术，如随机森林或梯度提升树，与深度学习模型结合，形成混合模型。

101、可选的，所述步骤s90中的多级报警阈值设置为：轻微异常为某种气体的预测浓度在未来30分钟内超过正常范围的1.5倍；中度异常为预测浓度超过正常范围的2倍，或多种气体同时出现轻微异常；严重异常为预测浓度超过正常范围的3倍，或模型预测有高概率发生严重故障；所述正常范围基于历史数据的统计分析确定，使用3σ原则。

102、可选的，所述步骤s90中的自适应阈值机制采用指数加权移动平均方法，权重因子设置为0.1；所述可视化界面使用不同颜色和图标表示不同级别的异常；所述方法还包括报警推送功能，通过短信、邮件、移动应用推送等多种渠道将警报信息发送给相关人员；所述警报信息包含异常气体种类、浓度值、预测趋势、可能的故障类型和位置等关键信息。

103、可选的，所述方法还包括建立报警日志和反馈机制，记录每次报警的详细信息，包括触发时间、报警级别、相关数据等；设计反馈接口，允许操作人员对报警进行确认、分类和备注；所述方法还包括定期评估和更新机制，根据实际运行数据和反馈信息，每隔3个月对模型进行一次全面评估和更新，确保模型性能的持续优化和适应性。

104、与现有技术相比较，本发明提供的一种油浸变压器突发严重故障下油面上气体模型建立方法的有益效果是：

105、1.高精度实时监测：通过在油箱顶部安装高精度气相色谱-质谱联用设备，结合自适应采样策略，实现了对油面上气体成分的高频、高精度监测。相比传统方法，本发明可将采样间隔缩短至15秒至1分钟，大大提高了对突发故障的响应速度。

106、2.多尺度特征提取：采用包含高频特征子网络、低频特征子网络等多个子网络的复杂神经网络结构，能够同时捕捉气体浓度的短期快速变化和长期缓慢变化趋势。这种多尺度特征提取方法显著提高了模型对不同类型故障的识别能力。

107、3.气体相互关系分析：引入图神经网络处理不同气体之间的相互关系，克服了传统方法仅考虑单一气体或简单比值的限制。这一创新使得模型能够更全面地理解复杂的气体组成变化模式，提高了故障诊断的准确性。

108、4.微量气体敏感性：通过专门的微量气体特征子网络和注意力机制，增强了模型对微量气体变化的敏感度。这使得系统能够捕捉到早期故障征兆，实现故障的超前预警。

109、5.动态自适应能力：采用动态气体组成模型，结合实时数据流处理和模型更新机制，使得系统能够持续学习和适应变压器运行状态的变化。这大大提高了模型的泛化能力和长期可靠性。

110、综上所述，本发明的方案解决了现有技术存在的难以捕捉气体浓度动态变化趋势，对微量气体变化的敏感性差的技术问题。