本發明專利技術公開了一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，首先，分別獲得在線監測數據和帶電檢測數據，經預處理后得到兩組時間序列；其次，將兩組時間序列相減得到誤差序列，分解后得到多個本征模函數，符合噪聲特征的本征模函數組成隨機誤差序列；再次，將在線監測時間序列分解得到多個本征模函數，剔除符合噪聲特征的本征模函數后得到真實信號序列，并構造誤差參考序列，依據公式xt＝St+Nt與xt′＝St+Nt′分別得到序列xt和xt′，并計算得到對應的信噪比dt與dt′；最后，根據下式得到隨機誤差的評價系數ρ；ρ＝na/n。
【技術實現步驟摘要】
本專利技術涉及信號分析領域，具體涉及一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法。
技術介紹
油浸式變壓器的監控手段分為兩種，一種是使用在線監測，即使用紅外測譜儀遠程在線監測設備；一種是帶電檢測，即專業人員到現場對變壓器油進行取樣檢測。在線數據具有監測間隔短，成本低的優點，其數據噪聲與隨機誤差問題往往是電力公司關注的焦點。然而，目前關于變壓器在線監測數據噪聲與誤差估計仍屬于尚未解決的技術難題，研究發展針對變壓器在線監測裝置隨機誤差評價方法具有重要價值。變壓器的在線監測數據屬于非線性、非平穩的時間序列，此類數據的分析與處理十分復雜，傳統方法難以適用。經濟學領域常使用HP濾波的方法剔除非平穩時間序列中低頻的長期趨勢，進而對高頻的短期隨機波動進行度量(HodrickRJ,PrescottEC.PostwarU.S.BusinessCycles:AnEmpiricalInvestigation[J].JournalofMoneyCredit&Banking,1997,29(1):1-16.)；信號分析領域則更多的使用功率譜密度(即PSD法)對不同頻率下的噪聲功率進行分析(JohnL,HadleyJ.Correlatederrorsingeodetictimeseries:Implicationsfortime-dependentdeformation[M]//JournalofGeophysicalResearch:SolidEarth(1978–2012).1997:591–603.)；這些方法對在線數據隨機波動的度量有一定的作用，但其理論基礎均來自時間序列的譜分析，屬于頻域分析方法，無法對變壓器在線數據隨機波動的時域特征進行準確的度量。在現實情況下，我們更多關注在線數據的波動幅度，隨機波動的幅度過大，往往會影響相關人員對變壓器運行情況的判斷，因此變壓器在線數據隨機波動的時域特征(局部可用性)是我們的主要度量目標。在信號分析領域，Fourier分析無疑是信號特征的重要分析方法，但其全局性的特點使其在處理非平穩信號及描述信號的時域特征方面存在較大局限。因此，在Fourier分析的基礎上，相關學者提出了針對非平穩信號的分析方法，包括短時Fourier變換、Wigner-Ville分布、小波變換等。短時Fourier變換的基本原理是對向信號序列加入窗函數，將非平穩信號轉換成間隔較短的多個平穩信號，再對窗內信號進行Fourier變換，從而獲得原始信號的時變頻譜，達到對不同時段的高頻信號(隨機噪聲)進行分析的目的(JuradoF,SaenzJR.ComparisonbetweendiscreteSTFTandwaveletsfortheanalysisofpowerqualityevents[J].ElectricPowerSystemsResearch,2002,62(3):183-190.)；Wigner-Ville分布則是對原始信號的協方差函數進行Fourier變換，在一定程度上解決窗函數對短時Fourier變換帶來的局限性。同時，Wigner-Ville分布具有許多有用的特性，包括時移性、對稱性等，能夠較好的描述信號的時變特征(MartinW,FlandrinP.Wigner-Villespectralanalysisofnonstationaryprocesses[J].IEEETransactionsonAcousticsSpeech&SignalProcessing,1985,33(6):1461-1470.)；小波變換由Donoho提出，是一種多尺度的信號分解方法，其噪聲估計的過程可以概括為：(1)通過設置小波基函數對原始信號進行小波分解。(2)用第一層小波分解的中值絕對變差來估計噪聲(JohnstoneIM,SilvermanBW.Waveletthresholdestimatorsfordatawithcorrelatednoise[J].Journaloftheroyalstatisticalsociety:seriesB(statisticalmethodology),1997,59(2):319-351.)(DonohoDL.De-noisingbysoft-thresholding[J].IEEETransactionsonInformationTheory,1995,41(3):613-627.)。較前述方法相比，小波變換具有更好的時頻特性和噪聲度量指標，Donoho提出的基于小波變換的噪聲估計方法是當前應用最為廣泛的非線性、非平穩信號的噪聲估計方法。上述方法對傳統的Fourier分析進行了改進，為非線性、非平穩信號噪聲提供了科學、系統估計方法，然而，這些方法在變壓器在線數據隨機誤差估計的情景下仍存在許多問題。一是噪聲提取方面，上述方法無法實現隨機噪聲的自適應提取，其噪聲的測度效果取決于具體參數的選取，例如，小波基函數的選擇對其降噪能力影響巨大，但在實際應用中小波基函數的確定卻是難以解決的問題。二是噪聲估計方面，現有方法本身具有一定的時變性，但對噪聲評價指標則更多的從統計性質入手，如噪聲方差、中值變差、Allan方差、TheoH方差等(Allan方差與TheoH方差是一種對特定噪聲的估計方法，如高斯白噪聲、閃爍噪聲、隨機游走噪聲等(AllanDW,BarnesJA.Amodified\Allanvariance\withincreasedoscillatorcharacterizationability[C]//ThirtyFifthAnnualFrequencyControlSymposium.1981.IEEE,1981:470-475.)(McGeeJA,HoweDA.TheoHandAllandeviationaspower-lawnoiseestimators[J].ieeetransactionsonultrasonics,ferroelectrics,andfrequencycontrol,2007,54(2):448-452.))。這些評價指標具有全局性，無法反映在線數據的局部可用的特點。同時，這些方法主要用于精密儀器的隨機誤差測量，對“粗差(巨大誤差)”十分敏感，而變壓器在線監測裝置隨機誤差的情況較為復雜，需要更具普適性的評價指標。綜上所述，現有方法在變壓器在線數據隨機誤差估計的情況下作用十分有限。
技術實現思路
本專利技術提供了一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，可以對變壓器在線監測數據隨機波動的時域特征進行準確的度量，經計算得到的隨機誤差的評價系數ρ可以準確描述在線監測裝置的測量精度。一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，包括如下步驟：(1)、通過遠程在線監測設備獲得油浸式變壓器油內特征氣體的含量，記為在線監測數據；通過人工取樣獲得油浸式變壓器油內特征氣體的含量，記為在帶電檢測數據；分別對在線監測數據和帶電檢測數據進行預處理，得到時間間隔相同且時間點相互對應的在線監測特征氣體含量-時間序列和帶電檢測特征氣體含量-時間序列；(2)、將在線監測特征氣體含量-時本文檔來自技高網...
【技術保護點】
一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，包括如下步驟：(1)、通過遠程在線監測設備獲得油浸式變壓器油內特征氣體的含量，記為在線監測數據；通過人工取樣獲得油浸式變壓器油內特征氣體的含量，記為在帶電檢測數據；分別對在線監測數據和帶電檢測數據進行預處理，得到時間間隔相同且時間點相互對應的在線監測特征氣體含量?時間序列和帶電檢測特征氣體含量?時間序列；(2)、將在線監測特征氣體含量?時間序列與帶電檢測特征氣體含量?時間序列相減，得到誤差序列，再利用集合經驗模式分解方法對誤差序列進行分解得到多個本征模函數，符合噪聲特征的本征模函數組成隨機誤差序列，記為Nt；(3)利用集合經驗模式分解方法對在線監測特征氣體含量?時間序列進行分解得到多個本征模函數，剔除符合噪聲特征的本征模函數后得到真實信號序列St，根據真實信號序列St及在線監測裝置的精度要求構造誤差參考序列Nt′；再依據公式xt＝St+Nt與xt′＝St+Nt′分別得到序列xt和xt′，經計算分別得到序列xt和xt′對應的信噪比d與d′；(4)考慮序列xt的時域特征，利用矩形窗函數分別對xt與xt′每個時間點上的信噪比進行估算，得到dt與dt′，再根據下式(Ⅰ)得到隨機誤差的評價系數ρ，以此對在線監測裝置的測量精度進行評價；ρ＝na/n??(Ⅰ)；式中，n為在線監測特征氣體含量?時間序列內時間點總數，na為隨機誤差小于實際需求值的時間點的數目。...
【技術特征摘要】
1.一種油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，包括如下步驟：(1)、通過遠程在線監測設備獲得油浸式變壓器油內特征氣體的含量，記為在線監測數據；通過人工取樣獲得油浸式變壓器油內特征氣體的含量，記為在帶電檢測數據；分別對在線監測數據和帶電檢測數據進行預處理，得到時間間隔相同且時間點相互對應的在線監測特征氣體含量-時間序列和帶電檢測特征氣體含量-時間序列；(2)、將在線監測特征氣體含量-時間序列與帶電檢測特征氣體含量-時間序列相減，得到誤差序列，再利用集合經驗模式分解方法對誤差序列進行分解得到多個本征模函數，符合噪聲特征的本征模函數組成隨機誤差序列，記為Nt；(3)利用集合經驗模式分解方法對在線監測特征氣體含量-時間序列進行分解得到多個本征模函數，剔除符合噪聲特征的本征模函數后得到真實信號序列St，根據真實信號序列St及在線監測裝置的精度要求構造誤差參考序列Nt′；再依據公式xt＝St+Nt與xt′＝St+Nt′分別得到序列xt和xt′，經計算分別得到序列xt和xt′對應的信噪比d與d′；(4)考慮序列xt的時域特征，利用矩形窗函數分別對xt與xt′每個時間點上的信噪比進行估算，得到dt與dt′，再根據下式(Ⅰ)得到隨機誤差的評價系數ρ，以此對在線監測裝置的測量精度進行評價；ρ＝na/n(Ⅰ)；式中，n為在線監測特征氣體含量-時間序列內時間點總數，na為隨機誤差小于實際需求值的時間點的數目。2.根據權利要求1所述的油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，步驟(1)中，所述的特征氣體包括氫氣、甲烷、乙烷、乙烯、乙炔、一氧化碳或二氧化碳；所述特征氣體的含量為特征氣體的質量濃度或體積濃度。3.根據權利要求1所述的油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，步驟(1)中，所述的預處理為：以一天為時間間隔，一天內有多個數據的取平均數，沒有數據的用線性插值代替。4.根據權利要求1所述的油浸式變壓器在線監測數據和帶電檢測數據間隨機誤差的評價方法，其特征在于，步驟(2)中，利用集合經驗模式分解方法對誤差序列進行分解的具體方法如下：(a)找出誤差序列Nt(此處記為x(t))中的所有極大值點和所有極小值點，并將所有極大值點用一條曲線連接起來得到上包絡線emax(t)，再由所有極小值點得到下包絡線emin(t)；(b)計算上包絡線emax(t)和下包絡線emin(t)的平均值m(t)，并計算信號Nt與m(t)的差值d(t)；(c)檢驗d(t)是否為本征模函數，檢驗標準為整個時間范圍內極值點與過零點的數目最多相差一個且上下包絡線的均值為零：如果d(t)是一個本征模函數，記imf(t)＝d(t)為本次過程...
【專利技術屬性】
技術研發人員：華中生，俞鴻濤，周健，
申請(專利權)人：浙江大學，
類型：發明
國別省市：浙江;33
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。