CN118759298B - 一种变压器的多参数监测分析方法、装置及变压器 - Google Patents

Abstract

本申请涉及电变量测量技术领域，具体涉及一种变压器的多参数监测分析方法、装置及变压器。该方法包括：采集不同时刻的电参数；根据参数值获取电参数之间的相关性；将所有时刻聚类后找到与目标时刻相似的时刻，通过相似的时刻内部参数值方差获取稳定性和聚集度，由此获取相对应序列的混乱程度；根据序列波峰分布获取周期稳定性；对序列继续聚类筛选参考序列，通过参考序列对下一个时刻的预测值对当前时刻进行修正获取预测参考值；将预测参考值和预测值加权后与异常阈值比较完成异常监测。本申请增强了异常监测的准确性。

Description

一种变压器的多参数监测分析方法、装置及变压器

技术领域

本申请涉及电变量测量技术领域，具体涉及一种变压器的多参数监测分析方法、装置及变压器。

背景技术

变压器作为电力系统中的核心设备，其稳定运行对于确保电网的安全性和可靠性至关重要。由于变压器故障可能导致重大的经济损失甚至电力供应中断，因此，对变压器实施有效的状态监测和故障诊断成为电力系统维护管理的关键环节。传统的定期离线检测方法已经无法满足现代电力系统对高效率和高可靠性的需求，这促进了在线监测技术的发展，尤其是多参数监测分析方法的应用。其中需要对实时监测的数据进行异常监测，通过实时异常监测分析，确保变压器运行稳定。

在使用现有异常监测算法过程中，现有异常监测算法并不能获取较为准确的检测结果，故本发明通过使用历史数据对当前数据进行预测，将预测结果与实际结果的差异作为异常监测结果，但是现有预测算法，如指数平滑算法并不能很好的提取历史数据特征进行分析，导致预测结果不准确进而影响异常监测的结果。

发明内容

为了解决异常监测精度较差的技术问题，本申请提供了一种变压器的多参数监测分析方法、装置及变压器，所采用的技术方案具体如下：

第一方面，本申请提出了一种变压器的多参数监测分析方法，该方法包括以下步骤：

采集不同时刻的电参数，所述电参数包括电流值、电压值、有功功率、无功功率以及功率损坏值；

对于采集的每种电参数构建参数序列，根据任意两种参数序列中参数值比值的方差获取参数序列之间的相关性；

将当前时刻的前一个时刻记为目标时刻，对于一种电参数，根据电参数的参数值将所有时刻分类后，将目标时刻所在聚类簇的时刻记为分析时刻，将分析时刻和其之前相邻的预设时刻的参数值记为分析序列；根据分析序列的方差和其内部局部的方差获取分析序列的稳定性；对每个分析序列内的参数值聚类，根据类的数量和每个类中序列值差值的方差获取分析序列的聚集度；通过分析序列的排列熵、聚集度和稳定性获取分析序列的混乱程度；混乱程度分别与稳定性、聚集度呈负相关关系，与排列熵呈正相关关系；

根据分析序列波峰时间差异的方差、波峰参数差异的方差以及波峰数量获取分析序列的周期稳定性；

对于每个分析时刻，通过不同种电参数的周期稳定性和混乱程度聚类筛选参考时刻；对于每种电参数，以目标时刻和参考时刻的距离作为权值与参考时刻下一个时刻的参数值加权获取当前时刻的预测参考值；

获取当前时刻的预测值，根据电参数的相关性和添加预测参考值后电参数的相关性差异获取参数权重，将参数权重与预测值、预测参考值加权获取最终预测值；将最终预测值与预设异常阈值比较完成异常监测。

在上述方案中，本申请通过分析同时采集的电参数之间的关系，构建不同参数之间的相关性特征，在经过后续计算后作为最后修正预测算法所得预测结果的预测修正因子，同时基于对历史数据进行数据筛选，序列构建，并对构建好的序列进行特征分析，完成序列筛选，最终基于筛选后的序列获取预测参考值，并对预测结果进行修正，最终基于修正后的预测结果获取数据异常监测值，完成数据的异常监测。其中基于历史数据进行特征分析，大大提高了当前数据序列对比历史数据进行预测的准确性，同时基于数据预测序列的稳定性以及序列变化剧烈混乱程度对最终结果进行修正，也可以避免因为数据序列因为序列本身的不可预测性进而造成异常监测结果的不准确性。

在一个实施例中，所述对于采集的每种电参数构建参数序列，根据任意两种参数序列中参数值比值的方差获取参数序列之间的相关性的方法为：

对于每种电参数，获取当前时刻之前的预设数量时刻，将预设数量时刻对应的参数值组成的序列记为参数序列；

对于任意两种电参数分别记为电参数A和电参数B，将电参数A对应的参数序列中每个参数值与同一时刻下电参数B对应的参数序列中参数值的比值记为第一参数比值，计算所有第一参数比值的方差；

将电参数B对应的参数序列中每个参数值与同一时刻下电参数A对应的参数序列中参数值的比值记为第二参数比值，计算所有第二参数比值的方差；

电参数A和电参数B的参数序列之间的相关性的表达式为：；a表示第一参数比值的方差，b表示第二参数比值的方差，表示以自然常数为底的指数函数，表示电参数A和电参数B的参数序列之间的相关性。

在一个实施例中，所述对于一种电参数，根据电参数的参数值将所有时刻分类后，将目标时刻所在聚类簇的时刻记为分析时刻，将分析时刻和其之前相邻的预设时刻的参数值记为分析序列的方法为：

将每个时刻记为一个时刻点，时刻点为电流值、电压值、有功功率、无功功率以及功率损坏值构成的一个五维点，将所有时刻点通过聚类算法进行聚类，聚类距离为五维点之间的距离；

将目标时刻所在聚类簇的时刻点记为分析时刻，对于每个分析时刻的每个电参数，获取其之前相邻的预设数量个时刻，将预设数量个时刻结合对应的分析时刻的参数值构成一个参数序列记为每种电参数对应的分析序列。

在一个实施例中，所述根据分析序列的方差和其内部局部的方差获取分析序列的稳定性的方法为：

对于每个分析序列，以其中每个时刻为中心，左右两侧分别选取相邻的u个时刻；以每个时刻为中心获取一个长度为2*u+1的局部序列；

计算每个局部序列的方差记为第一方差；计算分析序列的方差记为第二方差；

根据第一方差和第二方差计算分析序列的稳定性；

分析序列的稳定性分别与第一方差和第二方差呈负相关关系。

在一个实施例中，所述对每个分析序列内的参数值聚类，根据类的数量和每个类中序列值差值的方差获取分析序列的聚集度的方法为：

对于每个分析序列中的参数值进行聚类，聚类距离为参数值的差值；对于分析序列中的每个类，将类中所有的参数值按照分析序列的顺序排序，计算相邻两个参数值的差值绝对值，将类中所有参数值的差值绝对值构成一个差值序列，计算差值序列的方差；

根据所有差值序列的方差和聚类簇的数量获取分析序列的聚集度；

分析序列的聚集度分别与差值序列的方差、聚类簇的数量呈负相关关系。

在一个实施例中，所述根据分析序列波峰时间差异的方差、波峰参数差异的方差以及波峰数量获取分析序列的周期稳定性的方法为：

对于每个分析序列，统计分析序列中所有的波峰点，对于任意一个波峰点，计算波峰点与其相邻波峰点的参数值的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个差值绝对值的均值记为第一差异；若一个波峰点有一个相邻的波峰点，则将差值绝对值记为第一差异；将所有的第一差异构成一个序列记为波峰差异序列；

对于任意一个波峰点，计算波峰点与其相邻波峰点的时间的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个时间的差值绝对值的均值记为第二差异；若一个波峰点有一个相邻的波峰点，则将时间的差值绝对值记为第二差异；将所有的第二差异构成的序列记为波峰周期序列；

根据波峰的数量、波峰周期序列的方差和波峰差异序列的方差获取分析序列的周期稳定性；

分析序列的周期稳定性分别与波峰的数量、波峰周期序列的方差和波峰差异序列的方差呈负相关关系。

在一个实施例中，所述对于每个分析时刻，通过不同种电参数的周期稳定性和混乱程度聚类筛选参考时刻；对于每种电参数，以目标时刻和参考时刻的距离作为权值与参考时刻下一个时刻的参数值加权获取当前时刻的预测参考值的方法为：

将每种电参数的分析序列看作一个二维点，二维点包括混乱程度和周期稳定性；

对于每一个分析时刻，存在5个二维点，将分析时刻进行聚类，计算相同电参数下二维点的欧氏距离，将所有电参数对应的欧氏距离取均值作为聚类距离，将此聚类距离记为参考距离；

将目标时刻所在聚类簇的分析时刻记为参考时刻，参考时刻对应的分析序列记为参考序列；

计算参考时刻与目标时刻的倒数，通过倒数计算预测权值；，表示第s个参考时刻与目标时刻t的参考距离，表示参考时刻的数量，表示第s个参考时刻与目标时刻t的预测权值；

对于一种电参数，将所有参考时刻与目标时刻的预测权值和参考序列下一个时刻的参数值加权相加获取预测参考值。

在一个实施例中，所述根据电参数的相关性和添加预测参考值后电参数的相关性差异获取参数权重，将参数权重与预测值、预测参考值加权获取最终预测值的方法为：

将当前时刻不同电参数的预测参考值添加到相对应参数的参数序列中，将添加预测参考值的参数序列记为预测参数序列；对于任意两个预测参数序列，计算预测参数序列中每个参数的比值，获取比值的方差，根据预测参数序列分子分母的不同分别获取两个不同的方差，之后将两个方差取相反数后相加通过指数函数获取两个预测参数序列的相关性；

对于任意两种电参数，计算预测参数序列之间的相关性和参数序列之间的相关性之间的差值绝对值，记为相关差异；

参数权重和相关差异呈负相关关系；

最终预测值的表达式为：，表示电参数A的参数权重，表示电参数A的预测参考值，表示电参数A的预测值，表示电参数A的最终预测值。

第二方面，本申请实施例还提供了一种变压器的多参数监测分析系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述一种变压器的多参数监测分析方法的步骤。

第三方面，本申请实施例还一种变压器，所述变压器通过一种变压器的多参数监测分析方法实现。

本申请的有益效果如下所示：

本申请通过分析同时采集的电参数之间的关系，构建不同参数之间的相关性特征，在经过后续计算后作为最后修正预测算法所得预测结果的预测修正因子，同时基于对历史数据进行数据筛选，序列构建，并对构建好的序列进行特征分析，完成序列筛选，最终基于筛选后的序列获取预测参考值，并对预测结果进行修正，最终基于修正后的预测结果获取数据异常监测值，完成数据的异常监测。其中基于历史数据进行特征分析，大大提高了当前数据序列对比历史数据进行预测的准确性，同时基于数据预测序列的稳定性以及序列变化剧烈混乱程度对最终结果进行修正，也可以避免因为数据序列因为序列本身的不可预测性进而造成异常监测结果的不准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本申请一个实施例所提供的一种变压器的多参数监测分析方法流程图；

图2为获取分析序列的混乱程度的步骤流程图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请提出的一种变压器的多参数监测分析方法、装置及变压器，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

一种变压器的多参数监测分析方法实施例：

下面结合附图具体的说明本申请所提供的一种变压器的多参数监测分析方法、装置及变压器的具体方案。

请参阅图1，其示出了本申请一个实施例提供的一种变压器的多参数监测分析方法流程图，该方法包括以下步骤：

步骤S001，采集不同时刻的电参数，所述电参数包括电流值、电压值、有功功率、无功功率以及功率损坏值。

使用电流电压传感器对变压器运行过程中的电流电压值进行检测采集。

在本实施例中，令数据采集间隔为1分钟，采集电流值和电压值，并且通过1分钟内电流和电压的变化获取有功功率、无功功率以及功率损坏值，其中有功功率、无功功率以及功率损坏值的具体计算方法在《变压器参数校核方法研究》中有详细说明，因此在本实施例中不做详细赘述。数据采集间隔实施者可以自行设定，例如5分钟、10分钟。

将电流值、电压值、有功功率、无功功率以及功率损坏值统称为电参数。

至此，获取了所有电参数的数据。

步骤S002，对于采集的每种电参数构建参数序列，根据任意两种参数序列中参数值比值的方差获取参数序列之间的相关性。

本申请通过基于数据点相邻时刻数据段的数据进行预测，根据预测结果与实际结果的差异判断待分析时刻数据的异常程度，即如果所得预测结果与实际结果差异较大，则说明待分析时刻所得数据为异常数据的可能性越大。

传统的数据预测方法通常使用指数平滑算法，但是指数平滑算法没有考虑到采集参数之间的相互关系以及历史数据的趋势变化影响，进而可能导致预测结果不准确，因此，本申请对指数平滑算法预测后的值进行修正。

因此，对于当前时刻对应的电参数进行异常监测时，对于每一种电参数，获取当前时刻之前相邻的n个数据，组成一个参数序列，对于参数序列通过指数平滑算法进行预测，获取预测值。在本实施例中n取100，实施者可以根据采集数据的数量自行进行选取。

进一步的，计算两种电参数之间的相关性。

在本实施例中，对于任意两种电参数分别记为电参数A和电参数B，将电参数A对应的参数序列中每个参数值与同一时刻下电参数B对应的参数序列中参数值的比值记为第一参数比值，将所有的第一参数比值构成第一比值序列，计算第一比值序列中所有第一参数比值的方差；将电参数B对应的参数序列中每个参数值与同一时刻下电参数A对应的参数序列中参数值的比值记为第二参数比值，将所有的第二参数比值构成第二比值序列，计算第二比值序列中所有第二参数比值的方差。

根据两个方差获取两个电参数之间的相关性即参数序列之间的相关性，其中a表示第一参数比值的方差，b表示第二参数比值的方差，表示以自然常数为底的指数函数，表示电参数A和电参数B的参数序列之间的相关性。

至此，获取了两个电参数的参数序列之间的相关性。

步骤S003，将当前时刻的前一个时刻记为目标时刻，对于一种电参数，根据电参数的参数值将所有时刻分类后，将目标时刻所在聚类簇的时刻记为分析时刻，将分析时刻和其之前相邻的预设时刻的参数值记为分析序列；根据分析序列的方差和其内部局部的方差获取分析序列的稳定性；对每个分析序列内的参数值聚类，根据类的数量和每个类中序列值差值的方差获取分析序列的聚集度；通过分析序列的排列熵、聚集度和稳定性获取分析序列的混乱程度；混乱程度分别与稳定性、聚集度呈负相关关系，与排列熵呈正相关关系。

将各个数据与其历史数据进行比较，通过比较历史数据，通过分析历史数据的数据变化趋势，从而分析获取当前时刻对应数据的变化趋势，从而对所得预测结果进行修正。

本申请通过聚类找到与当前时刻相似的历史时刻，通过相似的历史时刻的特征对当前时刻进行分析。

首先，对于每个时刻，每个时刻记为一个时刻点，时刻点为电流值、电压值、有功功率、无功功率以及功率损坏值构成一个五维点，将所有的时刻点进行OPTICS聚类算法将所有时刻点进行聚类，其中聚类距离为五维点之间的欧氏距离。

需要说明的是，OPTICS聚类算法仅仅是对时刻点进行聚类的方法，实施者也可以通过其余的聚类方法对时刻点进行聚类，例如DBSCAN距离算法。

将当前时刻的前一个时刻作为目标时刻，通过上述聚类将所有时刻点分为了若干聚类簇，在所有聚类簇中找到目标时刻所在的聚类簇。将此聚类簇内的时刻记为分析时刻。对于每个分析时刻的每个电参数，获取其之前相邻的n-1个时刻，将n-1个时刻结合对应的分析时刻的参数值构成一个参数序列记为每种电参数对应的分析序列。每个分析时刻的每个参数序列对应一条分析序列。

需要说明的是，若分析时刻之前没有n-1个时刻，那么不予以考虑。

对于每个分析序列，以其中每个时刻为中心，左右两侧分别选取相邻的u个时刻，即以每个时刻为中心获取一个长度为2*u+1的局部序列。计算每个局部序列的方差记为第一方差；计算分析序列的方差记为第二方差。

根据第一方差和第二方差计算分析序列的稳定性。

分析序列的稳定性分别与第一方差和第二方差负正相关关系。

需要说明的是，负相关表示一个变量增长，另一个变量则随之减小，两个变量变动方向相反，一个变量由大到小或由小到大变化时，另一个变量亦由小到大或由大到小变化，本申请不做特殊限制。

优选的，在本实施例中，令分析序列中所有局部序列的第一方差取均值，令第一方差的均值和分析序列的第二方差的乘积取相反数记为第一方差乘积，将第一方差乘积通过exp()函数处理获取分析序列的稳定性。

优选的，本申请另一个实施例中，令分析序列中所有局部序列的第一方差取均值，令第一方差的均值和分析序列的第二方差的和的倒数作为分析序列的稳定性。

其中，当分析序列的方差越小，分析序列越平稳，稳定性越高，当所有局部序列的方差越小，分析序列越平稳，稳定性越高。

对于分析序列，计算分析序列的排列熵，其中排列熵算法为现有技术，在本申请中不再赘述。

对于每个分析序列中的参数值通过OPTICS聚类算法进行聚类，其中聚类距离为参数值的差值。对于分析序列中的每个聚类簇，将聚类簇中所有的参数值按照分析序列的顺序排序，计算相邻两个参数值的差值绝对值，将聚类簇中所有参数值的差值绝对值构成一个差值序列，计算差值序列的方差。

根据所有差值序列的方差和聚类簇的数量获取分析序列的聚集度。

分析序列的聚集度分别与差值序列的方差、聚类簇的数量呈负相关关系。方差越大，说明对应聚类簇之间的参数越相似，数量越大，就说明聚类簇越少，参数越集中。

优选的，在本实施例中，将所有差值序列的方差取倒数后累加，将累加值与聚类簇的数量的比值归一化后作为分析序列的聚集度。表示分析序列第j个聚类簇的差值序列的方差，表示分析序列中聚类簇的数量，表示线性归一化函数，表示分析序列的聚集度。

优选的，本申请的另一个实施例中，将所有差值序列的方差取倒数后累加，将累加值作为对数函数的真数，聚类簇的数量作为对数函数的底数，将对数函数的值归一化后作为分析序列的聚集度，表示最大最小值归一化函数。

其中分析序列的聚集度越大，分析序列就越不混乱。

根据分析序列的聚集度、分析序列的排列熵、分析序列的稳定性获取分析序列的混乱程度。

分析序列的混乱程度与分析序列的排列熵呈正相关关系，分别与分析序列的稳定性、分析序列的聚集度呈负相关关系。

需要说明的是，正相关表示一个变量增长，另一个变量也跟着增长，两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化，由实际应用进行确定，本申请不做特殊限制。

优选的，本实施例中，将分析序列的排列熵和分析序列的稳定性的乘积记为第一乘积，将第一乘积与分析序列的聚集度的比值线性归一化后作为分析序列的混乱程度，其中W表示分析序列的稳定性，E表示分析序列的排列熵，Q表示分析序列的混乱程度。其中分析序列的稳定性越强，说明分析序列的变化越小，预测的结果越可靠；分析序列的排列熵表征序列的排列变化的复杂程度，排列变化复杂度越小，说明该序列越可靠；分析序列的聚集度越大，说明大部分序列值都在一个聚类中，具有较高的相似性，预测结果更可靠。

优选的，本申请的另一个实施例中，将分析序列的排列熵作为对数函数的真数，将分析序列的聚集度和分析序列的稳定性的乘积作为第一乘积，将第一乘积作为对数函数的底数，将对数函数的结果通过最大最小值归一化后作为分析序列的混乱程度，通过所有时刻聚类获取分析序列，对分析序列分析获取混乱程度的步骤流程图如图2所示。

至此，获取了分析序列的混乱程度。

步骤S004，根据分析序列波峰时间差异的方差、波峰参数差异的方差以及波峰数量获取分析序列的周期稳定性。

对分析序列的波峰进行分析，基于波峰出现的时间差异以及波峰的变化差异，从而获取分析序列的周期稳定性，即若所得分析序列周期变化越稳定，对应波峰的差异也越小。

对于每个分析序列，统计分析序列中所有的波峰点，对于任意一个波峰点，计算波峰点与其相邻波峰点的参数值的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个差值绝对值的均值记为第一差异；若一个波峰点只有一个相邻的波峰点，则将差值绝对值记为第一差异。将所有的第一差异构成一个序列记为波峰差异序列。

对于任意一个波峰点，计算波峰点与其相邻波峰点的时间的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个时间的差值绝对值的均值记为第二差异；若一个波峰点只有一个相邻的波峰点，则将时间的差值绝对值记为第二差异。将所有的第二差异构成的序列记为波峰周期序列。

根据波峰的数量、波峰周期序列的方差和波峰差异序列的方差获取分析序列的周期稳定性。

分析序列的周期稳定性分别与波峰的数量、波峰周期序列的方差和波峰差异序列的方差呈负相关关系。

优选的，本实施例中，将波峰的数量、波峰周期序列的方差和波峰差异序列的方差乘积取相反数后，作为指数函数的指数，指数函数的结果为分析序列的周期稳定性，表示波峰周期序列的方差，表示波峰差异序列的方差，v表示波峰的数量，表示以自然常数为底的指数函数，表示分析序列的周期稳定性。

优选的，本申请另一个实施例中，将波峰周期序列的方差和波峰差异序列的方差相加后通过对数函数处理，处理后与波峰的数量的比值线性归一化后作为分析序列的周期稳定性。

当分析序列中存在的波峰数量越少，且波峰周期序列的方差越小，波峰差异序列的方差也越小，则说明分析序列的周期稳定性越强。

至此，获取了分析序列的周期稳定性。

步骤S005，对于每个分析时刻，通过不同种电参数的周期稳定性和混乱程度聚类筛选参考时刻；对于每种电参数，以目标时刻和参考时刻的距离作为权值与参考时刻下一个时刻的参数值加权获取当前时刻的预测参考值。

对于所有的分析时刻，由于每个时刻包括多种电参数，在本实施例为五种，且每一种电参数都对应一个分析序列，因此每个电参数每个时刻对应一个分析序列，而通过上述计算，每个分析序列对应一个混乱程度和周期稳定性，其中混乱程度和周期稳定性都表征了分析序列的特性，因此将分析序列看做一个二维点，二维点包括混乱程度和周期稳定性。

对于每一个分析时刻，存在5个二维点，对于所有的分析时刻再次通过OPTICS聚类算法进行聚类，对于任意两个分析时刻，计算相同电参数下二维点的欧氏距离，将所有电参数对应的欧氏距离取均值作为聚类距离，将此聚类距离记为参考距离。

需要说明的是，OPTICS聚类算法同样可以替换成其余的聚类算法，实施者可以自行选择。

将目标时刻所在聚类簇的分析时刻记为参考时刻，参考时刻对应的序列记为参考序列。

基于这些参考序列得到预测结果的计算方法为，首先基于参考序列的混乱程度作为参考系数，即当前时刻对应数据构成的序列的混乱程度越大，则说明当前序列进行预测所得预测结果准确性就可能越低，对应参考其它序列进行预测的参考程度越低，同时将其它参考序列下一时刻的结果作为参考值，根据其与参考序列的相似性作为参考系数进行参考获取参考值。

对于每个参考时刻，计算参考时刻与目标时刻的参考距离，通过参考距离获取不同参考时刻对于目标时刻的预测权值，权值越大，说明其预测的值越接近目标时刻将要预测的值，其准确性更高。而参考距离越大，说明准确性更低，因此预测权值与参考距离呈反比。

优选的，本实施例中，计算参考时刻与目标时刻的倒数，通过倒数计算预测权值，其中表示第s个参考时刻与目标时刻t的参考距离，表示参考时刻的数量，表示第s个参考时刻与目标时刻t的预测权值。

优选的，本申请另一个实施例中，计算参考时刻与目标时刻的倒数，通过倒数计算预测权值。

通过预测权值以及参考序列下一个时刻的参数值获取当前时刻不同电参数的预测参考值。

优选的，在本实施例中，预测参考值的表达式为；

式中，表示第s个参考时刻电参数A的参数值，表示当前时刻电参数A的预测参考值。

至此，获取了当前时刻不同电参数的预测参考值。

步骤S006，获取当前时刻的预测值，根据电参数的相关性和添加预测参考值后电参数的相关性差异获取参数权重，将参数权重与预测值、预测参考值加权获取最终预测值；将最终预测值与预设异常阈值比较完成异常监测。

通过上述分析获取了当前时刻不同电参数的预测参考值，对于参数序列通过指数平滑算法进行预测，获取预测值。

将当前时刻不同电参数的预测参考值添加到相对应参数的参数序列中，将添加预测参考值的参数序列记为预测参数序列。

对于任意两个预测参数序列，计算预测参数序列中每个参数的比值，获取比值的方差，根据预测参数序列分子分母的不同分别获取两个不同的方差，之后将两个方差取相反数后相加通过指数函数获取两个预测参数序列的相关性。

对于任意两种电参数，计算预测参数序列之间的相关性和参数序列之间的相关性之间的差值绝对值，将其记为相关差异。若相关差异越小，则说明添加预测参考值后的影响越小，说明预测结果越好，预测参考值越重要。

对于任意一种电参数，根据和其有关的所有相关差异计算参数权重。

参数权重和相关差异呈负相关关系。

优选的，本实施例中，将与电参数相关的所有相关差异累加后取相反数，将相反数作为指数函数的指数获取参数权重。

通过参数权重对预测参考值和预测值进行调控获取最终预测值。

式中，电参数A的参数权重，表示电参数A的预测参考值，表示电参数A的预测值，表示电参数A的最终预测值。

由此获取了最终预测值，将最终预测值与当前时刻的采集结果作差后取差值绝对值，将差值绝对值进行最大最小值归一化，将归一化的值记为异常判断因子，在使用此归一化时将最大值设为1。

预设异常监测阈值，若异常判断因子大于异常监测阈值，则说明当前时刻变压器出现了异常情况。在本实施例中异常监测阈值设定为0.5。

基于与上述方法相同的发明构思，本发明实施例还提供了一种变压器的多参数监测分析装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种变压器的多参数监测分析方法中任意一项所述方法的步骤。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种变压器的多参数监测分析方法，其特征在于，该方法包括以下步骤：

采集不同时刻的电参数，所述电参数包括电流值、电压值、有功功率、无功功率以及功率损坏值；

对于采集的每种电参数构建参数序列，根据任意两种参数序列中参数值比值的方差获取参数序列之间的相关性；

将当前时刻的前一个时刻记为目标时刻，对于一种电参数，根据电参数的参数值将所有时刻分类后，将目标时刻所在聚类簇的时刻记为分析时刻，将分析时刻和其之前相邻的预设时刻的参数值记为分析序列；根据分析序列的方差和其内部局部的方差获取分析序列的稳定性；对每个分析序列内的参数值聚类，根据类的数量和每个类中序列值差值的方差获取分析序列的聚集度；通过分析序列的排列熵、聚集度和稳定性获取分析序列的混乱程度；混乱程度分别与稳定性、聚集度呈负相关关系，与排列熵呈正相关关系；

根据分析序列波峰时间差异的方差、波峰参数差异的方差以及波峰数量获取分析序列的周期稳定性；

对于每个分析时刻，通过不同种电参数的周期稳定性和混乱程度聚类筛选参考时刻；对于每种电参数，以目标时刻和参考时刻的距离作为权值与参考时刻下一个时刻的参数值加权获取当前时刻的预测参考值；

获取当前时刻的预测值，根据电参数的相关性和添加预测参考值后电参数的相关性差异获取参数权重，将参数权重与预测值、预测参考值加权获取最终预测值；将最终预测值与预设异常阈值比较完成异常监测；

所述根据电参数的相关性和添加预测参考值后电参数的相关性差异获取参数权重，将参数权重与预测值、预测参考值加权获取最终预测值的方法为：

将当前时刻不同电参数的预测参考值添加到相对应参数的参数序列中，将添加预测参考值的参数序列记为预测参数序列；对于任意两个预测参数序列，计算预测参数序列中每个参数的比值，获取比值的方差，根据预测参数序列分子分母的不同分别获取两个不同的方差，之后将两个方差取相反数后相加通过指数函数获取两个预测参数序列的相关性；

对于任意两种电参数，计算预测参数序列之间的相关性和参数序列之间的相关性之间的差值绝对值，记为相关差异；

参数权重和相关差异呈负相关关系；

最终预测值的表达式为：，表示电参数A的参数权重，表示电参数A的预测参考值，表示电参数A的预测值，表示电参数A的最终预测值。

2.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述对于采集的每种电参数构建参数序列，根据任意两种参数序列中参数值比值的方差获取参数序列之间的相关性的方法为：

对于每种电参数，获取当前时刻之前的预设数量时刻，将预设数量时刻对应的参数值组成的序列记为参数序列；

对于任意两种电参数分别记为电参数A和电参数B，将电参数A对应的参数序列中每个参数值与同一时刻下电参数B对应的参数序列中参数值的比值记为第一参数比值，计算所有第一参数比值的方差；

将电参数B对应的参数序列中每个参数值与同一时刻下电参数A对应的参数序列中参数值的比值记为第二参数比值，计算所有第二参数比值的方差；

电参数A和电参数B的参数序列之间的相关性的表达式为：；a表示第一参数比值的方差，b表示第二参数比值的方差，表示以自然常数为底的指数函数，表示电参数A和电参数B的参数序列之间的相关性。

3.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述对于一种电参数，根据电参数的参数值将所有时刻分类后，将目标时刻所在聚类簇的时刻记为分析时刻，将分析时刻和其之前相邻的预设时刻的参数值记为分析序列的方法为：

将每个时刻记为一个时刻点，时刻点为电流值、电压值、有功功率、无功功率以及功率损坏值构成的一个五维点，将所有时刻点通过聚类算法进行聚类，聚类距离为五维点之间的距离；

将目标时刻所在聚类簇的时刻点记为分析时刻，对于每个分析时刻的每个电参数，获取其之前相邻的预设数量个时刻，将预设数量个时刻结合对应的分析时刻的参数值构成一个参数序列记为每种电参数对应的分析序列。

4.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述根据分析序列的方差和其内部局部的方差获取分析序列的稳定性的方法为：

对于每个分析序列，以其中每个时刻为中心，左右两侧分别选取相邻的u个时刻；以每个时刻为中心获取一个长度为2*u+1的局部序列；

计算每个局部序列的方差记为第一方差；计算分析序列的方差记为第二方差；

根据第一方差和第二方差计算分析序列的稳定性；

分析序列的稳定性分别与第一方差和第二方差呈负相关关系。

5.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述对每个分析序列内的参数值聚类，根据类的数量和每个类中序列值差值的方差获取分析序列的聚集度的方法为：

对于每个分析序列中的参数值进行聚类，聚类距离为参数值的差值；对于分析序列中的每个类，将类中所有的参数值按照分析序列的顺序排序，计算相邻两个参数值的差值绝对值，将类中所有参数值的差值绝对值构成一个差值序列，计算差值序列的方差；

根据所有差值序列的方差和聚类簇的数量获取分析序列的聚集度；

分析序列的聚集度分别与差值序列的方差、聚类簇的数量呈负相关关系。

6.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述根据分析序列波峰时间差异的方差、波峰参数差异的方差以及波峰数量获取分析序列的周期稳定性的方法为：

对于每个分析序列，统计分析序列中所有的波峰点，对于任意一个波峰点，计算波峰点与其相邻波峰点的参数值的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个差值绝对值的均值记为第一差异；若一个波峰点有一个相邻的波峰点，则将差值绝对值记为第一差异；将所有的第一差异构成一个序列记为波峰差异序列；

对于任意一个波峰点，计算波峰点与其相邻波峰点的时间的差值绝对值，若一个波峰点有两个相邻的波峰点，则取两个时间的差值绝对值的均值记为第二差异；若一个波峰点有一个相邻的波峰点，则将时间的差值绝对值记为第二差异；将所有的第二差异构成的序列记为波峰周期序列；

根据波峰的数量、波峰周期序列的方差和波峰差异序列的方差获取分析序列的周期稳定性；

分析序列的周期稳定性分别与波峰的数量、波峰周期序列的方差和波峰差异序列的方差呈负相关关系。

7.如权利要求1所述的一种变压器的多参数监测分析方法，其特征在于，所述对于每个分析时刻，通过不同种电参数的周期稳定性和混乱程度聚类筛选参考时刻；对于每种电参数，以目标时刻和参考时刻的距离作为权值与参考时刻下一个时刻的参数值加权获取当前时刻的预测参考值的方法为：

将每种电参数的分析序列看作一个二维点，二维点包括混乱程度和周期稳定性；

对于每一个分析时刻，存在5个二维点，将分析时刻进行聚类，计算相同电参数下二维点的欧氏距离，将所有电参数对应的欧氏距离取均值作为聚类距离，将此聚类距离记为参考距离；

将目标时刻所在聚类簇的分析时刻记为参考时刻，参考时刻对应的分析序列记为参考序列；

计算参考时刻与目标时刻的倒数，通过倒数计算预测权值；，表示第s个参考时刻与目标时刻t的参考距离，表示参考时刻的数量，表示第s个参考时刻与目标时刻t的预测权值；

对于一种电参数，将所有参考时刻与目标时刻的预测权值和参考序列下一个时刻的参数值加权相加获取预测参考值。

8.一种变压器的多参数监测分析装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述一种变压器的多参数监测分析方法的步骤。

9.一种变压器，其特征在于，所述变压器的多参数监测分析方法包括如权利要求1-7任意一项所述一种变压器的多参数监测分析方法。