基于PMS的设备故障数据分析模型构建及仿真

来源:用户上传      作者:杨廷胜　卢志鹏　苗厚利

　　摘要：针对现有设备故障检测模型难以及时精确检测或预测电力变压器故障的问题，研究提出一种基于PMS的变压器设备故障数据分析模型，并设计了一种基于LSTM网络的变压器故障预测方法。利用PMS采集的变压器油中H、CH、CH、CH、CH、CO、CO此7种故障气体浓度作为LSTM网络训练数据，构建7种不同故障气体预测模型;通过实验确定了不同故障气体最佳预测模型的时间步与网络结构;通过仿真对提出的模型进行验证。结果表明：基于PMS的变压器故障数据分析模型，通过LSTM网络对故障数据进行分析，可有效预测40 d内变压器故障气体浓度，进而实现对变压器故障的预测。该模型性能优于基于多变量的灰色预测模型GM（1，7），预测均方根误差约为10%。
　　关键词：PMS系统;变压器;LSTM网络;故障数据分析
　　中图分类号：TP391 文献标识码：A 文章编号：1001-5922（2022）07-0165-06
　　Construction and simulation of equipment fault data
　　analysis model based on PMS
　　YANG Tingsheng LU Zhipeng MIAO Houli
　　（1.CNOOCIRAQ Ltd.， Beijing 100028， China; 2.Shenzhen Wrellreach Automation
　　Co.， Ltd.， Shenzhen 518057， Guangdong China）
　　Abstract：Aiming at the problem that the existing equipment fault detection models are difficult to detect or predict power transformer faults timely and accurately， a PMS based transformer equipment fault data analysis model is proposed， and a transformer fault prediction method based on LSTM network is designed. Seven fault gas concentrations of H， CH， CH， CH， CH， CO and CO in transformer oil collected by PMS are used as LSTM network training data to build seven different fault gas prediction models. The time step and network structure of the best prediction model for different fault gases are determined by experiments. Finally， the proposed model is verified by simulation. The results show that the analysis model of transformer fault data based on PMS and LSTM network can effectively predict the concentration of transformer fault gas within 40 days， therefore realize the prediction of transformer fault. The performance of the model is better than that of grey prediction model GM （1，7）， and the root mean square error is about 10%.
　　Key words：PMS system; transformer; LSTM network; fault data analysis
　　压器是电力系统的重要组成部分，其稳定运行是确保电力系统安全的基础;为此，有必要确保电力变压器始终处于正常运行状态。然而，由于环境原因或某种原因，电力变压器可能发生故障，导致电力系统供电受到一定影响。因此，为避免因变压器故障带来的电力问题，保障电力系统正常运行，需对变压器是否故障进行诊断与预测。长期以来，变压器的故障诊断通常为人工巡检的方式，通过人工定期巡检发现变压器故障或潜在故障，并进行维修，保证变压器的稳定。但这种方式不仅需要耗费大量的人力、财力、物力，同时存在无法精准预测变压器潜在故障发生的时间问题。近年来，随着深度学习发展以及自动化技术的广泛应用，变压器故障检修逐渐趋于智能化。如利用变压器设备发生故障时，变压器油中溶解的气体种类、浓度及比例会发生相应的变化，提出一种基于变压器油色谱分析的检测方法，有效实现了对变压器故障的预测[1-3]。但通过研究发现，上述方法的故障数据集为静态数据，导致模型预测值与实际值存在一定的差异。本研究利用具有庞大实时采集数据功能与管理能力的PMS系统，通过实时采集的变压器故障气体动态数据，构建了基于LSTM的变压器设备故障数据分析模型，并通过仿真实验验证了该模型的预测效果。

nlc202207251949

转载注明来源:https://www.xzbu.com/1/view-15436600.htm