變壓器在線監(jiān)測(cè)數(shù)據(jù)異常值檢測(cè)與清洗

錢宇騁 甄超 季坤 趙常威 付龍明 張亞靜

摘 要：在線監(jiān)測(cè)數(shù)據(jù)能夠?qū)崟r(shí)監(jiān)測(cè)變壓器狀態(tài)，然而經(jīng)調(diào)查發(fā)現(xiàn)存在數(shù)據(jù)不可靠的問題，直接關(guān)系到后續(xù)狀態(tài)評(píng)估的準(zhǔn)確性。針對(duì)在線監(jiān)測(cè)數(shù)據(jù)中異常值特點(diǎn)，以及一般的異常狀態(tài)檢測(cè)方法是基于閾值，噪聲數(shù)據(jù)難以及時(shí)甄別的問題，提出了一種基于灰色關(guān)聯(lián)度和K-means聚類的方法。利用灰色關(guān)聯(lián)法對(duì)在線監(jiān)測(cè)的多元時(shí)間序列數(shù)據(jù)進(jìn)行關(guān)聯(lián)度挖掘，提取出關(guān)聯(lián)性強(qiáng)的序列為后續(xù)多元序列異常數(shù)據(jù)檢測(cè)提供依據(jù);其次建立基于k-means聚類的方法建立數(shù)據(jù)的異常檢測(cè)模型;最后研究了時(shí)間序列預(yù)測(cè)方法，完成趨勢(shì)預(yù)測(cè)并填充缺失值和噪聲值，保持?jǐn)?shù)據(jù)完整性。通過某變電站的在線監(jiān)測(cè)數(shù)據(jù)對(duì)此算法進(jìn)行驗(yàn)證，結(jié)果表明該方法可及時(shí)完成異常檢測(cè)及清洗，清洗后準(zhǔn)確率93.9%，完備率可達(dá)98.6%，有較高使用價(jià)值。

關(guān)鍵詞：變壓器;在線監(jiān)測(cè)數(shù)據(jù);K-means聚類;異常值檢測(cè);時(shí)間序列

DOI：10.15938/j.jhust.2020.05.003

中圖分類號(hào)： TM411

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2020）05-0015-08

Abstract：The online monitoring data can monitor the status of the transformer in real time. However， it is found that there is a problem of unreliable data， which is directly related to the accuracy of the subsequent status assessment. In view of the characteristics of abnormal values in online monitoring data， and the general abnormal state detection method is based on the threshold， it is difficult to distinguish the noise data in time， so a method based on gray correlation and K-means clustering is proposed. The gray correlation method is used to mine the degree of association of online multivariate time series data， and the strong correlation sequence is extracted to provide a basis for the subsequent multivariate sequence anomaly data detection. Secondly， an anomaly detection model based on k-means clustering method is established. Finally， the time series forecasting method is studied， the trend forecast is completed and the missing values and noise values are filled to maintain data integrity. The algorithm is verified by the online monitoring data of a substation. The results show that the method can complete abnormal detection and cleaning in time. The accuracy rate after cleaning is 93.9%， and the completion rate can reach 98.6%， which has high use value.

Keywords：transformer; online monitoring data; K-means clustering; outlier detection; time series

0 引 言

近年來，電力系統(tǒng)是否能安全穩(wěn)定運(yùn)行等問題引起用戶廣泛關(guān)注，電力公司不斷推進(jìn)智能電網(wǎng)建設(shè)，逐步擴(kuò)大變壓器實(shí)時(shí)監(jiān)測(cè)的廣度與深度，利用傳感器裝置不間斷地測(cè)量反映設(shè)備運(yùn)行狀態(tài)的關(guān)鍵特征參量。針對(duì)變壓器的狀態(tài)監(jiān)測(cè)手段在國內(nèi)外已有較多的研究，主要包括變壓器的繞組溫度[1]、頂層油溫、局部放電、油中氣體含量分析（dissolved gas analysis，DGA）[2]等。 然而數(shù)據(jù)的質(zhì)量不高會(huì)影響狀態(tài)評(píng)估時(shí)準(zhǔn)確率，因此診斷分析之前，進(jìn)行異常數(shù)據(jù)檢測(cè)與清洗十分必要。

現(xiàn)階段針對(duì)變壓器的油中溶解氣體分析、基于頻率響應(yīng)的繞組狀態(tài)監(jiān)測(cè)[3]以及基于油中糠醛、紙聚合度[4]等單一系統(tǒng)的設(shè)備信息異常數(shù)據(jù)的檢測(cè)，通過設(shè)定閾值[5]進(jìn)行分析，方法簡單但準(zhǔn)確率不高。

聚類方法作為大數(shù)據(jù)中的一項(xiàng)成熟技術(shù)[6]，通過將聚類方法與神經(jīng)網(wǎng)絡(luò)[7]、滑動(dòng)窗口[8]、層次分析法[9]、支持向量機(jī)等方法結(jié)合，實(shí)現(xiàn)參數(shù)優(yōu)化或樣本轉(zhuǎn)換，有許多用于變壓器檢測(cè)的程序。 但是，分離的噪聲數(shù)據(jù)會(huì)被直接刪除，這會(huì)破壞狀態(tài)數(shù)據(jù)的連續(xù)性。上述研究導(dǎo)致數(shù)據(jù)清理過程中的數(shù)據(jù)丟失，這不利于后續(xù)狀態(tài)評(píng)估。 近年來，國內(nèi)外研究人員也將時(shí)間序列模型（auto regressive moving average，ARMA）引入電力應(yīng)用[10]，主要應(yīng)用于電路故障診斷及階段故障率預(yù)測(cè)[11]、發(fā)電量預(yù)測(cè)[12]、電力負(fù)荷預(yù)測(cè)[13]，通過ARMA時(shí)間序列分析模型將去除的噪聲數(shù)據(jù)補(bǔ)足以提高狀態(tài)評(píng)估時(shí)的準(zhǔn)確性?？偟膩碚f，應(yīng)用在負(fù)荷預(yù)測(cè)中較多，但在狀態(tài)監(jiān)測(cè)方面很少，由于時(shí)間序列能夠表征狀態(tài)監(jiān)測(cè)的數(shù)據(jù)流，將成為狀態(tài)監(jiān)測(cè)中大數(shù)據(jù)技術(shù)的一個(gè)發(fā)展趨勢(shì)。

基于以上分析，提出一種基于K-means和時(shí)間序列分析的變壓器異常值檢測(cè)與清洗的方法。通過灰色關(guān)聯(lián)法從多維的在線監(jiān)測(cè)數(shù)據(jù)流中篩選關(guān)聯(lián)度高的相關(guān)序列，然后基于K-means方法對(duì)在線監(jiān)測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè)，利用時(shí)間序列預(yù)測(cè)方法完成噪聲數(shù)據(jù)清洗及趨勢(shì)預(yù)測(cè)。本文方法可完成在線監(jiān)測(cè)數(shù)據(jù)異常檢測(cè)，完成修正噪聲點(diǎn)填補(bǔ)缺失值的清洗工作，祛除外界噪聲值或突變值的影響，并且對(duì)后期時(shí)間序列數(shù)據(jù)預(yù)測(cè)分析，及時(shí)發(fā)現(xiàn)趨勢(shì)異常。

1 異常數(shù)據(jù)檢測(cè)模型的建立

變壓器在線監(jiān)測(cè)狀態(tài)信息數(shù)據(jù)，通過傳感器采集、傳輸后集成在數(shù)據(jù)信息平臺(tái)上。按時(shí)間先后順序排列的特征量數(shù)據(jù)，可認(rèn)為采集的在線數(shù)據(jù)形成了一個(gè)連續(xù)而完整的時(shí)間序列。但由于傳感器短時(shí)失效、通訊端口異常、裝置老化以及一些人工失誤等多種因素的存在，收集的狀態(tài)信息數(shù)據(jù)會(huì)不可避免出現(xiàn)多種狀態(tài)的異常值[14]。在線監(jiān)測(cè)異常數(shù)據(jù)的產(chǎn)生有多種原因，噪聲值，這部分?jǐn)?shù)據(jù)是與變壓器自身無關(guān)，數(shù)據(jù)測(cè)量或傳輸系統(tǒng)受到外部環(huán)境因素的干擾而意外失靈包括缺失值、不變數(shù)據(jù)值、孤立噪聲值、短時(shí)有變數(shù)據(jù)值。由裝置異常引起的異常數(shù)據(jù)，持續(xù)性缺失值，高噪聲或高方差異常數(shù)據(jù)，關(guān)聯(lián)性性強(qiáng)的狀態(tài)量同時(shí)出現(xiàn)突變，關(guān)聯(lián)性強(qiáng)的檢測(cè)量上升趨勢(shì)異常。因此，提出基于灰色關(guān)聯(lián)分析與K-means聚類方法對(duì)在線監(jiān)測(cè)數(shù)據(jù)異常檢測(cè)。

1.1 多元時(shí)間序列關(guān)聯(lián)挖掘

在線監(jiān)測(cè)數(shù)據(jù)類型繁多，實(shí)現(xiàn)特征提取顯得十分必要，本節(jié)將對(duì)在線監(jiān)測(cè)數(shù)據(jù)的多元時(shí)間序列進(jìn)行關(guān)聯(lián)度挖掘，提取出關(guān)聯(lián)性強(qiáng)的序列為后續(xù)多元序列異常數(shù)據(jù)監(jiān)測(cè)提供依據(jù)。實(shí)時(shí)狀態(tài)信息中提取關(guān)鍵參量不僅能縮減處理時(shí)間，降低在線監(jiān)測(cè)數(shù)據(jù)的復(fù)雜性，更能有力保證狀態(tài)數(shù)據(jù)處理高效性、有效性，為電網(wǎng)運(yùn)行實(shí)時(shí)提供檢修、調(diào)度決策。

在線監(jiān)測(cè)參量大都是隨時(shí)間發(fā)生連續(xù)變化的數(shù)據(jù)[15]，灰色關(guān)聯(lián)分析非常適合于歷史動(dòng)態(tài)分析，可以提供發(fā)展和變化情況的定量度量，因此使用灰色關(guān)聯(lián)方法來度量相關(guān)序列。該分析法衡量關(guān)聯(lián)程度是根據(jù)變量間發(fā)展趨勢(shì)的相似程度，若兩條曲線同步波動(dòng)變化相似，則關(guān)聯(lián)度較高，反之較低[16]。下面給出灰色關(guān)聯(lián)分析模型計(jì)算的5個(gè)步驟。

1）確定分析的序列矩陣

2）對(duì)變量序列進(jìn)行無量綱化

由于在線監(jiān)測(cè)數(shù)據(jù)屬性差異不同，導(dǎo)致度量標(biāo)準(zhǔn)也亦不同，會(huì)對(duì)最后的結(jié)論造成一定的影響。因此根據(jù)式（1）無量綱化，采用極值化的方法，即每一個(gè)變量值除以該變量取值的最大值，標(biāo)準(zhǔn)化后使變量的最大取值為1得到新的無量綱化矩陣：（y′0，x′1，x′2，x′3，…，x′i）。

3）求灰色關(guān)聯(lián)系數(shù)

式中：|x0（k）-xi（k）|為k時(shí)刻xi與x0的絕對(duì)差，min|x0（k）-xi（k）|為極小差，max|x0（k）+xi（k）|為極大差，ρ為分辨系數(shù)。ρ值對(duì)關(guān)聯(lián)系數(shù)的影響很大，根據(jù)因素間的關(guān)聯(lián)分析可以選擇不同的分辨系數(shù)，一般取ρ=0.5可以得到滿意的分辨率。

4）計(jì)算關(guān)聯(lián)度

求各個(gè)時(shí)刻關(guān)聯(lián)系數(shù)的平均值，將其集中為一個(gè)值即關(guān)聯(lián)度。

5）灰色關(guān)聯(lián)度排序

將比較序列對(duì)同一參考序列的關(guān)聯(lián)度，按降序排列組成關(guān)聯(lián)序。與參考序列關(guān)聯(lián)度較大的序列可以作為異常數(shù)據(jù)檢測(cè)時(shí)多元序列的參考。

1.2 異常數(shù)據(jù)檢測(cè)模型

變壓器正常運(yùn)行時(shí)的各狀態(tài)參量數(shù)據(jù)具有較穩(wěn)定的波動(dòng)范圍，因此可利用基于K-means聚類方法的數(shù)據(jù)異常識(shí)別及分類，對(duì)正常的歷史運(yùn)行數(shù)據(jù)進(jìn)行聚類得到聚類中心，計(jì)算新輸入的數(shù)據(jù)到聚類中心的距離是否超過閾值，從而判斷數(shù)據(jù)是否異常。

首先將在線監(jiān)測(cè)數(shù)據(jù)X的樣本分成K類，聚類中心為C={c1，c2，…cj，…，ck}，樣本xi與cj的距離用dij（xi，cj）表示，目標(biāo)函數(shù)J是X中dij（xi，cj）的總和，由下式計(jì)算目標(biāo)函數(shù)J的值與聚類效果關(guān)系呈現(xiàn)負(fù)相關(guān)關(guān)系，當(dāng)J越小該聚類效果越好，因此當(dāng)J到達(dá)最小值時(shí)，即為最優(yōu)聚類方案。xi與其相應(yīng)cj間的相似性指標(biāo)選擇歐氏距離，則目標(biāo)函數(shù)可以定義為：

1）收集變壓器大量正常運(yùn)行的在線監(jiān)測(cè)數(shù)據(jù)的歷史數(shù)據(jù)，使用K-means方法對(duì)其分析，并獲得最優(yōu)聚類中心與聚類結(jié)果;

2）針對(duì)新數(shù)據(jù)，計(jì)算與聚類中心的距離，并與閾值R相對(duì)比;

3）若數(shù)據(jù)不屬于任何一個(gè)聚類中心，則數(shù)據(jù)處于異常狀態(tài)，若屬于某一個(gè)聚類中心，則將數(shù)據(jù)加入歷史數(shù)據(jù)中計(jì)算新的最優(yōu)聚類中心以及聚類結(jié)果。

4）根據(jù)前兩步的輸出結(jié)果，比較異常數(shù)據(jù)點(diǎn)鄰近的其他時(shí)刻數(shù)據(jù)點(diǎn)是否為異常點(diǎn)，根據(jù)周圍數(shù)據(jù)可分析該數(shù)據(jù)的異常模式。

2 基于ARMA模型的在線數(shù)據(jù)預(yù)測(cè)模型建立

上一節(jié)對(duì)變壓器在線監(jiān)測(cè)狀態(tài)量，利用聚類及關(guān)聯(lián)分析分析出異常數(shù)據(jù)，并劃分了不同類型，本節(jié)利用時(shí)間序列ARMA分析模型清洗異常數(shù)據(jù)，并預(yù)測(cè)后續(xù)發(fā)展及時(shí)發(fā)現(xiàn)趨勢(shì)異常。

2.1 在線監(jiān)測(cè)數(shù)據(jù)時(shí)間序列表征

通過各個(gè)傳感器完成變壓器在線狀態(tài)量的監(jiān)測(cè)結(jié)果，按時(shí)間先后順序排列的特征量數(shù)據(jù)[15]，可認(rèn)為采集的在線數(shù)據(jù)形成了一個(gè)連續(xù)而完整的時(shí)間序列。由影響因素發(fā)生作用的大小和方向變化不同可分為三類。

平穩(wěn)時(shí)間序列：隨著時(shí)間的變化，狀態(tài)變量并不隨之變化。波動(dòng)幅度隨時(shí)間變化：隨著時(shí)間變化，狀態(tài)變量的方差發(fā)生變化。非平穩(wěn)時(shí)間序列：有兩種，趨勢(shì)性時(shí)間序列，表現(xiàn)為監(jiān)測(cè)變量隨著時(shí)間的變化呈現(xiàn)出變動(dòng)趨向，持續(xù)性、長期性出現(xiàn)較緩慢的上下。周期性時(shí)間序列，表現(xiàn)為監(jiān)測(cè)變量隨著季節(jié)或者其他周期的交替出現(xiàn)高峰與低谷，周期內(nèi)的時(shí)間序列有相似的特征。由此選取變壓器在線監(jiān)測(cè)的實(shí)時(shí)數(shù)據(jù)以下幾類，作為后續(xù)在線數(shù)據(jù)預(yù)測(cè)算法的基礎(chǔ)。然而閃絡(luò)放電的電壓、電流等突變的數(shù)據(jù)類型，屬于有用的故障信息不能舍去，所以在此不能適用于時(shí)間序列分析方法。

1）短期平穩(wěn)長期緩慢上升序列：該類數(shù)據(jù)包括微水、氫氣、CH4、C2H4、C2H6等。

2）長期平穩(wěn)序列：無明顯下降趨勢(shì)，僅在設(shè)備狀態(tài)異常時(shí)數(shù)值會(huì)明顯升高。該類數(shù)據(jù)包括鐵芯接地電流、C2H2、套管全電流等。

3）短至長期均為緩慢上升序列：監(jiān)測(cè)數(shù)據(jù)中的CO和CO2數(shù)據(jù)長期表現(xiàn)為向上的趨勢(shì)。這類數(shù)據(jù)可通過差分運(yùn)算進(jìn)行變換，對(duì)非平穩(wěn)序列的均值平穩(wěn)化預(yù)處理，通過這種方法可以將趨勢(shì)性去除，變?yōu)槠椒€(wěn)性序列。

4）周期性序列，通常以天為單位：包括變壓器繞組、頂層、底層等的油溫，在實(shí)際清洗過程中先用季節(jié)差分將這些數(shù)據(jù)變?yōu)槠椒€(wěn)時(shí)間序列，再進(jìn)行擬合，以降低計(jì)算的復(fù)雜度。

2.2 基于時(shí)間序列異常數(shù)據(jù)預(yù)測(cè)模型

對(duì)變壓器未來的異常狀況進(jìn)行預(yù)測(cè)，需要對(duì)變壓器未來的在線監(jiān)測(cè)數(shù)據(jù)的情況進(jìn)行分析。時(shí)間序列的趨勢(shì)會(huì)持續(xù)到最近的未來，因此通過自回歸滑動(dòng)平均模型ARMA來分析研究時(shí)間序列[17]，對(duì)于一個(gè)時(shí)間序列{x1，x2，…，xn，…}表達(dá)式如下。

3 算例分析

選取某變電站1號(hào)變壓器為例，對(duì)繁多的在線監(jiān)測(cè)數(shù)據(jù)類型實(shí)現(xiàn)特征提取，按照1.1節(jié)中灰色關(guān)聯(lián)分析法的計(jì)算步驟，對(duì)多元時(shí)間序列進(jìn)行關(guān)聯(lián)度挖掘。以將C2H4作為參考序列，CH4、H2、C2H2、CO、CO2、O2作為比較序列為例，建立分析矩陣，對(duì)矩陣中的各個(gè)序列按式（1）進(jìn)行無量綱化，得到新的矩陣，計(jì)算關(guān)聯(lián)系數(shù)后由式（3）即可得到關(guān)聯(lián)度如圖3所示?？芍狢2H4和H2及CH4三種參量關(guān)聯(lián)較高，聚類分析時(shí)綜合考慮這三種氣體。

應(yīng)用改進(jìn)的K-means算法進(jìn)行變壓器異常狀態(tài)快速識(shí)別。對(duì)此變壓器2016年1月2日-2016年8月25日間，以CH4為例將其327組變壓器正常歷史數(shù)據(jù)樣本輸入到聚類算法中，按照正常數(shù)據(jù)類型的性質(zhì)取k=3。如圖4所示，聚類結(jié)果輸出3個(gè)聚類簇，三個(gè)聚類簇中數(shù)據(jù)與中心距離的最大值分別是209.3751、272.0998與232.7127。

將3個(gè)聚類簇中數(shù)據(jù)與中心距離的最大值乘上常數(shù)D作為R。選取該變電站同型號(hào)設(shè)備100組待檢測(cè)數(shù)據(jù)，判斷數(shù)據(jù)是否異常，D取不同值時(shí)檢測(cè)結(jié)果有不同準(zhǔn)確率，當(dāng)D取1時(shí)檢測(cè)效果較好。但是D的取值范圍并非一成不變，在實(shí)際運(yùn)行中需要根據(jù)具體數(shù)據(jù)或經(jīng)驗(yàn)進(jìn)行調(diào)整，可選取待測(cè)數(shù)據(jù)進(jìn)行調(diào)試，選取準(zhǔn)確率最高時(shí)的D值。

將選取的待檢測(cè)數(shù)據(jù)根據(jù)1.2節(jié)K-means聚類分析模型，通過判斷數(shù)據(jù)集里每個(gè)時(shí)間點(diǎn)的數(shù)據(jù)與聚類中心間的距離與閾值的大小，來判斷是否屬于正常簇，結(jié)果如圖5所示（1表示異常數(shù)據(jù)，0表示正常數(shù)據(jù)），關(guān)聯(lián)度分析可知C2H4和H2及CH4的關(guān)聯(lián)較高，所以將這三種氣體綜合考慮。

以異常數(shù)據(jù)判斷結(jié)果圖中的CH4聚類結(jié)果為例可以看出，主要存在以下種類型的數(shù)據(jù)：

1）在T=50、T=201等時(shí)間點(diǎn)，均不屬于3個(gè)聚類簇，但是其周圍時(shí)刻的數(shù)據(jù)均正常，則此時(shí)是噪聲點(diǎn)，可能是由于某傳感器不穩(wěn)定造成，可以將此忽略，去除此時(shí)的孤立噪聲值，并通過進(jìn)一步的時(shí)間序列分析方法，對(duì)去除噪聲值的部分填充，以免去除值后的空白對(duì)后續(xù)的變壓器狀態(tài)評(píng)估造成影響。

2）在T=100～110，出現(xiàn)連續(xù)數(shù)據(jù)為異常數(shù)據(jù)點(diǎn)，推斷可能是傳輸設(shè)備在該段時(shí)間出現(xiàn)了不穩(wěn)定的運(yùn)行狀態(tài)或者受到了干擾，經(jīng)查驗(yàn)采集設(shè)備并未發(fā)生狀態(tài)異常，可能是因?yàn)閿?shù)據(jù)錄入導(dǎo)致的數(shù)據(jù)空白，此時(shí)需要通過進(jìn)一步的時(shí)間序列分析方法，對(duì)空白數(shù)據(jù)填充，以免空缺值對(duì)后續(xù)的變壓器狀態(tài)評(píng)估造成影響。

3）在T=240之后，大段連續(xù)數(shù)據(jù)均出現(xiàn)異常，由此推斷設(shè)備在該時(shí)刻后出現(xiàn)了可能的異常狀態(tài)。此時(shí)參考C2H4和H2兩種氣體的聚類結(jié)果，兩類氣體大概在T=255左右均出現(xiàn)連續(xù)數(shù)據(jù)異常，由此可以推斷出大概率變壓器出現(xiàn)了病變，應(yīng)該發(fā)出告警，并需要盡快安排設(shè)備健康狀態(tài)評(píng)估以及相應(yīng)的檢修手段。

對(duì)時(shí)間T=50、T=201去除了噪聲值，T=100～110時(shí)為數(shù)據(jù)缺失值，出現(xiàn)數(shù)據(jù)丟失的情況，通過ARMA時(shí)間序列分析模型擬合在線監(jiān)測(cè)數(shù)據(jù)，將其補(bǔ)足以提高評(píng)估準(zhǔn)確性，以CH4為例說明方法的有效性。根據(jù)自相關(guān)系數(shù)和偏自相關(guān)系數(shù)確定 ARMA（p，q）模型階數(shù)，繪制序列的自相關(guān)函數(shù)和偏相關(guān)函數(shù)分別如圖 6和圖 7所示。

4 結(jié) 語

1）本文針對(duì)在線監(jiān)測(cè)數(shù)據(jù)中異常值特點(diǎn)，提出基于灰色關(guān)聯(lián)度和K-means聚類算法對(duì)變壓器在線監(jiān)測(cè)數(shù)據(jù)異常檢測(cè)?？杀碚麝P(guān)聯(lián)度高的相關(guān)序列，并快速及時(shí)完成在線監(jiān)測(cè)數(shù)據(jù)異常檢測(cè)并分類，并利用時(shí)間序列預(yù)測(cè)方法完成噪聲清洗，祛除外界噪聲值或突變值的影響，提高告警準(zhǔn)確率，解決了傳統(tǒng)閾值判定方法誤判情況。但存在一定局限性，如聚類算法對(duì)如何選取參數(shù)、聚類個(gè)數(shù)k均沒有合適的方法，需要基于訓(xùn)練數(shù)據(jù)進(jìn)行參數(shù)優(yōu)化。

2）利用時(shí)間序列預(yù)測(cè)方法針對(duì)異常數(shù)據(jù)中的噪聲點(diǎn)，進(jìn)一步進(jìn)行補(bǔ)充優(yōu)化，為后續(xù)預(yù)測(cè)數(shù)據(jù)趨勢(shì)打下基礎(chǔ)，解決了因數(shù)據(jù)噪聲點(diǎn)引起的數(shù)據(jù)預(yù)測(cè)失誤問題，提高后續(xù)狀態(tài)診斷的準(zhǔn)確率。

3）改進(jìn)之處在于本文提出的方法目前僅針對(duì)變壓器的在線監(jiān)測(cè)數(shù)據(jù)實(shí)行了現(xiàn)實(shí)應(yīng)用，并能達(dá)到較高效用，但是對(duì)于其他的電力設(shè)備如輸電線路、GIS等設(shè)備在線監(jiān)測(cè)數(shù)據(jù)的異常檢測(cè)需進(jìn)一步驗(yàn)證。

參 考 文 獻(xiàn)：

[1] 張喜樂，何松坡，王建民，等.換流變壓器繞組損耗及熱點(diǎn)溫升的仿真研究[J].變壓器，2019，56（7）：24.

ZHANG Xile，HE Songpo，WANG Jianmin，et al. Numerical Simulation of Winding Loss and Hot Spot Temperature Rise for Converter Transformer[J]. Transformer，2019，56（7）：24.

[2] 李文志，朱娟.變壓器油色譜數(shù)據(jù)異常的原因分析及處理[J].電工技術(shù)，2020（1）：115.

LI Wenzhi，ZHU Juan. Cause Analysis and Treatment of Abnormal Oil Chromatographic Data of Transformer[J]. Electric Engineering，2020（1）：115.

[3] 陳一鳴，梁軍，張靜偉，等.基于改進(jìn)參數(shù)辨識(shí)的三繞組變壓器繞組狀態(tài)在線監(jiān)測(cè)方法[J].高電壓技術(shù)，2019，45（5）：1567.

CHEN Yiming，LIANG Jun，ZHANG Jingwei，et al. Method of Online Status Monitoring for Windings of Three-winding Transformer Based on Improved Parameter Identification[J]. High Voltage Engineering，2019，45（5）：1567.

[4] 李元，張崟，唐峰，等.利用近紅外光譜定量評(píng)估絕緣紙聚合度的建模方法研究[J].中國電機(jī)工程學(xué)報(bào)，2019，39（S1）：287.

LI Yuan，ZHANG Yin，TANG Feng，et al. Investigations on Quantitative Evaluation Modeling for Determining the Degree of Polymerization of Insulating Paper by Near Infrared Spectroscopy[J]. Proceedings of the CSEE，2019，39（S1）：287.

[5] 中華人民共和國國家經(jīng)濟(jì)貿(mào)易委員會(huì).變壓器油中溶解氣體分析和判斷導(dǎo)則：DL/T722—2000[S].北京：中國電力出版社，2001.

[6] 王亞萍，李士松，葛江華，等.等距離映射和模糊C均值的滾動(dòng)軸承故障識(shí)別[J].哈爾濱理工大學(xué)學(xué)報(bào)，2019，24（3）：41.

WANG Yaping，LI Shisong GE，Jianghua，et al. Rolling Bearing with Isometric Feature Mapping and Fuzzy C-means Fault Identification Method[J]. Journal of Harbin University of Science and Technology，2019，24（3）：41.

[7] 徐京京. 基于聚類和神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)識(shí)別算法研究[D].北京：華北電力大學(xué)，2019.

[8] 嚴(yán)英杰，盛戈皞，劉亞東，等.基于滑動(dòng)窗口和聚類算法的變壓器狀態(tài)異常檢測(cè)[J].高電壓技術(shù)，2016，42（12）：4020.

YAN Yingjie，SHENG Gehao，LIU Yadong，et al.Anomalous State Detection of Power Transformer Based on Algorithm Sliding Windows and Clustering[J]. High Voltage Engineering，2016，42（12）：4020.

[9] 王楠，王偉，張鑫，等.改進(jìn)的層次分析法在變壓器油紙絕緣狀態(tài)評(píng)估中的應(yīng)用[J].高壓電器，2019，55（12）：187.

WANG Nan，WANG Wei，ZHANG Xin，et al. Application of Improved Analytic Hierarchy Process in Transformer Oil-paper Insulation State Evaluation[J]. High Voltage Apparatus，2019，55（12）：187.

[10]李波，林聰，劉清蟬，等.基于時(shí)序建模的光纖電流互感器隨機(jī)噪聲卡爾曼濾波方法[J].電機(jī)與控制學(xué)報(bào)，2017，21（4）：83.

LI Bo，LIN Cong，LIU Qingchan，et al. Kalman Filter Offiber Optical Current Transducer's Stochastic Noise Based on Time Series Model[J]. Electric Machines and Control，2017，21（4）：83.

[11]邊寧，許允之.基于ARMA和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)電動(dòng)機(jī)斷條故障診斷[J].煤礦機(jī)電，2017（3）：23.

BIAN Ning，XU Yunzhi. Fault Diagnosis of BP Neural Network Based on ARMA and Genetic Algorithm Optimization[J]. Colliery Mechanical & Electrical Technology，2017（3）：23.

[12]范金驥.基于ARMA與ANN模型組合交叉方法的電網(wǎng)日負(fù)荷預(yù)測(cè)[J].浙江電力，2018，37（8）：35.

FAN Jinji. Daily Grid Load Forecasting Based on ARMA and ANN Model Combined Crossing Method[J]. Zhejiang Electric Power，2018，37（8）：35.

[13]徐桐陽.ARMA模型對(duì)山西省火電在全國比重的擬合應(yīng)用[J].中國市場，2015（34）：93.

XU Tongyang. The Fitting Application of ARMA Model to the Proportion of Thermal Power in Shanxi Province in the Country [J]. Chinese Market， 201534）： 93.

[14]何堯，梁宏池，連鴻松，等.基于滑動(dòng)窗口和多元高斯分布的變壓器油色譜異常值檢測(cè)[J].高壓電器，2020，56（1）：203.

HE Yao，LIANG Hongchi，LIAN Hongsong，et al. Outlier Detection of Power Transformer Oil Chromatographic Data Based on Algorithm Sliding Windows and Multivariate Gaussian Distribution[J]. High Voltage Apparatus， 2020， 561）： 203.

[15]FAN Jingmin，F(xiàn)U Chenyang，YIN Hao，et al. Power Transformer Condition Assessment Based on Online Monitor with SOFC Chromatographic Detector[J]. International Journal of Electrical Power and Energy Systems，2020，118：105805.

[16]PRAKASH K Soorya，GOPAL PM，KARTHIK S. Multi-objective Optimization Using Taguchi Based Grey Relational Analysis in Turning of Rock Dust Reinforced Aluminum MMC[J]. Measurement，2020，157：107664.

[17]DING Feng，WAN Lijuan，GUO Yunze，et al. The Filtering-Based Auxiliary Model Generalized Extended Stochastic Gradient Identification for a Multivariate Output-error System with Autoregressive Moving Average Noise Using the Multi-innovation Theory[J]. Journal of the Franklin Institute，2020，357（9）：5591.

[18]CHRISTIAN H，WEI B. Regime-Switching Discrete ARMA Models for Categorical Time Series[J]. Entropy，2020，22（4）：458.

[19]KIM J Y， SOHN I， LEE K. Bayesian Cumulative Logit Random Effects Models With Arma Random Effects Covariance Matrix[J]. Journal of the Korean Statitical Society， 2020， 49（1）：32.

[20]汪磊，楊星月，高杉.基于時(shí)間序列模型的民航擦機(jī)尾事件預(yù)測(cè)研究[J].安全與環(huán)境工程，2020，27（2）：216.

WANG Lei，YANG Xingyue ，GAO Shan. Prediction of the Incidence of Tail Striking Based on Time Series Model[J]. Safety and Environmental Engineering， 2020，272）： 216.

（編輯：溫澤宇）