电力变压器故障诊断方法与电力变压器故障诊断装置

摘要

本发明涉及一种电力变压器故障诊断方法与电力变压器故障诊断装置，电力变压器故障诊断方法包括以下步骤：根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；采用所述变压器故障诊断模型对测试数据进行诊断。这样，能够快速准确地识别出电力变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

权利要求

1.一种电力变压器故障诊断方法，其特征在于，包括以下步骤：

根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目m和特征变量数目n，建立原始数据矩阵Xm×n，作为故障诊断数据库；

将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；

根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；

采用所述变压器故障诊断模型对测试数据进行诊断；

其中，根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型，包括：S1，对改进量子粒子群的每一粒子进行编码，生成初始种群，粒子向量由自适应模糊神经推理系统的系统参数组成，所述系统参数包括前件参数a,b,c,d和后件参数p,q,r；得到MQPSO粒子结构如下：x＝[a,b,c,d,p,q,r]

S2，根据所述标准化矩阵计算初始种群中每个粒子的适应度函数f，记录个体历史最优值pid与种群全局最优值pgd；适应度函数f表示为ANFIS实际输出值和期望输出值之间的均方根误差，公式如下：式中，Y、T分别为ANFIS模型的实际输出值和期望输出值；M为MQPSO种群规模；

S3，判断当前迭代次数是否大于最大设定迭代次数Nmax，是则执行步骤S4，否则执行步骤S5；

S4，将改进量子粒子群算法的全局最优解作为自适应模糊神经推理系统网络的系统参数，运用改进量子粒子群算法优化的自适应模糊神经推理系统对所述标准化矩阵进行训练学习，并判断是否满足精度，是则建立变压器故障诊断模型，否则返回执行步骤S1；

S5，将改进量子粒子群算法的所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新，其中，更新公式如下：pid(t+1)＝a·pid(t)+(1‑a)·pgd(t)式中，pid为粒子i的历史最优位置；pgd为种群全局最优位置；Mbest为种群中所有粒子的平均最优位置；xid为第i个粒子的位置；M为种群规模；t为当前迭代代数；α为QPSO的收缩扩张系数；a和b为[0,1]区间上均匀分布的随机数；

对位置更新后的改进量子粒子群算法的所有粒子重新计算适应度函数f，统计改进量子粒子群算法每迭代预设次数Nc中的种群全局最优连续停滞的累积代数Npla，0＜Nc≤Nmax且

0＜Npla≤Nc，并判断累积代数Npla是否大于连续停滞门槛Npla0，否则返回执行步骤S3，是则按照变异概率Pm执行变异算子扰动种群全局最优pgd和平均最优位置Mbest，返回执行步骤S3；

其中，按照变异概率Pm执行变异算子扰动种群全局最优pgd和平均最优位置Mbest采用如下计算公式实现：pgd(t)＝pgd(t)+μD1(g)

Mbest(t)＝Mbest(t)+γD2(g)

式中，Pm为种群当前变异概率；P0为[0,1]范围内的常数；μ、γ均为[0,1]区间上均匀分布的随机数，D1(g)、D2(g)为服从Cauchy分布的随机变量。

2.根据权利要求1所述电力变压器故障诊断方法，其特征在于，所述去噪处理包括高斯滤波去噪处理。

3.根据权利要求1所述电力变压器故障诊断方法，其特征在于，所述将原始数据矩阵中的样本数据作去噪处理和标准化处理，包括：先将原始数据矩阵中的样本数据作去噪处理，然后再对去噪处理后的数据矩阵进行标准化处理。

4.根据权利要求1所述电力变压器故障诊断方法，其特征在于，还包括步骤：调整所述预设次数。

5.根据权利要求1所述电力变压器故障诊断方法，其特征在于，还包括步骤：调整所述变异概率。

6.根据权利要求1所述电力变压器故障诊断方法，其特征在于，还包括步骤：调整所述连续停滞门槛。

说明书

电力变压器故障诊断方法与电力变压器故障诊断装置

技术领域

[0001] 本发明涉及电力系统，特别是涉及电力变压器故障诊断方法与电力变压器故障诊断装置。

背景技术

[0002] 电力变压器是电力系统中至关重要的设备之一，其运行状况直接关系到电力系统的安全稳定运行。目前，油中溶解气体分析(dissolved gas analysis，DGA)是变压器故障诊断的重要方法之一，它能有效提早发现变压器潜伏性故障，并随时在线监视故障发展情况。传统的变压器故障诊断方法主要包括基于DGA的IEC三比值法、气体图形法和特征气体法等，这些方法具有原理简单、操作简便的优点，但是受变压器故障特征复杂的限制，此类方法在实际应用上存在较大的局限性。随着人工智能的发展，各种智能方法如人工神经网络、模糊理论和支持向量机等，逐渐被引入变压器故障诊断研究中。这些智能诊断方法在一定程度上提高了故障诊断的应用准确率与实用性。但是，各种智能方法应用于复杂的变压器故障诊断中存在效率不高的缺点。

发明内容

[0003] 基于此，有必要提供一种电力变压器故障诊断方法与电力变压器故障诊断装置。

[0004] 一种电力变压器故障诊断方法，其包括以下步骤：

[0005] 根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；

[0006] 将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；

[0007] 根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；

[0008] 采用所述变压器故障诊断模型对测试数据进行诊断。

[0009] 上述电力变压器故障诊断方法以油中溶解气体特征量为输入变量，以变压器故障类型为输出，在自适应模糊神经推理系统的基础上，运用改进量子粒子群算法对自适应模糊神经推理系统进行优化，提升了算法的寻优精度和计算效率，能够快速准确地识别出电力变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

[0010] 在其中一个实施例中，所述去噪处理包括高斯滤波去噪处理。

[0011] 在其中一个实施例中，所述将原始数据矩阵中的样本数据作去噪处理和标准化处理，包括：先将原始数据矩阵中的样本数据作去噪处理，然后再对去噪处理后的数据矩阵进行标准化处理。

[0012] 在其中一个实施例中，所述根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型，包括步骤：

[0013] S1，对改进量子粒子群的每一粒子进行编码，生成初始种群，粒子向量由自适应模糊神经推理系统的系统参数组成，所述系统参数包括前件参数和后件参数；

[0014] S2，根据所述标准化矩阵计算初始种群中每个粒子的适应度函数，记录个体历史最优值与种群全局最优值；

[0015] S3，判断当前迭代次数是否大于最大设定迭代次数，是则执行步骤S4，否则执行步骤S5；

[0016] S4，将改进量子粒子群算法的全局最优解作为自适应模糊神经推理系统网络的系统参数，运用改进量子粒子群算法优化的自适应模糊神经推理系统对所述标准化矩阵进行训练学习，并判断是否满足精度，是则建立变压器故障诊断模型，否则返回执行步骤S1；

[0017] S5，将改进量子粒子群算法的所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新，对位置更新后的改进量子粒子群算法的所有粒子重新计算适应度函数，统计改进量子粒子群算法每迭代预设次数中的种群全局最优连续停滞的累积代数，并判断累积代数是否大于连续停滞门槛，否则返回执行步骤S3，是则按照变异概率执行变异算子扰动种群全局最优和平均最优位置，返回执行步骤S3。

[0018] 在其中一个实施例中，所述适应度函数为自适应模糊神经推理系统实际输出值和期望输出值之间的均方根误差。

[0019] 在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述预设次数。

[0020] 在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述变异概率。

[0021] 在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述连续停滞门槛。

[0022] 在其中一个实施例中，所述电力变压器故障诊断方法具体包括以下步骤：

[0023] 获取变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，并根据待诊断数据数目和特征变量数目建立原始数据矩阵，作为故障诊断数据库；

[0024] 将所述原始数据矩阵中的样本数据进行高斯滤波去噪处理和标准化处理；

[0025] 对改进量子粒子群算法粒子进行编码，生成初始种群；

[0026] 计算所有粒子适应度函数；

[0027] 记录个体历史最优值与全局最优值；

[0028] 判断是否满足最大设定迭代次数，

[0029] 满足最大设定迭代次数时，将改进量子粒子群算法全局最优解优化自适应模糊神经推理系统的系统参数；

[0030] 自适应模糊神经推理系统模型训练学习；

[0031] 判断误差是否满足精度要求；

[0032] 误差满足精度要求时，建立变压器故障诊断模型，输入测试样本，并输出故障诊断结果；

[0033] 误差不满足精度要求时，返回继续执行对改进量子粒子群算法粒子进行编码，生成初始种群；

[0034] 不满足最大设定迭代次数时，更新每个粒子的位置，产生改进量子粒子群算法新种群；

[0035] 重新计算粒子适应度函数个体历史最优值和种群全局最优值；

[0036] 统计预设次数迭代中种群全局最优值连续停滞的累积代数；

[0037] 判断累积代数是否大于连续停滞门槛；

[0038] 累积代数大于连续停滞门槛时，计算变异概率；

[0039] 执行变异算子扰动种群全局最优和平均最优位置，返回继续执行记录个体历史最优值与全局最优值；

[0040] 累积代数不大于连续停滞门槛时，返回继续执行记录个体历史最优值与全局最优值。

[0041] 一种电力变压器故障诊断装置，其采用上述任一项所述电力变压器故障诊断方法实现。

附图说明

[0042] 图1为本发明一实施例的流程示意图。

[0043] 图2为本发明另一实施例的基于改进量子粒子群算法优化自适应模糊神经推理系统的变压器故障诊断方法的流程示意图。

具体实施方式

[0044] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

[0045] 需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。

[0046] 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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

[0047] 针对传统的变压器故障诊断方法准确度不高的问题，本发明提出一种基于改进量子粒子群算法(Modified Quantum‑behaved Particle Swarm Optimization，MQPSO)优化自适应模糊神经推理系统(Adaptive Neuro‑Fuzzy Inference System，ANFIS)的电力变压器故障诊断方法，即电力变压器故障诊断方法。该电力变压器故障诊断方法以油中溶解气体特征量为输入变量，以变压器故障类型为输出，在ANFIS的基础上，引入MQPSO算法对ANFIS系统参数进行优化，以提高算法的寻优精度和速度。本发明所提的基于MQPSO‑ANFIS的电力变压器故障诊断方法，能够快速、准确地识别出变压器故障类别，与单一智能方法相比具有更高的诊断效率，具体说明其各个实施例如下。

[0048] 如图1所示，一种电力变压器故障诊断方法，其包括以下步骤：根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；采用所述变压器故障诊断模型对测试数据进行诊断。上述电力变压器故障诊断方法以油中溶解气体特征量为输入变量，以变压器故障类型为输出，在自适应模糊神经推理系统的基础上，运用改进量子粒子群算法对自适应模糊神经推理系统进行优化，提升了算法的寻优精度和计算效率，能够快速准确地识别出电力变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

[0049] 在其中一个实施例中，所述去噪处理包括高斯滤波去噪处理，即，将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵，具体为：将原始数据矩阵中的样本数据作高斯滤波去噪处理和标准化处理，得到标准化矩阵。在其中一个实施例中，一种电力变压器故障诊断方法，其包括以下步骤：根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；将原始数据矩阵中的样本数据作高斯滤波去噪处理和标准化处理，得到标准化矩阵；根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；采用所述变压器故障诊断模型对测试数据进行诊断。其余实施例以此类推。在其中一个实施例中，所述将原始数据矩阵中的样本数据作去噪处理和标准化处理，包括：先将原始数据矩阵中的样本数据作去噪处理，然后再对去噪处理后的数据矩阵进行标准化处理。在其中一个实施例中，所述将原始数据矩阵中的样本数据作去噪处理和标准化处理，包括：先将原始数据矩阵中的样本数据作高斯滤波去噪处理，然后再对高斯滤波去噪处理后的数据矩阵进行标准化处理。

[0050] 在其中一个实施例中，所述根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型，包括步骤：S1，对改进量子粒子群的每一粒子进行编码，生成初始种群，粒子向量由自适应模糊神经推理系统的系统参数组成，所述系统参数包括前件参数和后件参数；S2，根据所述标准化矩阵计算初始种群中每个粒子的适应度函数，记录个体历史最优值与种群全局最优值；S3，判断当前迭代次数是否大于最大设定迭代次数，是则执行步骤S4，否则执行步骤S5；S4，将改进量子粒子群算法的全局最优解作为自适应模糊神经推理系统网络的系统参数，运用改进量子粒子群算法优化的自适应模糊神经推理系统对所述标准化矩阵进行训练学习，并判断是否满足精度，是则建立变压器故障诊断模型，否则返回执行步骤S1；S5，将改进量子粒子群算法的所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新，对位置更新后的改进量子粒子群算法的所有粒子重新计算适应度函数，统计改进量子粒子群算法每迭代预设次数中的种群全局最优连续停滞的累积代数，并判断累积代数是否大于连续停滞门槛，否则返回执行步骤S3，是则按照变异概率执行变异算子扰动种群全局最优和平均最优位置，返回执行步骤S3。在其中一个实施例中，所述适应度函数为自适应模糊神经推理系统实际输出值和期望输出值之间的均方根误差。在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述预设次数。在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述变异概率。在其中一个实施例中，所述电力变压器故障诊断方法还包括步骤：调整所述连续停滞门槛。这样，可以在实施过程中，根据具体应用灵活调整或者设置预设次数、变异概率及/或连续停滞门槛等。进一步地，在其中一个实施例中，适应度函数的参数包括ANFIS模型的实际输出值和期望输出值，以及MQPSO种群规模。进一步地，在其中一个实施例中，将改进量子粒子群算法的所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新，包括：为个体历史最优位置和种群全局最优位置设置权重值，采用所述权重值将改进量子粒子群算法的所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新。

[0051] 在其中一个实施例中，所述电力变压器故障诊断方法具体包括以下步骤：获取变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，并根据待诊断数据数目和特征变量数目建立原始数据矩阵，作为故障诊断数据库；将所述原始数据矩阵中的样本数据进行高斯滤波去噪处理和标准化处理；对改进量子粒子群算法粒子进行编码，生成初始种群；计算所有粒子适应度函数；记录个体历史最优值与全局最优值；判断是否满足最大设定迭代次数，满足最大设定迭代次数时，将改进量子粒子群算法全局最优解优化自适应模糊神经推理系统的系统参数；自适应模糊神经推理系统模型训练学习；判断误差是否满足精度要求；误差满足精度要求时，建立变压器故障诊断模型，输入测试样本，并输出故障诊断结果；误差不满足精度要求时，返回继续执行对改进量子粒子群算法粒子进行编码，生成初始种群；不满足最大设定迭代次数时，更新每个粒子的位置，产生改进量子粒子群算法新种群；重新计算粒子适应度函数个体历史最优值和种群全局最优值；统计预设次数迭代中种群全局最优值连续停滞的累积代数；判断累积代数是否大于连续停滞门槛；累积代数大于连续停滞门槛时，计算变异概率；执行变异算子扰动种群全局最优和平均最优位置，返回继续执行记录个体历史最优值与全局最优值；累积代数不大于连续停滞门槛时，返回继续执行记录个体历史最优值与全局最优值。

[0052] 上述各实施例给出了基于改进量子粒子群算法优化自适应模糊神经推理系统的电力变压器故障诊断方法，其是在传统油中溶解气体分析DGA方法的基础上提出的一种新型的电力变压器故障诊断方法，该方法能够根据变压器DGA数据进行分析诊断，并快速、准确地判断出变压器的故障类型，在不断运行中，还能进一步提高电力变压器故障诊断的准确性。

[0053] 下面结合具体应用继续对本发明的基于改进量子粒子群算法优化自适应模糊神经推理系统的电力变压器故障诊断方法做出进一步的说明。本发明的电力变压器故障诊断方法，亦可称为基于改进量子粒子群算法优化自适应模糊神经推理系统的电力变压器故障诊断方法，具体按照以下步骤中的部分或全部实现。

[0054] 步骤一，根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的数据，提取特征向量，输入待诊断数据样本数目m和特征变量数目n，建立原始数据矩阵Xm×n，作为故障诊断数据库；

[0055] 步骤二，将原始数据矩阵中的样本数据作高斯滤波去噪处理和标准化处理，得到标准化的矩阵，具体过程包括：

[0056] (a)对步骤一中获取的原始数据矩阵进行高斯滤波方法进行去噪处理，采用如下公式实现：

[0057]

[0058] 式中，x为数据样本，σ为样本方差。

[0059] (b)对高斯滤波去噪处理后的数据矩阵进行标准化处理，采用如下公式实现：

[0060]

[0061] 式中，x为数据样本；xmax、xmin分别为数据样本中的最大、最小值；x’为标准化后的数据样本。

[0062] 步骤三，运用改进的MQPSO算法训练和调整自适应模糊神经推理系统ANFIS的系统参数，建立MQPSO‑ANFIS变压器故障诊断模型，具体过程包括：

[0063] (1)对MQPSO粒子进行编码，生成初始种群，粒子向量由ANFIS的系统参数组成，包括前件参数(即隶属度函数中的a,b,c,d)和后件参数(p,q,r)，得到MQPSO粒子结构如下：

[0064] x＝[a,b,c,d,p,q,r]

[0065] (2)根据步骤二所述标准化矩阵计算MQPSO种群中每个粒子的适应度函数f，并记录个体历史最优值pid与种群全局最优值pgd。适应度函数f表示为ANFIS实际输出值和期望输出值之间的均方根误差，公式如下：

[0066]

[0067] 式中，Y、T分别为ANFIS模型的实际输出值和期望输出值；M为MQPSO种群规模。

[0068] (3)判断当前迭代次数是否大于最大设定迭代次数Nmax。若是，执行步骤(7)；若否，执行步骤(4)至步骤(6)。

[0069] (4)将MQPSO所有粒子根据个体历史最优位置和种群全局最优位置进行位置更新，其中，更新公式如下：

[0070] pid(t+1)＝a·pid(t)+(1‑a)·pgd(t)

[0071]

[0072]

[0073] 式中，pid为粒子i的历史最优位置；pgd为种群全局最优位置；Mbest为种群中所有粒子的平均最优位置；xid为第i个粒子的位置；M为种群规模；t为当前迭代代数；α为QPSO的收缩扩张系数；a和b为[0,1]区间上均匀分布的随机数。

[0074] (5)更新位置后的MQPSO粒子重新计算适应度函数f；

[0075] (6)统计MQPSO每迭代Nc(0＜Nc≤Nmax)次中，种群全局最优pgd连续停滞的累积代数Npla(0＜Npla≤Nc)，并判断Npla是否大于连续停滞门槛Npla0，若是，按照变异概率Pm执行变异算子扰动种群全局最优pgd和平均最优位置Mbest；若否，不执行变异操作；返回步骤(3)。

[0076] 其中，按照变异概率Pm执行变异算子扰动种群全局最优pgd和平均最优位置Mbest采用如下计算公式实现。

[0077] 变异概率计算公式如下：

[0078]

[0079] 式中，Pm为种群当前变异概率；P0为[0,1]范围内的常数。

[0080] 变异算子的公式如下：

[0081] pgd(t)＝pgd(t)+μD1(·)

[0082] Mbest(t)＝Mbest(t)+γD2(·)

[0083] 式中，μ、γ均为[0,1]区间上均匀分布的随机数，D1(·)、D2(·)为服从Cauchy分布的随机变量。

[0084] (7)将MQPSO算法的全局最优解作为ANFIS网络的系统参数；

[0085] (8)运用MQPSO优化的ANFIS对步骤二的标准化数据矩阵进行训练学习，并判断是否满足精度，若是，得到MQPSO‑ANFIS变压器故障诊断模型；否则，返回步骤(1)。

[0086] 步骤四，运用本电力变压器故障诊断方法对测试数据进行诊断。

[0087] 进一步地，运用本电力变压器故障诊断方法对测试数据进行诊断之后，或者采用所述变压器故障诊断模型对测试数据进行诊断之后，所述电力变压器故障诊断方法还包括步骤：输出诊断结果。在其中一个实施例中，在显示器、工作区及/或登记用户的移动终端上输出诊断结果。进一步地，输出诊断结果之后，所述电力变压器故障诊断方法还包括步骤：根据所述诊断结果处理电力变压器故障。进一步地，根据所述诊断结果处理电力变压器故障之后，所述电力变压器故障诊断方法还包括步骤：获取根据所述诊断结果处理电力变压器故障的反馈信息。进一步地，获取根据所述诊断结果处理电力变压器故障的反馈信息之后，所述电力变压器故障诊断方法还包括步骤：根据所述反馈信息调整所述变压器故障诊断模型。这样，所述电力变压器故障诊断方法可以不断地进行学习和更新，从而能够不断地优化所述变压器故障诊断模型以及所述电力变压器故障诊断方法，获得更准确更有效的诊断结果。

[0088] 在其中一个实施例中，如图2所示，所述电力变压器故障诊断方法具体包括以下步骤：

[0089] 获取变压器油中溶解气体分析得到的特征气体组分体积分数数据，并根据待诊断数据数和特征变量数建立原始数据矩阵；

[0090] 将所述原始数据矩阵的数据进行高斯滤波去噪处理和标准化处理；

[0091] 对MQPSO粒子进行编码，生成初始种群；

[0092] 计算所有粒子适应度函数f；

[0093] 记录个体历史最优值pid与全局最优值pgd；

[0094] 判断是否满足最大设定迭代次数？

[0095] 满足最大设定迭代次数时，将MQPSO全局最优解优化ANFIS的系统参数；

[0096] ANFIS模型训练学习；

[0097] 判断误差满足精度要求？

[0098] 误差满足精度要求时，输入测试样本，并输出故障诊断结果；

[0099] 误差不满足精度要求时，返回继续执行对MQPSO粒子进行编码，生成初始种群；

[0100] 不满足最大设定迭代次数时，更新每个粒子的位置，产生MQPSO新种群；

[0101] 重新计算粒子适应度函数f和pid、pgd；

[0102] 统计Nc次迭代中种群全局最优值pgd连续停滞的累积代数Npla；

[0103] 判断Npla是否大于连续停滞门槛Npla0？

[0104] Npla大于连续停滞门槛Npla0时，计算变异概率pm；

[0105] 执行变异算子扰动种群全局最优和平均最优位置，返回继续执行记录个体历史最优值pid与全局最优值pgd；

[0106] Npla不大于连续停滞门槛Npla0时，返回继续执行记录个体历史最优值pid与全局最优值pgd。

[0107] 本发明的实施例还包括，一种电力变压器故障诊断装置，其采用上述任一实施例所述电力变压器故障诊断方法实现，亦即，一种采用上述任一实施例所述电力变压器故障诊断方法的电力变压器故障诊断装置，具有较好的寻优精度和速度，能够快速、准确地识别出变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

[0108] 需要说明的是，本发明的其它实施例还包括，上述各实施例中的技术特征相互组合所形成的、能够实施的电力变压器故障诊断方法与电力变压器故障诊断装置，针对传统自适应模糊神经推理系统ANFIS的不足，利用改进量子粒子群算法对ANFIS的系统参数进行优化，有效提高其计算速度，并避免陷入局部最优解。在此基础上建立的基于改进量子粒子群算法优化自适应模糊神经推理系统的电力变压器故障诊断方法，能进一步提高电力变压器故障诊断的准确性。同时，根据变压器故障的特点，研究多种类型智能算法融合的故障诊断方法，以提高变压器故障诊断的智能化程度和可靠性，具有重要的理论研究意义和实用价值。

[0109] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0110] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。