一种基于变压器相关运行数据的变压器故障辨识方法

摘要

本发明公开了一种基于变压器相关运行数据的变压器故障辨识方法，该方法包括以下步骤：1)读入变压器故障信息；2)将变压器故障信息的数据按数据名称编号；3)对数据进行预处理；4)利用主成分分析法得到权重系数；5)利用加权支持向量机方法训练数据，获得分类器模型；6)对支持向量机进行加权；7)将训练分类器的相关运行数据和故障种类输入到步骤6)中得到分类器，继续输入测试数据进行参数调整和改进，最终输入所需要预测的数据对其进行故障预测；本发明加入更多相关运行数据，并根据数据对故障辨识的影响权重而对分类器进行合理的训练，还根据需求输入相关的训练数据来调整分类器的参数和精确度，辨识变压器故障更精确。

权利要求

1.一种基于变压器相关运行数据的变压器故障辨识方法，其特征在于：该方法包括以下步骤：步骤一、从数据库服务器中读入变压器故障诊断的信息，包括变压器油试验数据、绝缘试验数据、绝缘油数据和故障数据；

步骤二、将变压器油试验数据、绝缘试验数据和绝缘油数据的数据类型按数据名称进行编号，将变压器油试验数据、绝缘试验数据、绝缘油数据分别设置为A、B、C，其中所包含的数据类型分别按A1～An、B1～Bm、C1～Ck进行编号；将变压器故障类型设置为F，对其按F1～Ft进行编号；

步骤三、对编号A、B、C的数据进行缺失值填充、去噪声处理，然后对其按类进行归一化处理；

步骤四、利用主成分分析法对不同数据类型数据进行权重分析并得到权重系数，根据协方差矩阵求特征根Evalue和特征向量Evector，其中特征根归一化后的值即为各变压器相关运行数据的权重ωji，即每个特征根的贡献率；

步骤五、利用加权支持向量机方法训练数据，获得分类器模型；

分类器模型如下：

式中：ki为超平面法向量；C为惩罚因子；n为样本数量；ξi为松弛因子，代表线性不可分情况下的允许错分率；yi为样本输出量，且yi∈{-1,1}；xi为样本输入量；b为阈值；

引入拉格朗日乘子算法求解，得到优化目标函数：上式中αi、αj为拉格朗日乘子，xi、xj为样本输入量，yi、yj为样本输出量，下式为约束条件；

n

SVM通过引入非线性映射 R →H，将样本映射为一个新的数据集将优化目标函数变换为

式中 为核函数，经过对比测试，选用核函数如下：K(xi,xj)＝exp(-γ||xi-xj||2)式中xi、xj为样本输入量，γ为径向基核函数向量；

步骤六、对步骤五中支持向量机进行加权；

其中加权支持向量机定义及对其k加权步骤如下：依据准则对数据集中的各个特征赋予一定的权重称为特征加权，利用特征权重向量ω扩充标准欧式距离的公式如下：其中dω(xi,xj)表示两个样本xi和xj的加权欧氏距离，xik表示样本xi的第k个特征的值，ω＝(ω1，ω2…ωn)是权重向量，ωk≥0(k＝1,…n)是相应于各个特征的重要性权重；

基于特征加权核函数构造的支持向量机称为特征加权支持向量机，特征加权核函数的定义如下：令K是定义在X×X上的核函数， P是给定输入空间的n阶线性变换矩阵，其中n是输入空间的维数，特征加权核函数Kp定义为线性变换矩阵P也被称为特征加权矩阵，矩阵P形式如下：上式中的ωji即为步骤(3)、步骤(4)中所获得的各类型数据的权重；

选用的核函数的加权形式即径向基函数加权形式如下：即

Kp(xi,xj)＝exp(-γ((xi-xj)TPPT(xi-xj))2)；

步骤七、将训练分类器所用的变压器相关运行数据以及其所对应的故障种类输入到步骤六中所获得的加权支持向量机，得到分类器，并继续输入测试数据对该分类器进行参数调整和改进，最终输入所需要预测的数据对其进行故障预测。

说明书

一种基于变压器相关运行数据的变压器故障辨识方法

技术领域

[0001] 本发明属于电力变压器状态评估技术领域，具体涉及一种基于变压器相关运行数据的变压器故障辨识方法。

背景技术

[0002] 电气设备的可靠性直接影响电力系统的安全运行。然而由于变压器是综合了机械、电气、化学、热力学等多学科技术的一个封闭整体，影响其故障的原因错综复杂，故障诊断需要多方面的数据和知识，单凭某一方面或几方面就主观地下结论必然导致误判或漏判。目前常见的故障诊断方法为三比值判断法、过热放电图判断法、HAE三角图判断法、特征气体法等。每种单一的诊断方法，虽然对某些特定的故障识别率较高，但是也存在着一些不足。这些不足主要体现在考虑因素单一，降低了准确率，此外还存在设置的阈值会因为运行因素的不同而不够准确的情况，这些都不利于变压器故障的辨识。因此一种能够考虑多种影响因素、能够根据运行条件而调整参数的变压器故障辨识方法是现阶段变压器运维及故障诊断工作所需要的。

发明内容

[0003] 本发明要解决的技术问题是：提供一种基于变压器相关运行数据的变压器故障辨识方法，以解决现有技术中存在的问题。

[0004] 本发明采取的技术方案为：一种基于变压器相关运行数据的变压器故障辨识方法，该方法包括以下步骤：

[0005] 步骤一、从数据库服务器中读入变压器故障诊断的信息，包括变压器油试验数据、绝缘试验数据、绝缘油数据和故障数据；具体数据内容如表1：

[0006] 步骤二、将变压器油试验数据、绝缘试验数据和绝缘油数据的数据类型按数据名称进行编号，将变压器油试验数据、绝缘试验数据、绝缘油数据分别设置为A、B、C，其中所包含的数据类型分别按A1～An、B1～Bm、C1～Ck进行编号；将变压器故障类型设置为F，对其按F1～Ft进行编号；

[0007] 步骤三、对编号A、B、C的数据进行数据预处理，即对其进行缺失值填充、去噪声处理，然后对其按类进行归一化处理；

[0008] 步骤四、利用主成分分析法对不同数据类型数据其进行权重分析并得到权重系数，根据协方差矩阵求特征根Evalue和特征向量Evector，其中特征根归一化后的值即为各变压器相关运行数据的权重ωji，即每个特征根的贡献率，同理适用于不同类型(A、B、C)的多种数据(A1、A2…An)；

[0009] 步骤五、利用加权支持向量机方法训练数据，获得分类器模型；

[0010] 步骤六、对步骤五中支持向量机进行加权；

[0011] 步骤七、将训练分类器所用的变压器相关运行数据(A、B、C)以及其所对应的故障种类(F)输入到步骤六中所获得的加权支持向量机，得到分类器，并继续输入测试数据对该分类器进行参数调整和改进，最终输入所需要预测的数据对其进行故障预测。

[0012] 本发明的有益效果：与现有技术相比，本发明的变压器故障识别方法加入更多相关运行数据，并根据数据对故障辨识的影响权重而对分类器进行合理的训练，还可以根据需求输入相关的训练数据来调整分类器的参数和精确度，最终起到合理辨识变压器故障的作用。

附图说明

[0013] 图1是基于变压器相关运行数据的变压器故障辨识方法流程图；

[0014] 图2是主成分分析获取权重方法流程图；

[0015] 图3是支持向量机原理图；

[0016] 图4是基于加权支持向量机的分类器流程图。

具体实施方式

[0017] 下面结合附图及具体的实施例对本发明进行进一步介绍。

[0018] 实施例：如图1-4所示，一种基于变压器相关运行数据的变压器故障辨识方法，该方法包括以下步骤：

[0019] 步骤一、从数据库服务器中读入变压器故障诊断的信息，包括变压器油试验数据、绝缘试验数据、绝缘油数据和故障数据；具体数据内容如表1：

[0020] 表1变压器相关数据

[0021]

[0022] 步骤二、将变压器油试验数据、绝缘试验数据和绝缘油数据的数据类型按数据名称进行编号，将变压器油试验数据、绝缘试验数据、绝缘油数据分别设置为A、B、C，其中所包含的数据类型分别按A1～An、B1～Bm、C1～Ck进行编号；将变压器故障类型设置为F，对其按F1～Ft进行编号，如表2所示；

[0023] 表2变压器数据编号情况

[0024]

[0025]

[0026] 步骤三、对编号A、B、C的数据进行数据预处理，即对其进行缺失值填充、去噪声处理，然后对其按类进行归一化处理；

[0027] 归一化处理过程以A1数据进行说明，设有n条数据；

[0028]

[0029]

[0030] i为所采集的每种数据的数据个数， 为A1中数据的平均值，A'1i为A1进行归一化处理后的数据；

[0031] 步骤四、利用主成分分析法对不同数据类型数据其进行权重分析并得到权重系数，主成分分析获取权重的方法流程图如图2，主成分分析方法定义如下：

[0032] (1)将原始数据按行排列组成矩阵M；

[0033] (2)对M进行数据标准化，使其均值变为零；

[0034] (3)求M的协方差矩阵Cov；

[0035] (4)利用Cov求得其特征向量T和特征根M；

[0036] 用下式计算每个特征根的贡献率Vi；Vi＝Mi/(M1+M2+........)，该贡献率即为每个数据类型的权重系数。

[0037] 其中M为所有A、B、C所有样本数据组合的原始数据矩阵：

[0038] M＝{A1，A2，…，A5，B1，B2，…，B8，C1，C2，…，C6}

[0039] 由上述内容可知，步骤(3)完成了步骤(4)中的前两步，然后求该数据组成的M矩阵的协方差矩阵Cov，其方法如下(假设有A1、A2、A3三组数据)：

[0040]

[0041] 该矩阵对角线为A1、A2、A3的方差，而非对角线为协方差。协方差是衡量两个变量同时变化的变化程度。协方差大于0表示两个量若一个增，另一个也增；小于0表示一个增，一个减。如果两个量是统计独立的，那么二者之间的协方差就是0；但是协方差是0，并不能说明两个量是独立的。协方差绝对值越大，两者对彼此的影响越大，反之越小；

[0042] 根据协方差矩阵求特征根M和特征向量T，其中特征根归一化后的值即为各变压器相关运行数据的权重ωji，即每个特征根的贡献率，同理适用于不同类型(A、B、C)的多种数据(A1、A2…An)；

[0043] 步骤五、利用加权支持向量机方法训练数据，获得分类器模型，其中支持向量机定义如下：

[0044] 支持向量机原理图如图3，支持向量机(support vector machines)是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机；当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机，分类器模型如下：

[0045]

[0046]

[0047] 式中：ki为超平面法向量；C为惩罚因子；n为样本数量；ξi为松弛因子，代表线性不可分情况下的允许错分率；yi为样本输出量，且yi∈{-1,1}；xi为样本输入量；b为阈值；

[0048] 引入拉格朗日乘子算法对上述问题求解，得到优化目标函数：

[0049]

[0050] 上式中αi、αj为拉格朗日乘子，xi、xj为样本输入量，yi、yj为样本输出量，下式为约束条件。

[0051]

[0052] SVM通过引入非线性映射 Rn→H，将样本映射为一个新的数据集可将优化目标函数变换为

[0053]

[0054] 式中 为核函数，经过对比测试，选用核函数如下：

[0055]

[0056] 式中xi、xj为样本输入量，γ为径向基核函数向量，其取值决定了该支持向量机分类的精准度。

[0057] 步骤六、对步骤五中支持向量机进行加权，其中加权支持向量机定义及对其k加权步骤如下：

[0058] 依据准则对数据集中的各个特征赋予一定的权重称为特征加权，应用特征加权可以提高算法性能，利用特征权重向量ω扩充标准欧式距离的公式如下：

[0059]

[0060] 其中dω(xi,xj)表示两个样本xi和xj的加权欧氏距离，xik表示样本xi的第k个特征的值，ω＝(ω1，ω2…ωn)是权重向量，ωk≥0(k＝1,…n)是相应于各个特征的重要性权重；

[0061] 基于特征加权核函数构造的支持向量机称为特征加权支持向量机，特征加权核函数的定义如下：

[0062] 令K是定义在X×X上的核函数， P是给定输入空间的n阶线性变换矩阵，其中n是输入空间的维数，特征加权核函数Kp定义为

[0063]

[0064] 线性变换矩阵P也被称为特征加权矩阵，矩阵P形式如下：

[0065]

[0066] 上式中的ωji即为步骤(3)、步骤(4)中所获得的各类型数据的权重；

[0067] 选用的核函数的加权形式即径向基函数加权形式如下：

[0068]

[0069] 即

[0070] Kp(xi,xj)＝exp(-γ((xi-xj)TPPT(xi-xj))2)；

[0071] 步骤七、将训练分类器所用的变压器相关运行数据(A、B、C)以及其所对应的故障种类(F)输入到步骤六中所获得的加权支持向量机，得到分类器，并继续输入测试数据对该分类器进行参数调整和改进，最终输入所需要预测的数据对其进行故障预测，基于加权支持向量机的分类器流程图如图4。

[0072] 本发明所涉及的变压器故障识别方法可以加入更多相关运行数据，并根据数据对故障辨识的影响权重而对分类器进行合理的训练，还可以根据需求输入相关的训练数据来调整分类器的参数和精确度，最终起到合理辨识变压器故障的作用。

[0073] 本发明还可以和用户所需要的其他功能进行结合，如相关数据的采集存储功能、故障预警功能等等。

[0074] 考虑变压器故障所涉及的影响因素过多、变压器故障种类之间区分不明显等情况，能够将变压器相关运行数据进行权重分析，并采用加权形式的支持向量机进行分类。本方法具有根据实际数据进行权重调整，故障种类由支持向量机进行智能分类等优点，即分类因素不仅仅为单一的阈值判断，而是将所涉及的相关数据进行映射到更高维度空间进行合理分类。本方法能够为变压器预警及检修提供指导，能够给合理调配变压器运行，在可能的情况下，适度降低预警变压器负荷率，尽快安排预警变压器的检修，具有良好的应用前景。

[0075] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。