一种基于生成概率模型的变压器故障检测方法
【技术领域】
[0001] 本发明涉及电力器件故障检测技术，特别是涉及一种基于生成概率模型的变压器 故障检测方法。
【背景技术】
[0002] 基于变压器参数的变压器故障自动检测算法智能电网中起着至关重要的作用。传 统的变压器故障检测算法基于人为判断进行离散数值的特征提取，例如对温度、气压等参 数通过人为设定阈值的方式进行离散化分区表示等。这种人为离散化表示的特征提取方法 存在许多弊端，一方面通过人为设置阈值对导致检测结果环境变化十分敏感，另一方面离 散的数值特征造成检测结果对误差十分敏感。
[0003] 现有的大部分相关研究，致力于消除人工阈值的设置，通过机器学习的方法自动 设置阈值，再通过阈值将连续取值的变压器参数值离散化。这些方法不使用连续数值进行 变压器参数的特征描述，是因为变压器参数包含电压、温度、气体浓度等不同单位类别的数 据，难以在一个特征向量中直接描述。因此，如何避免阈值的设置，以及如何使用连续数值 的特征进行变压器故障检测成为了研究的重点之一。
【发明内容】
[0004] 针对现有技术的问题，本发明的目的是提供一种基于生成概率模型的变压器故障 检测方法。
[0005] 为了实现上述目的，本发明提供了一种基于生成概率模型的变压器故障检测方 法，其包括如下步骤：
[0006]A、获取变压器状态样本数据；
[0007]B、基于混合高斯模型的变压器状态模型学习；
[0008]C、基于混合高斯模型的变压器状态特征提取；
[0009] D、基于支持向量机的变压器故障检测。
[0010] 本发明解决了传统基于人工设置阈值对变压器参数进行离散化特征提取方法导 致变压器故障检测对环境变化不鲁棒、对参数测量误差敏感，以及不同单位类别参数统一 进行连续数值的特征描述问题。
[0011] 根据本发明另一【具体实施方式】，步骤A具体包括如下步骤：
[0012] A1、定义变压器的状态为Sn，ne{〇，1，...，叫，其中正常运行状态为3。，变压器的 第η个故障状态为Sn;
[0013]A2、对变压器的每个状态Sn采集^个训练数据样本，记为向量足n，ie[l，Mn]，向 量^由变压器数据的不同参数构成，令C代表变压器数据中与故障检测相关的参数个数， 则夏f=(可，；ζ，.. .，％，可)F是一个C维的向量。
[0014] 根据本发明另一【具体实施方式】，步骤B具体包括如下步骤：
[0015] B1、对每一个变压器状态Sn，ne{〇, 1，…，N}，用训练数据样本翁，ie[1，Mn]， 估计&的混合高斯模型参数，混合高斯模型由五个高斯分布加权构成；
[0016] B2、令训练数据样本向量服从公式（1)所示概率，其中表示随机 变量向量Jf,"为均值向量为yk，协方差矩阵为Σ,的高斯分布，ε ,是每个高斯分布的加权 因子，k= [1，5]是五个高斯分布的标号，
[0017]
[0018] B3、使用最大似然估计方法估计一组混合高斯模型参数(-Λ 使训练数据样本的概率最大，其中g=(?4,1；)，该混合高斯模型用其参数Θ表示，定义 似然函数Σ丨0如公式⑵所示； ：/=1
[0019]
(2);
[0020] B4、通过期望最大算法求解公式（3)，得到估计的电压表状态&的混合高斯模型参 数@;
[0021]^3；〇 t=l
·
[0022] 根据本发明另一【具体实施方式】，步骤C中，对一个检测数据样本Xi提取特征向量 仁=(pi，p2, . . .，pn)τ，其中氣:=<tΘ/)，即变压器在状态Sn的条件下获取样本Xi的概率 值。
[0023] 根据本发明另一【具体实施方式】，步骤D具体包括如下步骤：
[0024] D1、在训练阶段，使用步骤C获得的训练样本数据IV特征向量石，通过公式⑷训 练变压器每个状态的分类超平面，其中，（《n，b)是变压器状态Sn的分类超平面参数，父是 训练样本数据S的类别标签，=1表示孓属于状态Sn，父=-1表示尤不属于状态Sn，
[0025]
(4);
[0026] D2、在测试阶段，通过测试样本数据Xi的特征向量f;获得响应向量Η;= (h。，kh2, . . .，hN)T，其中hn，η= 0, 1，2, . . .，N表示特征向量仁针对变压器状态S"的响应， 定义为公式（5)
[0027]
(5 ),
[0028] 则，测试样本数据&对应变压器状态类别为
[0029]
(6)。_.
[0030] 相对于现有技术，本发明的有益效果是：1、对环境变化鲁棒；2、对参数测量误差 不敏感。
【具体实施方式】
[0031] 实施例1
[0032] 本实施例的基于生成概率模型的变压器故障检测方法，其包括如下步骤：
[0033]A、获取变压器状态样本数据；其具体包括如下步骤：
[0034]A1、定义变压器存在两种可能的状态，分别为正常状态和不正常状态，用S。表示正 常状态，用31表示不正常状态，则N= 1。；
[0035]A2、对变压器的两个状态S。和S别采集1000个训练数据样本，则1000， M1= 1000,向量?7和向量笔分别表示状态S。和-个训练样本数据，ie[l，Mn]， ne{〇, 1}，变压器的参数为电压V、电流I，则C= 2，一个样本数据可以用黑.=f表示。
[0036]B、基于混合高斯模型的变压器状态模型学习；其具体包括如下步骤：
[0037]B1、分别用步骤A2中的1000个训练数据样本数据I13和X1，估计两个变压器状态 S。和S 混合高斯模型参数，混合高斯模型由5个高斯分布加权构成；
[0038] B2、令训练数据样本向量翁服从公式（1)所示概率，其中表示随机 变量向量名"为均值向量为yk，协方差矩阵为Σ,的高斯分布，ε ,是每个高斯分布的加权 因子，k=「1, 51是五个高斯分布的标号，
[0039]
(1)，
[0040] B3、使用最大似然估计方法估计一组混合高斯模型参数ΘΛ ， 使训练数据样本的概率最大，其中Σ,)，该混合高斯模型用其参数Θ表示，定义 Μ；? 似然函数艺丨(々:〇)，如公式⑵所示； ?=?
[0041]
(2);
[0042]Β4、通过期望最大算法求解公式（3)，得到估计的电压表状态&的混合高斯模型参 数:?
[0043；
^ 3)0
[0044] 得到变压器正常状态S。与不正常状态S 混合高斯模型（GMM)参数分别在表1 和表2中显不。
[0045] 表1.变压器正常状态S。的混合高斯模型参数(~入
[0046]
[0047] 表2.变压器不正常状态Si的混合高斯模型参数(~)s
[0048]
L0049」C、基t泯合咼斯悮型的雙压器状态特祉提取；通]Q：将样本数据\ = (5. 001，300. 01)τ分别代入状态S。与状态S4勺混合高斯模型，可以获得训练样本的特征向 量f\= (0. 91，0)τ，表示Xi为状态S。的概率值为0. 91，Xi为状态Si的概率值为0。
[0050] D、基于支持向量机的变压器故障检测；其具体包括如下步骤：
[0051] D1、在训练阶段，使用步骤C获得的训练样本数据足特征向量Z，通过公式（4)训 练变压器每个状态的分类超平面，其中，（《n，b)是变压器状态&的分类超平面参数，％是 训练样本数据爲的类别标签，.yf=1表示足属于状态Sn，表示足不属于状态Sn，
[0052]
(4);
[0053]D2、在测试阶段，通过测试样本数据Xi的特征向量f;获得响应向量Η;= (h。，kh2, . . .，hN)T，其中hn，η= 0, 1，2, . . .，N表示特征向量仁针对变压器状态S"的响应， 定义为公式（5)
[0054]
(5),
[0055] 则，测试样本数据&对应变压器状态类别为
[0056] .V=argmax//" ( 6)。 η''
[0057] 在该实施用例中，氏=(0· 93,(λ01)τ，公式（6)的具体形式为
&于hn= Q= 0. 93，hn= 1= 0. 01，hQ>h，因此该测试样本对应变压 器的状态类别为S。，即正常状态。
[0058] 以上是对本发明做的示例性描述，凡在不脱离本发明核心的情况下做出的简单变 形或修改均落入本发明的保护范围。
【主权项】
1. 一种基于生成概率模型的变压器故障检测方法，其特征在于，包括如下步骤： A、 获取变压器状态样本数据； B、 基于混合高斯模型的变压器状态模型学习； C、 基于混合高斯模型的变压器状态特征提取； D、 基于支持向量机的变压器故障检测。2. 如权利要求1所述的变压器故障检测方法，其特征在于，步骤A具体包括如下步骤： A1、定义变压器的状态为Sn，n e {〇，1，...，《，其中正常运行状态为5。，变压器的第11 个故障状态为Sn; A2、对变压器的每个状态Sn采集Mnf训练数据样本，记为向量足n，i e [1，MJ，向量 由变压器数据的不同参数构成，令C代表变压器数据中与故障检测相关的参数个数，则是一个C维的向量。3. 如权利要求1所述的变压器故障检测方法，其特征在于，步骤B具体包括如下步骤： 81、对每一个变压器状态&，11￡{〇，1，...，《，用训练数据样本足％1￡[1，」，估计 &的混合高斯模型参数，混合高斯模型由五个高斯分布加权构成； B2、令训练数据样本向量@服从公式（1)所示概率，其中.表示随机变量 向量足为均值向量为μ k，协方差矩阵为Σ,的高斯分布，ε ^是每个高斯分布的加权因子， k = [1，5]是五个高斯分布的标号，B3、使用最大似然估计方法估计一组混合高斯模型参数丨，使训 练数据样本的概率最大，其中，该混合高斯模型用其参数Θ表示，定义似然 函数，如公式（2)所示；B4、通过期望最大算法求解公式（3)，得到估计的电压表状态Sn的混合高斯模型参数 Θ；4. 如权利要求1所述的变压器故障检测方法，其特征在于，步骤C中，对一个检测数据 样本Xi提取特征向量f i= (p d p2，…，ρη)τ，其中氣=)，即变压器在状态sn的条 件下获取样本&的概率值。5. 如权利要求1所述的变压器故障检测方法，其特征在于，步骤D具体包括如下步骤： D1、在训练阶段，使用步骤C获得的训练样本数据足I特征向量I，:通过公式（4)训练变 压器每个状态的分类超平面，其中，（c〇n，b)是变压器状态Sn的分类超平面参数，是训练 样本数据笔的类别标签，g =1表示萬属于状态Sn，彳=-_1表示足不属于状态Sn，D2、在测试阶段，通过测试样本数据Xi的特征向量f ;获得响应向量Η ;= (h。，k h2,. . .，hN)T，其中hn，η = 0, 1，2,. . .，N表示特征向量仁针对变压器状态S "的响应， 定义为公式（5)贝1J，测试样本数据&对应变压器状态类别为
【专利摘要】本发明提供了一种基于生成概率模型的变压器故障检测方法，其包括如下步骤：A、获取变压器状态样本数据；B、基于混合高斯模型的变压器状态模型学习；C、基于混合高斯模型的变压器状态特征提取；D、基于支持向量机的变压器故障检测。本发明解决了传统基于人工设置阈值对变压器参数进行离散化特征提取方法导致变压器故障检测对环境变化不鲁棒、对参数测量误差敏感，以及不同单位类别参数统一进行连续数值的特征描述问题。
【IPC分类】G06K9/62
【公开号】CN105335759
【申请号】CN201510770996
【发明人】黄文琦, 许爱东, 郭晓斌, 陈华军, 蒋屹新, 袁小凯, 张福铮, 杨航, 陈富汉, 蒙家晓, 关泽武, 陈立明, 黄建理, 吴争荣
【申请人】南方电网科学研究院有限责任公司
【公开日】2016年2月17日
【申请日】2015年11月12日