本发明涉及变压器故障诊断技术领域，特别涉及一种基于模糊c均值聚类算法的变压器故障诊断方法。同时，本发明还涉及一种基于模糊c均值聚类算法的变压器故障诊断系统。
背景技术：
国家电力工业的迅速发展，电力系统在日益扩大。电气设备故障一直是威胁电网安全的主要因素，为保证电力系统运行可靠性，必须实时监测电气设备运行状态，及时检查出早期故障。在各种电气设备中，电力变压器是电力系统中最重要的电气设备之一，由于变压器长期工作运行，不可避免地会出现潜在故障问题。防治和减少变压器故障和事故的发生，保证变压器的正常运行，是电力系统迫切需要解决的问题。很多检测变压器故障的传统方法不能得到变压器状态的实时信息，不符合状态维护现代化的发展。因此，对变压器状态进行实时监测显得尤为重要。为防止事故对变压器造成损坏，必须对变压器内部真实情况进行及时地掌握，这就需要由变压器在线监测和故障诊断来实现。对变压器进行准确的故障诊断不仅提高了电力系统的可靠性，而且具有很明显的经济效益，因此，研究变压器故障诊断技术具有重要的意义。
溶解气体分析技术(dga)是变压器内部故障诊断的主要手段，它为间接了解变压器内的一般隐患提供了依据。通过对变压器内分解气体的测量和分析，可以初步判断变压器的内部状态。基于技术的常规诊断方法有特征气体法、气体组分比值法等方法。由于油中溶解气体是许多因素共同作用的结果，所以电力变压器绝缘故障类型与油中溶解气体组分含量之间的关系存在一定的模糊性，不确定性和非线性等特征。近年来，许多学者对基于技术的变压器故障诊断进行了深入的研究，将多种数据挖掘和人工智能理论及技术应用于该领域，聚类分析是数据挖掘的核心内容之一，dga技术与聚类分析相结合，是进一步提高电力变压器故障诊断准确性的一种有效途径，在一定程度上提高了故障诊断的应用准确率和实用性，有重要的理论研究和实际应用价值。
cn107656154a公开了一种基于改进模糊c均值聚类算法的变压器故障诊断方法，包括，获取变压器油中溶解气体数据和故障类型数据作为样本，将所述样本分为训练样本和测试样本；将所述样本中的变压器油中溶解气体数据进行处理，并确定所述训练样本的类别数目以及各类别对应的初始聚类中心；采用改进模糊c均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心，计算测试样本属于各类别的概率；根据测试样本属于各类别的概率和各类别中各故障类型所占的比例，计算测试样本对应各故障类型的发生概率，并根据所述发生概率确定所述测试样本的故障类型。目前关于变压器故障诊断的研究大多集中于算法和模型的构建，尚未意识到归一化方法亦相关联于基于模糊c均值聚类算法的变压器故障诊断方法的准确度。
技术实现要素：
有鉴于此，本发明旨在提出一种基于模糊c均值聚类算法的变压器故障诊断方法，以尽可能的提高模糊c均值聚类算法的故障诊断准确率，最终达到提高变压器故障诊断准确性的目的。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于模糊c均值聚类算法的变压器故障诊断方法，包括下列步骤
(1)获取故障样本数据，对所述故障样本数据进行特征气体归一化处理，得到包含所述特征气体的组分含量的数据集；
(2)构建基于模糊c均值聚类算法的变压器故障诊断模型；
(3)将步骤(1)中所述数据集输入到步骤(2)中所述基于模糊c均值聚类算法的变压器故障诊断模型，输出故障类型，得到故障诊断结果。
进一步的，所述特征气体归一化处理的公式为：
式中，xi为所述特征气体归一化前的含量；xmax为所述故障样本数据中所述特征气体含量最大值；xmin为所述故障样本数据中所述特征气体含量最小值；xi′为所述特征气体归一化后的含量。
进一步的，所述特征气体归一化处理的方法为特征气体浓度归一化法。
进一步的，所述特征气体包括h2、ch4、c2h2、c2h4和c2h6；所述故障类型包括高温过热、高能放电、低能放电、局部放电和中低温过热。
进一步的，所述特征气体浓度归一化法的公式为
式中，xij表示所述特征气体归一化前的含量，x′ij代表所述特征气体归一化后的含量，分母代表所述特征气体所在故障样本数据中各所述特征气体总量；
或
式中，h2′、ch4′、c2h6′、c2h4′和c2h2′分别代表各所述特征气体归一化后的含量，h2、ch4、c2h2、c2h4和c2h6各所述特征气体归一化前的含量。
进一步的，所述基于模糊c均值聚类算法的变压器故障诊断系统包括
故障样本数据获取模块，用于获取所述故障样本数据；
故障样本数据处理模块，用于归一化处理所述故障样本数据，得到包含所述特征气体的组分含量的数据集；
故障诊断结果生成模块，用于获取变压器故障诊断结果，将所述包含所述数据集输入到基于模糊c均值聚类算法的变压器故障诊断模型中，输出故障类型，得到变压器故障诊断结果。
进一步的，所述故障样本数据处理模块，用于归一化处理故障样本数据，得到包含所述特征气体的组分含量的数据集，具体包括：
所述特征气体归一化处理的公式为：
式中，xi为所述特征气体归一化前的含量；xmax为所述故障样本数据中所述特征气体含量最大值；xmin为所述故障样本数据中所述特征气体含量最小值；xi′为所述特征气体归一化后的含量。
进一步的，所述故障样本数据处理模块，用于归一化处理故障样本数据，得到包含所述特征气体的组分含量的数据集，具体包括：所述特征气体归一化处理的方法为特征气体浓度归一化法。
进一步的，所述故障样本数据处理模块，用于归一化处理故障样本数据，得到包含所述特征气体的组分含量的数据集，具体包括：
所述特征气体包括h2、ch4、c2h2、c2h4和c2h6；所述故障类型包括高温过热、高能放电、低能放电、局部放电和中低温过热。
进一步的，述故障样本数据处理模块，用于归一化处理故障样本数据，得到包含所述特征气体的组分含量的数据集，具体包括：
所述特征气体浓度归一化法的公式为
式中，xij表示所述特征气体归一化前的含量，x′ij代表所述特征气体归一化后的含量，分母代表所述特征气体所在故障样本数据中各所述特征气体总量；
或
式中，h2′、ch4′、c2h6′、c2h4′和c2h2′分别代表各所述特征气体归一化后的含量，h2、ch4、c2h2、c2h4和c2h6各所述特征气体归一化前的含量。相对于现有技术，本发明具有以下优势：采用本发明的技术方案，通过优化故障样本数据的归一化处理方法，选用特征气体归一化法处理故障样本数据，降低归一化处理方法对聚类结果的影响程度，优化聚类结果，进而提高模糊c均值聚类算法的故障诊断准确率，最终达到提高变压器故障诊断准确性的目的，为真正实现输变电设备状态检修提供了有力的技术手段。同时，本发明能够为设备检修提供初期判断，对于提早发现变压器内部可能存在的缺陷或性能劣化起到了不容替代的作用。此外，本发明可减少重大事故的发生率，降低了设备的维护数量和维修费用。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明涉及一种基于模糊c均值聚类算法的变压器故障诊断方法，其主要设计思想在于：考虑到不同气体反应故障的灵敏程度不同，故通过优化故障样本数据的归一化处理方法，降低归一化处理方法对聚类结果的影响程度，优化聚类结果。通过该整体设计思想的设置，能够提高模糊c均值聚类算法的故障诊断准确率，最终达到提高变压器故障诊断准确性的目的。
基于如上设计思想，本发明的其中一种具体限定方案中，基于模糊c均值聚类算法的变压器故障诊断方法，包括下列步骤：
(1)获取故障样本数据，对所述故障样本数据进行特征气体归一化处理，得到包含所述特征气体的组分含量的数据集；
(2)构建基于模糊c均值聚类算法的变压器故障诊断模型；
(3)将步骤(1)中的数据集输入到步骤(2)所述基于模糊c均值聚类算法的变压器故障诊断模型，输出故障类型，得到故障诊断结果。
基于模糊c均值聚类算法的变压器故障诊断模型中，由于故障样本数据在量纲和数量级上的差异，故其输入到所述基于模糊c均值聚类算法的变压器故障诊断模型前，须对故障样本数据作归一化处理。由于不同气体反应故障的灵敏度不同，所以其归一化方法会直接影响聚类结果，进而影响模糊c均值聚类算法的故障诊断准确率。本实施例通过优化故障样本数据的归一化处理方法，选用特征气体归一化法处理故障样本数据，然后将其作为基于模糊c均值聚类算法的变压器故障诊断模型的输入，能够降低归一化处理方法对聚类结果的影响程度，进而提高模糊c均值聚类算法的故障诊断准确率，最终达到提高变压器故障诊断准确性的目的，为真正实现输变电设备状态检修提供了有力的技术手段。
同时，本实施例还能够为设备检修提供初期判断，对于提早发现变压器内部可能存在的缺陷或性能劣化起到了不容替代的作用。此外，本发明可减少重大事故的发生率，降低了设备的维护数量和维修费用。
为了更进一步提高基于模糊c均值聚类算法的变压器故障诊断方法的准确性，在本发明的另一种具体限定方案中，所述特征气体归一化处理的公式为：
式中，xi为所述特征气体归一化前的含量；xmax为所述故障样本数据中所述特征气体含量最大值；xmin为所述故障样本数据中所述特征气体含量最小值；xi′为所述特征气体归一化后的含量。该归一化方法能够提高变压器的分类准确率，进而提高模糊c均值聚类算法的故障诊断准确性。
为了进一步提高基于模糊c均值聚类算法的变压器故障诊断方法的分类准确率，在本发明的一种具体实施方式中，所述特征气体归一化处理的方法为特征气体浓度归一化法。
本实施例中选取h2、ch4、c2h2、c2h4和c2h6这五种气体作为特征气体，它们在一定程度上携带电力变压器的高温过热、高能放电、低能放电、局部放电和中低温过热这五种故障信息，对应此五种故障类型。
作为一种可实施方式，所述特征气体浓度归一化法的公式为
式中，xij表示所述特征气体归一化前的含量，x′ij代表所述特征气体归一化后的含量，分母代表所述特征气体所在故障样本数据中各所述特征气体总量；
然而，在实际溶解气体分析中，不同气体反应故障的灵敏程度不同，如虽然h2含量较多，但是对故障判断的灵敏度较低，而c2h2含量较少，但是对故障识别贡献较大。由此，为了减少h2对烷烃含量的判断，降低归一化处理方法对聚类结果的影响程度，进而提高模糊c均值聚类算法的故障诊断准确率，作为另一种可实施方式，所述特征气体浓度归一化法的公式为
h2′、ch4′、c2h6′、c2h4′和c2h2′分别代表各所述特征气体归一化后的含量，h2、ch4、c2h2、c2h4和c2h6各所述特征气体归一化前的含量。
本发明还提供一种基于模糊c均值聚类算法的变压器故障诊断系统，包括：
故障样本数据获取模块，用于获取所述故障样本数据；
故障样本数据处理模块，用于归一化处理所述故障样本数据，得到包含所述特征气体的组分含量的数据集；
故障诊断结果生成模块，用于获取变压器故障诊断结果，将所述包含所述数据集输入到基于模糊c均值聚类算法的变压器故障诊断模型中，输出故障类型，得到变压器故障诊断结果。
需要说明的是，本发明提供的基于模糊c均值聚类算法的变压器故障诊断方法中的步骤，可以利用基于模糊c均值聚类算法的变压器故障诊断系统中对应的模块、装置等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即所述系统中的实施方式可理解为实现所述方法的优选例，在此不予赘述。
基于如上整体设计，下述实施例对该设计下的其中一部分具体应用进行详细说明。
实施例1
本实施例涉及一种基于模糊c均值聚类算法的变压器故障诊断方法，包括下列步骤：
(1)获取故障样本数据，对所述故障样本数据进行特征气体归一化处理，所述归一化处理方法选自下述式(a)、(b)、(c)中的任意一种：
式中，h2′、ch4′、c2h6′、c2h4′和c2h2′分别代表各所述特征气体归一化后的含量，h2、ch4、c2h2、c2h4和c2h6各所述特征气体归一化前的含量。
故障样本数据经过上述方法归一化后，得到包含特征气体组分含量的数据集：
式中，x′表示已归一化的数据集，xij为聚类样本j、指标i的特征值，其中，i＝1，2，…，m，j＝1，2，…，n。
(2)构建基于模糊c均值聚类算法的变压器故障诊断模型，包括下列步骤：
首先，设定聚类类别数c、停止迭代阈值ε和初始化聚类中心v(0)；
其次，计算和更新隶属度u(t)；
再次，更新各聚类中心v(t)。
最后，根据上述步骤求得的隶属度函数uij和聚类中心vi，计算目标函数，若其值大于ε，则重新计算和更新隶属度u(t)、更新各聚类中心v(t)、计算目标函数，直至其值小于ε，停止迭代，得到每个类别的聚类中心、模糊隶属度函数以及迭代次数。
具体地，首先，设定聚类类别数c(2≤c≤n),c个类别的聚类中心向量为:
设定停止迭代阈值ε(>0),，ε越小，计算精度越高；加权指数q，q(1∈，∞)；
设定初始化隶属度矩阵：
式中,uhj为j归属于类别h的相对隶属度，h＝1，2，…，c。
为获得最佳的模糊分类,须使目标目标函数达到最小:
dij2＝||xj-vi||2
式中：u为初始隶属度矩阵；v为聚类中心，即v＝{v1,v2…,vc}；m为平滑指数；uhj为第个j样本与第i个聚类中心的欧氏距离，；dij为第j个样本对第i个聚类中心的隶属度。
其次，根据式
再次，据式
最后，根据上述步骤求的隶属度函数u和聚类中心v，计算目标函数，直至max(|aij-aij|)<ε,，停止迭代，得到了每个类别的聚类中心v(t)，模糊隶属度函数ui以及迭代次数。
(3)将步骤(1)中的数据集输入到步骤(2)中的变压器故障诊断模型，得到每个类别的聚类中心v(t)，模糊隶属度函数ui以及迭代次数，根据隶属矩阵u(t)实现故障样本分类，从而判断样本所属故障类型，得到故障诊断结果。
实施例2
本实施例涉及基于模糊c均值聚类算法的变压器故障诊断方法的验证。
首先，本实施例从已发表文献和实验报告中搜集整理出已确定故障类型的100组样本(见表1)，将其作为故障样本数据。将变压器故障类型分为5种，其分别为中低温过热、高温过热、低能放电，高能放电和局部放电。
表1：故障样本数据组成
将上述100组故障样本数据分别用实施例1中步骤(1)所述的三种归一化处理方法式a)、式b)和式c)进行处理，得到包含特征气体组分含量的数据集。
其次，按照实施例1中步骤(2)所述的基于模糊c均值聚类算法的变压器故障诊断模型的方法构建变压器故障诊断模型。
最后，将该包含特征气体组分含量的数据集输入该基于模糊c均值聚类算法的变压器故障诊断模型，根据故障样本数据对聚类中心的隶属度的大小来判定样本所属故障类型，得到故障诊断结果(见表2)。
表2故障样本测试结果
表2示出了采用3种归一化方法的故障样本测试结果。分析表中数据可知，此特征气体归一化法能提高基于模糊c均值聚类算法的变压器故障诊断的准确度，证实合适的归一化法可以优化聚类结果，进而提高基于模糊c均值聚类算法的的变压器故障诊断的准确度。另外，综合测试结果来看，此法对于高温过热和局部放电的判断相对于其他故障类型更为准确。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。