一种变压器故障诊断方法与流程
本发明涉及电力系统的技术领域，尤其涉及一种变压器故障诊断方法。
背景技术：
电力系统能否安全稳定运行、尽量避免事故的发生，在很大程度上决定于系统内的电力设备，一旦设备发生故障，电网的安全运行状态将极有可能遭到破坏。因此，电力设备的安全运行是避免电网发生重大事故的首道防线，而电力变压器作为电力系统的枢纽设备，造价高昂、维护成本不菲，变压器运行情况是否稳定、是否出现故障、是否处于健康状态，将直接影响到电网能否安全、稳定运行。
变压器预防性试验针对变压器运行情况对各项特征量进行检测评定，带来了海量的预试数据，这些数据表征了在变压器运行过程中产生的各项特征参量的即时情况，可以反映变压器当前整体运行状况，特别是反映出变压器在当前运行条件下的各类故障情况。通过变压器预防性试验数据可以对故障类型进行判断。目前常用的故障诊断方法多为基于运行数据的智能算法，存在着数据应用量不足、无法高效选择关联数据的问题。如何高效应用变压器预试数据，采用改进的智能算法对变压器故障实现快速高效的具体诊断，同样是当前研究的重点问题。
技术实现要素：
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种变压器故障诊断方法，能够解决电力企业运行信息平台大量预防性试验数据应用不足的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，采集电力系统中变压器的历史预防性试验数据及故障数据并进行预处理；利用相关性分析策略分析预处理后的所述数据项间的相关性，得到特征量集；结合蚁狮优化策略对支持向量机进行优化，获得优化后的支持向量机模型；利用所述支持向量机模型对所述变压器进行故障诊断。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述历史预防性试验数据包括，铭牌信息、油监视数据、色谱监视数据；所述故障数据包括，设备编号、故障时间、故障类型。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：预处理所述数据包括，剔除错误的所述数据，利用插值法对部分缺失数据进行补充。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：包括，利用spearman相关系数和kendall相关系数分别计算所述数据项间的相关性；统计分析计算结果并将各类特征量分为五类；将相关关系强弱出现频次作为所述特征量分类的标准，结合两种相关性结果综合分析，获得用于故障诊断的所述特征量集。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述spearman相关系数包括，
其中，ri和si是观测值i的取值等级，
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述kendall相关系数包括，
其中，p是排列关系一致的数值对数，n是统计向量数。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：包括，从各台变压器预试数据中心筛选获得故障结果数据并根据所述故障类型进行分类；将所述故障结果数据进行编码，按照10:1的比例将所述数据划分为训练集和测试集；初始化所述蚁狮优化策略各参数；基于所述蚁狮优化策略迭代更新蚂蚁与蚁狮位置，利用适应度函数计算每只蚂蚁与所述蚁狮的适应度值，最终根据结束条件输出最优的(c，g)参数值；提取所述(c，g)参数值作为所述支持向量机的参数，结合支持向量机策略和所述训练集构建所述支持向量机模型利用优化后的所述支持向量机模型对所述测试集进行分析计算，输出故障诊断结果。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述支持向量机模型包括，
k(xi,xj)＝exp(-g||xi-xj||2)
其中，ω表示超平面法向量，c表示惩罚因子，控制错分样本的惩罚程度，n表示样本数量，ξ表示松弛因子，指在线性不可分情况下的允许错分率，yi表示样本输出量，且yi∈{-1,1}，xi表示样本输入量，b表示阈值，g是高斯径向基核函数参数。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述故障类型包括，正常运行、中低温过热、高温过热、低能放电和高能放电。
作为本发明所述的变压器故障诊断方法的一种优选方案，其中：所述蚁狮优化策略包括，蚂蚁在搜索空间中通过随机的游走行为寻觅食物，而蚁狮利用陷阱对所述蚂蚁进行捕获，如下，
xi＝[0,cumsum(2r(t)-1)]
其中，xi是蚂蚁i游走位置坐标，cumsum表示计算累计和，t表示迭代，r(t)表示随机值。
本发明的有益效果：本发明方法基于电力公司一体化数据平台和运维数据平台，通过数据的挖掘分析获取各项数据与故障之间关联性，获取特征集，采用改进智能算法对变压器故障进行诊断，对变压器运维有重要意义；另一方面，本发明结合变压器大量的预防性试验数据及历史故障数据，分析数据间的关联性，对变压器预试数据中故障信息进行提取，建立训练数据集和测试数据集，利用蚁狮优化后的支持向量机模型进行变压器故障诊断，具有准确率高、训练时间短的优点，具有工程实际应用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的一种变压器故障诊断方法的流程示意图；
图2为本发明一个实施例所述的一种变压器故障诊断方法的蚁狮优化后支持向量机模型示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
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，但是本发明还可以采用其他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推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1和图2，为本发明的第一个实施例，提供了一种变压器故障诊断方法，包括：
s1：采集电力系统中变压器的历史预防性试验数据及故障数据并进行预处理。其中需要说明的是：
历史预防性试验数据包括，铭牌信息、油监视数据、色谱监视数据；
故障数据包括，设备编号、故障时间、故障类型；
故障类型包括，正常运行、中低温过热、高温过热、低能放电和高能放电；
铭牌信息包括设备类型、设备名称、电压、型号、出厂日期；
油监视信息主要是反映绝缘油的电气、化学和物理性能，包括了测试日期、外观(油)、酸值、ph值、闪点(闭口)、击穿耐压、体积电阻率、介质损耗因数；
色谱监视数据主要是通过对油浸式变压器绝缘油中溶解的气体浓度及组成成分进行分析所获得的，包括测试日期、气体组分、水分；
气体组分包括，甲烷、乙烷、乙烯、乙炔、总烃、氢气、一氧化碳、二氧化碳。
具体的，预处理数据包括：
剔除错误的数据，利用插值法对部分缺失数据进行补充。
s2：利用相关性分析策略分析预处理后的数据项间的相关性，得到特征量集。参照图2，本步骤需要说明的是：
利用spearman相关系数和kendall相关系数分别计算数据项间的相关性；
统计分析计算结果并将各类特征量分为五类；
将相关关系强弱出现频次作为特征量分类的标准，结合两种相关性结果综合分析，获得用于故障诊断的特征量集。
具体的，spearman相关系数包括：
其中，ri和si是观测值i的取值等级，
kendall相关系数包括，
其中，p是排列关系一致的数值对数，n是统计向量数。
s3：结合蚁狮优化策略对支持向量机进行优化，获得优化后的支持向量机模型。其中还需要说明的是，蚁狮优化策略包括：
蚂蚁在搜索空间中通过随机的游走行为寻觅食物，而蚁狮利用陷阱对蚂蚁进行捕获，如下，
xi＝[0,cumsum(2r(t)-1)]
其中，xi是蚂蚁i游走位置坐标，cumsum表示计算累计和，t表示迭代，r(t)表示随机值；
其中，rand是在均匀区间[0,1]上的随机数；
在蚂蚁觅食过程中，不同状态下每只蚂蚁位置存储于矩阵mant中：
其中，ai,j表示在第j维度下第i只蚂蚁所处的位置，n表示蚂蚁的数目，d表示参量的维数；
在alo算法中，每一只蚂蚁的位置代表了对应问题的一个尝试解，认为矩阵mant可以保存在优化问题中产生的所有蚂蚁的位置，即对应问题的所有尝试解，在优化过程中，采用适应度函数对每个蚂蚁的位置(即尝试解)进行评价，将适应度值保存在矩阵moa中，如下：
其中，f()表示适应度函数；
正如蚂蚁的位置对应了问题的尝试解，在alo算法中，每一只蚁狮的位置代表了这个问题的一个局部最优解，与蚂蚁位置相类似，用矩阵mantlion和moal对蚁狮的位置和适应度值分别保存：
其中，mantlion用于保存每只蚁狮位置，moal用于保存每只蚁狮位置对应的适应值，ali,j表示在第j维度下第i只蚁狮所处的位置，n表示蚁狮的数目，d表示参量的维数，f()表示适应度函数；
每只蚂蚁的随机移动要受限于目标问题的搜索边界，一旦超出搜索边界形成越界问题，求得的最优解即失去实际意义，为了防止越界问题的发生，采用最大最小归一化的方式对蚂蚁的随机行走行为进行限制：
其中，ai、bi分别是第i参量随机游走的最小值、最大值，
其中，
为获取搜索过程中较高的准确性，定义为：
其中，t表示最大的迭代次数，w是基于当前迭代情况定义的常数，可以对搜索的准确性进行调节；
在蚂蚁随机行走的过程中，会随机进入蚁狮布置的陷阱中，当蚂蚁进入陷阱逐渐到达坑底被蚁狮捕食这一过程是狩猎的最后一个阶段，蚁狮将进入沙坑、滑向蚁狮的蚂蚁捕食，为了模拟这一过程，设定当蚂蚁比捕食它的蚁狮更适合时，蚂蚁被蚁狮捉住，随后蚁狮的位置被更新为其最近一次捕食蚂蚁的位置；这里就实现了局部最优解的更新，用逻辑语言表示为：
对每只蚂蚁，通过俄罗斯轮盘赌的方式选择一个蚁狮，记作re，在优化过程中，每一步获取的最优解被称作精英蚁狮，它拥有问题中最佳的值，记作ra，迭代过程中，每一只蚂蚁将同时围绕re和ra进行随机的游走，这一过程描述为：
其中，
当蚂蚁的适应度强于蚁狮re时，将蚁狮re的位置替换为蚂蚁位置，即“捕食”；
搜索全部蚁狮之后，将当前适应度最好的蚁狮标记为精英蚁狮ra；
如果算法满足停止条件，则当前的精英蚁狮ra所处的位置就是全局最优解，输出为问题的寻优解；
如果算法不满足停止条件，则需要再进行轮盘赌。
s4：利用支持向量机模型对变压器进行故障诊断。本步骤还需要说明的是，包括：
从各台变压器预试数据中心筛选获得故障结果数据并根据故障类型进行分类；
将故障结果数据进行编码，按照10:1的比例将数据划分为训练集和测试集；
初始化蚁狮优化策略各参数；
基于蚁狮优化策略迭代更新蚂蚁与蚁狮位置，利用适应度函数计算每只蚂蚁与蚁狮的适应度值，最终根据结束条件输出最优的(c，g)参数值；
提取(c，g)参数值作为支持向量机的参数，结合支持向量机策略和训练集构建支持向量机模型；
利用优化后的支持向量机模型对测试集进行分析计算，输出故障诊断结果。
进一步的，支持向量机模型包括：
k(xi,xj)＝exp(-g||xi-xj||2)
其中，ω表示超平面法向量，c表示惩罚因子，控制错分样本的惩罚程度，n表示样本数量，ξ表示松弛因子，指在线性不可分情况下的允许错分率，yi表示样本输出量，且yi∈{-1,1}，xi表示样本输入量，b表示阈值，g是高斯径向基核函数参数。
优选的，本实施例还需要说明的是，传统的针对变压器的故障诊断方法是使用spss自带的决策树进行分析，没有对原方法进行改动；而现有基于智能集成算法的变压器故障诊断方法则是集合了传统比值方法和机器学习算法，然后给各算法权重进行故障分类；本发明方法为改进的支持向量机方法，优化支持向量机的参数然后进行故障分类，且本发明方法在模型选择上有区别，即在于对支持向量机方法的参数优化以提高故障诊断的准确性。
实施例2
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的基于智能集成算法的变压器故障诊断方法和采用本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统的基于智能集成算法的变压器故障诊断方法故障诊断准确性较低，为验证本发明方法相较于传统方法具有较高的准确性，本实施例中将采用传统方法和本发明方法分别对同一类设备运行的同一型号的变压器进行实时测量对比。
测试环境：(1)选取100组电力系统中变压器的历史预防性试验数据及故障数据，分别利用两种方法进行参数处理；
(2)matlb软件仿真模拟、输入预处理后的5组参数进行测试；
测试结果如下：
表1：准确度对比数据表。
参照表1，能够直观的看出在面对相同设备的测试条件下，传统方法的故障识别准确度远低于本发明方法的准确度，验证了本发明方法所具有的真实效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
- 还没有人留言评论。精彩留言会获得点赞！