一种基于决策树的变压器故障诊断方法与流程

1.本发明属于变压器故障诊断技术，尤其涉及一种基于决策树的变压器故障诊断方法。


背景技术：

2.油浸式变压器在电力系统中担任着重要的输配电功能，其安全稳定运行关乎着电力系统的安全稳定。然而，系统中运行的变压器难免存在各种潜伏性故障，主要分为过热故障及放电故障。油浸式变压器在过热及放电下，变压器油及变压器内部绝缘物质发生分解，释放出表征设备运行状况的特征气体。针对变压器故障状态不同，其特征气体的产气速率、组分以及含量信息也有区别，研究其气体信息可实现变压器的故障诊断。油浸式变压器的油中溶解气体组分(dga)数据富含大量的变压器故障信息，深度剖析dga数据与变压器的故障状况有利于实现油浸式变压器的故障诊断；然而，特征气体信息与变压器故障类型，故障程度间为复杂的非线性映射关系，从而难以用简单模型，简单算法去诊断变压器的故障，传统的三比值法以及扩充的三比值法上都存在编码不足，编码模糊问题，限制了故障判断精度。


技术实现要素：

3.本发明要解决的技术问题：提供一种基于决策树的变压器故障诊断方法，以解决现有技术对油浸式变压器故障诊断存在的特征气体信息与变压器故障类型，故障程度间为复杂的非线性映射关系，从而难以用简单模型，简单算法去诊断变压器的故障，传统的三比值法以及扩充的三比值法上都存在编码不足，编码模糊问题，限制了故障判断精度等技术问题。
4.本发明技术方案：
5.一种基于决策树的变压器故障诊断方法，它包括：
6.步骤1、采集变压器油中气体组分；
7.步骤2、对采集的气体组分数据进行预处理；
8.步骤3、对处理后的数据进行三比值处理，获得模型的特征量1、特征量2和特征量3；
9.步骤4、将变压器油中数据进行步骤2处理后，按照7:3的比例分为训练数据和测试数据。将训练数据作为决策树模型输入输出，利用gini算法训练生成基于油中溶解气体的变压器故障分类模型。
10.步骤1所述采集变压器油中气体组分包括：采集对判断充油电气设备内部故障有价值的气体，即氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳。
11.气体组分采集方法为：准备变压器油，在变压器油的颜色发生改变之后，用试管或者注射器抽取出一定量的变压器油，装入到玻璃容器中备用；将备用的变压器油转入到真空脱气装置中，利用脱气装置分离气体与液体的工作原理，将变压器油中所溶解的各种气
体和油质液体分离开来。
12.所述采集方法还包括：通过鉴定器检测采集的气体组分；使用鉴定器来检查气体构成，将分离出来的气体逐一装入到鉴定器中，气体鉴定器根据不同气体的化学成分和构成性质做出相应的鉴定数据，并且通过电脑显示系统将相关的性质转化为电子数据保存。
13.预处理方法为：通过数据分析处理方法对异常数据剔除和异常值插值，数据降维pca方法解决数据冗余问题，采用滤波算法对数据的噪声进行剔除；
14.利用gini算法训练生成基于油中溶解气体的变压器故障分类模型时，根据模型的增益z大小作为模型训练的评判标准，
15.gini算法的数学公式:
[0016][0017]
gini为划分节点的纯度指标，其中，c为记录的类别，p表示某一类别占据总记录的比重；z为增益值，gini(parent)是给定父节点下的gini不纯度度量，n为父节点上的记录总数，n(vj)为与子女结点vj相关联的记录数。
[0018]
本发明的有益效果：
[0019]
本发明采集油浸式变压器油数据，利用油色谱仪进行对其分析，提取氢气，甲烷、乙烯、乙烷、乙炔等气体含量，使用三比值法提供的三对比值乙炔含量与乙烯含量之比(c2h2/c2h4)、甲烷含量与氢气含量比(ch4/h2)以及乙烯含量与乙烷含量比(c2h4/c2h6)作为特征量；同时，基于强大的人工智能技术进行故障判断建模，本发明采用决策树模型，利用gini策略作为生成故障决策树的策略。通过输入特征量到故障决策树模型进行故障诊断，实现油浸式变压器的故障诊断，避免传统的三比值法以及扩充的三比值法上都存在编码不足，编码模糊问题。
[0020]
解决了现有技术对油浸式变压器故障诊断存在的特征气体信息与变压器故障类型，故障程度间为复杂的非线性映射关系，从而难以用简单模型，简单算法去诊断变压器的故障，传统的三比值法以及扩充的三比值法上都存在编码不足，编码模糊问题，限制了故障判断精度等技术问题，通过iec提供的故障数据进行实例分析，结果明显提高了故障的诊断效果，
附图说明
[0021]
图1为本发明流程示意图。
具体实施方式
[0022]
一种基于决策树的变压器故障诊断方法，它包括：
[0023]
本发明充分借助数据挖掘技术等数据处理技术处理数据缺失，数据不平衡，数据冗余，数据含噪等问题，并深入挖掘数据的潜在价值。本发明决策树每一个节点利用是或否进行判断分类，决策树利用多层多节点的形式对数据类型进行具有决断，特从而解决征气体信息与变压器故障类型，故障程度间的复杂非线性映射关系。因此本发明利用决策树模
型建立变压器的故障分类模型，实现变压器故障诊断，以提高变压器故障诊断准确性。
[0024]
步骤1、
[0025]
1、采集气体组分
[0026]
变压器油是由许多不同分子量的碳氢化合物分子组成的混合物，电或热故障可以使某些c-h键和c-c键断裂，伴随生成少量活泼的氢原子和不稳定的碳氢化合物的自由基，这些氢原子或自由基通过复杂的化学反应迅速重新化合，形成h2和低分子烃类气体，如ch4、c2h6、c2h4、c2h2等。本发明首先需要采集对判断充油电气设备内部故障有价值的气体，即氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳。
[0027]
2、采集方法
[0028]
采集时，首先需要准备一定量的变压器油。在变压器油的颜色发生改变之后，用试管或者注射器抽取出一定量的变压器油，装入到玻璃容器中备用；将备用的变压器油转入到真空脱气装置中，利用脱气装置分离气体与液体的工作原理，将变压器油中所溶解的各种气体和油质液体分离开来，以便于后续的检测工作。
[0029]
3、通过鉴定器检测
[0030]
接下来的一个步骤是使用鉴定器来检查气体构成。利用脱气装置将气体与变压器油液体分离以后，将分离出来的气体逐一装入到鉴定器中，气体鉴定器会根据不同气体的化学成分和构成等性质做出相应的鉴定数据，并且通过电脑显示系统将其相关的性质转化为电子数据，以供人们分析。
[0031]
步骤2、
[0032]
通过数据分析处理方法对异常数据剔除和异常值插值，数据降维pca等方法解决数据冗余问题，采用滤波算法对数据的噪声进行剔除。
[0033]
步骤3、对处理后的数据进行三比值处理，获得模型的特征量1(乙炔含量与乙烯含量之比(c2h2/c2h4)),特征量2(甲烷含量与氢气含量比(ch4/h2)),特征量3(乙烯含量与乙烷含量比(c2h4/c2h6))。
[0034]
步骤4、将变压器油中数据进行步骤2处理后，按照7:3的比例分为训练数据和测试数据。将训练数据作为决策树模型输入输出，利用gini算法训练生成基于油中溶解气体的变压器故障分类模型。根据模型的增益z大小作为模型训练的评判标准。训练结束将得到本发明的诊断方法。
[0035]
gini算法的数学公式:
[0036][0037]
gini为划分节点的纯度指标，其中，c为记录的类别，p表示某一类别占据总记录的比重。z为增益值，其中，gini(parent)是给定父节点下的gini不纯度度量，n为父节点上的记录总数，n(vj)为与子女结点vj相关联的记录数。gini(parent)为定值，因此获得最佳决策树的划分方法等价于最小化子女结点的gini加权平均值。