CN104156568A - 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 - Google Patents

Abstract

本发明提供一种基于加权灰色关联和模糊聚类的变压器故障诊断方法，包括：实时采集变压器中的溶解气体浓度值，所述溶解气体包括乙炔、乙烯、甲烷、氢气和乙烷；利用模糊聚类算法求出数据矩阵的聚类，根据聚类结果确定准故障序列；对待检序列与准故障序列进行加权灰色关联度分析，最终得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型，即得到变压器故障诊断结果。本发明能够在置信水平不是很好的情况下得到准确的故障诊断，为合理安排检修及安全运行提供依据，减少不必要的浪费，对灰关联分析法进行加权计算关联度，可区别不同因素对故障的影响，在排除故障的时候大大减轻了工作量，节省大量的人力资源。

Description

一种基于加权灰色关联和模糊聚类的变压器故障诊断方法

技术领域

本发明属于变压器故障诊断技术领域，具体涉及一种基于加权灰色关联和模糊聚类的变压器故障诊断方法。

背景技术

随着经济的快速发展，我国的电力供应形势日益紧张，在全国各地仅因电网系统故障造成的经济损失就高达上万亿，分析其的主要原因是对电网系统的故障不能够及时处理，我们知道，国家电力工业的迅速发展说明全国发、输、配电的容量在不断增加，电力系统在日益扩大。当然需要的电气设备也愈来愈多，电气设备故障一直是危机电网安全的主要因素，保证电力系统运行可靠性，对发展国民经济尤其重要。为此，必须实时监测电气设备运行状态，及时检查出内部的早期故障，防止事故于未然。在各种电气设备中，电力变压器是电网中最重要的电气设备之一，由于变压器长期连续在电网中运行，不可避免地会发生各种故障。努力防止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课题。

发明内容

针对现有技术存在的问题，本发明提供一种基于加权灰色关联和模糊聚类的变压器故障诊断方法。

本发明的技术方案是：

一种基于加权灰色关联和模糊聚类的变压器故障诊断方法，包括以下步骤：

步骤1：实时采集变压器中的溶解气体浓度值，所述溶解气体包括乙炔、乙烯、甲烷、氢气和乙烷；

步骤2：利用模糊聚类算法求出数据矩阵的聚类，根据聚类结果确定准故障序列；

步骤2.1：将采集的变压器中的溶解气体浓度值、历史故障库中各变压器故障对应的历史溶解气体浓度值以数据矩阵形式表示；

步骤2.2：根据平移-极差变换对数据矩阵中数据进行规格化处理；

步骤2.3：根据算术平均最小法，构建数据矩阵的模糊相似关系矩阵；

步骤2.4：确定模糊相似关系矩阵的最佳阈值；

步骤2.5：求模糊相似关系矩阵的聚类，根据模糊相似关系矩阵绘制λ-子树，利用λ-子树分析法进行聚类分析；

步骤2.5.1：根据模糊相似关系矩阵的最佳阈值，取模糊相似关系矩阵中不小于该最佳阈值的元素，其余舍去；

步骤2.5.2：针对模糊相似关系矩阵的每个顶点找出与其相似程度最大的顶点，将每个顶点及其相似程度最大的顶点进行连线同时标记权重，且连线中同一顶点只能经过一次，连线结果即子树；

步骤2.5.3：得到的子树的个数即分类数，与模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行同属于一类的数据行即准故障序列，模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行即待检序列；

步骤3：对待检序列与准故障序列进行加权灰色关联度分析，最终得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型，即得到变压器故障诊断结果。

所述步骤3按以下步骤执行：

步骤3.1：计算待检序列与准故障序列的关联系数；

步骤3.2：计算待检序列中各溶解气体的组合权重w_i：

$w_i=\frac{w_{1i}{w}_{2i}}{{\mathrm{\Σ}}_{i=1}^n{w}_{1i}{w}_{2i}}$

其中，w_1i为采用基于专家评分的层次分析法确定的各溶解气体的主观权重，w_2i为采用超标倍数法确定的各溶解气体的客观权重，为第i种溶解气体标准化后的权重；C_i为第i种溶解气体的浓度实测值；S_i为第i种溶解气体浓度实测值的几何平均值；

步骤3.3：计算待检序列与准故障序列的加权关联度；

步骤3.4：根据加权关联度排序，得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型。

所述步骤3.1中的待检序列与准故障序列的关联系数的分辨系数按如下原则选取：

(1)当分辨指标ε(k)为0时，分辨系数的取值0.5；

(2)当分辨指标ε(k)的倒数在0至2之间时，分辨系数的取值为0.9倍的分辨指标的值；

(3)当分辨指标ε(k)的倒数在2至3之间时，分辨系数的取值为1.1倍的分辨指标的值；

(4)当分辨指标ε(k)的倒数大于3时，分辨系数的取值为1.4倍的分辨指标的值。

有益效果：

本发明提供的基于加权灰色关联模糊聚类的变压器故障诊断方法，具有思路明晰，建模简单、所需数据少，工作量较少的特点，可以在很大程度上减少由于信息不对称带来的损失，并能够在置信水平不是很好的情况下得到准确的故障诊断，为合理安排检修及安全运行提供依据，减少不必要的浪费，对灰关联分析法进行加权计算关联度，可区别不同因素对故障的影响，使分析结果更具有说服力，将该方法用于变压器故障诊断，在排除故障的时候大大减轻了工作量，节省大量的人力资源，将得到广泛应用。

本发明基于加权灰色关联和模糊聚类的变压器故障诊断方法，利用算术平均最小法得到模糊相似关系矩阵，再利用λ-子树法，通过绘制相似关系矩阵的λ-子树，在此基础上进行聚类分析，可得到要诊断故障所在类，在此类中寻求与要诊断故障较相似的故障，由此得到发生该故障的部器件，其中灰关联分析法是解决少数据、弱条件下故障诊断的有力工具，具有思路明晰，建模简单、所需数据少，工作量较少的特点，可以在很大程度上减少由于信息不对称带来的损失，并能够在置信水平不是很好的情况下得到准确的故障诊断，为合理安排检修及安全运行提供依据，减少不必要的浪费，对灰关联分析法进行加权计算关联度，可区别不同因素对故障的影响，使分析结果更具有说服力，将该方法用于变压器故障诊断，在排除故障的时候大大减轻了工作量，节省大量的人力资源，将得到广泛应用。

附图说明

图1是本发明具体实施方式的基于加权灰色关联和模糊聚类的变压器故障诊断方法流程图；

图2是本发明具体实施方式的变压器故障诊断系统示意图；

图3是本发明具体实施方式的变压器故障诊断系统连接框图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式的基于加权灰色关联和模糊聚类的变压器故障诊断方法采用的变压器故障诊断系统，包括传感器模块、BNC2120数据采集通道、PCI6221数据采集卡和控制计算机，软件环境为虚拟仪器平台上的LabVIEW程序，传感器模块为MQ复合分布式气体传感器。

如图2所示，将MQ复合分布式气体传感器置于变压器油箱中，其就能够对变压器油中溶解气体的各种关键气体的浓度进行检测，然后，传感器将采集到的气体浓度以直流电压信号的形式经行输出，通过BNC2120数据采集通道，经PCI6221数据卡采集后，输入到控制计算机，再由控制计算机进行基于加权灰色关联和模糊聚类的变压器故障诊断，输出变压器所处的故障状态，并通知运行人员加以注意与解决。

如图3所示，采用国家仪器公司的BNC2120数据采集通道和PCI6221数据采集卡，对MQ系列复合分布式气体传感器所采的信号急性采样与传输。一般很少把传感器或来自被测系统的信号直接接入数据采集卡，因为数据采集卡可能会对信号产生干扰，从而影响系统操作；同时还需把信号范围控制在数据采集卡的量程之内，并要避免噪声。系统中有很多噪声源，包括传感器、电缆串音及A/D转换等都会严重影响信号质量。总之传感器的电信号必须符合数据采集卡所能接受的格式，否则就必须转换调理，调理方式包括放大、隔离、滤波、激励、线性化等。信号调理简单的说就是将待测信号通过放大、滤波等操作转换成采集设备能够识别的标准信号。利用滤波器、转换器或放大器来改变输入的信号类型并输出。一般的数据采集卡上都带有可编程的增益，但具体要不要作信号调理，要视待采信号的特点而定，若信号很小，则要经过放大将信号调理到采集卡能够识别的范围，若信号干扰较大，就要考虑采集之前作滤波了。常见的调理方式列举如下：

1.放大

放大器提高输入信号电平以更好地匹配模拟－数字转换器(ADC)的范围，从而提高测量精度和灵敏度。此外，使用放置在更接近信号源或转换器的外部信号调理装置，可以通过在信号被环境噪声影响之前提高信号电平来提高测量的信号－噪声比。

2.衰减

衰减，即与放大相反的过程，在电压(即将被数字化的)超过数字化仪输入范围时是十分必要的。这种形式的信号调理降低了输入信号的幅度，从而经调理的信号处于ADC范围之内。衰减对于测量高电压是十分必要的。

3.隔离

隔离的信号调理设备通过使用变压器、光或电容性的耦合技术，无需物理连接即可将信号从它的源传输至测量设备。除了切断接地回路之外，隔离也阻隔了高电压浪涌以及较高的共模电压，从而既保护了操作人员也保护了昂贵的测量设备。

4.多路复用

通过多路复用技术，一个测量系统可以不间断地将多路信号传输至一个单一的数字化仪，从而提供了一种节省成本的方式来极大地扩大系统通道数量。多路复用对于任何高通道数的应用是十分必要的。

5.过滤

滤波器是一种能使一定频率的信号通过，而阻止和衰减其他频率的信号的电路。所谓有源滤波器就是采用有源器件(主要是集成运算放大器)和RC网络构成，其优点是体积小、低频性能好、精度高、性能稳定，目前在信号处理电路中广泛应用。根据有源滤波器频率特性可分为低通滤波器、高通滤波器、带通滤波器、带阻滤波器和全通滤波器。滤波器在一定的频率范围内去除不希望的噪声。几乎所有的数据采集应用都会受到一定程度的50Hz或60Hz的噪声(来自于电线或机械设备)。大部分信号调理装置都包括了为最大程度上抑制50Hz或60Hz噪声而专门设计的低通滤波器。

6.激励

激励对于一些转换器是必需的。例如，应变计，电热调节器，和RTD需要外部电压或电流激励信号。通常RTD和电热调节器测量都是使用一个电流源来完成，这个电流源将电阻的变化转换成一个可测量的电压。应变计，一个超低电阻的设备，通常利用一个电压激励源来用于惠斯登(Wheatstone)电桥配置。

本发明的基于加权灰色和关联模糊聚类的变压器故障诊断方法，利用算术平均最小法得到模糊相似关系矩阵，再利用λ-子树法，通过绘制相似关系矩阵的λ-子树，在此基础上进行聚类分析，可得到要诊断故障所在类，在此类中寻求与要诊断故障较相似的故障，由此得到发生该故障的部器件，其中灰关联分析法是解决少数据、弱条件下故障诊断的有力工具，具有思路明晰，建模简单、所需数据少，工作量较少的特点，可以在很大程度上减少由于信息不对称带来的损失，并能够在置信水平不是很好的情况下得到准确的故障诊断，为合理安排检修及安全运行提供依据，减少不必要的浪费，对灰关联分析法进行加权计算关联度，可区别不同因素对故障的影响，使分析结果更具有说服力，将该方法用于变压器故障诊断，在排除故障的时候大大减轻了工作量，节省大量的人力资源。

一种基于加权灰色关联和模糊聚类的变压器故障诊断方法，如图1所示，包括以下步骤：

步骤1：实时采集变压器中的溶解气体浓度值，所述溶解气体包括乙炔、乙烯、甲烷、氢气和乙烷；

步骤2：利用模糊聚类算法求出数据矩阵的聚类，根据聚类结果确定准故障序列；

步骤2.1：将采集的变压器中的溶解气体浓度值、历史故障库中各变压器故障对应的历史溶解气体浓度值以数据矩阵形式表示；

设论域U＝{x₁,x₂,…,x_n}为采集的变压器中的溶解气体浓度值、历史故障库中各变压器故障对应的历史溶解气体浓度值，n＝10，每个变压器故障类型有m＝5个指标标示其性状，且变压器故障类型x_i＝{x_i1,x_i2,…,x_in}，(i＝1,2,…,n)，

得到的数据矩阵R₀表示如下：

$\left\{\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1m}\\ x_{21}& x_{22}& \·\·\·& x_{2m}\\ \·& \·& & \·\\ \·& \·& & \·\\ \·& \·& & \·\\ x_{n1}& x_{n2}& \·\·\·& x_{\mathrm{nm}}\end{array}\right\}$

其中，x_nm表示第n个变压器故障类型的第m个指标在变压器的历史故障库中的数据。

步骤2.2：根据平移-极差变换对数据矩阵中数据进行规格化处理；

根据模糊矩阵的要求，将数据压缩到[0,1]区间上。通常可作如下几种变换：

(1)平移-标准差变换

$x_{\mathrm{ik}}^{\′}=\frac{x_{\mathrm{ik}}-\stackrel{\‾}{x_k}}{s_k},(i=\mathrm{1,2},...,n;k=\mathrm{1,2},...,m)$

其中， $\stackrel{\‾}{x_k}=\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{x}_{\mathrm{ik}},s_k=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{i=1}^n{(x_{\mathrm{ik}}-\stackrel{\‾}{x_k})}^2}$

x′_ik不一定在区间[0,1]上。

(2)平移-极差变换

$x_{\mathrm{ik}}^{\′\′}=\frac{x_{\mathrm{ik}}-\min \left\{x_{\mathrm{ik}}\right|1\≤i\≤n\}}{\max \left\{x_{\mathrm{ik}}\right|1\≤i\≤n\}-\min \{x_{\mathrm{ik}}|1\≤i\≤n\}}$

显然有0≤x″_ik≤1,而且也消除了量纲的影响。

(3)对数变换

x″′_ik＝lgx_ik(i＝1,2,…,n；k＝1,2,…,m)

取对数以缩小变量间的数量级。

比较以上方法的特点，由于极差反映的是变量分布的变异范围和离散幅度，在总体中任何两个单位的标准值之差都不能超过极差。同时，它能体现一组数据波动的范围，并且它具有计算简单，含义直观，运用方便等优点，故本实施方式选用平移-极差变换来进行数据的规格化处理。

步骤2.3：根据算术平均最小法，构建数据矩阵的模糊相似关系矩阵R；

常用的构建模糊相似关系矩阵的方法如下：

数据矩阵的模糊相似关系矩阵R中的元素

其中，j＝1……10；

步骤2.4：利用确定模糊相似关系矩阵的最佳阈值λ∈[0,1]；

按实际需要，调整λ的值以得到适当的分类，而不需要事先准确的估计好样本应分为几类，当然，也可由具有丰富经验的专家结合专业知识确定阈值λ，从而得到在λ水平的分类。

步骤2.5：求模糊相似关系矩阵的聚类，根据模糊相似关系矩阵绘制λ-子树，利用λ-子树分析法进行聚类分析；

步骤2.5.1：根据模糊相似关系矩阵的最佳阈值，取模糊相似关系矩阵中不小于该最佳阈值的元素，其余舍去；

步骤2.5.2：针对模糊相似关系矩阵的每个顶点找出与其相似程度最大的顶点，将每个顶点及其相似程度最大的顶点进行连线同时标记权重，且连线中同一顶点只能经过一次，连线结果即子树；

步骤2.5.3：得到的子树的个数即分类数，与模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行同属于一类的数据行即准故障序列，模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行即待检序列；

反应变压器行为特征的待检序列为y(k)，影响变压器行为的准故障序列为x_i(k)；

步骤3：对待检序列与准故障序列进行加权灰色关联度分析，最终得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型，即得到变压器故障诊断结果。

步骤3.1：计算待检序列与准故障序列的关联系数ξ_i(k)；

${\mathrm{\ξ}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|y\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|y\left(k\right)-x_i\left(k\right)|}{|y\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|y\left(k\right)-x_i\left(k\right)|}$

其中，ρ∈(0，∞)，为分辨系数，y(k)为待检序列、x_i(k)为准故障序列，将ξ_i(k)的公式简化，记△_i(k)＝|y(k)-x_i(k)|，则

${\mathrm{\ξ}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }{\mathrm{\Δ}}_i\left(k\right)+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }{\mathrm{\Δ}}_i\left(k\right)}{{\mathrm{\Δ}}_i\left(k\right)+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }{\mathrm{\Δ}}_i\left(k\right)}$

其中，min_imin_k△_i(k)为两级最小差，max_imax_k△_i(k)为两级最大差，按具体情况具体选取：

(1)当分辨指标ε(k)为0时，分辨系数的取值0.5；

(2)当分辨指标ε(k)的倒数在0至2之间时，分辨系数ρ的取值为0.9倍的分辨指标的值；

(3)当分辨指标ε(k)的倒数在2至3之间时，分辨系数ρ的取值为1.1倍的分辨指标的值；

(4)当分辨指标ε(k)的倒数大于3时，分辨系数ρ的取值为1.4倍的分辨指标的值。

步骤3.2：计算待检序列中各溶解气体的组合权重w_i：

$w_i=\frac{w_{1i}{w}_{2i}}{{\mathrm{\Σ}}_{i=1}^n{w}_{1i}{w}_{2i}}$

其中，w_1i为采用基于专家评分的层次分析法确定的各溶解气体的主观权重，w_2i为采用超标倍数法确定的各溶解气体的客观权重，w_2i为第i种溶解气体标准化后的权重；C_i为第i种溶解气体的浓度实测值；S_i为第i种溶解气体浓度实测值的几何平均值；

步骤3.3：计算待检序列与准故障序列的加权关联度r_i；

$r_i=\frac{1}{N}\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_i{\mathrm{\ξ}}_i\left(k\right)\right]$

步骤3.4：根据加权关联度排序，得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型。

下面通过测得某变压器的油中溶解气体浓度值，利用本实施方式的变压器故障诊断方法进行故障诊断：

所需诊断的故障变压器中的溶解气体浓度值，如表1所示：

表1 待诊断变压器的溶解气体浓度值

历史故障库中各变压器故障对应的历史溶解气体浓度值，如表2所示：

表2 历史故障库中各变压器故障对应的历史溶解气体浓度值

编号	故障类型	编号	故障类型
				C1	线圈变形并匝间短路	C6	过负荷或冷却不良引起的绕组过热
C2	铁芯多点接地	C7	油流放电
				C3	漏磁引起箱壳及附近局部发热	C8	引线对地放电或发生闪落
C4	局部放电(油中气泡)	C9	铁芯段间短路
				C5	悬浮电位发电(火花放电)

将采集的变压器中的溶解气体浓度值、历史故障库中各变压器故障对应的历史溶解气体浓度值以数据矩阵形式表示为R₀：

$R_0=\left(\begin{array}{ccccc}11& 38& 13& 18& 0\\ 34& 22& 45& 3& 20\\ 155& 581& 215& 293& 142\\ 42& 59& 28& 8& 8\\ 148& 28& 24& 10& 2\\ 20& 20& 61& 7& 2\\ 97& 104& 237& 46& 0\\ 707& 115& 55& 11& 81\\ 3& 198& 701& 191& 0\\ 80& 214& 606& 82& 0\end{array}\right)$

再对R₀进行规格化处理；

根据算术平均最小法，构建模糊相似矩阵R：

$R=\left(\begin{array}{cccccccccc}1& 0.69& 0.053& 0.38& 0.27& 0.23& 0.22& 0.037& 0.082& 0.056\\ 0.69& 1& 0.67& 0.55& 0.29& 0.47& 0.16& 0.23& 0.023& 0.57\\ 0.053& 0.67& 1& 0.06& 0.072& 0.85& 0.34& 0.39& 0.23& 0.007\\ 0.38& 0.55& 0.06& 1& 0.47& 0.43& 0.34& 0.17& 0.15& 0.18\\ 0.27& 0.29& 0.072& 0.47& 1& 0.34& 0.71& 0.26& 0.06& 0.18\\ 0.23& 0.47& 0.85& 0.43& 0.34& 1& 0.25& 0.13& 0.09& 0.079\\ 0.22& 0.16& 0.34& 0.34& 0.71& 0.25& 1& 0.47& 0.72& 0.62\\ 0.037& 0.23& 0.39& 0.17& 0.26& 0.13& 0.47& 1& 0.14& 0.22\\ 0.082& 0.023& 0.23& 0.15& 0.06& 0.09& 0.72& 0.14& 1& 0.34\\ 0.056& 0.57& 0.007& 0.18& 0.18& 0.079& 0.62& 0.22& 0.34& 1\end{array}\right)$

确定模糊相似关系矩阵R的最佳阈值λ为0.5。利用λ-子树法进行分析后可得出聚类，与待检序列聚为同一类的为第C1，C2，C3，C9。

待检序列为Y＝[11 38 13 18 0]；

由上一步推测出的同类故障序列组成的矩阵如下，即准故障序列为：

$X=\left(\begin{array}{ccccc}34& 22& 45& 3& 20\\ 155& 581& 215& 293& 142\\ 42& 59& 28& 8& 8\\ 80& 214& 606& 82& 0\end{array}\right)$

计算得到分辨系数ρ＝0.48。

$\mathrm{\ϵ}\left(k\right)=\frac{{\mathrm{\Δ}}_v\left(k\right)}{{\max }_i{\max }_k{\mathrm{\Δ}}_i\left(k\right)},{\mathrm{\Δ}}_v\left(k\right)=\frac{1}{m}\sqrt{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Δ}}_i{\left(k\right)}^2}$

得： ${\mathrm{\Δ}}_i\left(k\right)=\left(\begin{array}{ccccc}23& 16& 32& 15& 20\\ 144& 543& 202& 275& 142\\ 31& 21& 15& 10& 8\\ 69& 176& 593& 64& 0\end{array}\right)$

计算待检序列与准故障序列的关联系数 ${\mathrm{\ξ}}_i\left(k\right)=\left(\begin{array}{ccccc}0.96& 0.97& 0.95& 0.98& 0.97\\ 0.80& 0.52& 0.75& 0.68& 0.80\\ 0.95& 0.97& 0.98& 0.98& 0.99\\ 0.90& 0.77& 0.50& 0.90& 1.00\end{array}\right)$

计算待检序列中各溶解气体的组合权重w_i：四种准故障序列的权重分别为：0.85；0.78；0.97；0.67。

计算待检序列与四种准故障序列的加权关联度分别为0.8211；0.5538；0.9448；0.5454。

根据加权关联度排序，得出变压器故障类型。由以上结果显然得出待检序列与故障类型C₃关联度最高，故障诊断结果为漏磁引起箱壳及附近局部发热。

Claims (3)

1.一种基于加权灰色关联和模糊聚类的变压器故障诊断方法，其特征在于：包括以下步骤：

步骤1：实时采集变压器中的溶解气体浓度值，所述溶解气体包括乙炔、乙烯、甲烷、氢气和乙烷；

步骤2：利用模糊聚类算法求出数据矩阵的聚类，根据聚类结果确定准故障序列；

步骤2.1：将采集的变压器中的溶解气体浓度值、历史故障库中各变压器故障对应的历史溶解气体浓度值以数据矩阵形式表示；

步骤2.2：根据平移-极差变换对数据矩阵中数据进行规格化处理；

步骤2.3：根据算术平均最小法，构建数据矩阵的模糊相似关系矩阵；

步骤2.4：确定模糊相似关系矩阵的最佳阈值；

步骤2.5：求模糊相似关系矩阵的聚类，根据模糊相似关系矩阵绘制λ-子树，利用λ-子树分析法进行聚类分析；

步骤2.5.1：根据模糊相似关系矩阵的最佳阈值，取模糊相似关系矩阵中不小于该最佳阈值的元素，其余舍去；

步骤2.5.2：针对模糊相似关系矩阵的每个顶点找出与其相似程度最大的顶点，将每个顶点及其相似程度最大的顶点进行连线同时标记权重，且连线中同一顶点只能经过一次，连线结果即子树；

步骤2.5.3：得到的子树的个数即分类数，与模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行同属于一类的数据行即准故障序列，模糊相似矩阵中采集的变压器中的溶解气体浓度值对应的数据行即待检序列；

步骤3：对待检序列与准故障序列进行加权灰色关联度分析，最终得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型，即得到变压器故障诊断结果。

2.根据权利要求1所述的基于加权灰色关联和模糊聚类的变压器故障诊断方法，其特征在于：所述步骤3按以下步骤执行：

步骤3.1：计算待检序列与准故障序列的关联系数；

步骤3.2：计算待检序列中各溶解气体的组合权重w_i：

$w_i=\frac{w_{1i}{w}_{2i}}{{\mathrm{\Σ}}_{i=1}^n{w}_{1i}{w}_{2i}}$

其中，w_1i为采用基于专家评分的层次分析法确定的各溶解气体的主观权重，w_2i为采用超标倍数法确定的各溶解气体的客观权重，w_2i为第i种溶解气体标准化后的权重；C_i为第i种溶解气体的浓度实测值；S_i为第i种溶解气体浓度实测值的几何平均值；

步骤3.3：计算待检序列与准故障序列的加权关联度；

步骤3.4：根据加权关联度排序，得出与待检序列关联度最高的序列，则此序列所对应的故障类型即为待检序列所属的故障类型。

3.根据权利要求2所述的基于加权灰色关联和模糊聚类的变压器故障诊断方法，其特征在于：所述步骤3.1中的待检序列与准故障序列的关联系数的分辨系数按如下原则选取：

(1)当分辨指标ε(k)为0时，分辨系数的取值0.5；

(2)当分辨指标ε(k)的倒数在0至2之间时，分辨系数的取值为0.9倍的分辨指标的值；

(3)当分辨指标ε(k)的倒数在2至3之间时，分辨系数的取值为1.1倍的分辨指标的值；

(4)当分辨指标ε(k)的倒数大于3时，分辨系数的取值为1.4倍的分辨指标的值。