CN104360194A - 一种智能电网故障诊断方法 - Google Patents
一种智能电网故障诊断方法 Download PDFInfo
- Publication number
- CN104360194A CN104360194A CN201410647511.2A CN201410647511A CN104360194A CN 104360194 A CN104360194 A CN 104360194A CN 201410647511 A CN201410647511 A CN 201410647511A CN 104360194 A CN104360194 A CN 104360194A
- Authority
- CN
- China
- Prior art keywords
- value
- attribute
- power grid
- smart power
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能电网故障诊断方法,该在线故障诊断方法基于粗糙集理论,利用遗传算法获得的适应值函数对取得的数据进行离散化、属性简约和值简约,获得最终的故障诊断规则。该方法利用了遗传算法的进化特性,可以提高故障判断的精度以及针对性。
Description
技术领域
本发明涉及电力配电系统故障诊断技术领域,特别涉及一种智能电网故障诊断方法。
背景技术
安全、稳定的供电系统是国民经济发展的重要基础,是现代工业社会和谐发展的必要条件。电力变压器是电力系统中的重要枢纽设备,其运行的可靠性直接关系到电力系统的安全性与稳定性。目前大型变压器在运行中出现异常现象的情况时有发生,对电网的安全运行造成了严重威胁。
国内电力系统中大多数电力变压器采用绝缘油对内部系统进行散热和绝缘,而变压器处于不同运行状态时,其绝缘油中溶解气体组分和浓度各不相同,对油中溶解气体进行采样和分析,即可推断出变压器的运行状态,可以有效地对变压器进行故障诊断。然而变压器结构的复杂性以及故障原因、故障现象和故障机理的多样性、随机性和模糊性,使得其绝缘故障诊断存在许多困难。利用油中溶解气体分析(DGA, Dissolved Gas Analysis)方法,检测油浸变压器内部故障,已成为对其进行绝缘监督的重要手段。但是故障特征气体与故障之间存在复杂的非线性关系,传统的IEC三比值法和无编码比值法判断过于简单化,且存在比值盲区问题,往往不能对故障进行准确的诊断。
近年来,众多人工智能方法被单独或交叉应用于DGA故障诊断表的建立中,且不同程度的改善了故障表的适应性。粗糙集理论是Pawlak教授于1991年提出的一种分析和处理不精确、不一致、不完整数据的方法,其能够在保留关键信息前提下,对知识处理求得知识的最小表达。粗糙集理论的应用,能够优先对属性进行约简,解决不完备信息情况下的变压器故障诊断问题。粗糙集理论中,属性简约是分类规则获取的关键步骤。现有研究中,如粗糙集与贝叶斯网络相结合,或粗糙集与IEC三比值法相结合等诊断方法,多基于可辨识矩阵,离散化多基于专家经验,简约后得到的诊断规则缺少针对性。
发明内容
本发明所解决的技术问题克服上面所述目前存在的技术缺陷,而目的提供一种基于改进粗糙集约简算法的配电系统在线故障诊断方法,特别是配电变压器故障诊断方法,以提高故障诊断的针对性。
本发明提供了一种智能电网故障诊断方法,它包括配电变压器的故障诊断方法,其该方法包括以下步骤:
a.采集特征气体浓度数据;
b.存入数据库;
c.形成原始信息表;
d.结合遗传算法的适应函数,利用粗糙集理论,将原始信息表进行连选属性离散化,形成离散化信息表;
e.结合遗传算法的适应函数,进行属性简约和值简约,其中,适应值函数如式1所示,其中f(a)是约简的相对冗余度,P(a)是惩罚函数,C0是预设阈值, 为元素a的重要度,,为第j条条件属性,为第i条决策属性;α值使得惩罚函数P(a)在C(a)<C0时近似为1,在C(a)>C0时迅速衰减为0;群体进化早期取值较小,群体进化后期,取值逐渐增大;
式1
f.判断是否存在故障以及故障种类;
g.显示故障信息。
本发明中所提取的特征气体包括H2,CH4,C2H6,C3H8,C2H4,C3H6,C2H2,C3H4,CO2,C0,CH4/ H2,C2H6/ CH4,C2H4/ C2H6,C2H2/ C2H4,C2H6/ C2H2和C2H2/ CH4。
本发明上述步骤中,还存在步骤(1-2),其位于步骤(1)和步骤(2)之间,计算特征气体浓度变化速率,判断产气速率是否超临界值,如果超过临界值则执行步骤(7),如果不超过临界值,则执行步骤(2)。
本发明还提供一种利用权利要求1所述方法诊断变压器故障的变压器故障诊断装置,其包括检测模块、控制模块,判断模块、显示模块以及接口模块,其中检测模块获得特征气体的浓度数据,控制模块基于权利要求1所述的方法获得决策标准,判断模块基于检测模块获得的气体浓度数据,判断故障种类。
具体实施方式
本发明的基于遗传算法进行约简的粗糙集变压器故障诊断方法的具体方法结合实施例进行说明。
采集特征气体浓度数据,其中特征气体包括H2,CH4,C2H6,C3H8,C2H4,C3H6,C2H2,C3H4,CO2,C0,CH4/ H2,C2H6/ CH4,C2H4/ C2H6,C2H2/ C2H4,C2H6/ C2H2,C2H2/ CH4等共16个数据。只有气体的浓度位于非正常状态下,其比值才有意义。
针对某特性型号220kV变压器,将气体数据的来源作为条件属性,对应2组决策属性,F为故障现象,包括电弧或分接开关故障(A)、热或分接开关故障(B)、火花(油)或分接开关故障(C)、热(油+纸)或分接开关故障(D)、火花(E)、局部放电(F)、无故障(J)5种,L为故障严重程度,分轻微(1)、中等(2)、严重(3)和危急(4)共4种。根据该型号变压器的历史数据可形成233个原始决策规则。
将连续属性进行区间分割以后,每个属性可以表达为若干个连续区间的组合形式,可以用一个与可辨识矩阵类似的形式对其进行表达:
则心的信息系统样本数满足:
式中:为区间中属于的样本数;为区间中的样本数;为分类中的样本数。
属性约简过程可以用如下形式可辨识矩阵进行表达:
值约简过程用类似可辨识矩阵的形式表达:
由此可发现无论连续属性离散化、属性约简还是值约简中的可辨识矩阵形式都是类似的,仅仅是析取式组成元素所代表的内同不同,这对约简的本质没有影响,因此以上问题均可转化为可辨识矩阵的处理问题。如果可辨识矩阵中某些元素未包含核,说明该决策表中存在一些无法由核判断决策的记录 所有这些不包含核的元素组合当中,必然每个组合都至少有一个元素应当成为约简后被保留项,否则决策表中的某些记录将无法识别。通过可辨识矩阵的建立,能够获得核信息以及其他无效元素,并且能够考察各个元素对于决策分类的贡献,有效压缩了遗传算法约简的数据量。
遗传算法是一个并行全局寻优的过程,具有一定的随机性。适应值函数是遗传算法指导搜索的唯一信息,对于粗糙集约简应尽可能在不损失分类信息的基础上的得到包含尽可能多的信息量。而冗余度作为约简掉的元素与总元素的比值,有效的反应了约简结果对原始数据的分类处理能力。将元素对决策的支持程度作为惩罚函数加入遗传算法的适应值函数,得到的适应值函数为
式中:是约简的相对冗余度,的目的是希望中所含条件属性的个数尽可能小且包含信息尽可能多;是惩罚函数,的目的是希望中所含条件属性对决策属性的支持度尽可能大;在群体进化早期取值较小,群体进化后期,取值逐渐增大,从而保证了遗传算法的执行效率。C0是预设阈值, 为元素a的重要度,,为第j条条件属性,为第i条决策属性;α值使得惩罚函数P(a)在C(a)<C0时近似为1,在C(a)>C0时迅速衰减为0。由此适应值函数可获得知识约简问题的相对最佳搜索结果。
通过上述遗传算法的连续属性离散化、属性约简和值约简,最终获得的各个约简后属性的断点值为:{H2:317.233 5,703.567 8},CH4:{245.201 2},C2H2:{46.844 1,97.205 5},CO:{412.632 3},C3H6:{17.388 0},C2H4/C2H6:{0.951 3,2.854 4},C2H2/C2H4:{0.095 1,2.900 2},C2H2/CH4:{0.285 5}}(μL/L),各个分段区间按由小到大的顺序分别对应编号为0、1或2,则获得的最终约简结果如表1所示。
表1 最终约简结果
H2 | CH4 | C2H2 | CO | C3H6 | C2H2/CH4 | C2H2/C2H4 | C2H4/C2H6 | F | L |
* | 0 | * | * | * | 1 | 1 | * | A | 1 |
1 | * | 1 | * | * | 1 | 1 | * | A | 2 |
1 | 0 | 1 | * | * | 1 | 1 | * | A | 3 |
2 | * | 1 | * | 1 | 1 | 1 | * | A | 4 |
* | 1 | 1 | 0 | 0 | * | 0 | 0 | B | 1 |
* | 1 | 1 | 0 | * | * | 0 | 0 | B | 3 |
* | 1 | 2 | 0 | * | * | 0 | 1 | B | 4 |
* | 1 | 1 | 0 | 1 | * | 0 | 1 | B | 4 |
0 | 1 | 0 | * | * | 0 | * | * | C | 2 |
2 | 0 | 1 | * | * | 1 | 2 | * | C | 3 |
2 | 0 | 2 | * | * | 1 | 2 | * | C | 4 |
* | 1 | 1 | 1 | * | * | 0 | 1 | D | 2 |
* | 1 | * | 1 | * | * | * | 2 | D | 3 |
* | 1 | 2 | 1 | * | * | 0 | 1 | D | 4 |
1 | * | 2 | * | * | 1 | * | * | D | 3 |
2 | * | 2 | 0 | * | 1 | 2 | * | D | 4 |
2 | * | 2 | * | 1 | 1 | 2 | * | D | 4 |
1 | 0 | * | * | 0 | 1 | 0 | 2 | F | 2 |
1 | 1 | * | * | 0 | * | 0 | 2 | F | 3 |
2 | * | * | * | 1 | 1 | 0 | 2 | F | 3 |
2 | 1 | 2 | * | * | 1 | 0 | 2 | F | 4 |
0 | 0 | 0 | 0 | 0 | * | * | * | J | 0 |
对于最终获得的决策表,给定一组气体采样记录进行测试,数据如图2所示。
表2 测试气体分组记录 μL/L
H2 | CH4 | C2H2 | C2H4 | C2H6 | CO | CO2 | C3H4 | C3H6 | C3H8 |
300 | 290 | 3 | 500 | 67 | 440 | 5100 | 3 | 12 | 7 |
根据该组测试结果可以确定,故障判断结果为C(2)和D(3),即火花(油)或分接开关中等程度故障、热(油+纸)或分接开关严重程度故障。实际检测发现高压引线对套管导电管放电,外包绝缘纸烧损造成火花放电,中压开关B相局部烧伤轭铁夹件螺钉形成环路,漏磁发热造成屏蔽线外包绝缘纸和油发热,与本文的结果基本吻合。
此外,依照本发明的另一个实施例,还提供一种变压器故障诊断装置,包括检测模块、控制模块,判断模块、显示模块以及接口模块。其中检测模块获得特征气体的浓度数据,控制模块基于权利要求1所述的方法获得决策标准,判断模块基于检测模块获得的气体浓度数据,判断故障种类。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定 。
Claims (4)
1.一种智能电网故障诊断方法,包括配电变压器的故障诊断方法,包括以下步骤:
采集特征气体浓度数据;
存入数据库;
形成原始信息表;
利用粗糙集理论,将原始信息表进行连选属性离散化,形成离散化信息表;
结合遗传算法的适应函数,进行属性简约和值简约,其中,适应值函数如式1所示,其中f(a)是约简的相对冗余度,P(a)是惩罚函数,C0是预设阈值, 为元素a的重要度,,为第j条条件属性,为第i条决策属性;α值使得惩罚函数P(a)在C(a)<C0时近似为1,在C(a)>C0时迅速衰减为0;群体进化早期取值较小,群体进化后期,取值逐渐增大;
式1
(6)判断是否存在故障以及故障种类;
(7)显示故障信息。
2.如权利要求1所述的智能电网故障诊断方法,其中特征气体包括H2,CH4,C2H6,C3H8,C2H4,C3H6,C2H2,C3H4,CO2,C0,CH4/ H2,C2H6/ CH4,C2H4/ C2H6,C2H2/ C2H4,C2H6/ C2H2和C2H2/ CH4。
3.如权利要求1所述的智能电网故障诊断方法,其中在步骤(2)之前,还存在步骤(1-2),其计算特征气体浓度变化速率,判断产气速率是否超临界值,如果超过临界值则执行步骤(7),如果不超过临界值,则执行步骤(2)。
4.一种利用权利要求1所述智能电网故障诊断方法来诊断变压器故障的配电变压器故障诊断装置,其包括检测模块、控制模块,判断模块、显示模块以及接口模块,其中检测模块获得特征气体的浓度数据,控制模块基于权利要求1所述的方法获得决策标准,判断模块基于检测模块获得的气体浓度数据,判断故障种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410647511.2A CN104360194A (zh) | 2014-11-17 | 2014-11-17 | 一种智能电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410647511.2A CN104360194A (zh) | 2014-11-17 | 2014-11-17 | 一种智能电网故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104360194A true CN104360194A (zh) | 2015-02-18 |
Family
ID=52527476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410647511.2A Pending CN104360194A (zh) | 2014-11-17 | 2014-11-17 | 一种智能电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104360194A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN108363630A (zh) * | 2018-01-23 | 2018-08-03 | 浙江中新电力发展集团有限公司萧山科技分公司 | 智能电网的故障判断系统 |
CN110618347A (zh) * | 2018-06-20 | 2019-12-27 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
CN111487563A (zh) * | 2020-05-15 | 2020-08-04 | 国网江苏省电力有限公司电力科学研究院 | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 |
CN114090652A (zh) * | 2021-11-12 | 2022-02-25 | 国网重庆市电力公司电力科学研究院 | 一种智能变电站故障诊断与跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
CN101551428A (zh) * | 2009-05-12 | 2009-10-07 | 东北大学 | 一种基于粗糙集理论变压器故障诊断装置及诊断方法 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102879677A (zh) * | 2012-09-24 | 2013-01-16 | 西北工业大学 | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
-
2014
- 2014-11-17 CN CN201410647511.2A patent/CN104360194A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251564A (zh) * | 2008-04-08 | 2008-08-27 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN101266279A (zh) * | 2008-05-09 | 2008-09-17 | 东北大学 | 一种电网故障诊断装置及方法 |
CN101551428A (zh) * | 2009-05-12 | 2009-10-07 | 东北大学 | 一种基于粗糙集理论变压器故障诊断装置及诊断方法 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102879677A (zh) * | 2012-09-24 | 2013-01-16 | 西北工业大学 | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
Non-Patent Citations (2)
Title |
---|
孙秋野等: "基于改进粗糙集约简算法的配电系统在线故障诊断", 《中国电机工程学报》 * |
孙秋野等: "基于粗糙集合遗传算法的变压器故障诊断方法", 《仪器仪表学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574589A (zh) * | 2016-01-07 | 2016-05-11 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN105574589B (zh) * | 2016-01-07 | 2018-03-23 | 西安工程大学 | 基于小生境遗传算法的变压器油色谱故障诊断方法 |
CN108363630A (zh) * | 2018-01-23 | 2018-08-03 | 浙江中新电力发展集团有限公司萧山科技分公司 | 智能电网的故障判断系统 |
CN108363630B (zh) * | 2018-01-23 | 2019-08-16 | 浙江中新电力工程建设有限公司自动化分公司 | 智能电网的故障判断系统 |
CN110618347A (zh) * | 2018-06-20 | 2019-12-27 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
CN110618347B (zh) * | 2018-06-20 | 2022-04-01 | 南京理工大学 | 一种基于小波变换和粗糙集理论的区域电网故障诊断方法 |
CN111487563A (zh) * | 2020-05-15 | 2020-08-04 | 国网江苏省电力有限公司电力科学研究院 | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 |
CN111487563B (zh) * | 2020-05-15 | 2022-02-15 | 国网江苏省电力有限公司电力科学研究院 | 基于遗传算法及属性支持度的变压器状态知识获取方法及设备 |
CN114090652A (zh) * | 2021-11-12 | 2022-02-25 | 国网重庆市电力公司电力科学研究院 | 一种智能变电站故障诊断与跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104730378B (zh) | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 | |
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
Hernanda et al. | Application of health index method for transformer condition assessment | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN105675802A (zh) | 一种变压器故障的诊断方法 | |
CN102621421A (zh) | 一种基于关联分析与变权重系数的变压器状态评估方法 | |
CN106203863A (zh) | 一种综合多源信息的电力变压器全量状态评价模型 | |
CN103995172B (zh) | 变电站gis母线负荷电流在线监测方法 | |
CN106682080A (zh) | 一种变压器故障分析方法及系统 | |
CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
CN117590223B (zh) | 断路器的在线监测系统及其方法 | |
CN103234576A (zh) | 一种用于智能变电站中电力设备的状态监测系统 | |
CN105223293A (zh) | 基于油色谱在线监测的变压器状态预警方法 | |
CN111008485A (zh) | 基于神经网络的三相交流异步电机多参数寿命预测方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN114154728A (zh) | 一种故障预测方法、装置、电子设备及存储介质 | |
Khan et al. | ANFIS based identification and location of paper insulation faults of an oil immersed transformer | |
Lu et al. | Transformer fault diagnosis method based on graph theory and rough set | |
Bhalla et al. | Transformer incipient fault diagnosis based on DGA using fuzzy logic | |
Dhote et al. | Improvement in transformer diagnosis by DGA using fuzzy logic | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
Meléndez et al. | Analysis of sequences of events for the characterisation of faults in power systems | |
Quan et al. | The application of Bayesian network theory in transformer condition assessment | |
CN204269740U (zh) | 智能电网故障自愈控制装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150218 |
|
RJ01 | Rejection of invention patent application after publication |