CN104897784A - 基于耦合隐马尔可夫模型的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于耦合隐马尔可夫模型的变压器故障诊断方法，属于电力设备状态监测与故障诊断技术领域。本发明采用左右型隐马尔可夫链，一条链观测值输入油色谱中五种气体的测量值，另一条链观测值输入此五种气体对应的比值数值，进行变压器故障诊断。本发明保留了隐马尔可夫模型的优点，适宜对非平稳、重复再现性不佳的信号分析，能够结合多通道信息进行故障诊断。

Description

基于耦合隐马尔可夫模型的变压器故障诊断方法

技术领域

本发明属于电力设备状态监测与故障诊断技术领域，具体涉及一种基于变压器油色谱数据的变压器故障诊断方法。

背景技术

大型电力变压器是电力系统中重要的电气设备，其运行状态的好坏直接影响着电力系统的安全稳定运行，特别是对于需要长期运行的电力变压器而言，可靠性问题至关重要，一旦发生故障将会造成巨大的经济损失。随着现代电力系统朝着大容量、超特高压方向发展，对供电可靠性有了更高的要求，因此，对变压器进行故障诊断监测有着非常重要的意义。

油中溶解气体分析(Dissolved Gases Analysis，DGA)对发现变压器内部的潜伏性故障相当有效。当变压器内部发生故障或潜在故障时，将导致变压器的绝缘油中化学键发生变化而生成多种特征气体，包括碳水化合物气体和氢气(如氢气、甲烷、乙烷、乙烯和乙炔)等特征气体。当变压器运行于故障状态时，其油温会升高，根据热力动力学原理，随着温度的不同，将导致不同特征气体的容量不同，油中溶解气体分析方法就是根据这种原理来对变压器内部故障进行诊断。我国在1996年修订的《电力设备预防性试验规程》中，已将DGA列在对电力变压器预防性试验的首位。目前主要应用在DGA的标准主要有：IEEEC57.104-1991、Doernenberg’s Method(Doernenberg四比值法)、IEC60599导则、Daval三角形法等。

油色谱监测作为变压器DGA监测技术中最为成熟的技术之一，不仅效率达到85％以上，而且能够及时掌握变压器运行状况，尽早发现变压器内部存在的故障隐患，目前已被广泛应用于实际工程中。近年来国内外专家学者对此展开了大量的研究工作。

传统方法有基于注意值的判别，有基于比值法的判别，如上述的IEC60599导则，也有上述的Daval三角形法等图解法。智能技术和统计学习方法也广泛应用于DGA的分析，智能技术研究较多的有人工神经网络、模糊逻辑、专家系统、遗传算法、决策树、多元统计分析等，尤以人工神经网络方向的研究最为活跃，统计学习方法主要有隐马尔可夫模型、支持向量机和支持向量数据描述等。

隐马尔可夫模型(Hidden Markov Model，HMM)是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程(隐马尔可夫过程)。隐马尔可夫模型创立于20世纪70年代，80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。

隐马尔可夫模型中的隐马尔可夫过程是一个双重随机过程，不仅状态之间的转移是随机的，而且各状态下产生的观测值也是随机的。一个具有离散观测值的HMM可以由下列参数描述：

(1)N，模型的状态数目。记N个状态为S₁,S₂,…,S_N，t时刻模型所处的状态为q_t。显然，q_t∈(S₁,S₂,…,S_N)；

(2)M，每个状态下可能的观测值数目。记M个观测值为V₁,V₂,…,V_M；

(3)π，初始状态概率向量，π＝{π_i}，其中：π_i＝P(q_t＝S_i)1≤i≤N；

(4)A，状态转移概率矩阵，A＝{a_ij}，其中：a_ij＝P(q_t+1＝S_j,q_t＝S_i)1≤i,j≤N；

(5)B，观测值概率矩阵，B＝{b_j(k)}，其中：b_j(k)＝P(o_t＝v_k|q_t＝S_j)1≤j≤N,1≤k≤M。

一个HMM可以由参数N、M、π、A和B描述。为了简便，HMM简记为λ＝(π,A,B)。

耦合隐马尔可夫模型(Coupled Hidden Markov Model，CHMM)可以看作是多个HMM通过在它们的状态序列之间引入条件概率而得到的一种多HMM链模型。一个含有两条链的CHMM可以由下列参数描述(记c为链的序号，c＝1，2)：

(1)Q，模型的状态序列。由于模型由两条链组成，因此，任意时刻模型所处的状态为两条链分别所处的状态的组合，记第c条链的状态数目为N_c(两条链的状态数目可以相同，也可以不同。这可以根据实际应用情况进行选择)，那么，模型的状态数目为记第c条链的N_c个状态为t时刻第c条链所处的状态为记模型的第i个状态为t时刻模型所处的状态为那么，模型的状态序列为：

$Q=\{q_1,q_2,...,q_T\}=\{(q_1^1,q_1^2),(q_2^1,q_2^2),...,(q_T^1,q_T^2)\}$

(2)O，模型的观测值序列。同样，模型的观测值序列也包含两条链的观测值序列。记t时刻第c条链的观测值为t时刻模型的观测值为那么，模型观测值序列为 $O=\{o_1,o_2,...,o_T\}=\{(o_1^1,o_1^2),(o_2^1,o_2^2),...,(o_T^1,o_T^2)\}.$

(3)π，初始状态概率向量，π＝{π_i}。其中，π_i是t＝1时刻模型处于状态 $S_i=\{S_{i_1}^1,S_{i_2}^2\}$ 的先验概率，即 ${\mathrm{\π}}_i={\mathrm{\Π}}_{c=1}^2{\mathrm{\π}}_{i_c}^c={\mathrm{\Π}}_{c=1}^{2}P(q_1^c=S_{i_c}^c).$ 式中，表示t＝1时刻第c条链处于状态的先验概率。

(4)A，状态转移概率矩阵，A＝{a_ij}。其中，a_ij是模型从状态转移到状态 $S_j=\{S_{j_1}^1,S_{j_2}^2\}$ 的概率，即 $a_{i,j}={\mathrm{\Π}}_{c=1}^2{a}_{i,j_c}^c={\mathrm{\Π}}_{c=1}^{2}P(q_{t+1}^c=S_{j_c}^c|q_t=S_i).$ 式中，表示给定前一时刻模型处于状态的条件下，当前时刻第c条链处于状态

(5)B，观测值概率分布， $b_j\left(o_t\right)={\mathrm{\Π}}_{c=1}^2{b}_{i_c}^c\left(o_t^c\right)={\mathrm{\Π}}_{c=1}^{2}P\left(o_t^c\right|q_t^c=S_{i_c}^c).$ 式中，表示给定链c处于状态的条件下，链c产生观测值的概率。

CHMM同样可以简记为：λ＝(π,A,B)。

HMM有三个基本问题：1)评估问题：给定一个观察序列和模型，如何快速地计算给定模型的条件下观察序列的概率？2)解码问题：给定一个观察序列和模型，怎样寻找某种意义上最优的隐状态序列？3)学习问题：即HMM的模型参数未知，如何调整这些参数以使观测序列的概率尽可能的大？

针对HMM的三个基本问题，相应的算法是：1)评估问题：前向算法；2)解码问题：维特比算法(Viterbi)；3)学习问题：前向后向算法。

维特比算法(Viterbi)用于解决最优状态序列问题，即在给定模型参数和观测值序列的条件下，如何选择一个对应的状态序列来解释该观测序列。Viterbi算法如下：

定义δ_t(i)为模型参数的条件下，模型经历以t时刻的状态q_t＝S_i结尾的路径q₁,q₂,…,q_t，并产生o₁,o₂,…,o_t的联合概率的最大值，其中 $S_i=\{S_{i_1}^1,S_{i_2}^2\}.$

1)初始化  $\left\{\begin{array}{c}{\mathrm{\δ}}_1\left(i\right)={\mathrm{\π}}_i{b}_i\left(o_1\right)\\ {\mathrm{\ψ}}_1\left(i\right)=0\end{array}\right.,1\≤i\≤N$

2)递推    $\left\{\begin{array}{c}{\mathrm{\δ}}_t\left(j\right)=\max \left[{\mathrm{\δ}}_{t-1}\left(i\right)a_{i,j}\right]b_j\left(o_t\right)\\ {\mathrm{\ψ}}_t\left(j\right)=\arg \max \left[{\mathrm{\δ}}_{t-1}\left(i\right)a_{i,j}\right]\end{array}\right.,2\≤t\≤T,1\≤j\≤N$

3)终止    $\left\{\begin{array}{c}{P}^{*}=\max \left[{\mathrm{\δ}}_T\left(i\right)\right]\\ q_T^{*}=\arg \max \left[{\mathrm{\δ}}_T\left(i\right)\right]\end{array}\right.$

4)回溯    $q_t^{*}={\mathrm{\ψ}}_{t+1}\left(q_{t+1}^{*}\right),t=T-1,T-2,...,1$

解决学习问题的方法(前向后向算法)如下：

先定义两个后验概率：1)在给定模型参数和观测值序列的条件下，t时刻模型处于状态并且t+1时刻第c条链处于状态的联合概率 ${\mathrm{\ξ}}_t^c(i,j)=P(q_t=S_i,q_{t+1}^c=S_j^c|O,\mathrm{\λ});$ 2)在给定模型参数和观测序列的条件下，t时刻第c条链处于状态的概率

使用最大期望(Expectation Maximization，EM)算法进行参数重估，步骤如下：

1)初始化模型参数；

2)E步骤：根据递推计算前向变量α_t(i)和后向变量β_t(i)，进而求得后验概率和

其中， ${\mathrm{\α}}_t\left(i\right)=P(o_1^1,o_1^2,o_2^1,o_2^2,...,o_t^1,o_t^2,{\mathrm{\α}}_t=S_i|\mathrm{\λ}),$ 求法如下：

(a)初始化 α₁(i)＝π_ib_i(o₁)

(b)递推   a_t(j)_＝Σ_jα_t-1(i)a_i,jb_j(o_t) (t＝T-1,T-2，…，1)

(c)终止   P(O|λ)＝Σ_iα_T(i)

${\mathrm{\β}}_t\left(i\right)=P(o_{t+1}^1,o_{t+1}^2,o_{t+2}^1,o_{t+2}^2,...,o_T^1,o_T^2|q_t=S_i,\mathrm{\λ}),$ 求法如下：

(a)初始化 β_T(i)＝1

(b)递推   β_t(i)＝Σ_jβ_t+1(j)a_i,jb_j(o_t+1) (t＝T-1,T-2,…,1)

(c)终止   P(O|λ)＝Σ_iβ_t(j)α_t(i)

3)M步骤：根据后验概率更新模型参数；

4)迭代：以重估后的模型参数作为新的初始模型参数，重复E步骤和M步骤，直到概率收敛。

发明内容

本发明目的是：为了基于耦合隐马尔可夫模型，提出一种新的基于变压器油色谱数据的变压器故障诊断方法，该方法保留了隐马尔可夫模型的优点，适宜对非平稳、重复再现性不佳的信号分析，能够结合多通道信息进行故障诊断。

具体地说，本发明是采用以下技术方案实现的，包括以下步骤：

1)根据获得的油色谱数据，训练耦合隐马尔可夫模型，具体过程如下：

1-1)获得用于训练耦合隐马尔可夫模型的油色谱数据，该数据要求为已明确故障类型或正常状态的数据，在训练各类的模型参数时使用对应状态的数据；

上述数据内容为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值；

1-2)对步骤1-1)获得的五种气体的测量值进行数据处理，包括根据五种气体的测量值得到气体测量值的比值和对五种气体的测量值进行量化处理；

对五种气体的测量值进行量化处理的具体过程为：：先进行归一化处理，降低测量值的幅值，使测量值归一化在0-1范围内，方法为以各特征气体除以特征气体总和的方式对数据归一化；然后进行标量量化处理，将测量值转化为离散型耦合隐马尔可夫模型要求观测值为有限的离散数值，处理方法为根据特征气体幅值等分为多个区域并升序排列，将各区域映射为各个离散值，在此基础上确定测量值对应的离散数值；

1-3)初始化耦合隐马尔可夫模型，该模型选用左右型隐马尔可夫链，隐马尔可夫链1隐状态数设定为4，用于输入五种气体的测量值，隐马尔可夫链2隐状态数设定为3，用于输入五种气体的测量值的比值，均匀选取或者任意选取模型的参数π、A和B；

1-4)利用维特比Viterbi算法求取模型的状态序列；

1-5)根据步骤1-4)求得的状态序列求取模型的观测值概率矩阵；

1-6)对模型进行参数重估使得模型产生观测序列的概率最大；

1-7)判断是否达到设定的收敛条件，若未收敛则转到步骤1-4)进入下一循环，若收敛则完成训练，得到模型的参数；所述收敛条件为连续两次重估的模型参数对应的概率增量小于给定的阈值；

2)根据测量的数据，对变压器故障进行诊断，具体过程如下：

2-1)获得用于故障诊断的数据，数据为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值，按照步骤1-2)的方法对测量值进行数据处理，将数据处理后得到的相应的气体测量值的比值以及五种气体的测量值输入相应的隐马尔可夫链；

2-2)根据步骤1)完成训练后得到的模型参数，得到对应变压器各状态的耦合隐马尔可夫模型；

2-3)根据对应变压器各状态的耦合隐马尔可夫模型，比较各个状态的耦合隐马尔可夫模型的概率输出值；

2-4)将概率输出值最大的模型的对应状态确定为变压器所处状态，从而完成故障诊断。

上述技术方案的进一步特征在于，所述用于训练耦合隐马尔可夫模型的油色谱数据，可以是在线监测数据，也可以是离线测试数据。

上述技术方案的进一步特征在于，所述气体测量值的比值为5种，分别是CH₄/H₂，C₂H₂/C₂H₄，C₂H₂/CH₄，C₂H₆/C₂H₂，C₂H₆/C₂H₄。

本发明的有益效果如下：隐马尔可夫模型作为一种强有力的统计分析模型，特别适合重复性较差、非平稳的时序信号。作为对隐马尔可夫模型的拓展，耦合隐马尔可夫模型使用多个隐马尔可夫模型链结构，改进了隐马尔可夫模型单状态贝叶斯网络结构会限制其多通道建模能力的不足，可以更准确详尽地描述数据的统计特性。本发明在耦合隐马尔可夫模型上进行基于变压器油色谱数据的变压器故障诊断，保留隐马尔可夫模型的优点，适宜对非平稳、重复再现性不佳的信号分析，能够结合多通道信息进行故障诊断。

附图说明

图1为本发明方法使用的耦合隐马尔可夫模型图。

图2为本发明耦合隐马尔可夫模型参数训练流程图。

图3为本发明基于耦合隐马尔可夫模型的变压器故障诊断流程图。

具体实施方式

下面参照附图并结合实例对本发明作进一步详细描述。

本发明基于耦合隐马尔可夫模型进行基于变压器油色谱数据的变压器故障诊断，主要包括2个步骤。

步骤1是根据获得的油色谱数据，训练耦合隐马尔可夫模型，具体过程如如图2所示：

1-1)获得用于训练耦合隐马尔可夫模型的油色谱数据，既可以是在线监测数据，也可以是离线测试数据。该数据要求为已明确故障类型或正常状态的数据，在训练各类的模型参数时使用对应状态的数据。上述数据内容为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值。

1-2)根据步骤1-1)获得的五种气体的测量值得到气体测量值的比值；同时在此步骤中还对五种气体的测量值进行量化处理：先进行归一化处理，降低测量值的幅值，使测量值归一化在0-1范围内，方法为以各特征气体除以特征气体总和的方式对数据归一化；然后进行标量量化处理，将测量值转化为离散型耦合隐马尔可夫模型要求观测值为有限的离散数值，处理方法为根据特征气体幅值等分为多个区域并升序排列，将各区域映射为各个离散值，在此基础上确定测量值对应的离散数值。本实施例中气体测量值的比值为5种，分别是CH₄/H₂，C₂H₂/C₂H₄，C₂H₂/CH₄，C₂H₆/C₂H₂，C₂H₆/C₂H₄。即在Doernenberg四比值法的基础上再添加一个比值C₂H₆/C₂H₄。

1-3)初始化耦合隐马尔可夫模型，该模型选用左右型隐马尔可夫链，隐马尔可夫链1隐状态数设定为4，用于输入五种气体的测量值，隐马尔可夫链2隐状态数设定为3，用于输入五种气体的测量值的比值，均匀选取或者任意选取模型的参数π、A和B。模型的基本结构如图1所示。

1-4)利用维特比Viterbi算法求取模型的状态序列。维特比Viterbi算法的具体过程已在背景技术中做了介绍，且为本领域的公知技术，故不再赘述。

1-5)根据步骤1-4)求得的状态序列求取模型的观测值概率矩阵。具体求解过程均为本领域的公知技术，故不再赘述。

1-6)对模型进行参数重估使得模型产生观测序列的概率最大。重估的方法可采用背景技术中介绍的解决学习问题的方法完成，由于为本领域的公知技术，故不再赘述。

1-7)判断是否达到设定的收敛条件，若未收敛则转到步骤1-4)进入下一循环，若收敛则完成训练，得到模型的参数。收敛条件为连续两次重估的模型参数对应的概率增量小于给定的阈值。

步骤2是根据测量的数据，对变压器故障进行诊断，具体过程如图3所示。

2-1)获得用于故障诊断的数据，数据为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值，按照步骤1-2)的方法对测量值进行数据处理，将数据处理后得到的相应的气体测量值的比值以及五种气体的测量值输入相应的隐马尔可夫链。

2-2)根据步骤1)完成训练后得到的模型参数，得到对应变压器各状态的耦合隐马尔可夫模型。

2-3)根据对应变压器各状态的耦合隐马尔可夫模型，比较各个状态的耦合隐马尔可夫模型的概率输出值。

2-4)将概率输出值最大的模型的对应状态确定为变压器所处状态，从而完成故障诊断。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (3)

1.一种基于耦合隐马尔可夫模型的变压器故障诊断方法，其特征在于，包括以下步骤：

1）根据获得的油色谱数据，训练耦合隐马尔可夫模型，具体过程如下：

1-1）获得用于训练耦合隐马尔可夫模型的油色谱数据，该数据要求为已明确故障类型或正常状态的数据，在训练各类的模型参数时使用对应状态的数据；

上述数据内容为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值；

1-2）对步骤1-1）获得的五种气体的测量值进行数据处理，包括根据五种气体的测量值得到气体测量值的比值和对五种气体的测量值进行量化处理；

对五种气体的测量值进行量化处理的具体过程为：先进行归一化处理，降低测量值的幅值，使测量值归一化在0-1范围内，方法为以各特征气体除以特征气体总和的方式对数据归一化；然后进行标量量化处理，将测量值转化为离散型耦合隐马尔可夫模型要求观测值为有限的离散数值，处理方法为根据特征气体幅值等分为多个区域并升序排列，将各区域映射为各个离散值，在此基础上确定测量值对应的离散数值；

1-3）初始化耦合隐马尔可夫模型，该模型选用左右型隐马尔可夫链，隐马尔可夫链1隐状态数设定为4，用于输入五种气体的测量值，隐马尔可夫链2隐状态数设定为3，用于输入五种气体的测量值的比值，均匀选取或者任意选取模型的参数π、A和B；

1-4）利用维特比Viterbi算法求取模型的状态序列；

1-5）根据步骤1-4）求得的状态序列求取模型的观测值概率矩阵；

1-6）对模型进行参数重估使得模型产生观测序列的概率最大；

1-7）判断是否达到设定的收敛条件，若未收敛则转到步骤1-4）进入下一循环，若收敛则完成训练，得到模型的参数；所述收敛条件为连续两次重估的模型参数对应的概率增量小于给定的阈值；

2）根据测量的数据，对变压器故障进行诊断，具体过程如下：

2-1）获得用于故障诊断的数据，数据为油中溶解的氢气、甲烷、乙烷、乙烯和乙炔这五种气体的测量值，按照步骤1-2）的方法对测量值进行数据处理，将数据处理后得到的相应的气体测量值的比值以及五种气体的测量值输入相应的隐马尔可夫链；

2-2）根据步骤1）完成训练后得到的模型参数，得到对应变压器各状态的耦合隐马尔可夫模型；

2-3）根据对应变压器各状态的耦合隐马尔可夫模型，比较各个状态的耦合隐马尔可夫模型的概率输出值；

2-4）将概率输出值最大的模型的对应状态确定为变压器所处状态，从而完成故障诊断。

2.根据权利要求1所述的基于耦合隐马尔可夫模型的变压器故障诊断方法，其特征在于，所述用于训练耦合隐马尔可夫模型的油色谱数据，可以是在线监测数据，也可以是离线测试数据。

3.根据权利要求1所述的基于耦合隐马尔可夫模型的变压器故障诊断方法，其特征在于，所述气体测量值的比值为5种，分别是 CH ₄/H ₂，C ₂ H ₂/C ₂ H ₄，C ₂ H ₂/CH ₄，C ₂ H ₆/C ₂ H ₂，C ₂ H ₆/C ₂ H ₄  。