CN105891629A - 一种变压器设备故障的辨识方法 - Google Patents

Abstract

本发明公布了一种变压器设备故障的辨识方法，其特征在于，具体步骤如下：（1）数据预处理；（2）常见故障模式的判断；（3）故障模式的诊断：使用状态量关联规则分析方法，对被挖掘的主变压器设备的若干个故障异常状态量的组合、被挖掘的主变压器设备故障异常状态量不同表征进行提取与合并、故障异常状态量之间的相互影响程度进行分析，最后进行故障模式的诊断；所述聚类分析方法包括凝聚层次聚类法或k‑Means聚类方法；所述状态量关联规则分析方法为Apriori关联规则算法。本发明能够充分合理的挖掘可能影响主变压器设备状态的多种有效信息进行状态评价，为主变压器设备的状态评价提供了新的思路和方法。

Description

一种变压器设备故障的辨识方法

技术领域

本发明属于输变电状态评价与故障诊断技术领域，特别涉及一种变压器设备故障的辨识方法，具体是一种基于k-Means聚类算法和相关性分析的主变压器设备故障的辨识方法。

背景技术

输变电设备的安全是电网安全、可靠、稳定运行的基础，对电网意义重大。对设备状态进行有效、准确的评估、诊断和预测，可显著提高供电可靠性，并将提升电网运行智能化水平。

国外开展高压电力设备状态监测、评估与故障诊断技术研究较早，早在1951年，美国西屋公司的工程人员便针对正在正常运行中的发电机由于线槽放电而导致电机损坏的现象进行了监测和诊断；20世纪70年代前，苏联、日本、美国、德国、加拿大等发达国家在输变电设备带电、在线监测方面进行了较多的探索，首先开拓了在线监测技术研究领域，研制了变压器油中溶解气体，变压器、GIS等的局部放电；20世纪90年代后，随着传感器、计算机、网络通信等技术的发展，设备状态监测和诊断技术发展迅猛，测量方法也不断改进，监测对象从变电设备逐渐扩展到输电设备，状态信息也日益丰富，同时还出现一些其他通过非电量测量来反映设备状况的测试仪器，如超高频局部放电检测、气相色谱传感器、光纤温度在线测量、红外装置、超声装置等。

我国电力系统设备的状态监测和评估研究开始于20世纪70-80年代，上世纪80年代开始，在线监测技术的研究奠定了我国发展状态评估技术的基础；近10年来，国内一次设备的带电检测和在线监测系统应用较为广泛，尤其随着智能电网的建设和发展，在线监测技术得到迅速的推广和应用；近年来，我国的电网企业在设备运行维护领域进行了大量的探索和尝试，逐步认识到准确掌握设备状态信息的重要价值，并已经开始推广以状态评价为基础的检修管理策略。

目前我国电网公司使用较为广泛的输变电设备状态评价方法包括设备状态打分制方法、专家系统方法、基于传统机器学习的多维度设备状态评价方法以及引入远程专家意见的样本训练方法等；然而，近年来随着智能监测设备的发展，输变电设备的状态参量数据量呈指数级上升；且设备状态数据来源于多个不同系统；传统的状态评价方法无法处理此类多源异构的海量数据。

发明内容

本发明针对以上问题，本发明目的是提供一种基于k-Means聚类算法和相关性分析的主变压器设备故障的辨识方法，以充分合理的挖掘可能影响主变压器设备状态的多种有效信息 进行状态评价，为主变压器设备的状态评价提供了新的思路和方法。

为了达到上述目的，本发明是这样实现的：

一种变压器设备故障的辨识方法，具体步骤如下：

(1)数据预处理：将待挖掘主变压器设备的故障异常状态数据进行收集，根据故障异常状态数据的不同表征对故障异常状态量参量赋值；

所述故障异常状态数据的不同表征为油位指示情况、渗漏油检查情况、瓷套爬电情况或者外绝缘配置瓷质绝缘破损情况；

(2)常见故障模式的判断：基于步骤(1)中的故障异常状态数据收集的总和，再通过聚类分析方法去挖掘主变压器设备常见的故障模式；

(3)故障模式的诊断：使用状态量关联规则分析方法，对被挖掘的主变压器设备的若干个故障异常状态量的组合、被挖掘的主变压器设备故障异常状态量不同表征进行提取与合并、故障异常状态量之间的相互影响程度进行分析，最后进行故障模式的诊断；

所述聚类分析方法包括凝聚层次聚类法或k-Means聚类方法；所述状态量关联规则分析方法为Apriori关联规则算法。

在本发明中，进一步地，所述状态量参量赋值为：异常状态量参量赋值为1，将异常状态量参量赋值为1以外的其他异常状态量参量或正常状态参量赋则取值为0。

在本发明中，进一步地，所述k-Means聚类方法的具体步骤如下：

步骤一：首先设p和p’分别为故障模式的种类C_i和故障模式的种类C_j的对象，则|p-p'|为对象p和p’间的距离，n_i和n_j分别是故障模式的种类C_i和故障模式的种类Cj中对象的数目，则平均距离定义为：

$D_{avg}=\frac{1}{n_i{n}_j}\underset{p\∈C_i}{\Σ}\underset{p^{\′}\∈C_j}{\Σ}\left|p-p^{\′}\right|;$

步骤二：计算整体轮廓系数：

对于故障模式的种类内的凝聚度的度量，方式是计算故障模式的种类内第i个元素与故障模式的种类内其他元素间的距离平均值，记作a_i；

对于故障模式的种类之间分离度的量化，方式是a_i所处故障模式的种类之外的一个故障模式的种类b，计算该元素与b中所有元素的距离的平均值，接着计算上述元素与所有对非该元素所在故障模式的种类中元素的距离，并找到该元素与其他故障模式的种类间距离的最小值，记作b_i；

对于该元素，计算的轮廓系数公式为：

$s_i=\frac{b_i-a_i}{max(a_i,b_i)}$

上式中，max(a_i，b_i)表示a_i，b_i两者之间的大值，

最后，计算所有故障模式的种类中所有元素的轮廓系数，并求出每个元素轮廓系数的平均值作为当前聚类的整体轮廓系数。

步骤三：根据常见的故障模式类型初步选取K，然后与按照步骤二来计算得到的当前聚类的整体轮廓系数进行比较，选取当前聚类的整体轮廓系数的最大值，以确定K；

在本发明中，进一步地，所述步骤三中K代表故障模式的种类数，K∈[4,8]。

在本发明中，进一步地，所述Apriori关联规则算法的具体步骤如下：首先通过扫描待挖掘主变压器设备的故障异常状态数据库，找出一个状态参量的频繁集合，记为频繁1项集，再使用频繁1项集的集合去找两个状态参量的频繁集合，记为频繁2项集，再使用频繁2项集的集合去找三个状态参量的频繁集合，记为频繁3项集，依此方式进行，直到已不能再找到新的频繁项集，最后根据用户设定的最小支持度和置信度阈值，从频繁项集中输出满足条件的关联规则；

其中，关联规则的待挖掘库为主变压器设备的故障异常状态数据收集总和D，事务T是故障数据的合集，若有n组故障数据，则D＝{T₁,T₂,…,T_n}，对于每个事务，则由m个状态参量所组成，T＝{I₁,I₂,…,I_m}；

对于项集A，支持度的定义为：

$Support\left(A\right)=\frac{count(A\⊆T)}{\left|D\right|}$

而对于A＝>B的关联规则，其支持度为：

$Support(A\⇒B)=\frac{count(A\∪B)}{\left|D\right|}$

上式中所描述的支持度反映了A、B两个项集同时出现的概率；该支持度与频繁集的支持度相等；

同理，对于A＝>B的关联规则，其可信度为：

$Confidence(A\⇒B)=\frac{Support(A\⇒B)}{Support\left(D\right)}.$

在本发明中，进一步地，所述最小支持度的范围为0.05-0.2，所述置信度阈值为0.5-0.9。

在本发明中，进一步地，所述故障模式的诊断具体步骤如下：

①首先求得变压器故障模式与变压器设备各故障模式的相关系数，然后得到故障模式诊断的诊断矩阵R；

其中，诊断矩阵R如下公式：

上式中，i表示所述的通过k-means聚类得到的故障模式的种类，j表示所述的变压器设备状态参量的种类，其中i∈[1,k]，j∈[1,m]；

设BD_i表示变压器设备第i种故障模式，V_j表示第j种状态参量，则R_ij表示在第i种变压器设备故障模式BD_i在第j种状态参量V_j下的相关系数；

其中，R_ij相关系数是采用皮尔逊相关性系数进行计算，将两个变量与各自变量的平均值的离差为基础，按积差方法进行计算，再将两个离差相乘，使用其积表示两变量之间相关程度；

其中，皮尔逊相关系数的取值范围为-1到1；

②通过上述方法求得诊断矩阵R后，然后通过变压器设备故障诊断的相关系数公式(II)对故障模式进行诊断，最后通过公式(III)得到故障模式诊断结果向量，向量中的每个元素的值表征该故障案例在各故障模式下的隶属程度；在最终确诊最可能的故障模式时，选取隶属程度最大的故障模式，作为最终的结果；

所述变压器设备故障诊断的相关系数如下公式：

$\begin{array}{c}R(X,Y)=\frac{Cov(X,Y)}{\sqrt{D\left(X\right)}\·\sqrt{D\left(Y\right)}}\\ =\frac{\underset{i=1}{\overset{n}{\Σ}}(X_i-\tilde{X})(Y_i-\tilde{Y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(X_i-\tilde{X})}^2}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(Y_i-\tilde{Y})}^2}}\end{array}---\left(II\right)$

其中，X表示某种故障模式的故障数据，Y表示某种状态参量的故障数据，i表示所述通过k-means聚类得到的故障模式的种类；

所述故障模式诊断结果向量表达式如下公式：

F＝R·U (III)

其中，式中，U表示各种状态参量的状态裂化水平；

R表示变压器设备故障诊断的相关系数；

$F={\[F_{{\mathrm{BD}}_1},F_{{\mathrm{BD}}_2},...,F_{{\mathrm{BD}}_j},\mathrm{...},F_{{\mathrm{BD}}_m}\]}^T.$

F_BDj表示第j种故障分类，j∈[1,m]；

F表示故障模式诊断结果向量，向量中的每个元素的值表征该故障案例在各故障模式下的隶属程度；在最终确诊最可能的故障模式时，选择隶属程度最大的故障模式，作为最终的结果。

在本发明中，进一步地，所述凝聚层次聚类法为基于平均距离法的凝聚层次聚类法。

与现有技术相比，本发明的有益效果为：

与现有技术相比，本发明的基于k-Means聚类算法和相关性分析的主变压器设备故障的辨识方法，采用基于相关性系数矩阵的数学函数，可以融合气象环境、社会经济等各种外部因素；采用多源、多时间尺度、多时空维度的全序列数据，动态计算相关性系数矩阵，可不断回归修正，不存在模型固化问题；适用于评估预测任意参数指标，包括设备健康、负载能力等等；该种方法可以基于时序平移后各种状态参量、缺陷/故障之间的相关性进行预测，可以融合气象环境、社会经济等各种外部影响因素，可以有效排除各种暂时性因素影响；大数据分析方法采用映射-规约(MapReduce)和基于内存计算(Spark)的并行大数据计算模型，可对日益增长的多源、异构的海量输变电设备状态信息进行梳理和建模分析，获取主变压器设备状态检测量与设备缺陷及故障之间的关联关系，从而实现主变压器设备状态的精细化评价。

附图说明

图1是本发明的故障案例欧氏距离热力图；

图2是本发明的在不同k值下的轮廓系数曲线图；

图3是本发明的关联规则图；

图4是本发明的油浸式变压器套管设备缺陷图谱。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明，但本发明的保护范围不限于实施例。

实施例1：

本发明的基于k-Means聚类算法和相关性分析的主变压器设备故障的辨识方法，以某电网公司500kV油浸式变压器套管近十年中的故障案例为数据挖掘对象，进行基于大数据挖掘的主变压器设备故障辨识研究。

(1)数据预处理：

首先，收集待挖掘设备的状态异常数据，重点包括故障、缺陷的案例数据，在收集故障、缺陷案例后，首先根据故障异常状态数据的不同表征对故障异常状态量参量赋值；故障异常状态数据的不同表征可以是油位指示情况、渗漏油检查情况、瓷套爬电情况或者外绝缘配置瓷质绝缘破损情况；然后进行状态量赋值，由于知识图谱构建仅是对状态参量或是设备异常案例本身进行挖掘分析，仅需知道一个状态量是否异常，不涉及设备状态等级或是状态量劣化程度，因此仅进行二元量化；在进行赋值时，案例中提及的异常状态量赋值为1，而未提及的或正常状态参量则取值为0；根据严重程度，缺陷可分为紧急缺陷、重大缺陷和一般缺陷；异常情况赋值为1代表出现故障或重大、紧急缺陷，0则代表正常或仅出现一般缺陷；

(2)故障案例聚类分析：

首先，选取34组原始数据中的22组故障数据进行层次聚类，计算故障案例间的欧氏距离，并通过热力图呈现故障案例间的初步关系，如图1所示，

通过图1所示热力图的色块可以初步认定，挖掘分析所用的变压器套管故障案例数据，可大致通过聚类分为4～6类故障模式，但通过色块判断具体分为几类，并没有明显的界限，而在使用k-Means算法进行进一步的故障模式聚类时，k参数至关重要，将不同的故障模式的种类k带入k-Means算法，其聚类的效果可通过轮廓系数进行比较，通过比较，并结合实际物理背景，可以选出最为合适的聚类故障模式的种类数k；分别选取k为4、5、6、7、8，并通过计算整体轮廓系数，进行聚类效果的比较，结果如图2所示；

由图2可见k＝6，即将故障模式分为6类时聚类结果最为理想，使用k-Means对故障案例数据进行聚类，其结果如表1所示；

(3)设备状态参量相关性分析：

当故障、缺陷在发生时，往往并不会只有一个状态量出现异常，而是多个状态量伴随发生，因此，通过关联规则挖掘状态量间的关联关系，有助于了解状态量之间的关系，甚至可以帮助了解一些隐藏着的潜在的关联关系；

关联规则分析中，对置信度和支持度的确定是至关重要的，只有合理的置信度和支持度阈值才能较好的挖掘出比较价值的关联规则，由于状态量种类繁多，因此支持度的阈值不宜设置过大，在发明中support设定为0.1，而为了获取较高可信度的关联规则，confidence设定为0.8；

通过Apriori关联规则的挖掘分析，共得到了21条高置信度的关联规则，21条关联规则基于关联关系的可视化效果如图3所示；

在图3中，可以看到高支持度的关联规则，后项主要集中在末屏介损及电容量(V10)和 末屏绝缘电阻(V12)，这一方面说明末屏是变压器套管比较容易出现问题的部件，也说明末屏介损及电容量和末屏绝缘电阻具有较高的伴随其他异常状态共同出现的可能性；

回归套管的故障模式，主要是由于套管相对而言，容易发生绝缘受潮故障；究其原因，主要因素往往是生产质量不合格或是老化以及人为因素是导致套管密封不良造成的，因此，当出现主绝缘介损或末屏介损异常时，往往也会带来末屏绝缘电阻严重下降的后果，这是符合现场实际情况的相关关系；

将上述设备缺陷信息，使用弦图进行知识图谱可视化，如图4所示；其中，1、2、3、4、5和6分别代表末屏放电、连接不良、绝缘油受潮、严重渗漏油、严重积污和外绝缘受潮共六种故障模式；各个弦所连接的故障模式和状态参量，代表的是该故障模式下所出现过的异常状态参量，并且越粗的弦代表Tanimoto相似性系数越高，即相关关系越强；黑色7的弦代表状态参量之间的关系，是通过关联规则支持度进行度量的，弦越粗代表两者间的关联规则支持度越高；需要说明的是圆圈上部为末屏放电、连接不良、绝缘油受潮、严重渗漏油、严重积污和外绝缘受潮6种故障模式，其余为状态参量

(4)状态评价故障诊断：

通过聚类分析方法分析后，挖掘出了油浸式变压器套管的六种故障模式，对油浸式变压器套管来说，故障模式数m＝6，关键参量共计16项，状态参量数n＝16，将关键状态参量从1至16重新编号，对于末屏放电故障模式，其异常状态向量S5为：

(4,0,0,0,0,0，0,4,0,0,0,0，0,4,0,0,0,

0，0,0,0,0,0,0,0，0,0,0,4,0,0,0,0,0)

计算末屏放电故障模式下各状态参量的相关系数，例如，对状态参量V₁₃油中溶解气体分析状态参量有

(4,0,4,0,0,0，0,2,0,0,0,0,0,4,0,0,0,

0，0,0,0,0，0,0,0,0,0,0,2,0,0,4,0,0)

因此，对应公式(II)中X＝S₅，Y＝P_V13，R_5,13的计算如下式：

$R_{5,13}=\frac{Cov(S_5,P_{V_{13}^{\′}})}{\sqrt{D\left(S_5\right)}\·\sqrt{D\left(P_{V_{13}^{\′}}\right)}}=0.644$

同理，可计算R中其余元素，计算所得的相关系数矩阵为：

分别取一次油浸式变压器套管设备状态评价结果为严重和异常的案例进行算例验证，在结果为严重的状态评价案例中，套管接线、末屏引出线及红外测温状态参量出现了异常；在结果为异常的状态评价案例中，瓷质绝缘破损、油位指示及渗漏油检查状态参量出现了异常；将其状态量评估情况用劣化水平量化，如下式所示

U₁＝(0,0,0,0,0,2,3,4,0,0,0,0,0,0,0)

U₂＝(0,0,2,3,4,0,0,0,0,0,0,0,0,0,0)

代入公式F＝R·U中，所得结果如表2所示；

取其诊断隶属值最高的故障模式作为诊断结果，则评价结果为严重的样本诊断结果为连接不良；评价结果为异常的样本诊断结果为严重渗漏油；经过相关运维人员的现场故障诊断，前者是由于套管末屏螺纹未拧紧导致的异常情况，而后者他通过油位镜观察不到油位，经检查是由于长时间未补油及套管正常老化渗油导致的少油缺油故障。

表1实施例1中故障案例数据进行聚类的结果表

表2实施例1中故障模式诊断结果向量表

以上实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人了解本发明内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所做的等效变化或修饰等的改变，都应涵盖在本发明的保护范围内。

Claims (8)

1.一种变压器设备故障的辨识方法，其特征在于，具体步骤如下：

（1）数据预处理：将待挖掘主变压器设备的故障异常状态数据进行收集，根据故障异常状态数据的不同表征对故障异常状态量参量赋值；

所述故障异常状态数据的不同表征为油位指示情况、渗漏油检查情况、瓷套爬电情况或者外绝缘配置瓷质绝缘破损情况；

（2）常见故障模式的判断：基于步骤（1）中的故障异常状态数据收集的总和，再通过聚类分析方法去挖掘主变压器设备常见的故障模式；

（3）故障模式的诊断：使用状态量关联规则分析方法，对被挖掘的主变压器设备的若干个故障异常状态量的组合、被挖掘的主变压器设备故障异常状态量不同表征进行提取与合并、故障异常状态量之间的相互影响程度进行分析，最后进行故障模式的诊断；

所述聚类分析方法包括凝聚层次聚类法或k-Means聚类方法；所述状态量关联规则分析方法为Apriori关联规则算法。

2.根据权利要求1所述的一种变压器设备故障的辨识方法，其特征在于，所述状态量参量赋值为：异常状态量参量赋值为1，将异常状态量参量赋值为1以外的其他异常状态量参量或正常状态参量赋则取值为0。

3.根据权利要求1所述的一种变压器设备故障的辨识方法，其特征在于，所述k-Means聚类方法的具体步骤如下：

步骤一：首先设p和p’分别为故障模式的种类C_i和故障模式的种类C_j的对象，则为对象p和p’间的距离，n_i和n_j分别是故障模式的种类C_i和故障模式的种类Cj中对象的数目，则平均距离定义为：

；

步骤二：计算整体轮廓系数：

对于故障模式的种类内的凝聚度的度量，方式是计算故障模式的种类内第i个元素与故障模式的种类内其他元素间的距离平均值，记作a_i；

对于故障模式的种类之间分离度的量化，方式是a_i所处故障模式的种类之外的一个故障模式的种类b，计算该元素与b中所有元素的距离的平均值，接着计算上述元素与所有对非该元素所在故障模式的种类中元素的距离，并找到该元素与其他故障模式的种类间距离的最小值，记作b_i；

对于该元素，计算的轮廓系数公式为：

上式中，max（a_i，b_i）表示a_i，b_i两者之间的大值，

最后，计算所有故障模式的种类中所有元素的轮廓系数，并求出每个元素轮廓系数的平均值作为当前聚类的整体轮廓系数；

步骤三：根据常见的故障模式类型初步选取K，然后与按照步骤二来计算得到的当前聚类的整体轮廓系数进行比较，选取当前聚类的整体轮廓系数的最大值，以确定K。

4.根据权利要求3所述的一种变压器设备故障的辨识方法，其特征在于，所述步骤三中K代表故障模式的种类数，K∈[4,8]。

5.根据权利要求1所述的一种变压器设备故障的辨识方法，其特征在于，所述Apriori关联规则算法的具体步骤如下：首先通过扫描待挖掘主变压器设备的故障异常状态数据库，找出一个状态参量的频繁集合，记为频繁1项集，再使用频繁1项集的集合去找两个状态参量的频繁集合，记为频繁2项集，再使用频繁2项集的集合去找三个状态参量的频繁集合，记为频繁3项集，依此方式进行，直到已不能再找到新的频繁项集，最后根据用户设定的最小支持度和置信度阈值，从频繁项集中输出满足条件的关联规则；

其中，关联规则的待挖掘库为主变压器设备的故障异常状态数据收集总和D，事务T是故障数据的合集，若有n组故障数据，则，对于每个事务，则由m个状态参量所组成，；

对于项集A，支持度的定义为：

而对于A=>B的关联规则，其支持度为：

上式中所描述的支持度反映了A、B两个项集同时出现的概率；该支持度与频繁集的支持度相等；

同理，对于A=>B的关联规则，其可信度为：

。

6.根据权利要求5所述的一种变压器设备故障的辨识方法，其特征在于，所述最小支持度的范围为0.05-0.2，所述置信度阈值为0.5-0.9。

7.根据权利要求1所述的一种变压器设备故障的辨识方法，其特征在于，所述故障模式的诊断具体步骤如下：

首先求得变压器故障模式与变压器设备各故障模式的相关系数，然后得到故障模式诊断的诊断矩阵R；

其中，诊断矩阵R如下公式：

（）

上式中，i表示所述的通过k-means聚类得到的故障模式的种类，j表示所述的变压器设备状态参量的种类，其中i∈[1,k]，j∈[1,m]；

设BD_i表示变压器设备第i种故障模式，V_j表示第j种状态参量，则R_ij表示在第i种变压器设备故障模式BD_i在第j种状态参量V_j下的相关系数；

其中，R_ij相关系数是采用皮尔逊相关性系数进行计算，将两个变量与各自变量的平均值的离差为基础，按积差方法进行计算，再将两个离差相乘，使用其积表示两变量之间相关程度；

其中，皮尔逊相关系数的取值范围为-1到1；

通过上述方法求得诊断矩阵R后，然后通过变压器设备故障诊断的相关系数公式（）对故障模式进行诊断，最后通过公式（）得到故障模式诊断结果向量，向量中的每个元素的值表征该故障案例在各故障模式下的隶属程度；在最终确诊最可能的故障模式时，选取隶属程度最大的故障模式，作为最终的结果；

所述变压器设备故障诊断的相关系数如下公式：

（）

其中，X表示某种故障模式的故障数据，Y表示某种状态参量的故障数据，i表示所述通过k-means聚类得到的故障模式的种类；

所述故障模式诊断结果向量表达式如下公式：

（）

其中，式中，U表示各种状态参量的状态裂化水平；

R表示变压器设备故障诊断的相关系数；

F_BDj表示第j种故障分类，j∈[1,m]；

F表示故障模式诊断结果向量，向量中的每个元素的值表征该故障案例在各故障模式下的隶属程度；在最终确诊最可能的故障模式时，选择隶属程度最大的故障模式，作为最终的结果。

8.根据权利要求1所述的一种变压器设备故障的辨识方法，其特征在于，所述凝聚层次聚类法为基于平均距离法的凝聚层次聚类法。