CN106156485A - 电力变压器故障诊断方法及装置 - Google Patents

Abstract

本发明公开了一种电力变压器故障诊断方法和方法，该方法包括：基于故障类型明确的油中溶解气样本建立状态特征数据表；对状态特征数据表进行规范化处理建立规范化故障表；基于规范化故障表计算获得各故障类型聚类中心，基于聚类中心构建状态标准谱矩阵；通过改进型主成分分析方法，计算获得特征值、特征向量及主成分贡献率；设定阈值相应选择主成分；通过计算待测样本与状态特征样本主成分之间的欧拉距离，距离最小值对应的状态特征样本为诊断结果。本发明具有如下优点：使用模糊聚类计算状态标准谱，避免主观剔除数据和样本数量制约，同时能够降低数据维度，提炼表征故障类型的主要特征，有效提高电力变压器内部潜伏性故障诊断的准确率。

Description

电力变压器故障诊断方法及装置

技术领域

本发明涉及电力变压器故障诊断技术领域，具体涉及一种电力变压器故障诊断方法及装置。

背景技术

随着我国经济的快速发展和电力技术水平的提高，电力工业朝高电压、大容量、智能化方向发展，电力设备数量增加的同时，设备故障率也呈现上升趋势。电力变压器作为电力系统的重要设备，承担电压变换、电能传输与分配的功能，其运行状态直接整个电力系统的安全性和稳定性。由于电力变压器内部结构复杂，其运行环境特殊，承受物理、化学、电气、机械、温度、环境等多方面的应力，再考虑制造、运输、安装、运行、操作等众多因素，电力变压器将不可避免的产生各类缺陷与故障。电力变压器由于意外一旦出现退出运行，轻则导致电网停电、设备损坏，重则设备爆炸、电网崩溃，造成经济损失、影响社会正常秩序，因此准确、可靠的对电力变压器潜伏性故障进行诊断对保障电力系统的安全、稳定运行有深远意义。

油中溶解气分析(Dissolved Gas Analysis,DGA)技术作为一种电力变压器潜伏性故障的简单而重要的诊断技术而得到广泛应用。在众多学者与工程师的不断努力研究下，DGA技术进一步得到发展，基本满足对电力变压器故障诊断要求。而然，DGA中最常用的基于组成比值的方法则存在编码边界过于绝对、比值盲区、误诊及特定含量条件下才适用等问题。随着各类人工智能技术的发展，人工神经网络、模糊理论、支持向量机、数据融合等智能方法在电力变压器故障诊断领域的应用中获得一些应用成果，但是SVM存在需要构造分类器、分类效率低等问题，ANN易产生振荡并陷入局部最优值等问题，而模糊理论主观性及忽略属性相关性的问题等。由于故障信息存在冗余、标准故障类型确定受人为主观剔除数据制约、电力变压器绝缘故障类型与溶解气气体含量之间的关系存在模糊性与不确定性特征导致的诊断结果一致性与可靠性等问题并未能较好的处理，因此诊断效率与正确率有待进一步的提高。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的第一个目的在于提出一种电力变压器故障诊断方法。

本发明的第二个目的在于提出一种电力变压器故障诊断装置。

为了实现上述目的，本发明的第一方面的实施例公开了一种电力变压器故障诊断方法，包括以下步骤：S1：基于故障类型明确的油中溶解气气体样本建立状态特征数据表；S2：利用规范化公式对所述状态特征数据表进行规范化处理，建立规范化故障表；S3：基于模糊聚类方法对所述规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于所述各类的聚类中心构建状态标准谱矩阵；S4：利用主成分分析方法计算所述状态标准谱矩阵的相关系数矩阵，根据所述状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据所述多个特征值计算得到所述多个特征向量的贡献率，根据所述多个特征向量的贡献率和设定的阈值得到所述标准状态谱矩阵的多个主成分；以及S5：分别计算待诊断样本与所述标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

根据本发明实施例的电力变压器故障诊断方法，使用模糊聚类计算状态标准谱，避免主观剔除数据和样本数量制约，同时能够降低数据维度，提炼表征故障类型的主要特征，有效提高电力变压器内部潜伏性故障诊断的准确率。

另外，根据本发明上述实施例的电力变压器故障诊断方法，还可以具有如下附加的技术特征：

进一步地，在步骤S2中，通过以下公式进行所述规范化处理：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n)$

其中，n为油中溶解气气体样本的个数。

进一步地，在步骤S3中，故障类型按照《DLT 722-2000变压器油中溶解气体分析和判断导则》选择，所述故障类型包括低能放电、高能放电、局部放电、低温过热、中温过热、高温过热及放电兼过热，结合无故障状态及所述故障状态构建所述状态标准谱矩阵。

进一步地，在步骤S3中，利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类数，n表示样本总数，m∈[1,+∞]为平滑参数；U＝[μ_ij]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

进一步地，步骤S4进一步包括：

S401：利用均值化方式对所述状态标准谱矩阵进行规范化处理：

${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{1}{\overset{n}{\Σ}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p);$

S402：在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1ia_2i…a_pi]^T(i＝1,2,…p)；

S403：通过下式分别计算贡献率与累积贡献率：

$T_i=\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},i=1,2,...,p$

$M_c=\frac{\underset{k=1}{\overset{c}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},C=1,2,...,p$

S404：设定阈值ε，使得M_c>ε，选择前m个特征向量作为所述标准状态谱矩阵的主成分。

进一步地，在步骤S5中，欧拉距离计算公式为：

$d_f={\[\underset{i=1}{\overset{m}{\Σ}}{(F_i-F_{fi})}^2\]}^{1/2}$

其中，F为待测样本的主成分值，F_f为所述标准状态特征矩阵的主成分值。

为了实现上述目的，本发明的第二方面的实施例公开了一种电力变压器故障诊断装置，包括：状态特征数据表建立模块，用于基于故障类型明确的油中溶解气气体样本建立状态特征数据表；规范化故障表建立模块，用于利用规范化公式对所述状态特征数据表进行规范化处理建立规范化故障表；状态标准谱矩阵建立模块，用于基于模糊聚类方法对所述规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于所述各类的聚类中心构建状态标准谱矩阵；标准状态谱矩阵的主成分确定模块，用于利用主成分分析方法计算所述状态标准谱矩阵的相关系数矩阵，根据所述状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据所述多个特征值计算得到所述多个特征向量的贡献率，根据所述多个特征向量的贡献率和设定的阈值得到所述标准状态谱矩阵的多个主成分；以及故障类型确定模块，用于分别计算待诊断样本与所述标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

根据本发明实施例的电力变压器故障诊断装置，使用模糊聚类计算状态标准谱，避免主观剔除数据和样本数量制约，同时能够降低数据维度，提炼表征故障类型的主要特征，有效提高电力变压器内部潜伏性故障诊断的准确率。

另外，根据本发明上述实施例的基于模糊聚类与主元分析的电力变压器故障诊断装置，还可以具有如下附加的技术特征：

进一步地，所述规范化故障表建立模块通过以下公式进行所述规范化处理：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n)$

其中，n为油中溶解气气体样本的个数。

进一步地，所述状态标准谱矩阵建立模块根据故障类型和无故障状态构建所述状态标准谱矩阵，所述故障类型包括低能放电、高能放电、局部放电、低温过热、中温过热和高温过热及放电兼过热。

进一步地，所述状态标准谱矩阵建立模块利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类数，n表示样本总数，m∈[1,+∞]为平滑参数；U＝[μ_ij]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

进一步地，所述标准状态谱矩阵的主成分确定模块进一步用于：

利用均值化方式对所述状态标准谱矩阵进行规范化处理：

${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{1}{\overset{n}{\Σ}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p);$

在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1ia_2i…a_pi]^T(i＝1,2,…p)；

通过下式分别计算贡献率与累积贡献率：

$T_i=\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},i=1,2,...,p$

$M_c=\frac{\underset{k=1}{\overset{c}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},C=1,2,...,p$

设定阈值ε，使得M_c>ε，选择前m个特征向量作为所述标准状态谱矩阵的主成分。

进一步地，所述故障类型确定模块采用欧拉距离计算公式为：

$d_f={\[\underset{i=1}{\overset{m}{\Σ}}{(F_i-F_{fi})}^2\]}^{1/2}$

其中，F为待测样本的主成分值，F_f为所述标准状态特征矩阵的主成分值。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的基于模糊聚类与主元分析的电力变压器故障诊断方法的流程图；

图2是本发明的基于模糊聚类与主元分析的电力变压器故障诊断装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

以下结合附图描述根据本发明实施例的基于模糊聚类与主元分析的电力变压器故障诊断方法和装置。

请参考图1，一种基于模糊聚类与主元分析的电力变压器故障诊断方法，包括以下步骤：

S1：基于故障类型明确的油中溶解气气体样本建立状态特征数据表。

在本发明的一个实施例中，油中溶解气气体包括氢气、甲烷、乙烷、乙烯和乙炔。

在本发明的一个实施例中，状态特征数据表包括无故障状态、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、放电兼过热共8种。

S2：利用规范化公式对状态特征数据表进行规范化处理，建立规范化故障表。

具体地，利用规范化公式对状态特征数据表进行规范化处理，建立规范化故障表D2；针对表状态特征数据表中的数据部分，考虑到变压器不同故障类型与油中溶解气气体存在一定比例的关系，对含有n个样本的油中溶解气气体样本，其规范化方法如下：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n).$

S3：基于模糊聚类方法对规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于各类的聚类中心构建状态标准谱矩阵。

具体地，模糊聚类方法通过计算隶属度矩阵、聚类中心等过程，将数据表D2划分成c个聚类中心，其中每一类代表电力变压器一种典型状态，而计算获得的c个聚类中心组成的矩阵作为变压器诊断变压器状态的标准模式矩阵。

在本发明的一个实施例中，在步骤S3中，利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类数，n表示样本总数，m∈[1,+∞]为平滑参数，通常取1.5～5；U＝[μ_ij]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

S4：利用主成分方法计算状态标准谱矩阵的相关系数矩阵，根据状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据多个特征值计算得到多个特征向量的贡献率，根据多个特征向量的贡献率和设定的阈值得到标准状态谱矩阵的多个主成分。

在本发明的一个示例中，步骤S4包括以下步骤：

S401：利用均值化方式对状态标准谱矩阵进行规范化处理：

${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{1}{\overset{n}{\Σ}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p).$

S402：在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1i a_2i…a_pi]^T(i＝1,2,…p)。

S403：通过下式分别计算贡献率与累积贡献率：

$T_i=\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},i=1,2,...,p$

$M_c=\frac{\underset{k=1}{\overset{c}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},C=1,2,...,p$

S404：设定阈值ε，使得M_c>ε，选择前m个特征向量作为标准状态谱矩阵的主成分。

S5：分别计算待诊断样本与标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

在本发明的一个实施例中，欧拉距离计算公式为：

$d_f={\[\underset{i=1}{\overset{m}{\Σ}}{(F_i-F_{fi})}^2\]}^{1/2}$

其中，F为待测样本的主成分值，F_f为标准状态特征矩阵的主成分值。

请参考图2，本发明的实施例还公开了一种电力变压器故障诊断装置200，包括状态特征数据表建立模块210、规范化故障表建立模块220、状态标准谱矩阵建立模块230、标准状态谱矩阵的主成分确定模块240和故障类型确定模块250。

其中，状态特征数据表建立模块210用于基于故障类型明确的油中溶解气气体样本建立状态特征数据表。规范化故障表建立模块220用于利用规范化公式对状态特征数据表进行规范化处理建立规范化故障表。状态标准谱矩阵建立模块230用于基于模糊聚类方法对规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于各类的聚类中心构建状态标准谱矩阵。标准状态谱矩阵的主成分确定模块240用于利用主成分分析方法计算状态标准谱矩阵的相关系数矩阵，根据状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据多个特征值计算得到多个特征向量的贡献率，根据多个特征向量的贡献率和设定的阈值得到标准状态谱矩阵的多个主成分。故障类型确定模块250用于分别计算待诊断样本与标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

本发明实施例的电力变压器故障诊断装置，能够更加客观的建立电力变压器的标准故障谱，有效消除故障信息的冗余、有效提高电力变压器的潜伏性故障诊断结果的准确性与可靠性。

在本发明的一个实施例中，规范化故障表建立模块220通过以下公式进行规范化处理：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n)$

其中，n为油中溶解气气体样本的个数。

在本发明的一个实施例中，状态标准谱矩阵建立模块230根据故障类型和无故障状态构建所述状态标准谱矩阵，所述故障类型包括低能放电、高能放电、局部放电、低温过热、中温过热和高温过热及放电兼过热。

在本发明的一个实施例中，状态标准谱矩阵建立模块230利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类树，n表示样本总数，m∈[1,+∞]为平滑参数，通常取1.5～5；U＝[μi_j]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

在本发明的一个实施例中，标准状态谱矩阵的主成分确定模块240进一步用于：

利用均值化方式对状态标准谱矩阵进行规范化处理：

${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{1}{\overset{n}{\Σ}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p);$

在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1i a_2i…a_pi]^T(i＝1,2,…p)；

通过下式分别计算贡献率与累积贡献率：

$T_i=\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},i=1,2,...,p$

$M_c=\frac{\underset{k=1}{\overset{c}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},C=1,2,...,p$

设定阈值ε，使得M_c>ε，选择前m个特征向量作为所述标准状态谱矩阵的主成分。

在本发明的一个实施例中，故障类型确定模块250采用欧拉距离计算公式为：

$d_f={\[\underset{i=1}{\overset{m}{\Σ}}{(F_i-F_{fi})}^2\]}^{1/2}$

其中，F为待测样本的主成分值，F_f为标准状态特征矩阵的主成分值。

需要说明的是，本发明实施例的电力变压器故障诊断装置200的具体实现方式与本发明实施例的基于模糊聚类与主元分析的电力变压器故障诊断方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

为使本领域人员进一步理解本发明，将通过以下实施例进行详细说明。

电力变压器故障诊断方法包括以下步骤：

1、收集各类故障类型明确的案例529条，其中各状态样本数为：

表1各状态下样本数分布

状态类型	NO	D1	D2	PD	T1	T2	T3	D+T
									样本数	45	60	145	48	32	43	132	24

其中，NO表示无故障状态，D1表示低能放电，D2表示高能放电，PD表示局部放电，T1表示低温过热，T2表示中温过热，T3表示高温过热，D+T表示放电兼过热。

2、对所收集的样本利用公式进行规范化，以消除量纲及数量级的影响，计算得到规范化的样本库DB1：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n).$

3、利用模糊聚类方法分析样本库DB1，计算得到不同状态类型的聚类中心，有聚类中心构成状态标准谱，具体如下表2所示：

表2不同状态下的标注谱

4、利用主成分分析方法，对状态标准谱进行分析，得到特征值及对应特征向量：

特征值：λ＝[λ₁,λ₂,λ₃,λ₄,λ₅]＝[1.5608,0.6154,0.2513,0.0498,0]

对应特征向量：

特征值累积贡献率为:M＝[0.630.87850.979911]

5、假设本次分析要求累积贡献率M≥0.95，则选择前3个特征值即可满足要求，即前3个特征向量为本次分析的主成分。

6、待诊断故障气体含量分别是：H₂含量为1582uL/L，CH₄含量为95.5uL/L，C₂H₆含量为35uL/L，C₂H₄含量为48uL/L，C₂H₂含量为0uL/L；经过规范化采用改进型主成分分析方法，则可得包含待测样本的主成分得分如下所示：

$\left[\begin{array}{ccc}-0.5318& 0.645& 1.3177\\ 1.3033& 1.2554& 0.8602\\ 2.0048& 2.3277& 0.5947\\ 0.8683& -0.4496& 0.0497\\ -0.8582& 0.7543& 0.3547\\ -1.5622& 0.969& 1.1408\\ -1.5425& 1.7882& -0.3445\\ -0.8313& 1.2005& 0.6251\\ 0.496& -0.9673& -0.1711\end{array}\right]$

而各状态得分与待测样本得分之间的欧拉距离分别为：D＝[2.423，2.579，3.704，0.675，2.253，3.116，3.432，2.664]，由于D4最小，即待测样本故障为局部放电。IEC60599三比值法与改良三比值法均由于找不到对应的编码组合而导致无法进行故障判断。通过收集故障样本与IEC三比值法、改良三比值发比较，其各方法正判率如下表3所示，即本发明方法相对于传统方法具有最好的正判率。

表3各方法正判率比较

方法	IEC60599	改良三比值法	本方法
				正判率	72.3％	70％	83.3％

另外，本发明实施例的电力变压器故障诊断方法及装置的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。

Claims (12)

1.一种电力变压器故障诊断方法，其特征在于，包括以下步骤：

S1：基于故障类型明确的油中溶解气气体样本建立状态特征数据表；

S2：利用规范化公式对所述状态特征数据表进行规范化处理，建立规范化故障表；

S3：基于模糊聚类方法对所述规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于所述各类的聚类中心构建状态标准谱矩阵；

S4：利用主成分分析方法计算所述状态标准谱矩阵的相关系数矩阵，根据所述状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据所述多个特征值计算得到所述多个特征向量的贡献率，根据所述多个特征向量的贡献率和设定的阈值得到所述标准状态谱矩阵的多个主成分；以及

S5：分别计算待诊断样本与所述标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

2.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，在步骤S2中，通过以下公式进行所述规范化处理：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\Σ}}{x}_{ij}},(i=1,2,...,n)$

其中，n为油中溶解气气体样本的个数。

3.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，在步骤S3中，故障类型按照《DLT 722-2000变压器油中溶解气体分析和判断导则》选择，所述故障类型包括低能放电、高能放电、局部放电、低温过热、中温过热、高温过热及放电兼过热，结合无故障状态及所述故障状态构建所述状态标准谱矩阵。

4.根据权利要求1所述的电力变压器故障诊断方法，其特征在于，在步骤S3中，利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类数，n表示样本总数，m∈[1,+∞]为平滑参数；U＝[μ_ij]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

5.根据权利要求2所述的电力变压器故障诊断方法，其特征在于，步骤S4进一步包括：

S401：利用均值化方式对所述状态标准谱矩阵进行规范化处理：

${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p);$

S402：在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1i a_2i … a_pi]^T(i＝1,2,…p)；

S403：通过下式分别计算贡献率K_r与累积贡献率K_t：

$K_r=100\%\×\frac{{\mathrm{\λ}}_r}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_i},i=1,2,...,p$

$K_t=\frac{\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{\&lambda;}}_i}{\underset{i=1}{\overset{p}{\&Sigma;}}{\mathrm{\&lambda;}}_i},i=1,2,...,p;m<p$

S404：设定阈值ε，使得K_t>ε，选择前m个特征向量作为所述标准状态谱矩阵的主成分。

6.根据权利要求4所述的电力变压器故障诊断方法，其特征在于，在步骤S5中，欧拉距离计算公式为：

$d_f={\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{(F_i-F_{fi})}^2\&rsqb;}^{1/2}$

其中，F为待测样本的主成分值，F_f为所述标准状态特征矩阵的主成分值。

7.一种电力变压器故障诊断装置，其特征在于，包括：

状态特征数据表建立模块，用于基于故障类型明确的油中溶解气气体样本建立状态特征数据表；

规范化故障表建立模块，用于利用规范化公式对所述状态特征数据表进行规范化处理建立规范化故障表；

状态标准谱矩阵建立模块，用于基于模糊聚类方法对所述规范化故障表进行聚类分析，并计算获得各类的聚类中心，基于所述各类的聚类中心构建状态标准谱矩阵；

标准状态谱矩阵的主成分确定模块，用于利用主成分分析方法计算所述状态标准谱矩阵的相关系数矩阵，根据所述状态标准谱矩阵的相关系数矩阵计算得到多个特征值与多个特征向量，根据所述多个特征值计算得到所述多个特征向量的贡献率，根据所述多个特征向量的贡献率和设定的阈值得到所述标准状态谱矩阵的多个主成分；以及

故障类型确定模块，用于分别计算待诊断样本与所述标准故障谱矩阵的多个主成分之间的欧拉距离，以距离最小的主成分作为待诊断样本的故障类型。

8.根据权利要求7所述的电力变压器故障诊断装置，其特征在于，所述规范化故障表建立模块通过以下公式进行所述规范化处理：

$x_i^{*}=\frac{x_{ij}}{\underset{j=1}{\overset{5}{\&Sigma;}}{x}_{ij}},(i=1,2,...,n)$

其中，n为油中溶解气气体样本的个数。

9.根据权利要求7所述的电力变压器故障诊断装置，其特征在于，所述状态标准谱矩阵建立模块根据故障类型和无故障状态构建所述状态标准谱矩阵，所述故障类型包括低能放电、高能放电、局部放电、低温过热、中温过热和高温过热及放电兼过热。

10.根据权利要求7所述的电力变压器故障诊断装置，其特征在于，所述状态标准谱矩阵建立模块利用模糊聚类方法计算聚类中心时，目标函数为：

且

其中，J(U,V)表示目标函数，c表示样本分类数，n表示样本总数，m∈[1,+∞]为平滑参数；U＝[μ_ij]为模糊隶属度矩阵，V＝[ν₁,ν₂…ν_n]为聚类中心矩阵,u_ij表示第j个数据属于第i类的模糊隶属度,d_ij表示样本x_j与聚类中心ν_i之间的距离。

11.根据权利要求7所述的电力变压器故障诊断装置，其特征在于，所述标准状态谱矩阵的主成分确定模块进一步用于：

利用均值化方式对所述状态标准谱矩阵进行规范化处理：

${\stackrel{\&OverBar;}{x}}_{ij}=\frac{x_{ij}}{\frac{1}{n}\underset{1}{\overset{n}{\&Sigma;}}{x}_{ij}},(i=1,2,...,n;j=1,2,...,p);$

在对源数据实现规范化后，进行相关系数矩阵的建立，通过对特征方程的计算获得特征值与特征向量：

其中，r_ij为样本标准化数据矩阵的相关系数，r_ij＝r_ji；为x_i的均值；

运用Jacobi法求解特征方程|λI-R|＝0，计算R的特征值：λ₁≥λ₂…≥λ_p≥0，并按大小顺序排列；同时得到与特征值相对应的特征向量a₁、a₂……a_i……a_p，a_i＝[a_1i a_2i … a_pi]^T(i＝1,2,…p)；

通过下式分别计算贡献率与累积贡献率：

$T_i=\frac{{\mathrm{\&lambda;}}_i}{\underset{k=1}{\overset{p}{\&Sigma;}}{\mathrm{\&lambda;}}_k},i=1,2,...,p$

$M_c=\frac{\underset{k=1}{\overset{c}{\&Sigma;}}{\mathrm{\&lambda;}}_k}{\underset{k=1}{\overset{p}{\&Sigma;}}{\mathrm{\&lambda;}}_k},C=1,2,...,p$

设定阈值ε，使得M_c>ε，选择前m个特征向量作为所述标准状态谱矩阵的主成分。

12.根据权利要求7所述的电力变压器故障诊断装置，其特征在于，所述故障类型确定模块采用欧拉距离计算公式为：

$d_f={\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{(F_i-F_{fi})}^2\&rsqb;}^{1/2}$

其中，F为待测样本的主成分值，F_f为所述标准状态特征矩阵的主成分值。