CN106896218B - 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 - Google Patents
基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 Download PDFInfo
- Publication number
- CN106896218B CN106896218B CN201710192813.9A CN201710192813A CN106896218B CN 106896218 B CN106896218 B CN 106896218B CN 201710192813 A CN201710192813 A CN 201710192813A CN 106896218 B CN106896218 B CN 106896218B
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- failure
- characteristic gas
- gas index
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 38
- 238000006243 chemical reaction Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000926 separation method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract 2
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 230000007257 malfunction Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 60
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 238000010891 electric arc Methods 0.000 description 5
- 229930195733 hydrocarbon Natural products 0.000 description 5
- 150000002430 hydrocarbons Chemical class 0.000 description 5
- 238000013021 overheating Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 206010020843 Hyperthermia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 230000036031 hyperthermia Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 150000003254 radicals Chemical class 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1281—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of liquids or gases
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，包括：(1)选取故障变压器的带电检测数据作为故障变压器数据集C1，选取正常变压器的带电检测数据作为正常变压器数据集C2；(2)选取若干预设与变压器是否故障相关的特征气体指标Xi，i表示特性气体指标的类型；(3)利用选取的分隔阈值，将特征气体指标Xi在数据集C1和数据集C2中的数据转化为0或1，得到转化数据集C′1和转化数据集C′2；(4)利用遗传规划，使用逻辑语言对转化数据集C′1和转化数据集C′2进行回归处理，得到变压器故障诊断的回归方程，从而确定与变压器故障相关的特征气体指标Xi。该故障诊断方法客观公正，简单易行。
Description
技术领域
本发明涉及油浸式变压器故障诊断领域，具体涉及一种基于遗传规划和逻辑运算的油浸式变压器故障诊断方法。
背景技术
油浸式变压器内的绝缘油是由许多不同分子量的碳氢化合物分子组成的混合物，电或热故障可以使某些C-H键和C-C键断裂，伴随生成少量活泼的氢原子和不稳定的碳氢化合物的自由基，这些氢原子或自由基通过复杂的化学反应迅速重新化合，形成H2和低分子烃类气体，比如CH4、C2H6、C2H4和C2H2等，也可能生成碳的固体颗粒级碳氢聚合物。油的氧化还会生成少量的CO和CO2，长时间的累积可达到显著数量。因此，油浸式变压器油内溶解特征气体的含量与油浸式变压器的故障息息相关。利用油浸式变压器绝缘油内溶解特征气体的浓度及各特征气体比例等信息，可以对油浸式变压器目前的运行状态是否处于故障状态进行诊断。
目前在油浸式变压器领域并没有专门的方法来衡量油浸式变压器是否处于故障状态，判断是否处于故障状态通常与故障类型结合起来。比如我国的变压器判断是否处于故障状态主要依靠国家能源局2014年发布的《中华人民共和国电力行业标准--变压器油中溶解气体分析与判断导则》(DL/T 722-2014)中所提及的特征气体含量三比值法。特征气体三比值法是在特征气体浓度超过注意值时，通过计算C2H2/C2H4、CH4/H2和C2H4/C2H6三组特征气体浓度比值，得到对应的编码，进而通过编码类型来判断变压器故障。三比值法将故障类型分为低温过热(低于150℃)、低温过热(150℃-300℃)、中温过热(300℃-700℃)、高温过热(高于700℃)、局部放电、低能放电、低能放电兼过热、电弧放电和电弧放电兼过热九种。
国际上存在一些类似与特征气体三比值的方法，也是利用若干特征气体的比值或相对浓度来对故障进行编码，从而判断故障类型。比如Duval法、Rogers法和Doernenburg法。
Duval法是用CH4，C2H4和C2H2的相对浓度为三个坐标，构建了一个三角行区域，某种气体的相对浓度只的是该种气体浓度占三种气体浓度之和的比值。根据CH4，C2H4和C2H2三种气体相对浓度的值，将三角形区域划分为了7块，从而将故障类型分为了7类。分别为低温过热、中温过热、高温过热、低能电弧放电、高能电弧放电、局部放电和放电兼过热。
Rogers法类似与特征气体三比值法，区别是使用了不同与特征气体三比值法的比值且没有使用条件的限制。Rogers法使用了C2H2/C2H4、CH4/H2和C2H4/C2H6三种比值，根据三种比值取值的不同，将油浸式变压器状态分为了正常、局部放电、电弧放电、低温过热、中温过热和高温过热六类。
Doernenburg法也类似与特征气体三比值法，并对方法的使用设定了一系列的限制条件，包括H2、CH4、CO、C2H2、C2H4和C2H6等特征气体的浓度。与特征气体三比值法不同的是，Doernenburg法使用了四种比值，分别为CH4/H2、C2H2/C2H4、C2H2/CH4和C2H6/C2H2，并将油浸式变压器的故障类型分为了过热故障、局部放电和电弧放电三种。
目前来看，将上述故障类型诊断方法作为故障判断方法仍存在一些问题，主要是由于上述故障类型诊断方法对所有故障类型使用了相对固定的特征气体指标，而且特征气体指标利用量少，只有三四个指标，对于剩余大量的可用特征气体指标并未予以考虑。因而故障诊断的正确率较低，一般只有80％左右。因此在油浸式变压器领域，迫切的需要一种更精确的专门用来判断变压器是否处于故障状态的故障诊断方法。
发明内容
基于上述，本发明提出了一种基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，该方法是通过算法找到故障变压器与正常变压器各指标间区分度最大的分隔点，将特征气体浓度或比值变量转化为0，1变量。然后通过基于遗传规划的逻辑语言回归得到诊断变压器是否故障的回归方程。该故障诊断方法客观公正，简单易行。
一种基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，具体包括以下步骤：
(1)选取故障变压器的带电检测数据作为数据集C1，选取正常变压器的带电检测数据作为数据集C2；
(2)选取若干预设与变压器是否故障相关的特征气体指标Xi，i表示特性气体指标的类型；
(3)利用选取的分隔阈值，将特征气体指标Xi在数据集C1和数据集C2中的数据转化为0或1，得到转化数据集C′1和转化数据集C′2；
(4)利用遗传规划，使用逻辑语言对转化数据集C′1和转化数据集C′2进行回归处理，得到变压器故障诊断的回归方程，从而确定与变压器故障相关的特征气体指标Xi。
所述步骤(3)的具体步骤为：
(3-1)对于特征气体指标Xi，选取该特征气体指标Xi在数据集C1与C2中的最大数据值和最小数据值
(3-2)将特征气体指标Xi在数据集C1与C2中的数据平均分为n份，每份间隔为
(3-3)以为分隔阈值时，求取特征气体指标Xi于数据集C1中的数据在区间内概率密度函数和ai,j，特征气体指标Xi于数据集C2中的数据在区间内概率密度函数和bi,j，以MAX(|ai,j-bi.j|,j＝0,1,2,…,n)时的作为分隔阈值，此时，分隔阈值记为
(3-4)根据分隔阈值所对应的与的差c的正负判断特征气体指标Xi在故障变压器下在分隔阈值上的趋势，
若为正值，表示数据集C1趋向于小于分隔阈值，将检验故障数据集C1和C2在区间内的数据转化为1，在区间内的数据转化为0；
若为负值，表示数据集C1趋向于大于分隔阈值，将检验故障数据集C1和C2在区间内的数据转化为0，在区间内的数据转化为1；
其中，1表示变压器趋于故障状态，0表示变压器趋于正常状态；
(3-5)利用步骤(3-1)～步骤(3-2)，对所有预设特征气体指标在数据集C1与C2中的数据进行转化，得到转化数据集C′1和转化数据集C′2。
所述步骤(4)的具体步骤为：
(4-1)以转化数据集C′1和转化数据集C′2中相邻的10条数据为一个时间单位，选取每个时间单位内前9条数据组成训练样本数据集，剩下1条数据组成检验样本数据集；
所述每条数据为任意变压器在任意时刻的带电检测数据；
每条数据对应的变压器故障与否的真值组成真值集，真值用0或1表示，1表示该条数据对应的变压器处于故障状态，0表示该条数据对应的变压器处于正常状态；其中，与训练样本数据集相对应的为训练样本真值集，与检验样本数据集相对应的为检验样本真值集；
(4-2)将训练样本数据集、训练样本真值集作为遗传规划gplab4.02matlab工具包的输入，使用逻辑语言and和or，利用遗传规划对训练样本数据集进行回归，得到变压器故障诊断的回归方程，确定与变压器故障相关的特征气体指标Xi；
(4-3)利用检验样本数据集、检验样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k1,k2,k3,k4：
其中：
k1＝真实状态为故障且诊断为故障变压器数/真实状态为故障变压器数；
k2＝真实状态为故障且诊断为正常变压器数/真实状态为故障变压器数；
k3＝真实状态为正常且诊断为正常变压器数/真实状态为正常变压器数；
k4＝真实状态为正常且诊断为故障变压器数/真实状态为正常变压器数；
k1,k3越高，表示回归方程确定的与变压器故障相关的特征气体指标越精确，k2,k4越低，表示回归方程确定的与变压器故障相关的特征气体指标越精确。
优选地，可以利用训练样本数据集和训练样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k′1,k′2,k′3,k′4。
所述的变压器故障与否的真值是通过拆机检测报告、专家诊断报告以及三比值法判断得到。
相对于目前存在的方法，本发明具有以下优点：
(1)本发明通过寻找两部分数据概率密度分布差最大的阈值的方法，将复杂的原始数据转化为简单的0，1变量数据。然后利用基于遗传规划的逻辑语言回归方法对大量待选指标进行选取，从而大大提升了在对变压器故障诊断的正确率。
(2)本发明中的故障诊断标准量中，只存在一个两种特征气体的比值CO/CO2。相对于其他诊断变压器故障的比值方法，在低浓度情况下故障诊断的稳定性有所增强。
(3)对每一种故障类型，本发明全面考虑各种特征气体指标，对不同类型的故障可以筛选出不同的故障相关指标，从而大大提高了故障诊断的准确率，可以达到95％左右。
附图说明
图1是本发明基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，包括：
S01，选取故障变压器的带电检测数据作为数据集C1，选取正常变压器的带电检测数据作为数据集C2。
S02，选取若干预设与变压器是否故障相关的特征气体指标Xi，i表示特性气体指标的类型。
S03，对于特征气体指标Xi，选取该特征气体指标Xi在数据集C1与C2中的最大数据值和最小数据值
S04，将特征气体指标Xi在数据集C1与C2中的数据平均分为n份，每份间隔为
S05，以为分隔阈值时，求取特征气体指标Xi于数据集C1中的数据在区间内概率密度函数和ai,j，特征气体指标Xi于数据集C2中的数据在区间内概率密度函数和bi,j，以MAX(|ai,j-bi.j|,j＝0,1,2,…,n)时的作为分隔阈值，此时，分隔阈值记为
S06，根据分隔阈值所对应的与的差c的正负判断特征气体指标Xi在故障变压器下在分隔阈值上的趋势，
若为正值，表示数据集C1趋向于小于分隔阈值，将数据集C1和C2在区间内的数据转化为1，在区间内的数据转化为0；
若为负值，表示数据C1趋向于大于分隔阈值，将数据集C1和C2在区间内的数据转化为0，在区间内的数据转化为1；
利用上述方法，对所有的预设特征气体指标进行转化，得到转化数据集C′1和转化数据集C′2；
其中，1表示变压器趋于故障状态，0表示变压器趋于正常状态。
S07，以转化数据集C′1和转化数据集C′2中相邻的10条数据为一个时间单位，选取每个时间单位内前9条数据组成训练样本数据集，剩下1条数据组成检验样本数据集；
所述每条数据为任意变压器在任意时刻的带电检测数据；
每条数据对应的变压器故障与否的真值组成真值集，真值用0或1表示，1表示该条数据对应的变压器处于故障，0表示该条数据对应的变压器处于正常；其中，与训练样本数据集相对应的为训练样本真值集，与检验样本数据集相对应的为检验样本真值集；
变压器故障与否的真值是通过拆机检测报告、专家诊断报告以及三比值法判断得到。
S08，将样本数据集、样本真值集作为遗传规划gplab4.02matlab工具包的输入，使用逻辑语言and和or，利用遗传规划对样本数据集进行回归，得到变压器故障诊断的回归方程，确定与变压器故障相关的特征气体指标Xi。
gplab4.02matlab工具包使用方法如下：
1)在matlab命令行窗口输入gplabgui运行该程序；
2)点击select x data file选择需要输入的自变量(样本数据集)，点击select ydata file选择需要输入的因变量(样本真值集)，输入的文件格式为txt，可以从excel表格里直接粘贴到txt文件中；
3)在number of generation中输入遗传规划的杂交代数，在population size中输入每一代杂交的子女规模；
4)点击setting对遗传规格加入更多限制条件，点击fucntions and terminals，在available fuctions栏里选择or和and点击add加入active functions中，然后在activefunctions栏中选择除去or和and的运算，点击remove去掉；
5)点击bloat control，在strict depth limit和dynamic depth limit中输入对逻辑运算使用次数的限制条件；
6)点击done返回主界面，点击run运行；
7)运行进度条达到100％后，点击draw best tree可以得到回归方程的二叉树，二叉树中的Xi表示select x data file中输入的第i列变量，从二叉树的最底层开始运算得到回归方程，outputmessages窗口里fitness为回归方程诊断错误的个数；
选取这若干次回归中具有最优finness的回归方程作为变压器故障诊断的回归方程。回归方程中，对输入的故障相关指标进行了筛选，得到了更精确的油浸式变压器故障诊断指标。
S09，利用检验样本数据集、检验样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k1,k2,k3,k4：
其中：
k1＝真实状态为故障且诊断为故障变压器数/真实状态为故障变压器数；
k2＝真实状态为故障且诊断为正常变压器数/真实状态为故障变压器数；
k3＝真实状态为正常且诊断为正常变压器数/真实状态为正常变压器数；
k4＝真实状态为正常且诊断为故障变压器数/真实状态为正常变压器数；
k1,k3越高，表示回归方程确定的与变压器故障相关的特征气体指标越精确，k2,k4越低，表示回归方程确定的与变压器故障相关的特征气体指标越精确。
或者利用训练样本数据集和训练样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k′1,k′2,k′3,k′4。
实施例1
首先选取浙江电网的中高温过热故障变压器的带电检测数据，共14台899条数据，因为统计了很长时间的数据，并不是一开始就故障，因此，选取其中的故障数据作为故障变压器数据集C1，选取自浙江电网的正常变压器带电检测数据，选取了24台共531条数据和上述14台故障变压器处于正常状态下的数据作为正常变压器数据集C2。然后，选取了15种可能与变压器是否故障相关的绝缘油内溶解特征气体指标，包括CH4浓度，C2H6浓度，C2H4浓度，CO2浓度，总烃浓度，C2H4/H2比值，C2H6/H2比值，CO/CO2比值，CH4/(CH4+C2H6+C2H4)相对浓度，H2/(H2+C2H6+C2H4)相对浓度，C2H4/(H2+C2H6+C2H4)相对浓度，C2H4/(H2+CH4+C2H4)相对浓度，H2/(H2+C2H4+C2H2)相对浓度，C2H4/(H2+C2H4+C2H2)相对浓度，C2H4/(H2+CH4+C2H6+C2H4+C2H2)相对浓度。
接下来，将以上与故障相关的15个变量记为X1-X15，利用上述S03～S06将15个变量转化为0或1变量，其中，数据集C1与C2中的数据平均分为200份，转化结果如表1所示，0表示变压器趋于正常，1表示变压器趋于故障。
表115个故障相关指标变量转换
| 序号 | 指标 | 取值为0 | 取值为1 |
| X<sub>1</sub> | CH<sub>4</sub>浓度 | <＝28.6 | >28.6 |
| X<sub>2</sub> | C<sub>2</sub>H<sub>6</sub>浓度 | <＝14.7 | >14.7 |
| X<sub>3</sub> | C<sub>2</sub>H<sub>4</sub>浓度 | <＝24.5 | >24.5 |
| X<sub>4</sub> | CO<sub>2</sub>浓度 | >＝1519.1 | <1519.1 |
| X<sub>5</sub> | 总烃浓度 | <＝50.2 | >50.2 |
| X<sub>6</sub> | C<sub>2</sub>H<sub>4</sub>/H<sub>2</sub> | <＝0.887 | >0.887 |
| X<sub>7</sub> | C<sub>2</sub>H<sub>6</sub>/H<sub>2</sub> | <＝0.4 | >0.4 |
| X<sub>8</sub> | CO/CO<sub>2</sub> | <＝0.643 | >0.643 |
| X<sub>9</sub> | CH<sub>4</sub>/(CH<sub>4</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>) | >＝0.5 | <0.5 |
| X<sub>10</sub> | H<sub>2</sub>/(H<sub>2</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>) | >＝0.48 | <0.48 |
| X<sub>11</sub> | C<sub>2</sub>H<sub>4</sub>/(H<sub>2</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>) | <＝0.355 | >0.355 |
| X<sub>12</sub> | C<sub>2</sub>H<sub>4</sub>/(H<sub>2</sub>+CH<sub>4</sub>+C<sub>2</sub>H<sub>4</sub>) | <＝0.31 | >0.31 |
| X<sub>13</sub> | H<sub>2</sub>/(H<sub>2</sub>+C<sub>2</sub>H<sub>4</sub>+C<sub>2</sub>H<sub>2</sub>) | >＝0.545 | <0.545 |
| X<sub>14</sub> | C<sub>2</sub>H<sub>4</sub>/(H<sub>2</sub>+C<sub>2</sub>H<sub>4</sub>+C<sub>2</sub>H<sub>2</sub>) | <＝0.455 | >0.455 |
| X<sub>15</sub> | C<sub>2</sub>H<sub>4</sub>/(H<sub>2</sub>+CH<sub>4</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>+C<sub>2</sub>H<sub>2</sub>) | <＝0.23 | >0.23 |
接下来，利用S07～S08中描述大方法，重复计算20次，选取最优结果，得到回归方程如下：
Y＝[(X2and X9)or X8]and[(X8or X11)and X1]
回归结果表明上面15个变量特征中可以选出5个变量的特征作为变压器是否有故障的判断指标，如表2所示。
表2基于遗传规划的逻辑语言回归筛选出的5种故障相关指标
| 变量序号 | 变量 | 特征 |
| X<sub>1</sub> | CH<sub>4</sub>浓度 | >28.6 |
| X<sub>2</sub> | C<sub>2</sub>H<sub>6</sub>浓度 | >14.7 |
| X<sub>8</sub> | CO/CO<sub>2</sub> | >0.643 |
| X<sub>9</sub> | CH<sub>4</sub>/(CH<sub>4</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>) | <0.5 |
| X<sub>11</sub> | C<sub>2</sub>H<sub>4</sub>/(H<sub>2</sub>+C<sub>2</sub>H<sub>6</sub>+C<sub>2</sub>H<sub>4</sub>) | >0.355 |
然后将得到的回归方程用检验数据进行检验，分别计算出在检验数据中和样本总体中的k1,k2,k3,k4，来衡量故障诊断的精度。结果如表3所示：表3回归方程在训练样本数据集和检验样本数据集上的诊断精度
通过上表可以看出，在训练样本数据集和检验样本数据集上，故障诊断精度基本保持稳定，表明结果有较强的稳定性和可信度。
对比例：
根据《变压器油中溶解气体分析和判断导则》将使用三比值方法的条件定为特征气体含量超过注意值。然后将本发明方法与三比值方法的诊断精度进行了对比，结果如表4所示：
结合表4结果，与三比值方法对比本发明方法具有以下优点：
1)在对正常变压器判断正确率基本不变的情况下，大大提升了在对故障变压器判断时的正确率。
这是因为使用了15个候选指标，指标考虑的范围远大于三比值方法3个比值的考虑范围，而且本发明考虑了三比值法未考虑的CO,CO2对故障的影响。从而可以借助三比值里面没有利用的变压器运行状态的信息，在对正常变压器判断正确率基本不变的情况下，提升了在对故障变压器判断时的正确率。
2)新的故障判断标准量中，只存在一个两种特征气体的比值CO/CO2，相对于三比值方法，对低浓度情况下故障判断的稳定性有所增强。
这是因为两种特征气体浓度含量相对较低时容易产生相对真实值较大的测量误差，这时两种特征气体的比值会产生较大幅度波动，而相对浓度指标受误差波动较小。利如有两个指标，一个是两种特征气体的比值x/y，一个是相对浓度x/(x+y+z)，假设x因测量误差变为kx，则两种特征气体的比值和相对浓度两个指标的变化率有：
k＞1时有：
(kx/y-x/y)/(x/y)＝k-1＞(kx/(kx+y+z)-x/(x+y+z))/x/(x+y+z)k＜1时有：
(kx/y-x/y)/(x/y)＝k-1＜(kx/(kx+y+z)-x/(x+y+z))/x/(x+y+z)因此，无论k大于还是小于1，均有相对浓度指标的波动性小于两种特征气体的比值的波动性。
3)不需要其他外部条件。
这是因为相对来说，三比值法更倾向于一种故障类型判断方法，而不是判断是否有故障的方法。三比值法使用的前提条件是通过其他途径确定变压器有故障时，具有一定程度专家法的特征。而新的方法是通过对大量指标的筛选，利用回归方法来找到判断故障的指标，因此不需要其他外部条件。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，具体包括以下步骤：
(1)选取故障变压器的带电检测数据作为数据集C1，选取正常变压器的带电检测数据作为数据集C2；
(2)选取若干预设与变压器是否故障相关的特征气体指标Xi，i表示特征气体指标的类型；
(3)利用选取的分隔阈值，将特征气体指标Xi在数据集C1和数据集C2中的数据转化为0或1，得到转化数据集C′1和转化数据集C′2；
(4)利用遗传规划，使用逻辑语言对转化数据集C′1和转化数据集C′2进行回归处理，得到变压器故障诊断的回归方程，从而确定与变压器故障相关的特征气体指标Xi；
所述步骤(3)的具体步骤为：
(3-1)对于特征气体指标Xi，选取该特征气体指标Xi在数据集C1与C2中的最大数据值和最小数据值
(3-2)将特征气体指标Xi在数据集C1与C2中的数据平均分为n份，每份间隔为
(3-3)以为分隔阈值时，求取特征气体指标Xi于故障检测数据集C1中的数据在区间内概率密度函数和ai,j，特征气体指标Xi于故障检测数据集C2中的数据在区间内概率密度函数和bi,j，以MAX(|ai,j-bi.j|,j＝0,1,2,…,n)时的作为分隔阈值，此时，分隔阈值记为
(3-4)根据分隔阈值所对应的与的差c的正负判断特征气体指标Xi在故障变压器下在分隔阈值上的趋势，
若为正值，表示变压器故障时特征气体指标Xi的取值趋向于小于分隔阈值，将数据集C1和C2在区间内的数据转化为1，在区间内的数据转化为0；
若为负值，表示变压器故障时特征气体指标Xi的取值趋向于大于分隔阈值，将数据集C1和C2在区间内的数据转化为0，在区间内的数据转化为1；
其中，1表示变压器趋于故障状态，0表示变压器趋于正常状态；
(3-5)利用步骤(3-1)～步骤(3-4)，对所有预设特征气体指标在数据集C1与C2中的数据进行转化，得到转化数据集C′1和转化数据集C′2；
所述步骤(4)的具体步骤为：
(4-1)以转化数据集C′1和转化数据集C′2中相邻的10条数据为一个时间单位，选取每个时间单位内前9条数据组成训练样本数据集，剩下1条数据组成检验样本数据集；
所述每条数据为任意变压器在任意时刻的带电检测数据；
每条数据对应的变压器故障与否的真值组成真值集，真值用0或1表示，1表示该条数据对应的变压器处于故障状态，0表示该条数据对应的变压器处于正常状态；其中，与训练样本数据集相对应的为训练样本真值集，与检验样本数据集相对应的为检验样本真值集；
(4-2)将训练样本数据集、训练样本真值集作为遗传规划gplab4.02matlab工具包的输入，使用逻辑语言and和or，利用遗传规划对训练样本数据集进行回归，得到变压器故障诊断的回归方程，确定与变压器故障相关的特征气体指标Xi；
(4-3)利用检验样本数据集、检验样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k1,k2,k3,k4：
其中：
k1＝真实状态为故障且诊断为故障变压器数/真实状态为故障变压器数；
k2＝真实状态为故障且诊断为正常变压器数/真实状态为故障变压器数；
k3＝真实状态为正常且诊断为正常变压器数/真实状态为正常变压器数；
k4＝真实状态为正常且诊断为故障变压器数/真实状态为正常变压器数；
k1,k3越高，表示回归方程确定的与变压器故障相关的特征气体指标越精确，k2,k4越低，表示回归方程确定的与变压器故障相关的特征气体指标越精确。
2.如权利要求1所述的基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，其特征在于，所述的变压器故障与否的真值是通过拆机检测报告、专家诊断报告以及三比值法判断得到。
3.如权利要求1所述的基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法，其特征在于，利用训练样本数据集和训练样本真值集对变压器故障诊断的回归方程进行检验，确定衡量故障诊断精度的指标k′1,k′2,k′3,k′4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710192813.9A CN106896218B (zh) | 2017-03-28 | 2017-03-28 | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710192813.9A CN106896218B (zh) | 2017-03-28 | 2017-03-28 | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106896218A CN106896218A (zh) | 2017-06-27 |
| CN106896218B true CN106896218B (zh) | 2019-01-29 |
Family
ID=59193559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710192813.9A Expired - Fee Related CN106896218B (zh) | 2017-03-28 | 2017-03-28 | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106896218B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108680811B (zh) * | 2018-06-29 | 2021-04-06 | 广东工业大学 | 一种变压器故障状态评估方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360195A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种基于gep算法的智能电网在线故障诊断方法 |
-
2017
- 2017-03-28 CN CN201710192813.9A patent/CN106896218B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104360195A (zh) * | 2014-11-17 | 2015-02-18 | 国网河南省电力公司 | 一种基于gep算法的智能电网在线故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| Power Transformer Fault Classification Based on Dissolved Gas Analysis by Implementing Bootstrap and Genetic Programming;A. Shintemirov,et al.;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS》;20090131;第39卷(第1期);第69-79页 |
| 基于遗传编程的电力变压器绝缘故障诊断模型研究;章政;《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》;20070615(第6期);全文 |
| 基于遗传规划和数据归一化的变压器故障诊断;董卓 等;《电力科学与工程》;20110930;第27卷(第9期);第31-34页、第54页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106896218A (zh) | 2017-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103389430B (zh) | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 | |
| JP6715451B2 (ja) | マススペクトル解析システム，方法およびプログラム | |
| US20090226916A1 (en) | Automated Analysis of DNA Samples | |
| KR20060030115A (ko) | 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체 | |
| CN105814571A (zh) | 评估肺癌风险的方法及系统 | |
| Urrechaga et al. | Multivariable discriminant analysis for the differential diagnosis of microcytic anemia | |
| CN110223193A (zh) | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 | |
| CN108520249A (zh) | 一种细胞分类器的构建方法、装置及系统 | |
| CN106896218B (zh) | 基于遗传规划和逻辑语言回归的油浸式变压器故障诊断方法 | |
| Bakar et al. | Improvement of DGA interpretation using scoring index method | |
| CN103902853B (zh) | 基于支持向量机的剪接位点识别方法 | |
| Gauran et al. | Empirical null estimation using zero-inflated discrete mixture distributions and its application to protein domain data | |
| Elkarami et al. | Cost-sensitive classification on class-balanced ensembles for imbalanced non-coding RNA data | |
| CN105843744B (zh) | 用于并行程序蜕变测试的蜕变关系优先级排序方法 | |
| CN107122590B (zh) | 一种油浸式变压器故障相关指标筛选方法 | |
| CN114358193A (zh) | 基于油色谱的变压器状态诊断方法、终端及存储介质 | |
| CN106874705B (zh) | 基于转录组数据确定肿瘤标记物的方法 | |
| CN112085064B (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
| Motameny et al. | Formal concept analysis for the identification of combinatorial biomarkers in breast cancer | |
| CN109657733B (zh) | 基于成分结构特征的品种鉴别方法与系统 | |
| CN111944900A (zh) | 一种特征lincRNA表达谱组合及子宫内膜癌早期预测方法 | |
| CN101515313B (zh) | 一组微阵列误标记样本检测方法 | |
| CN110110784A (zh) | 一种基于变压器相关运行数据的变压器故障辨识方法 | |
| CN107292128A (zh) | 一种配对互作基因检测方法及预测模型 | |
| CN113792141A (zh) | 基于协方差度量因子的特征选择方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information |
Inventor after: Hua Zhongsheng Inventor after: Zhou Jian Inventor after: Fan Yiwen Inventor after: Han Rui Inventor after: He Wenlin Inventor after: Wang Wenhao Inventor after: Yang Hongming Inventor after: Zheng Yiming Inventor after: Jiang Xiongwei Inventor before: Hua Zhongsheng Inventor before: Zhou Jian Inventor before: Fan Yiwen |
|
| CB03 | Change of inventor or designer information | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |