CN107656154B - 基于改进模糊c均值聚类算法的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进模糊C均值聚类算法的变压器故障诊断方法，包括，获取变压器油中溶解气体数据和故障类型数据作为样本，将所述样本分为训练样本和测试样本；将所述样本中的变压器油中溶解气体数据进行处理，并确定所述训练样本的类别数目以及各类别对应的初始聚类中心；采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心，计算测试样本属于各类别的概率；根据测试样本属于各类别的概率和各类别中各故障类型所占的比例，计算测试样本对应各故障类型的发生概率，并根据所述发生概率确定所述测试样本的故障类型。本发明能够通过对变压器油中溶解气体和故障类型的历史数据进行聚类分析，快速对变压器进行故障诊断。

Description

基于改进模糊C均值聚类算法的变压器故障诊断方法

技术领域

本发明属于变压器故障诊断技术领域，具体涉及一种基于改进模糊C均值聚类算法的变压器故障诊断方法。

背景技术

电力产业一直以来都是关系国计民生的基础产业。十三五以来，党中央、国务院将电力供应和安全放在事关国家安全战略、事关经济社会发展全局的重要高度。变压器作为电力系统的关键枢纽设备，其运行状态直接关系到整个电力系统的安全与稳定。变压器一旦发生故障会造成巨大的经济损失和安全隐患，甚至会造成严重的社会影响。因此，对变压器进行故障诊断十分必要。油中溶解气体分析技术是目前常用的变压器故障诊断技术之一。传统的油中溶解气体分析技术，如三比值法，故障诊断准确率不高，无法满足工程需求；基于人工智能算法的油中溶解气体分析技术多采用硬分类方法，通过将变压器油中溶解气体含量代入训练好的算法模型，对变压器进行唯一故障类型划分。考虑到变压器故障类型与油中溶解气体含量之间更多的是一种有一定关联和不确定性的模糊关系，可以将模糊聚类算法引入变压器的故障诊断技术中，通过计算变压器对应各故障的发生概率，确定变压器的故障类型。

发明内容

本发明针对现有技术中故障诊断准确率不高，无法满足工程需求的缺点，提供了一种基于改进模糊C均值聚类算法的变压器故障诊断方法。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于改进模糊C均值聚类算法的变压器故障诊断方法，步骤包括：

获取变压器油中溶解气体数据和故障类型数据作为样本，将所述样本分为训练样本和测试样本；

将所述样本中的变压器油中溶解气体数据进行处理，并确定所述训练样本的类别数目以及各类别对应的初始聚类中心；

采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心，并计算测试样本属于各类别的概率；

根据测试样本属于各类别的概率和各类别中各故障类型所占的比例，计算测试样本对应各故障类型的发生概率，并根据所述发生概率确定所述测试样本的故障类型。

作为一种可实施方式，变压器油中溶解气体包括H₂、CH₄、C₂H₂、C₂H₄和C₂H₆；所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。

作为一种可实施方式，所述将所述样本中的变压器油中溶解气体数据进行处理，处理后确定所述训练样本的类别数目以及各个类别对应的初始聚类中心，包括以下步骤：

对所述样本中的变压器油中溶解气体数据进行归一化处理，以下公式：

其中，x_ij为第i组样本第j类油中溶解气体值，x_ij ^*为归一化处理后的数据；

将训练样本设置为集合S＝(z₁,z₂,...,z_n)，其中，为第i组样本油中溶解气体归一化后的值，在集合S＝(z₁,z₂,...,z_n)中任取一个样本，假设取z₁，作为集合S的第一类别中心，从集合S中找到距样本z₁欧式距离最远的点，记为z_2’；

对集合S中其他样本z_i，分别计算到所述样本z₁和z_2’的欧式距离，选择最小值记作dz_i；

将max{dz_i}记作所有dz_i中的最大值，若max{dz_i}＞m×dz₁z₂，则取z_i为新的聚类中心，dz₁z₂为样本z₁、z₂之间的欧式距离；

若找到新的聚类中心z_3’，则计算集合S中其他样本z_i到点z1、z_2’和z_3’的欧式距离，选择最小值记作dz_i；并比较max{dz_i}＞m×dz₁z₂，若成立，则找到新的聚类中心；

重复步骤直至找不出新的聚类中心，确定集合S的类别数目以及各个类别对应的初始聚类中心，并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。

作为一种可实施方式，所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，并计算测试样本属于各个类别的概率，具体步骤如下：

将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数，并确定改进模糊C均值聚类算法的其他参数；

所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，公式如下：

其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，c为类别的数目，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应第i个类别的模糊隶属度，n为各个类别中样本的个数，m＝2为模糊指数，J为目标函数，其中，模糊隶属度ρ_ij通过以下公式得到：

其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，d_kj为第j个样本z_j到第k个聚类中心v_k的欧式距离，c为类别的数目；

通过训练样本的分布权重来更新所有类别的聚类中心，公式如下：

其中，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应类别i的模糊隶属度，z_j表示第j个样本，v_i表示新的聚类中心；重复步骤直至新的聚类中心v_i对应的目标函数J与前一轮目标函数的差值小于阈值ε，则算法结束并确定c个聚类中心；

通过确定好的c个聚类中心来计算测试样本属于各类别的概率，公式如下：

其中，ρ_i为测试样本对应类别i的模糊隶属度，即测试样本属于类别i的概率，d_i为测试样本到第i个聚类中心v_i的欧式距离，d_k为测试样本到第k个聚类中心v_k的欧式距离，c为类别的数目。

作为一种可实施方式，所述计算测试样本对应各故障的发生概率，并根据概率从大到小排序确定测试样本的故障类型，具体步骤如下：

计算测试样本对应各故障的发生概率，公式如下：

其中，ρ_j为测试样本对应故障j的发生概率，ρ_i为测试样本属于类别i的概率，为统计得到的训练集样本类别i中第j种故障类型所占比例，n_ij为类别i中第j种故障类型的样本个数，n_i为类别i的样本个数；

将测试样本对应各故障的发生概率进行从大到小排序，最大发生概率对应的故障类型即为测试样本的故障类型。

本发明由于采用了以上技术方案，具有显著的技术效果：

本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法在已有油中溶解气体分析技术的基础上提出了一种新的变压器故障诊断方法，能够通过对变压器油中溶解气体和故障类型的历史数据进行聚类分析，快速对变压器进行故障诊断；

本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法考虑到变压器故障类型与油中溶解气体含量之间更多的是一种有一定关联和不确定性的模糊关系，采用了模糊聚类算法对变压器进行故障诊断，提高了故障诊断的准确性；

本发明的基于改进模糊C均值聚类算法的变压器故障诊断方法在模糊聚类算法的选择上，选择了基于信息熵的模糊C均值聚类算法，利用信息熵标识训练样本分布获得先验知识代入模糊聚类算法中，大大提高了概率计算的准确性，确保了故障诊断的正确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的流程示意图；

图2是图1的具体流程示意图；

图3是本发明中改进模糊C均值聚类算法的流程示意图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

实施例1：

一种基于改进模糊C均值聚类算法的变压器故障诊断方法，如图1所示，该方法的步骤如下：

S1、获取变压器油中溶解气体数据和故障类型数据作为样本，将所述样本分为训练样本和测试样本；

S2、将所述样本中的变压器油中溶解气体数据进行处理，并确定所述训练样本的类别数目以及各类别对应的初始聚类中心；

S3、采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，并计算测试样本属于各类别的概率；

S4、根据测试样本属于各类别的概率和各类别中各故障类型所占的比例，计算测试样本对应各故障类型的发生概率，并根据所述发生概率确定所述测试样本的故障类型。

图1和以上步骤S1-S4只是给出了简单的流程，参见图2，在图2中是本发明更为详细的流程图，其中包括了采用的算法以及各个步骤之间的承接关系。

更具体地，在步骤S1中，变压器油中溶解气体包括H₂、CH₄、C₂H₂、C₂H₄和C₂H₆；所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。

在步骤S2中包括了以下步骤：

S21、对所述样本中的变压器油中溶解气体数据进行归一化处理，以下公式：

其中，x_ij为第i组样本第j类油中溶解气体值，x_ij ^*为归一化处理后的数据；

S22、将训练样本设置为集合S＝(z₁,z₂,...,z_n)，其中为第i组样本油中溶解气体归一化后的值，在集合S＝(z₁,z₂,...,z_n)中任取一个样本假设取z₁，作为集合S的第一类别中心，从集合S中找到距样本z₁欧式距离最远的点，记为z_2’；

S23、对集合S中其他样本z_i，分别计算到所述样本z₁和z_2’的欧式距离，令其中较小的那个为dz_i；

S24、令max{dz_i}为所有dz_i中的最大值，若max{dz_i}＞m×dz₁z₂，则取z_i为新的聚类中心，m通常取dz₁z₂为样本z₁、z₂之间的欧式距离；

S25、若找到新的聚类中心z₃’，则计算集合S中其他样本z_i到点z1、z₂’和z₃’的欧式距离，令其中较小的那个为dz_i；并比较max{dz_i}＞m×dz₁z₂，若成立，则找到新的聚类中心；

S26、重复步骤直至找不出新的聚类中心，确定集合S的类别数目以及各个类别对应的初始聚类中心，并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。

在步骤S3中包括了以下步骤：

S31、将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数，并确定改进模糊C均值聚类算法的其他参数；

S32、所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，公式如下

其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，c为类别的数目，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应类别i的模糊隶属度，n为各个类别中样本的个数，m＝2为模糊指数，J为目标函数；其中，模糊隶属度ρ_ij通过以下公式得到：其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，d_kj为第j个样本z_j到第k个聚类中心v_k的欧式距离，c为类别的数目；

通过训练样本的分布权重来更新所有类别的聚类中心，公式如下：

其中，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应类别i的模糊隶属度，z_j表示第j个样本，v_i表示新的聚类中心；重复步骤直至新的聚类中心v_i对应的目标函数J与前一轮目标函数的差值小于阈值ε，则算法结束并确定c个聚类中心；

S34、通过确定好的c个聚类中心来计算测试样本属于各类别的概率，公式如下：

其中，ρ_i为测试样本对应类别i的模糊隶属度，即测试样本属于类别i的概率，d_i为测试样本到第i个聚类中心v_i的欧式距离，d_k为测试样本到第k个聚类中心v_k的欧式距离，c为类别的数目。

在步骤S3中，具体的流程图可以参见图3，图3给出了改进模糊C均值聚类算法的流程示意图。

在步骤S4中包括了以下步骤：

S41、计算测试样本对应各故障的发生概率，公式如下：

其中，ρ_j为测试样本对应故障j的发生概率，ρ_i为测试样本属于类别i的概率，为统计得到的训练集样本类别i中第j种故障类型所占比例，n_ij为类别i中第j种故障类型的样本个数，n_i为类别i的样本个数；

S42、将测试样本对应各故障的发生概率进行从大到小排序，最大发生概率对应的故障类型即为测试样本的故障类型。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (4)

1.一种基于改进模糊C均值聚类算法的变压器故障诊断方法，其特征在于，步骤包括：

获取变压器油中溶解气体数据和故障类型数据作为样本，将所述样本分为训练样本和测试样本；

将所述样本中的变压器油中溶解气体数据进行处理，并确定所述训练样本的类别数目以及各类别对应的初始聚类中心；

采用改进模糊C均值聚类算法进一步确定所述训练样本各个类别对应的新聚类中心，并计算测试样本属于各类别的概率；

根据测试样本属于各类别的概率和各类别中各故障类型所占的比例，计算测试样本对应各故障类型的发生概率，并根据所述发生概率确定所述测试样本的故障类型；

所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，并计算测试样本属于各个类别的概率，具体步骤如下：

将所述训练样本的类别数目以及各个类别对应的初始聚类中心作为改进模糊C均值聚类算法的参数，并确定改进模糊C均值聚类算法的其他参数；

所述采用改进模糊C均值聚类算法进一步确定所述训练样本的各个类别对应的新聚类中心，公式如下：

其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，c为类别的数目，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应第i个类别的模糊隶属度，n为各个类别中样本的个数，m＝2为模糊指数，J为目标函数，其中，模糊隶属度ρ_ij通过以下公式得到：

其中，d_ij为第j个样本z_j到第i个聚类中心v_i的欧式距离，d_kj为第j个样本z_j到第k个聚类中心v_k的欧式距离，c为类别的数目；

通过训练样本的分布权重来更新所有类别的聚类中心，公式如下：

其中，ω_j为样本z_j的分布权重，ρ_ij为样本z_j对应类别i的模糊隶属度，z_j表示第j个样本，v_i表示新的聚类中心；重复步骤直至新的聚类中心v_i对应的目标函数J与前一轮目标函数的差值小于阈值ε，则算法结束并确定c个聚类中心；

通过确定好的c个聚类中心来计算测试样本属于各类别的概率，公式如下：

其中，ρ_i为测试样本对应类别i的模糊隶属度，即测试样本属于类别i的概率，d_i为测试样本到第i个聚类中心v_i的欧式距离，d_k为测试样本到第k个聚类中心v_k的欧式距离，c为类别的数目。

2.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法，其特征在于，变压器油中溶解气体包括H₂、CH₄、C₂H₂、C₂H₄和C₂H₆；所述故障类型包括正常状态、中温过热、高温过热、局部放电、火花放电和电弧放电。

3.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法，其特征在于，所述将所述样本中的变压器油中溶解气体数据进行处理，处理后确定所述训练样本的类别数目以及各个类别对应的初始聚类中心，包括以下步骤：

对所述样本中的变压器油中溶解气体数据进行归一化处理，以下公式：

其中，x_ij为第i组样本第j类油中溶解气体值，x_ij ^*为归一化处理后的数据；

将训练样本设置为集合S＝(z₁,z₂,...,z_n)，其中，为第i组样本油中溶解气体归一化后的值，在集合S＝(z₁,z₂,...,z_n)中任取一个样本，假设取z₁，作为集合S的第一类别中心，从集合S中找到距样本z₁欧式距离最远的点，记为z_2’；

对集合S中其他样本z_i，分别计算到所述样本z₁和z_2’的欧式距离，选择最小值记作dz_i；

将max{dz_i}记作所有dz_i中的最大值，若max{dz_i}>m×dz₁z₂，则取z_i为新的聚类中心，dz₁z₂为样本z₁、z₂之间的欧式距离；

若找到新的聚类中心z_3’，则计算集合S中其他样本z_i到点z1、z_2’和z_3’的欧式距离，选择最小值记作dz_i；并比较max{dz_i}>m×dz₁z₂，若成立，则找到新的聚类中心；

重复步骤直至找不出新的聚类中心，确定集合S的类别数目以及各个类别对应的初始聚类中心，并将集合S中的各个样本分别归入距离最近的聚类中心所在的类别。

4.根据权利要求1所述基于改进模糊C均值聚类算法的变压器故障诊断方法，其特征在于，所述计算测试样本对应各故障的发生概率，并根据概率从大到小排序确定测试样本的故障类型，具体步骤如下：

计算测试样本对应各故障的发生概率，公式如下：

其中，ρ_j为测试样本对应故障j的发生概率，ρ_i为测试样本属于类别i的概率，为统计得到的训练集样本类别i中第j种故障类型所占比例，n_ij为类别i中第j种故障类型的样本个数，n_i为类别i的样本个数；

将测试样本对应各故障的发生概率进行从大到小排序，最大发生概率对应的故障类型即为测试样本的故障类型。