CN107907783B - 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 - Google Patents

Abstract

本公开提供一种基于模糊关联规则的变压器故障综合诊断系统，包括变压器故障类型诊断模块、变压器故障部位诊断模块和基于援例推理的变压器故障综合诊断模块。本公开还提供一种基于模糊关联规则的变压器故障综合诊断方法，利用所述诊断系统对变压器的故障类型、部位和原因进行诊断，能够有效地帮助现场工作人员完成判别，适用于多种变压器故障情况下的诊断。

Description

基于模糊关联规则的变压器故障综合诊断系统及诊断方法

技术领域

本发明涉及变压器故障诊断领域，特别涉及一种基于模糊关联规则的变压器故障综合诊断系统及诊断方法。

背景技术

电力变压器是电力系统中的重要设备之一，其运行状态和电网的安全可靠运行密切相关，如何对电力变压器进行准确有效的故障诊断及维护就具有重要的作用和意义。对电力变压器潜伏性故障而言，设备内部缺陷类型与其故障征兆及故障模式之间存在着密切的关联，且具有多维性、复杂性及冗余性等特点，造成多年来电力变压器故障诊断一直成为研究的热点及难点。随着我国电网建设的快速发展，多种类型的检测技术与方法不断涌现，电力设备状态数据呈爆炸式增长，已具备了开展大数据分析和数据挖掘工作的基础条件，现有的常规数据处理及统计分析方法例如有：针对变压器状态参数问题引入的层次分析法，针对变压器故障机理问题引入的故障树理论，针对变压器故障特征参数提取困难问题引入的灰色理论，但这些分析方法仅能处理变压器设备局部信息和反映单一情况，不具备组合利用多源信息实现变压器状态的动态综合分析。

近年来，围绕着电力变压器潜伏性故障诊断与分析，已经开展了大量的研究工作，取得了广泛的研究成果。如IEC60599标准中采用三比值法实现对变压器故障类型的诊断。然而现有研究成果均主要集中在对变压器设备单一特性的具体参量进行检测分析，或利用设备宏观参数变化推理设备内部故障类型，缺乏一种表征变压器基础台账、试验参数、运维历史和运行状态之间的综合关系的有效方法。目前尚无成熟的适用于利用多源参数进行变压器故障类型、部位和原因的综合诊断系统，无法进一步满足变压器可靠安全运维的要求。

发明内容

针对以上的不足，本发明提供一种基于模糊关联规则的变压器故障综合诊断系统及诊断方法，利用模糊理论及Apriori算法建立故障类型与油色谱气体之间以及故障部位与油色谱气体、电气试验、绝缘油特性实验和油色谱气体之间的关联规则，更能反应变压器故障与特征参量之间的实际关系。

一种基于模糊关联规则的变压器故障综合诊断系统，包括：

变压器故障类型诊断模块，用于对待诊断变压器故障后所测得的油色谱气体数据实现模糊处理，并利用Apriori算法挖掘出故障类型与油色谱气体数据之间的关联规则以便实现对变压器故障类型的诊断；

变压器故障部位诊断模块，利用Apriori算法挖掘出故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则，以便实现对变压器故障部位的诊断；

基于援例推理的变压器故障综合诊断模块，利用欧式距离算法及归一化能量强度算法，以便实现对待诊断变压器与变压器源范例集之间相似度的计算并确定最佳源范例，从而实现变压器故障原因的诊断，并辅助变压器故障类型的诊断；

所述变压器故障类型包括过热或放电；

所述变压器故障部位包括绕组或铁芯及磁回路；

一种基于模糊关联规则的变压器故障综合诊断方法，包括：

S1：输入待诊断变压器的油色谱气体数据，利用隶属度函数计算出待诊断变压器的模糊隶属度；

S2：利用IEC三比值法初步判断故障类型为过热、放电或过热兼放电，若判断为前两者，则在离散过程中采用相应的平均值完成离散；若判断为过热兼放电，则转为利用援例推理进行故障类型的诊断；

S3：利用Apriori算法所挖掘出的针对故障类型与油色谱气体数据之间的关联规则进行故障类型的诊断；

S4：输入待诊断变压器的电气试验及绝缘油特性试验结果，利用Apriori算法所挖掘出的、针对故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则进行诊断；

S5：利用基于欧式距离及归一化能量强度的综合援例推理实现变压器故障原因的诊断，并辅助变压器故障类型的诊断；

所述隶属度函数在设备状态属性为正常时表示为：

其中，x表示特征气体H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂及总烃的含量，a₁取相应属性数据正常值的90％，a₂取相应属性数据正常值的110％；

在设备状态属性为异常时表示为：

B(x)＝1-A(x)；

所述故障类型和故障部位的诊断包括置信度、支持度和命中规则的前项数三个指标；

所述步骤S5包括：

S51：根据变压器故障类型及部位诊断结果，在原始源范例集中将类型及部位与诊断结果一致的源范例定义为候选源范例集；

S52：将候选源范例集和目标范例中的油色谱气体数据进行归一化处理，并计算第i个目标范例与第j个候选源范例的欧式距离d_ij及相似度Sim_1j；

S53：将所得相似度Sim_1j进行排序，筛选出排名前十所对应的源油色谱气体数据，找出相应源油色谱气体数据所对应的案例，定义为相近源范例集；

S54：计算相近源范例集中各油色谱气体数据与目标范例的NEI值及相似度Sim_2j，并对Sim_2j排序，选出最佳源范例；

所述欧氏距离算法包括归一化处理、误差值计算和相似度计算；

所述归一化处理表达式为：

其中，x表示特征气体H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂及总烃的含量，x_max及x_min分别表示特征气体所能取到的最大和最小值；

所述误差值计算表达式为：

△x＝±(15％+2×m)×x(x<10mL/L)

△x＝±15％×x(x≥10mL/L)

其中，x为H₂时m＝2；x为烃类气体时m＝0.1；x为CO时m＝5；x为CO₂时m＝10。

与现有技术相比，本发明所带来的有益技术效果为：

1、基于模糊理论的关联规则挖掘可将数据库拓展至具有模糊属性的数据库，从中提取的模糊关联规则相较传统关联规则挖掘更能反映变压器故障与特征量之间的实际关联关系；

2、利用基于欧式距离算法及归一化能量强度算法确定待诊断变压器的最佳源范例，从而实现变压器故障原因的诊断，同时还可辅助变压器故障类型的诊断；

3、源范例的推出能够直观地显示出与待诊断变压器相似的历史案例，提升了诊断的可信度，能够有效地帮助现场工作人员完成判别，适用于多种变压器故障情况下的诊断。

附图说明

图1为本发明的基于模糊关联规则的变压器故障诊断系统结构示意图；

图2为本发明的基于模糊关联规则的变压器故障诊断方法流程图；

图3为本发明的基于欧式距离及归一化能量强度的综合援例推理流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行详细描述。

参照图1，基于模糊关联规则的变压器故障诊断系统包括变压器故障类型诊断模块，可对待诊断变压器故障后所测得的油色谱气体数值实现模糊处理，并利用Apriori算法挖掘出故障类型与油色谱气体之间的关联规则从而实现对变压器故障类型(过热或放电)的诊断；变压器故障部位诊断模块，利用Apriori算法挖掘出故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则从而实现对变压器故障部位(绕组或铁芯及磁回路)的诊断；基于援例推理的变压器故障综合诊断模块，利用欧式距离算法及归一化能量强度算法实现对待诊断变压器与变压器源范例集之间相似度的计算，通过对计算所得的两种相似度的综合排序确定最佳源范例，从而实现变压器故障原因的诊断，并辅助变压器故障类型的诊断。

参照图2，基于模糊关联规则的变压器故障诊断方法包括：

1、输入待诊断变压器的油色谱气体数据，利用隶属度函数计算出待诊断变压器的模糊隶属度。

隶属度函数根据设备的状态属性采用不同表达方式：设备状态属性“正常”的隶属度函数如式所示：

其中，a₁取相应属性数据正常值90％，a₂取相应属性数据正常值的110％。

设备状态属性“异常”的隶属度函数如式所示：

B(x)＝1-A(x)

2、根据IEC三比值法初步判断故障类型为过热、放电或过热兼放电，若判断为前两者，则在离散过程中采用相应的平均值完成离散；若判断为过热兼放电，则转为利用援例推理进行故障类型的诊断。

3、利用Apriori算法所挖掘出的针对故障类型与油色谱气体数据之间的关联规则进行故障类型的诊断。

Apriori算法是一种挖掘关联规则频繁项集的算法，通过生成候选集及其情节的向下封闭检测这两个阶段来挖掘频繁项集。整个诊断过程涉及三个指标，分别为置信度，支持度及命中规则的前项数，按照项数，置信度，支持度的顺序进行规则筛选，即共n个前项中项数命中一半及以上则进入下一轮筛选，置信度在90％及以上进入最终一轮筛选，最终根据支持度大小决定所采用的规则。

本实施例以8种油色谱气体，包括甲烷(CH₄)、乙炔(C₂H₂)、乙烯(C₂H₄)、乙烷(C₂H₆)、氢气(H₂)、一氧化碳(CO)、二氧化碳(CO₂)和总烃作为输入特征参量，然后利用隶属度函数得到八种油色谱气体值的模糊隶属度，再根据IEC三比值法初步判断故障类型为过热、放电或过热兼放电。系统若判断为前两者，则在离散过程中将模糊隶属度与对应故障类型对应气体的均值进行比较，若高于均值，则认为其隶属于该模糊属性；反之则不隶属。若判断为过热兼放电，则转为利用援例推理进行故障类型的诊断，利用Apriori算法挖掘出八种油色谱气体和IEC三比值与故障类型之间的关联规则并利用挖掘出的关联规则实现故障类型的诊断。

4、输入待诊断变压器的电气试验及绝缘油特性试验结果，利用Apriori算法所挖掘出的针对故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则进行诊断。

同步骤3，诊断过程也涉及置信度、支持度及命中规则的前项数三个指标，筛选依据与步骤3一致。

本实施例以红外测温、异常声音、线圈温度、顶层油温、油枕油位、套管油位、潜油泵、直流电阻、线圈介损、线圈频谱、短路阻抗、绝缘电阻、绝缘电阻、绕组变比、直流泄漏、局部放电、铁芯绝缘、铁芯接地电流、空载试验、套管介损、重瓦斯、轻瓦斯、压力释放阀、差保护、后备保护、分接开关、操作次数等33种电气试验和油微水含量、聚合度、油介损、油击穿电压、糠醛含量、油流带电度和油中含气量等7种绝缘油特性试验作为输入特征参量，然后利用Apriori算法挖掘出油色谱气体、电气试验及绝缘油特性试验与故障部位之间的关联规则，并利用挖掘出的关联规则实现故障部位的诊断。

5、完成上述故障类型及部位诊断后，利用基于欧式距离算法及归一化能量强度的综合援例推理完成最终的诊断，其中若步骤2中三比值判断结果为过热兼放电，则候选源范例集为原始源范例集中故障部位与诊断结果一致的源范例组成的集合。

所述欧式距离算法包括归一化处理、误差值计算和基于欧式距离的援例推理算法的相似度计算：

归一化处理表达式为：中，x取八种特征气体：H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂及总烃。

误差值计算表达式为：△x＝±(15％+2×m)×x(x<10mL/L)

△x＝±15％×x(x≥10mL/L)

其中，x为H2时m＝2；x为烃类气体时m＝0.1；x为CO时m＝5；x为CO₂时m＝10。

归一化能量强度表达式为：

其中，km(m＝1,2,3,4)为相应气体的脱气率，i_m(m＝1,2,3,4)为最后一次所有油色谱气体不超过IEC60599中所规定的绝对产气速率及典型浓度值时，对应的相应各气体浓度。

CH₄，C₂H₆，C₂H₄，C₂H₂均为用μL/L表示的相应气体浓度，如果气体浓度不是在273K(0℃)温度下的，则必须在计算NEI前乘以温度校正因子273/(273+T)，其中气体浓度的温度用摄氏度表示。

参照图3，基于欧式距离及归一化能量强度的综合援例推理包括：

1、由基于模糊关联规则的变压器故障类型诊断模块和变压器故障部位诊断模块所得到的故障部位及故障类型诊断结果，在原始源范例集中将类型及部位与诊断结果一致的源范例定义为候选源范例集。

2、将候选源范例集和目标范例中的油色谱气体数据进行归一化处理，并计算第i个目标范例与第j个候选源范例的欧式距离(a_ik和a_jk分别表示经归一化处理后的第i个和第j个范例的第k个特性指标)及相似度Sim_1j＝1/(1+d_ij)。

3、将步骤2中所得Sim_1j进行排序，筛选出排名前十所对应的源油色谱气体数据，找出相应源油色谱气体数据所对应的案例，定义为相近源范例集。

4、计算相近源范例集中各油色谱气体数据与目标范例的NEI值及相似度Sim_2j＝1/(1+|NEI₁-NEI₂|)(其中，NEI₁代表目标范例的NEI值，NEI₂代表源范例的NEI值)，并对Sim_2j排序，选出最佳源范例。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于模糊关联规则的变压器故障综合诊断系统，包括：

变压器故障类型诊断模块，用于对待诊断变压器故障后所测得的油色谱气体数据实现模糊处理，并利用Apriori算法挖掘出故障类型与油色谱气体数据之间的关联规则以便实现对变压器故障类型的诊断；

变压器故障部位诊断模块，利用Apriori算法挖掘出故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则，以便实现对变压器故障部位的诊断；

基于援例推理的变压器故障综合诊断模块，利用欧式距离算法及归一化能量强度算法，以便实现对待诊断变压器与变压器源范例集之间相似度的计算并确定最佳源范例，从而实现变压器故障原因的诊断，并辅助变压器故障类型的诊断。

2.根据权利要求1所述的诊断系统，其特征在于：所述变压器故障类型包括过热或放电。

3.根据权利要求1所述的诊断系统，其特征在于：所述变压器故障部位包括绕组或铁芯及磁回路。

4.一种基于模糊关联规则的变压器故障综合诊断方法，包括：

S1：输入待诊断变压器的油色谱气体数据，利用隶属度函数计算出待诊断变压器的模糊隶属度；

S2：利用IEC三比值法初步判断故障类型为过热、放电或过热兼放电，若判断为前两者，则在离散过程中采用相应的平均值完成离散；若判断为过热兼放电，则转为利用援例推理进行故障类型的诊断；

S3：利用Apriori算法所挖掘出的针对故障类型与油色谱气体数据之间的关联规则进行故障类型的诊断；

S4：输入待诊断变压器的电气试验及绝缘油特性试验结果，利用Apriori算法所挖掘出的、针对故障部位与油色谱气体、电气试验及绝缘油特性试验之间的关联规则对结果进行诊断；

S5：利用基于欧式距离算法及归一化能量强度算法的综合援例推理实现变压器故障原因的诊断，并辅助变压器故障类型的诊断。

5.根据权利要求4所述的诊断方法，其特征在于：所述隶属度函数在设备状态属性为正常时表示为：

其中，x表示特征气体H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂及总烃的含量，a₁取相应属性数据正常值的90％，a₂取相应属性数据正常值的110％；

在设备状态属性为异常时表示为：

B(x)＝1-A(x)。

6.根据权利要求5所述的诊断方法，其特征在于：所述故障类型和故障部位的诊断包括置信度、支持度和命中规则的前项数三个指标。

7.根据权利要求4所述的诊断方法，其特征在于：所述步骤S5包括：

S51：根据变压器故障类型及部位诊断结果，在原始源范例集中将类型及部位与诊断结果一致的源范例定义为候选源范例集；

S52：将候选源范例集和目标范例中的油色谱气体数据进行归一化处理，并计算第i个目标范例与第j个候选源范例的欧式距离d_ij及相似度Sim_1j；

S53：将所得相似度Sim_1j进行排序，筛选出排名前十所对应的源油色谱气体数据，找出相应源油色谱气体数据所对应的案例，定义为相近源范例集；

S54：计算相近源范例集中各油色谱气体数据与目标范例的NEI值及相似度Sim_2j，并对Sim_2j排序，选出最佳源范例，其中，NEI为归一化能量强度，表达式如下：

km(m＝1，2，3，4)为相应气体的脱气率；i_m(m＝1，2，3，4)为最后一次所有油色谱气体不超过IEC60599中所规定的绝对产气速率及典型浓度值时，对应的相应各气体浓度；CH₄，C₂H₆，C₂H₄，C₂H₂均为用μL/L表示的相应气体浓度。

8.根据权利要求5所述的诊断方法，其特征在于：所述欧氏距离算法包括归一化处理、误差值计算和相似度计算。

9.根据权利要求8所述的诊断方法，其特征在于：所述归一化处理表达式为：

其中，x表示特征气体H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO、CO₂及总烃的含量，x_max及x_min分别表示特征气体所能取到的最大和最小值。

10.根据权利要求8所述的诊断方法，其特征在于：所述误差值计算表达式为：

Δx＝±(15％+2×m)×x(x＜10mL/L)

Δx＝±15％×x(x≥10mL/L)

其中，x为H₂时m＝2；x为烃类气体时m＝0.1；x为CO时m＝5；x为CO₂时m＝10。