CN108051660A - 一种变压器故障组合诊断模型建立方法及诊断方法 - Google Patents

Abstract

本发明提供了一种新型的电力变压器故障组合诊断模型建立方法以故障诊断方法，其中诊断模型建立方法包括：采用朴素贝叶斯诊断模型、RVM诊断模型和物元诊断模型中的至少两种诊断模型对油中溶解气体分析数据进行初步诊断；将上述初步诊断的诊断结果进行加权平均，经二次RVM诊断模型进行二次诊断，从而得到组合诊断模型。模型建立后，采用建立的模型进行故障诊断。该方法充分利用各个诊断模型的优点，能有效地提高诊断精度和有效性。

Description

一种变压器故障组合诊断模型建立方法及诊断方法

技术领域

本发明属于变压器领域，具体涉及一种电力变压器故障组合诊断方法。

背景技术

基于油中溶解气体分析(DGA)对变压器进行故障诊断是简单易行的，在实际运行、维护和大量研究成果中已得到了验证，但存在的问题是故障样本稀少，这为基于DGA和样本学习的变压器故障诊断方法的推广带来了困难。根据已有的各种智能诊断方法的研究结果，各种方法存在着不同的优缺点。鉴于此，寻找一种能充分发挥多种智能诊断方法的优势，

物元理论能很好地处理定性定量问题，且具有建模简单、效果良好的优点，而云模型则能综合地考虑变压器数据的模糊性和随机性。鉴于此，采用云模型改造物元结构，在此基础上建立基于物元理论和云模型的变压器故障诊断新模型，

朴素贝叶斯分类器是一种基于贝叶斯公式的分类器—Naive Bayes分类器。在该分类器中，假设各个属性变量之间相互独立。当训练数据库D的所有实例都完整时，通过对实例出现频率的统计，求出给定类变量C条件下各个属性变量X_i的条件概率P(X_i|C)以及类变量的概率P(C)，就可以完成分类器的学习。

相关向量机(Relevance Vector Machine，RVM)是基于稀疏贝叶斯学习理论的一种机器学习算法，该方法结合了贝叶斯理论、马尔科夫性质、最大似然估计以及自动相关决定先验等理论。RVM通过引入超参数对权重向量赋予零均值高斯先验分布确保模型的稀疏性；采用最大化边缘似然函数的方法来估计超参数，不存在规则化系数确定困难的问题。RVM具有SVM所具有的可有效的解决小样本、非线性分类问题等优点之外，还能够克服SVM固有的局限。RVM核函数不受Mercer条件的限制；基函数权值只有少数非零，相关向量数量少，比SVM更加稀疏；具有更好的泛化性能；无规则化系数，不需要通过交叉验证等方法获取该参数；可以输出后验概率分布，便于分析问题不确定性。

组合诊断是指综合利用单个模型的信息，以适当的加权平均形式得出组合诊断模型。因此，为保证诊断的准确性与可靠性，通常对同一事件采取组合各种诊断方法，尽可能利用全部信息，以得到一个较好的诊断模型，达到改善诊断结果的目的。

将多个弱分类器组合起来，达到提高分类精度的目的，这类似于Boosting的思想，其具体的数学形式为：

式(1)中，w_k为第k个模型的组合权重，且满足可有拉格朗日乘子法或其他数学规划方法得到；y_i′为组合诊断结果，f_ki为第k个诊断模型第i次的诊断结果。

但是这些诊断方法没有充分考虑各个诊断模型的优缺点，在诊断精度和有效性方面表现较差。

发明内容

有鉴于此，本发明提供了一种新型的电力变压器组合诊断方法，该组合诊断法首先采用各模型对DGA数据进行初步诊断，然后将各种诊断结果进行综合，经RVM进行二次诊断，从而得到比单个诊断模型更全面的组合诊断模型。

一种变压器故障组合诊断模型建立方法，其特征在于：包括如下步骤：采用朴素贝叶斯诊断模型、RVM诊断模型和物元诊断模型中的至少两种诊断模型对油中溶解气体分析数据进行初步诊断；

将上述初步诊断的诊断结果进行加权平均，经二次RVM诊断模型进行二次诊断，从而得到组合诊断模型。

进一步地：所述朴素贝叶斯诊断模型、所述RVM诊断模型和所述物元诊断模型中的至少两种诊断模型构成初步诊断模型群，并在对油中溶解气体分析数据进行初步诊断前进行训练。

进一步地：所述朴素贝叶斯诊断模型和所述RVM诊断模型通过对一次样本数据的训练学习生成；所述物元诊断模型是在IEC三比值的数据基础上建立，或者通过训练学习建立。

进一步地：所述物元诊断模型在对油中溶解气体分析数据进行初步诊断之前，采用以下方法构建模型：确定变压器故障的物元表示方法；确定变压器故障物元表示中的特征及其对应的标准云；确定待评油色谱样本的物元表示及关联度的计算方法；分析得出变压器的故障类型。

进一步地：构建基于朴素贝叶斯分类器的变压器故障诊断模型，确定模型的结构参数和概率参数。

进一步地：将变压器的状态划分为正常、低能放电、高能放电、中低温过热和高温过热。

进一步地：采用RVM分类器来辨识变压器的状态。

进一步地：将初次诊断结果以及原始油色谱数据组织成二次训练样本，对所述二次RVM诊断模型进行训练，调整相关的参数通过学习和测试使不同的输入向量得到相应的输出值。

本发明还提供了一种变压器故障诊断方法，其特征在于：

依次将DGA数据输入到通过权利要求1-8任一方法训练的RVM诊断模型和朴素贝叶斯模型和改进的物元诊断模型，得到初次诊断结果(f₁,f₂,...f_n)，其中n为诊断模型群中诊断模型的个数，f_n为第n个模型对所述DGA数据的初次诊断结果；

将初次诊断结果(f₁,f₂,...f_n)以及原始油色谱数据组织二次诊断模型的输入数据(f₁,f₂,...f_n,x₁,…,x_m)；

利用二次诊断模型，得出故障诊断结果。

该方法充分利用各个诊断模型的优点，能有效地提高诊断精度和有效性。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

附图1本发明的组合诊断模型；

附图2本发明的二次RVM模型训练示意图；

附图3本发明的基于RVM的变压器故障诊断模型；

附图4本发明的变压器状态评估NB模型。

具体实施方式

组合诊断模型包括两部分，初次诊断模型和二次诊断模型。从过程上含有训练过程和诊断过程。如图1所示，原始数据形成的一次样本数据输入到朴素贝叶斯分类器、RVM故障诊断模型、基于物理元理论和云模型的诊断模型，对这些模型进行训练；由诊断模型群的诊断结果形成二次数据，输入到RVM故障诊断模型中对该模型进行训练。训练结束后，实测油色谱数据输入到朴素贝叶斯分类器、RVM故障诊断模型、基于物理元理论和云模型的诊断模型进行初次诊断，并由诊断模型群的诊断结果形成二次数据，通过RVM故障诊断模型进行二次诊断，最后输出诊断结果。

诊断方法包括组合诊断模型的训练和变压器故障的诊断两部分。在分析变压器各种故障特点的基础上，将变压器状态划分为正常(S1)、低能放电(S2)、高能放电(S3)、中低温过热(S4)(≤700℃)、高温过热(S5)(>700℃)五种类型。

诊断模型的训练过程：设TS_i＝{x₁,…,x_m,S_i}，TS_i表示训练样本集中的第i条样本，x_m为该样本的第m个属性变量的值，S_i表示变压器的实际状态。具体训练过程如下：

步骤1：建立一次诊断模型群：通过对一次样本数据的训练学习生成朴素贝叶斯诊断模型和RVM诊断模型；改进的物元诊断模型是在IEC(International Electro technicalCommisssion，国际电工委员会)三比值的数据基础上建立。在样本数据足够大的情况下，改进的物元诊断模型也可通过训练学习建立。

步骤2：依次将每条一次样本数据TS_i输入训练好的朴素贝叶斯诊断模型、RVM诊断模型和改进的物元诊断模型，得到初次诊断结果F_1i＝(f_i1,f_i2,...f_in)，其中n为诊断模型群中诊断模型的个数，f_in为第n个模型对第i条样本的诊断结果，f_in取值范围同S_i。

步骤3：将初次诊断结果F_1i和其对应的变压器实际状态S_i以及原始油色谱数据组织成二次训练样本TS_i,＝{f_i1,…,f_in,x₁,…,x_m,S_i}。

步骤4：如图2所示，依据二次训练样本集TS,对二次RVM诊断模型进行训练，调整相关的参数通过学习和测试使不同的输入向量得到相应的输出值(经实践检验的值)，这样通过以上的样本就可以训练这个系统，实现非线性组合诊断，组合权重是隐含在这个训练模型中的。

变压器故障诊断过程：设{x₁,…,x_m}，表示一条DGA数据，x_m为该样本的第m个属性变量的值。具体诊断过程如下：

步骤1：依次将此条DGA数据输入训练好的RVM诊断模型和朴素贝叶斯模型和改进的物元诊断模型，得到初次诊断结果(f₁,f₂,...f_n)，其中n为诊断模型群中诊断模型的个数，f_n为第n个模型对第此条DGA数据的诊断结果。

步骤3：将初次诊断结果(f₁,f₂,...f_n)以及原始油色谱数据组织二次诊断模型的输入数据(f₁,f₂,...f_n,x₁,…,x_m)。

步骤4：利用二次诊断模型，得出诊断结果。

首先在分析变压器各种故障特点的基础上，将变压器状态划分为正常(S1)、低能放电(S2)、高能放电(S3)、中低温过热(S4)(≤700℃)、高温过热(S5)(>700℃)五种类型。

步骤一：各诊断模型的建立

改进物元理论和云模型建立：

根据状态划分，建立的故障类型对应的标准云模型如下式所示：

(2)式中：R_0i表示第i(i＝1,2,…,5)种故障，N_i是第i种故障类型的名称，C_j是事物的特征，即用来确定变压器状态的油色谱数据，是R_0i关于特征C_j的量值，此处采用标准云的形式表示。表示第j个特征对应第i种故障类型的期望，表示第j个特征对应第i种故障类型的熵，表示第j个特征对应第i种故障类型的超熵，此值动态调整。

当样本数据量较少时，我们可以采用传统的三比值作为变压器故障事物的特征，即C_i(i＝1,2,3)分别为：C₂H₂/C₂H₄，CH₄/H₂和C₂H₄/C₂H₆(每升溶解气体中各种气体含量的比值)。根据IEC599所介绍的三比值法总结出的气体比值范围与故障类型之间的内在联系，并在考虑边界的不确定性进行适度扩展后，变压器的故障模式如表1所示。

表1电力变压器标准故障模式

依据云与区间数值之间的关联函数，计算出每种故障类型所对应的期望E_x与熵E_n，于是我们可以得到每种故障类型所对应的标准云模型的参数，如C₂H₂/C₂H₄对应于“无故障”的云模型为(0.055,0.018,0.001)。

当样本数据量、特别是故障样本数据量非常大时，我们可以选取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种气体作为变压器故障物元的特征变量。假设第i类故障模式样本集为x_i＝{x_i1,x_i2,...,x_in}，其中，x_ij(j＝1,2,...,n)为该集合中的第j个样本向量，u_i表示x_i的确定度。

对于待评变压器，其油色谱分析数据我们可以得到确定的量值，那么可以使用一般物元表示方法将待评变压器样本表示为：

其中，q为待评变压器样本事物，当采用三比值作为特征时，v_i是对应的某个比值数值。我们将每一个比值看做是一个云滴，然后算出每一个云滴隶属于每个故障类型的确定度。

按照在电力变压器故障诊断中气体3个比值的重要程度设定相应的权重系数，计算将要诊断的变压器与各故障类型的关联度，得到特征物元与故障云物元的关联度，计算公式如下式所示：

(3)式中：a_i是权系数，在本文中取a_i＝1/3。

若满足下式(4)，则确定变压器属于故障类型j₀。

基于相关向量机的故障真的模型建立：

基于RVM的变压器故障诊断分类模型如附图3所示。采用四个RVM分类器来辨识变压器的上述五种状态，模型中分类器RVM1用来辨识正常和故障状态，若分类器RVM1的概率输出大于0.5，则辨识结果为正常状态，否则为故障状态；分类器RVM2用来辨识电性故障和热性故障，若分类器RVM2的概率输出大于0.5，则辨识结果为电性故障，否则为热性故障；分类器RVM3用来辨识低能放电和高能放电，若分类器RVM3的概率输出大于0.5，则辨识结果为低能放电，否则为高能放电；分类器RVM4用来辨识中低温过热和高温过热，若分类器RVM4的概率输出大于0.5，则辨识结果为中低温过热，否则为高温过热。

基于朴素贝叶斯网络的故障诊断模型建立：

首先依据我国的DL/T722-2000《导则》以及专家经验，设置离散化阈值标准如表2所示：

表2变压器状态信息编码规则

根据所确定的变压器故障诊断条件属性和决策属性，建立变压器状态评估NB模型。如附图4所示。

二次诊断模型的建立：

二次诊断模型如附图2所示，将一次诊断结果与变压器DGA数据作为模型输入进行变压器故障的最终诊断。

步骤二、各诊断模型的训练：

如附图1所示，首先，对原始溶解气体数据进行处理，形成一次样本数据，采用此数据分别对朴素贝叶斯网络诊断模型、RVM故障诊断模型、基于物元理论和云模型的诊断模型进行训练；然后，以上述诊断模型的诊断结果作为数据样本，对二次RVM故障诊断模型进行训练。

步骤三、最终诊断

将实测变压器DGA数据信息输入组合诊断模型，进行变压器故障组合诊断。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种变压器故障组合诊断模型建立方法，其特征在于：包括如下步骤：采用朴素贝叶斯诊断模型、RVM诊断模型和物元诊断模型中的至少两种诊断模型对油中溶解气体分析数据进行初步诊断；

将上述初步诊断的诊断结果进行加权平均，经二次RVM诊断模型进行二次诊断，从而得到组合诊断模型。

2.根据权利要求1所述的变压器故障组合诊断模型建立方法，其特征在于：所述朴素贝叶斯诊断模型、所述RVM诊断模型和所述物元诊断模型中的至少两种诊断模型构成初步诊断模型群，并在对油中溶解气体分析数据进行初步诊断前进行训练。

3.根据权利要求1或者2所述的变压器故障组合诊断模型建立方法，其特征在于：所述朴素贝叶斯诊断模型和所述RVM诊断模型通过对一次样本数据的训练学习生成；所述物元诊断模型是在IEC三比值的数据基础上建立，或者通过训练学习建立。

4.根据权利要求1或者2所述的变压器故障组合诊断模型建立方法，其特征在于：所述物元诊断模型在对油中溶解气体分析数据进行初步诊断之前，采用以下方法构建模型：确定变压器故障的物元表示方法；确定变压器故障物元表示中的特征及其对应的标准云；确定待评油色谱样本的物元表示及关联度的计算方法；分析得出变压器的故障类型。

5.根据权利要求4所述的变压器故障组合诊断模型建立方法，其特征在于：构建基于朴素贝叶斯分类器的变压器故障诊断模型，确定模型的结构参数和概率参数。

6.根据权利要求1所述的变压器故障组合诊断模型建立方法，其特征在于：将变压器的状态划分为正常、低能放电、高能放电、中低温过热和高温过热。

7.根据权利要求6所述的变压器故障组合诊断模型建立方法，其特征在于：采用RVM分类器来辨识变压器的状态。

8.根据权利要求1所述的变压器故障组合诊断模型建立方法，其特征在于：将初次诊断结果以及原始油色谱数据组织成二次训练样本，对所述二次RVM诊断模型进行训练，调整相关的参数通过学习和测试使不同的输入向量得到相应的输出值。

9.一种变压器故障诊断方法，其特征在于：

依次将DGA数据输入到通过权利要求1-8任一方法训练的RVM诊断模型和朴素贝叶斯模型和改进的物元诊断模型，得到初次诊断结果(f₁,f₂,...f_n)，其中n为诊断模型群中诊断模型的个数，f_n为第n个模型对所述DGA数据的初次诊断结果；

将初次诊断结果(f₁,f₂,...f_n)以及原始油色谱数据组织二次诊断模型的输入数据(f₁,f₂,...f_n,x₁,…,x_m)；

利用二次诊断模型，得出故障诊断结果。