CN108152612A - 一种变压器故障预测方法、装置、终端及可读存储介质 - Google Patents

Abstract

本发明提供了一种变压器故障预测方法、装置、终端及可读存储介质，其中，该方法包括：根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立特征气体的浓度预测模型；利用浓度预测模型对采集到的特征气体的当前浓度和当前电气参数进行处理，得到特征气体的下一时刻浓度；根据特征气体的下一时刻浓度进行故障预测，得到预测故障类型。这种故障预测方法首先分析油溶气体间以及油溶气体和其它电气参数的关联关系，之后建立每一油溶气体基于其它气体和电气参数的浓度预测模型，通过浓度预测模型预测未来任意时刻变压器油溶气体浓度，根据油溶气体浓度进行故障预测，提高了变压器故障预测的精确度。

Description

一种变压器故障预测方法、装置、终端及可读存储介质

技术领域

本发明涉及变电站设备监测领域，具体涉及一种变压器故障预测方法、装置、终端及可读存储介质。

背景技术

随着电网容量的不断扩大，电力变压器作为电力系统的核心设备之一，承担连接不同电压等级线路、电压转化与电能分配的重要功能。而由于变压器在制造、工艺、运输、安装及使用过程中面临多种潜在的缺陷与意外，以及运行中承受多种不同的物理场应力，导致电力变压器在正常老化及异常操作条件下不可避免的出现各类故障，导致电能供应中断，影响正常的工业生产、日常生活、社会秩序等，造成巨大的经济损失。因此，为了整个电网的安全运行，对变压器运行状态及其早期潜伏性故障进行监测和诊断对保障电力系统稳定、可靠供电具有重要意义。

油中溶解气体分析方法(Dissolved Gas Analysis，DGA)通过气体组份比值及相对占比进行变压器的故障监测，由于易操件、不受电磁影响，是目前国内外使用最为广泛的变压器故障诊断及预测方法。近几年，国内外研究学者应用人工神经网络、专家系统、模糊理论等建立相应数学模型，结合油中溶解气体特征量对变压器故障进行诊断探索，也取得了一定的成效。但DGA浓度预测模型大多采用气体的历史浓度数据作为输入层、未来任意时刻的气体浓度作为输出层，这样便使得浓度预测模型不够全面、客观，导致变压器故障预测结果不够精确。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的变压器故障预测不够精确的缺陷。

为此，本发明提供如下技术方案：

本发明第一方面，提供一种变压器故障预测方法，包括如下步骤：根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型；利用所述浓度预测模型对采集到的所述特征气体的当前浓度和当前电气参数进行处理，得到所述特征气体的下一时刻浓度；根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型。

可选地，在所述根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型的步骤中，包括：获取变压器预设时间内所述特征气体的历史浓度和历史电气参数；对所述历史浓度和历史电气参数进行标准化处理得到相关性交叉表；根据所述相关性交叉表获取所述特征气体中每一种气体的自变量；根据所述每一种气体的自变量建立每一种气体的浓度预测模型。

可选地，利用支持向量机算法建立所述每一种气体的浓度预测模型。

可选地，所述特征气体包括H₂、CH₄、C₂H₆、C₂H₄和C₂H₂。

可选地，所述电气参数包括油温和负荷。

可选地，在根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型的步骤中，包括：获取所述特征气体的故障诊断模型；利用所述故障诊断模型对所述特征气体的下一时刻浓度进行处理，得到预测故障类型。

可选地，在所述获取特征气体的故障诊断模型的步骤中，包括：获取变压器故障案例，所述故障案例包括所述变压器油中溶解的所述特征气体的类型、数值及所述变压器设备状态类型；将所述变压器故障案例进行处理得到训练数据集和测试数据集；根据所述训练数据集和所述测试数据集建立所述故障诊断模型。

可选地，利用C5.0分类决策树算法建立所述故障诊断模型，并利用C5.0分类决策树的后修剪算法对所述故障诊断模型进行优化。

本发明第二方面，提供一种变压器故障预测装置，包括：第一处理模块，用于根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型；第二处理模块，用于利用所述浓度预测模型对采集到的所述特征气体的当前浓度和当前电气参数进行处理，得到所述特征气体的下一时刻浓度；第三处理模块，用于根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型。

可选地，所述第一处理模块包括：第一获取单元，用于获取变压器预设时间内特征气体的历史浓度和历史电气参数；第一处理单元，用于对所述历史浓度和历史电气参数进行标准化处理得到相关性交叉表；第二获取单元，用于根据所述相关性交叉表获取所述特征气体中每一种气体的自变量；第二处理单元，用于根据所述每一种气体的自变量建立每一种气体的浓度预测模型。

可选地，所述第三处理模块包括：第三获取单元，用于获取特征气体的故障诊断模型；第三处理单元，用于利用所述故障诊断模型对所述特征气体的下一时刻浓度进行处理，得到预测故障类型。

可选地，所述第三获取单元包括：第一获取次单元，用于获取变压器故障案例，所述故障案例包括变压器油中溶解的所述特征气体的类型、数值及变压器设备状态类型；第一处理次单元，用于将所述变压器故障案例进行处理得到训练数据集和测试数据集；第二处理次单元，用于根据所述训练数据集和所述测试数据集建立所述故障诊断模型。

本发明第三方面，提供一种终端，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明第一方面任一所述的方法。

本发明第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明第一方面任一所述方法的步骤。

本发明技术方案，具有如下优点：

本发明提供了一种变压器故障预测方法、装置、终端及可读存储介质，其中，该方法包括：根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型；利用所述浓度预测模型对采集到的所述特征气体的当前浓度和当前电气参数进行处理，得到所述特征气体的下一时刻浓度；根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型。这种故障预测方法首先分析油溶气体间以及油溶气体和其它电气参数的关联关系，之后建立每一油溶气体基于其它气体和电气参数的浓度预测模型，通过浓度预测模型预测未来任意时刻变压器油溶气体浓度，根据油溶气体浓度进行故障预测，提高了变压器故障预测的精确度。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中变压器故障预测方法的一个具体示例的流程图；

图2为本发明实施例中变压器故障预测方法的另一个具体示例的流程图；

图3为本发明实施例中变压器故障预测方法的另一个具体示例的流程图；

图4为本发明实施例中变压器故障预测方法的另一个具体示例的流程图；

图5为本发明实施例中变压器故障预测方法的另一个具体示例的流程图；

图6为本发明实施例中变压器故障预测装置的一个具体示例的框图；

图7为本发明实施例中终端的结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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”、“第三”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，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。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。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本实施例提供一种变压器故障预测方法，如图1所示，包括如下步骤：

S1：根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立特征气体的浓度预测模型。由于H₂、CH₄、C₂H₆、C₂H₄和C₂H₂等气体是同时产生的，或者是相互之间转化得来的，所以它们的浓度之间还存在关联性。另外，这些气体的浓度还和变压器的负荷、油温以及其它电气参数有关系，因为这些参数都会影响油的分解。因此，在本实施例中构建每一气体基于其他气体和电气参数的浓度预测模型。在本实施例中，特征气体包括H₂、CH₄、C₂H₆、C₂H₄和C₂H₂，历史电气参数包括油温和负荷；当然，在其它实施例中，特征气体还可以包括其它气体，如CO和CO₂，根据需要合理设置即可；历史电气参数还可以包括其它电气参数，如电压、电流等，根据需要合理设置即可。

在本实施例中，如图2所示，步骤S1具体包括步骤S11-S14：

S11：获取变压器预设时间内特征气体的历史浓度和历史电气参数，并以时间和设备ID为标识进行数据关联。在本实施例中，预设时间设置为预测日前30日，获取预测日前30日的变压器设备的特征气体的历史浓度、历史油温和历史负荷数据，统计并记录变压器设备每日油温的最大值和每日负荷的95概率值，这里不使用负荷最大值，而使用95概率值的原因是负荷曲线受某些突发因素的影响，可能存在毛峰尖刺，95概率值可以有效避开这些毛刺，从而更好的代表了当日最大负荷特性；当然，在其它实施例中，预设时间还可以设置为其它值，如预测日前15天或者预测日前60天，还可以获取每小时的油温的最大值和负荷的95概率值，根据需要合理设置即可。

S12：对历史浓度和历史电气参数进行标准化处理得到相关性交叉表。对历史数据进行无量纲处理,消除各变量之间的量纲关系，使数据具有可比性，进行相关性分析。对关联后的变压器油中溶解特征气体和油温、负荷等数据进行数据无量纲化处理，标准化的每个变量取值都在[-1,1]之间。计算变压器设备各特征气体之间、各特征气体与其它特征气体之间、以及各特征气体与油温、负荷之间的相关性，形成相关性交叉表。

S13：根据相关性交叉表获取特征气体中每一种气体的自变量。各变量之间的相关性越大，说明各特征气体之间以及特征气体与油温、负荷之间的关联程度越高，关系越紧密，其发展的趋势和速率越接近；剔除相关性较弱的信息，找出各特征气体之间以及特征气体与油温、负荷相关性大于0.8的相关变量定义为预测该目标气体的自变量；当然，在其它实施例中，相关性数值的选取还可以为其它值，如0.9或者0.7等，根据需要合理设置即可。

S14：根据每一种气体的自变量建立每一种气体的浓度预测模型。在本实施例中，利用支持向量机算法建立每一种气体的浓度预测模型；当然，在其它实施例中，也可以用其它算法建立浓度预测模型，如神经网络算法等，根据需要合理设置即可。变压器设备油中溶解气体浓度预测模型的构建可以利用电网大数据分析探索工具，利用建模工具提供的支持向量机算法，构建变压器油中溶解气体浓度预测模型。油中溶解气体的浓度预测主要是针对能够表征变压器故障的特征气体浓度，包括H₂、CH₄、C₂H₆、C₂H₄、C₂H₂。将与预测目标变量相关性大于0.8的相关变量作为输入变量，以下一时刻的预测目标气体为输出变量，利用采集的近1月的特征气体浓度、负荷、油温数据作为训练样本进行支持向量机模型训练。利用电网大数据分析工具的支持向量机算法，通过设置支持向量机算法的核参数类型、惩罚参数、核函数参数等算法参数，构建变压器油中溶解气体浓度预测模型。在油中溶解特征气体浓度预测过程中，通过优化支持向量机算法的惩罚参数、核参数类型(线性、多形式、径向基函数)、核函数参数等相关参数，提升模型预测的准确性。需要对几种特征气体浓度进行预测，则需要分别构建基于支持向量机算法的预测模型，之后按照上述方法分别进行训练、评估。

S2：利用浓度预测模型对采集到的特征气体的当前浓度和当前电气参数进行处理，得到特征气体的下一时刻浓度。在本实施例中，下一时刻设置为下一日，当然，在其它实施例中，下一时刻还可以为下一小时等，根据需要合理设置即可。获取当前特征气体的数据，包括当前的H₂、CH₄、C₂H₆、C₂H₄和C₂H₂的浓度，变压器负荷(今日最大值)和油温(今日95值)，对应输入各个气体浓度预测模型，获取预测出下一日的H₂、CH₄、C₂H₆、C₂H₄和C₂H₂气体浓度。

S3：根据特征气体的下一时刻浓度进行故障预测，得到预测故障类型。油浸式变压器通常为正常状态，如若发生故障则多为局部放电，低能放电，高能放电，低温过热，中温过热，高温过热，高能放电兼过热和低能放电兼过热。当变压器处于不同的状态抑或是故障类型时会导致其电、热和其它性能发生变化，进一步导致内部油的不同程度的分解，产生H₂、CH₄、C₂H₆、C₂H₄和C₂H₂等气体。所以油浸式变压器中不同气体的浓度和占比也对变压器的状态和故障类型有一定的指示作用。

在本实施例中，如图3所示，步骤S3具体包括步骤S31-S32：

S31：获取特征气体的故障诊断模型。

在本实施例中，如图4所示，步骤S31具体包括步骤S311-S313：

S311：获取变压器故障案例，故障案例包括变压器油中溶解的特征气体的类型、数值及变压器设备状态类型。在本实施例中，获取具有明确结论的基于变压器油中溶解特征气体的变压器故障案例共680项，包括变压器油中溶解特征气体类型、数值及变压器设备状态类型，作为变压器故障案例库，其中变压器油中溶解特征气体包括H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种气体，变压器设备状态数据类型共包括9类，分别为正常，局部放电，低能放电，高能放电，低温过热，中温过热，高温过热，高能放电兼过热，低能放电兼过热。样本数据中设备故障类别分布为，正常状态80项，局部放电故障80项，低能放电故障80项，高能放电故障80项，低温过热故障80项，中温过热故障80项，高温过热故障80项，高能放电兼过热故障60项，低能放电兼过热故障60项。当然，在其它实施例中，故障案例可根据需要合理设置。

S312：将变压器故障案例进行处理得到训练数据集和测试数据集。在本实施例中，将获取的具有明确结论的变压器故障案例库，利用随机抽样的方式，将70％的故障案例用于变压器故障诊断分析模型的训练数据集，将30％的故障案例作为测试数据集，以验证变压器故障诊断模型的准确性；当然，在其它实施例中，训练数据集和测试数据集的比例可根据需要合理设置。

S313：根据训练数据集和测试数据集建立故障诊断模型。在本实施例中，利用C5.0分类决策树算法建立故障诊断模型；当然，在其它实施例中，还可以采用其它算法建立故障诊断模型，如神经网络算法等，根据需要合理设置即可。变压器故障诊断模型的构建利用IBM SPSS Modeler建模工具辅助完成，利用建模工具提供的C5.0分类决策树算法，以随机抽样的70％的变压器故障案例作为训练数据集，通过C5.0分类算法进行无监督的机器学习，并以随机抽样的30％的变压器故障案例作为测试数据集，验证分析模型的准确性、合理性。通过设置C5.0分类决策树算法的相关参数，构建基于变压器油中溶解气体的故障诊断数据挖掘流，形成基于油中溶解气体的变压器故障诊断分析模型。在模型构建过程中，基于C5.0无监督的机器学习算法，形成基于油中溶解气体的变压器设备故障判别规则集及故障判别决策树，展示故障诊断模型基于油中溶解气体辨识变压器设备故障的判断依据。

为了提高故障诊断模型的精确性，利用C5.0分类决策树的后修剪算法对所述故障诊断模型进行优化，根据测试数据集的误差估计和C5.0算法修剪标准，通过设置模型修剪严重性百分比和每个子分支的最小记录数等参数，对依据训练数据集形成的决策树进行修剪，防止故障诊断模型由于过拟合造成的预测分析结果降低的问题。重复执行本步骤，利用C5.0算法对分析模型进行优化，最终得到基于油中溶解气体的变压器故障诊断模型。

S32：利用故障诊断模型对特征气体的下一时刻浓度进行处理，得到预测故障类型。在本实施例中，将获取到的下一日特征气体的气体浓度输入故障诊断模型中，预测下一日变压器状态是否正常以及可能出现的故障类型。

上述变压器故障预测方法，首先分析油溶气体间以及油溶气体和其它电气参数(如变压器浓度及负荷等)的关联关系并实现每一油溶气体基于其它气体和电气参数的气体浓度预测模型，其次利用气体浓度预测模型预测未来任意时刻的变压器油中溶解气体浓度，然后使用机器学习算法分析变压器故障案例库以形成表示油溶气体浓度到变压器故障类别的映射模型即故障诊断模型，最后将预测到的气体浓度输入故障诊断模型中输出故障诊断结果，根据诊断结果来判断未来变压器是否会出现故障以及出现何种故障，提高了变压器故障预测的精确度，并且本方法全过程使用了机器学习的算法进行模型构建，避免了对变压器物理机理的研究，提升了结果的客观性，为运检人员的工作规划提供重要信息，保证变压器的安全。

在本实施例中采用的是先建立气体浓度预测模型，再建立故障诊断模型；当然，在其它实施例中，也可以先建立故障诊断模型，再建立气体浓度预测模型，如图5所示，根据需要合理设置即可。

本实施例还提供一种变压器故障预测装置，该装置用于实现实施例中的实施方式，已经进行过说明的不再赘述。如以下所使用的术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供的变压器故障预测装置如图6所示，包括第一处理模块61，用于根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立特征气体的浓度预测模型；第二处理模块62，用于利用浓度预测模型对采集到的特征气体的当前浓度和当前电气参数进行处理，得到特征气体的下一时刻浓度；第三处理模块63，用于根据特征气体的下一时刻浓度进行故障预测，得到预测故障类型。

其中，第一处理模块61包括：第一获取单元611，用于获取变压器预设时间内特征气体的历史浓度和历史电气参数；第一处理单元612，用于对历史浓度和历史电气参数进行标准化处理得到相关性交叉表；第二获取单元613，用于根据相关性交叉表获取特征气体中每一种气体的自变量；第二处理单元614，用于根据每一种气体的自变量建立每一种气体的浓度预测模型。第三处理模块63包括：第三获取单元631，用于获取特征气体的故障诊断模型，第三获取单元631包括：第一获取次单元6311，用于获取变压器故障案例，故障案例包括变压器油中溶解的所述特征气体的类型、数值及变压器设备状态类型；第一处理次单元6312，用于将变压器故障案例进行处理得到训练数据集和测试数据集；第二处理次单元6313，用于根据训练数据集和测试数据集建立故障诊断模型；第三处理单元632，用于利用故障诊断模型对特征气体的下一时刻浓度进行处理，得到预测故障类型。

上述各个模块的更进一步的功能描述与上述实施例相同，在此不再赘述。

上述变压器故障预测装置具有故障预测精确度高的优点。

本实施例提供一种终端，如图7所示，包括：至少一个处理器701，例如CPU(CentralProcessing Unit，中央处理器)，至少一个通信接口703，存储器704，至少一个通信总线702。其中，通信总线702用于实现这些组件之间的连接通信。其中，通信接口703可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口703还可以包括标准的有线接口、无线接口。存储器704可以是高速RAM存储器(Ramdom Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器704可选的还可以是至少一个位于远离前述处理器701的存储装置。其中处理器701可以结合图6所描述的装置，存储器704中存储一组程序代码，且处理器701调用存储器704中存储的程序代码，以用于执行一种变压器故障预测方法，即用于执行如图1-图5实施例中的变压器故障预测方法。

其中，通信总线702可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线702可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器704可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器704还可以包括上述种类的存储器的组合。

其中，处理器701可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器701还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。

可选地，存储器704还用于存储程序指令。处理器701可以调用程序指令，实现如本申请图1-图5实施例中所示的变压器故障预测方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的变压器故障预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (11)

1.一种变压器故障预测方法，其特征在于，包括如下步骤：

根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型；

利用所述浓度预测模型对采集到的所述特征气体的当前浓度和当前电气参数进行处理，得到所述特征气体的下一时刻浓度；

根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型。

2.根据权利要求1所述的变压器故障预测方法，其特征在于，在所述根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型的步骤中，包括：

获取变压器预设时间内所述特征气体的历史浓度和历史电气参数；

对所述历史浓度和历史电气参数进行标准化处理得到相关性交叉表；

根据所述相关性交叉表获取所述特征气体中每一种气体的自变量；

根据所述每一种气体的自变量建立每一种气体的浓度预测模型。

3.根据权利要求2所述的变压器故障预测方法，其特征在于，利用支持向量机算法建立所述每一种气体的浓度预测模型。

4.根据权利要求1-3任一所述的变压器故障预测方法，其特征在于，所述特征气体包括H₂、CH₄、C₂H₆、C₂H₄和C₂H₂。

5.根据权利要求1-4任一所述的变压器故障预测方法，其特征在于，所述电气参数包括油温和负荷。

6.根据权利要求1-5任一所述的变压器故障预测方法，其特征在于，在根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型的步骤中，包括：

获取所述特征气体的故障诊断模型；

利用所述故障诊断模型对所述特征气体的下一时刻浓度进行处理，得到预测故障类型。

7.根据权利要求6所述的变压器故障预测方法，其特征在于，在所述获取特征气体的故障诊断模型的步骤中，包括：

获取变压器故障案例，所述故障案例包括所述变压器油中溶解的所述特征气体的类型、数值及所述变压器设备状态类型；

将所述变压器故障案例进行处理得到训练数据集和测试数据集；

根据所述训练数据集和所述测试数据集建立所述故障诊断模型。

8.根据权利要求6或者7所述的变压器故障预测方法，其特征在于，利用C5.0分类决策树算法建立所述故障诊断模型，并利用C5.0分类决策树的后修剪算法对所述故障诊断模型进行优化。

9.一种变压器故障预测装置，其特征在于，包括：

第一处理模块，用于根据采集到的变压器油中溶解的特征气体的历史浓度和历史电气参数建立所述特征气体的浓度预测模型；

第二处理模块，用于利用所述浓度预测模型对采集到的所述特征气体的当前浓度和当前电气参数进行处理，得到所述特征气体的下一时刻浓度；

第三处理模块，用于根据所述特征气体的下一时刻浓度进行故障预测，得到预测故障类型。

10.一种终端，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述权利要求1-8中任一所述的方法。

11.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现上述权利要求1-8中任一所述方法的步骤。