CN108508319B - 基于故障特征气体间关联特征的变压器故障类型识别方法 - Google Patents
基于故障特征气体间关联特征的变压器故障类型识别方法 Download PDFInfo
- Publication number
- CN108508319B CN108508319B CN201810251648.4A CN201810251648A CN108508319B CN 108508319 B CN108508319 B CN 108508319B CN 201810251648 A CN201810251648 A CN 201810251648A CN 108508319 B CN108508319 B CN 108508319B
- Authority
- CN
- China
- Prior art keywords
- fault
- correlation
- transformer
- gases
- characteristic
- 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
Images
Classifications
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Abstract
一种基于故障特征气体间关联特征的变压器故障类型识别方法,该方法基于大量电力变压器多种故障状态下的多种故障特征气体浓度数据,以定量相关关系分析获得不同故障特征气体间在不同故障类型下关联程度的定量表征,进而绘制不同故障状态下多种特征气体间关联程度的曲线,提取不同故障下的关联特征量及其分布范围,并以提取的关联特征为依据进行故障诊断。与基于传统特征量的方法相比,本发明依托于大量历史数据,挖掘不同特征气体之间的关联特征并提取诊断用关联特征量,一定程度地表征了变压器故障时多种变量间的耦合关系,为变压器故障的类型识别提供了一种新的特征量。
Description
技术领域
本发明涉及一种基于多种故障特征气体间关联特征的变压器故障类型识别方法,属于变压器故障诊断技术领域。
背景技术
变压器油-纸绝缘结构在电、热等故障条件下会裂解产生气体,通过分析溶解在油中的气体成分、含量等,可以对故障的类型和严重程度等进行判断,基于油中溶解气体分析的变压器故障诊断技术受到广泛的关注。目前实际应用的基于油中溶解气体分析的变压器故障诊断常均参考IEC-60599和国内的DL/T 722-2014中推荐的三比值法和大卫三角法等,DL/T722-2014在IEC-60599基础上完成了故障种类的细化,弥补了部分比值无法对应的问题,但在实际应用中,其诊断准确率仍然难以令人满意。
众多学者将人工智能、机器学习等方法应用在变压器故障诊断领域,如人工神经网络、支持向量机、相关向量机等,但所选取的故障特征仍然是气体含量百分比、互比值等,未能够充分挖掘不同故障特征气体在不同故障类型下的关联关系。
发明内容
本发明为解决上述问题,提供一种基于故障特征气体间关联特征的变压器故障类型识别方法,该方法提取不同故障下的关联特征量及其分布范围,并以提取的关联特征为依据进行故障诊断,表征了变压器故障时多种变量间的耦合关系。
为实现上述目的,本发明的基于故障特征气体间关联特征的变压器故障类型识别方法,包括以下步骤:
(1)基于不同故障状态下电力变压器故障特征气体的浓度数据C气体,包括CH2、CCH4、CC2H6、CC2H4和CC2H2,通过定量相关分析方法分析两两气体间的关联程度并定量表征,同时计算每种气体与其他四种气体浓度和(C(CH4+C2H6+C2H4+C2H2)、C(H2+C2H6+C2H4+C2H2)、C(H2+CH4+C2H4+C2H2)、C(H2+CH4+C2H6+C2H2)、C(H2+CH4+C2H6+C2H4))的关联程度并定量表征,通过不断扩大样本范围得到不同故障状态下稳定的定量表征特征;所述不同故障状态是指高温过热、中温过热、低温过热、局部放电、火花放电、电弧放电以及放电兼过热七种故障状态。
所述定量相关分析方法为最大信息系数方法,定量表征为MIC值,在计算时,MIC(X,Y)=MIC(Y,X),所述稳定的定量表征特征是指:从总样本中随机抽取规模一致的N组样本数据并分别计算其MIC值,N≥20,N个MIC值构成的整体,其极差≤0.1,方差≤0.002,标准差≤0.04。
所述样本数据规模为≥300。
(2)对已获得的每组定量表征(MIC值)进行故障类型标记,分析提取每种故障状态下最具区分度的关联特征量及其分布范围;
提取特征的方法是绘制每种故障下的所有定量表征(MIC值)特征的ROC曲线(受试者工作特征曲线(receiver operating characteristic curve,简称ROC曲线))。
所述高温故障MIC值状态特征为:
所述中温故障MIC值状态特征为:
所述低温故障MIC值状态特征为:
所述局部放电故障MIC值状态特征为:
所述火花放电故障MIC值状态特征为:
所述电弧放电故障MIC值状态特征为:
所述放电兼过热故障MIC值状态特征为:
(3)取待诊断变压器油中溶解气体浓度时间序列数据,按步骤1计算其MIC值;
(4)将计算结果与步骤(2)提取的各种故障下的显性特征及其定量表征进行对比,对其故障类型进行识别。
本发明基于多种故障特征气体间关联特征对变压器故障类型识别,以MIC方法对数据的关联程度分析为基础,以ROC曲线提取每种故障状态下最具区分度的关联特征量及其分布范围,实现了七种常见故障的特征提取,与基于传统特征量的方法相比,依托于大量历史数据,挖掘不同特征气体之间的关联特征并提取诊断用关联特征量,一定程度地表征了变压器故障时多种变量间的耦合关系,为变压器故障的类型识别提供了一种新的特征量。
附图说明
图1是本发明基于多故障特征气体间关联特征的变压器故障类型识别方法的流程图。
图2是当样本规模扩大时获得稳定的MIC值(氢气甲烷相关关系)的图表。
图3是当样本规模扩大时获得稳定的MIC值(氢气甲烷相关关系)的图表。
图4是对高温过热故障进行分析的ROC曲线图。
图5是对中温过热故障进行分析的ROC曲线图。
图6是对低温过热故障进行分析的ROC曲线图。
图7是对电弧放电故障进行分析的ROC曲线图。
图8是对火花放电故障进行分析的ROC曲线图。
图9是对局部放电故障进行分析的ROC曲线图。
图10是对放电兼过热故障进行分析的ROC曲线图。
具体实施方式
本发明基于大量电力变压器的七种故障状态下(高温过热、中温过热、低温过热、局部放电、火花放电、电弧放电、过热兼放电)的5种故障特征气体(H2、CH4、C2H6、C2H4、C2H2)浓度数据,以定量相关关系分析方法,如最大信息系数方法(Maximal InformationCoefficient,MIC),获得不同故障特征气体间在不同故障类型下关联程度的定量表征,进而绘制不同故障状态下多种特征气体间关联程度的ROC曲线,提取不同故障下的关联特征量及其分布范围,并以提取的关联特征为依据进行故障诊断。
本发明的基于多种故障特征气体间关联特征的变压器故障类型识别方法,如图1所示,具体包括以下四个步骤:
一.基于不同故障状态下电力变压器故障特征气体的浓度数据C气体,包括CH2、CCH4、CC2H6、CC2H4、CC2H2,通过MIC方法分析两两气体间的关联程度并定量表征,获得两两气体间的MIC值,同时计算每种气体与其他四种气体浓度和(C(CH4+C2H6+C2H4+C2H2)、C(H2+C2H6+C2H4+C2H2)、C(H2+CH4+C2H4+C2H2)、C(H2+CH4+C2H6+C2H2)、C(H2+CH4+C2H6+C2H4))的关联程度并定量表征,获得每种气体与其他四种气体间的MIC值,不断扩大样本范围得到不同故障状态下稳定的MIC值特征。
具体过程如下所述:
1.收集高温过热、中温过热、低温过热、局部放电、火花放电、电弧放电、放电兼过热等七种故障状态下电力变压器故障特征气体的浓度数据C气体,包括CH2、CCH4、CC2H6、CC2H4、CC2H2,同时计算任意四种气体的浓度和,即C(CH4+C2H6+C2H4+C2H2)、C(H2+C2H6+C2H4+C2H2)、C(H2+CH4+C2H4+C2H2)、C(H2+CH4+C2H6+C2H2)、C(H2+CH4+C2H6+C2H4)。
2.以氢气为例,计算MIC(CH2,CCH4)、MIC(CH2,CC2H6)、MIC(CH2,CC2H4)、MIC(CH2,CC2H2)、MIC(CH2,C(CH4+C2H6+C2H4+C2H2)),在计算MIC值时,MIC(X,Y)=MIC(Y,X),这样在下一种气体计算时就会少一种计算值,这样总共15组MIC值,计算时不断扩大样本一直到呈现稳定的MIC值,稳定特征是指:从总样本中随机抽取规模一致的N(N≥20)组样本数据并分别计算其MIC值,N个MIC值构成的整体,其极差≤0.1,方差≤0.002,标准差≤0.04。根据本发明的实验发现,样本数据规模≥300时达到要求,参见图2和图3。
二.对已获得的每组MIC值进行故障类型标记,绘制每种故障下的所有MIC值特征的ROC曲线,分析提取每种故障状态下最具区分度的关联特征量及其分布范围。
具体过程如下所述。
ROC曲线是用来考虑一个二分问题,即将实例分成正类(P,Positive)或负类(N,Negative)。对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被预测成正类,即为真正类(TP,True Positive),如果实例是负类被预测成正类,称之为假正类(FP,False Positive)。相应地,如果实例是负类被预测成负类,称之为真负类(TN,TrueNegative),正类被预测成负类则为假负类(FN,False Negative)。FPR=FP/(FP+TN)负样本中的错判率(假警报率),TPR=TP/(TP+FN)判对样本中的正样本率(命中率),ACC=(TP+TN)/(P+N)判对准确率。将假警报率作为横轴、命中率作为纵轴,找到AUC值(Area UnderCurve,ROC曲线下的面积)大即面积较大对应的关系特征。
1.标记高温过热故障数据MIC值,绘制整体ROC曲线,如图4所示,提取其关联特征量及其分布范围,见表1。
表1高温故障MIC值状态特征
2.标记中温过热故障数据MIC值,绘制整体ROC曲线,如图5所示,提取其关联特征量及其分布范围,见表2。
表2中温故障MIC值状态特征
3.标记低温过热故障数据MIC值,绘制整体ROC曲线,如图6所示,提取其关联特征量及其分布范围,见表3。
表3低温故障MIC值状态特征
4.标记局部放电故障数据MIC值,绘制整体ROC曲线,如图7,提取其关联特征量及其分布范围,见表4。
表4局部放电故障MIC值状态特征
5.标记火花放电故障数据MIC值,绘制整体ROC曲线,如图8所示,提取其关联特征量及其分布范围,见表5。
表5火花放电故障MIC值状态特征
6:标记电弧放电故障数据MIC值,绘制整体ROC曲线,如图9所示,提取其关联特征量及其分布范围,见表6。
表6电弧放电故障MIC值状态特征
7.标记放电兼过热故障数据MIC值,绘制整体ROC曲线,如图10。提取其关联特征量及其分布范围,见表7。
表7放电兼过热故障MIC值状态特征
三.取待诊断变压器油中溶解气体浓度时间序列数据,按步骤一中的计算过程计算其MIC值(15组MIC值);
四.将计算结果与步骤二提取的七种故障下特征进行对比,对其故障类型进行识别。
基于步骤三获得的待诊断变压器故障特征气体间MIC值以及步骤二中提取的七种故障下的关联特征量及其分布范围,二者进行特征匹配,识别其运行状态是否健康以及如果故障将属于那种类型。
Claims (9)
1.一种基于故障特征气体间关联特征的变压器故障类型识别方法,其特征是,包括以下步骤:
(1)基于不同故障状态下电力变压器故障特征气体的浓度数据C气体,包括CH2、CCH4、CC2H6、CC2H4和CC2H2,通过定量相关分析方法分析两两气体间的关联程度并定量表征,同时计算每种气体与其他四种气体浓度和的关联程度并定量表征,通过不断扩大样本范围得到不同故障状态下稳定的定量表征特征;所述不同故障状态是指高温过热、中温过热、低温过热、局部放电、火花放电、电弧放电以及放电兼过热七种故障状态;
(2)对已获得的每组定量表征进行故障类型标记,分析提取每种故障状态下最具区分度的关联特征量及其分布范围;
提取特征的方法是绘制每种故障下的所有定量表征特征的ROC曲线;
(3)取待诊断变压器油中溶解气体浓度时间序列数据,按步骤(1)计算其定量表征;
(4)将计算结果与步骤(2)提取的各种故障下的显性特征及其定量表征进行对比,对其故障类型进行识别;
所述定量相关分析方法为最大信息系数方法,定量表征为MIC值,在计算时,MIC(X,Y)=MIC(Y,X);所述稳定的定量表征特征是指:从总样本中随机抽取规模一致的N组样本数据并分别计算其MIC值,N≥20,N个MIC值构成的整体,其极差≤0.1,方差≤0.002,标准差≤0.04。
2.如权利要求1所述的基于故障特征气体间关联特征的变压器故障类型识别方法,其特征是,所述步骤(1)中样本数据规模为≥300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251648.4A CN108508319B (zh) | 2018-03-26 | 2018-03-26 | 基于故障特征气体间关联特征的变压器故障类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251648.4A CN108508319B (zh) | 2018-03-26 | 2018-03-26 | 基于故障特征气体间关联特征的变压器故障类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108508319A CN108508319A (zh) | 2018-09-07 |
CN108508319B true CN108508319B (zh) | 2020-07-28 |
Family
ID=63378514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251648.4A Expired - Fee Related CN108508319B (zh) | 2018-03-26 | 2018-03-26 | 基于故障特征气体间关联特征的变压器故障类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508319B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545294B (zh) * | 2022-01-14 | 2023-06-16 | 国电南瑞科技股份有限公司 | 一种变压器故障诊断方法、系统、存储介质及计算设备 |
CN115267614B (zh) * | 2022-06-02 | 2023-07-21 | 汇网电气有限公司 | 一种用于智能变压器的检测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5659126A (en) * | 1996-04-19 | 1997-08-19 | Farber; Milton | Gas chromatograph techniques for on-line testing of transformer faults |
CN101251564B (zh) * | 2008-04-08 | 2010-06-09 | 昆明理工大学 | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 |
CN102411106B (zh) * | 2011-11-18 | 2014-01-15 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
CN103389430B (zh) * | 2013-08-06 | 2016-12-28 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
-
2018
- 2018-03-26 CN CN201810251648.4A patent/CN108508319B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108508319A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
Arbin et al. | Comparative analysis between k-means and k-medoids for statistical clustering | |
CN107368700A (zh) | 基于计算云平台的微生物多样性交互分析系统及其方法 | |
CN107132310B (zh) | 基于高斯混合模型的变压器设备健康状态判别方法 | |
CN105426499A (zh) | 一种数据可视化实现方法 | |
CN109033178B (zh) | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 | |
CN108508319B (zh) | 基于故障特征气体间关联特征的变压器故障类型识别方法 | |
CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN108875783A (zh) | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN112926045A (zh) | 一种基于逻辑回归模型的群控设备识别方法 | |
CN113537321A (zh) | 一种基于孤立森林和x均值的网络流量异常检测方法 | |
CN109214467B (zh) | 考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法 | |
CN113155462B (zh) | 基于辛几何模式分解与图结构增强动态时间规整的轴承故障诊断方法 | |
CN110569888A (zh) | 基于有向无环图支持向量机的变压器故障诊断方法及装置 | |
CN117349786A (zh) | 基于数据均衡的证据融合变压器故障诊断方法 | |
CN110502554B (zh) | 一种基于皮尔逊系数的航天器相关遥测参数查找方法 | |
CN116644378A (zh) | 一种基于双层嵌套lstm的超长多维时间序列分类方法 | |
CN113153267B (zh) | 一种抽油机井示功图多尺度归一化方法及系统 | |
Guo et al. | MLDFR: A Multilevel Features Restoration Method Based on Damaged Images for Anomaly Detection and Localization | |
CN113190728A (zh) | 一种基于聚类优化的油浸式变压器故障诊断方法 | |
CN112541539A (zh) | 一种基于逆迁移学习的小样本目标识别辅助数据挑选方法 | |
CN116127104B (zh) | 一种基于关键点子空间学习的非完备多视角新闻数据聚类方法 | |
CN112925202B (zh) | 基于动态特征提取的发酵过程阶段划分方法 | |
CN103440537A (zh) | 基于样本相似性排序建模实时评估系统状态的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191119 Address after: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant after: Shandong University Address before: 266580 Qingdao Changjiang Road, Huangdao District, Shandong, No. 66 Applicant before: China University of Petroleum (East China) |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 Termination date: 20210326 |
|
CF01 | Termination of patent right due to non-payment of annual fee |