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

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

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

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C_H2、C_CH4、C_C2H6、C_C2H4和C_C2H2，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C_H2、C_CH4、C_C2H6、C_C2H4、C_C2H2，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C_H2、C_CH4、C_C2H6、C_C2H4、C_C2H2，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(C_H2，C_CH4)、MIC(C_H2，C_C2H6)、MIC(C_H2，C_C2H4)、MIC(C_H2，C_C2H2)、MIC(C_H2，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C_H2、C_CH4、C_C2H6、C_C2H4和C_C2H2，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。

3.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，所述高温故障MIC值状态特征为：

4.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，所述中温故障MIC值状态特征为：

5.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，所述低温故障MIC值状态特征为：

6.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，所述局部放电故障MIC值状态特征为：

7.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，所述火花放电故障MIC值状态特征为：

8.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，所述电弧放电故障MIC值状态特征为：

9.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，所述放电兼过热故障MIC值状态特征为：

Images