CN109214527A - 一种变压器故障早期诊断预警方法和系统 - Google Patents

Abstract

本发明公开一种变压器故障早期诊断预警方法和系统，包括：S1，获取变压器当前监测数据，以及已知故障类型的历史监测数据；S2，对获取到的数据进行标准化处理；S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算；S4，将聚类结果中相似度较高的类和离群点进行合并，作为最终聚类结果；S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；S6，输出故障类型判断结果。本发明基于聚类算法对变压器故障气体特征数据进行动态分析，以准确判断设备的健康状况，对设备故障进行早期预警。

Description

一种变压器故障早期诊断预警方法和系统

技术领域

本发明涉及变压器故障诊断技术领域，特别是一种变压器故障早期诊断预警方法和系统。

背景技术

随着我国电力行业的迅速发展，对电力的需求也呈现出快速增长的趋势，2009年以来国家电网公司提出了智能电网的发展战略，确保智能化变电站的安全可靠运行是实现整个智能电网稳定运行的主要条件之一，而智能化电力变压器又是智能化变电站的重要组成部分，因此及时可靠地对智能化电力变压器潜在的故障进行诊断，以确保电网的安全、稳定、经济的运行。

目前基于各种聚类算法的故障诊断方法被应用到了变压器故障诊断中，在对机组的状态进行预测评估的过程中，模糊聚类算法(FCM)得到了更多的应用。FCM聚类算法是比较典型的聚类算法，它要解决的问题是为一个事件或者数据对象分类，可以根据输入的类的数目不同(即K值得不同)，对数据集进行自动归类。近些年随着人工智能在各个领域的广泛应用，更多的基于人工智能的聚类算法开始应用到了变压器的故障诊断中，应用比较多的有，神经网络算法，遗传算法，蚁群聚类算法等。

FCM聚类算法虽然理论上很成熟，使用起来也比较容易，但它也有一个很明显的缺点，那就是用户必须事先给出要生成的簇的数目K，很多时候，我们所面对的变压器故障数据是一种动态的数据集，簇的数目并非一成不变的，所以FCM在监测数据处理及分析中遇到了瓶颈。

传统蚁群聚类算法存在另外一个比较棘手的问题--离群点问题，形成原因主要是因为在算法结束时，有一些游离的数据对象没有指定到某个类中，包括算法结束时蚂蚁放下的背负着的数据对象和某些算法迭代过程中被迫放下的数据对象。

发明内容

本发明的目的是提供一种变压器故障早期诊断预警方法和系统，基于聚类算法对变压器故障气体特征数据进行动态分析，以准确判断设备的健康状况，对设备故障进行早期预警。

本发明采取的技术方案为：一种变压器故障早期诊断预警方法，包括：

S1，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

S2，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

S4，将S3得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

S6，输出故障类型判断结果。

S1中，历史监测数据为从公开发表的期刊中搜集已经确定故障类型的161组变压器特征气体数据，本发明对当前监测数据进行标注以区分便于后续分析操作。

优选的，S2包括：

S21，计算监测数据的平均绝对偏差值s_f：

其中，x_1f,···,x_nf是n个特征值，m_f是n个特征值的平均值，为：

S22，计算标准化后的各特征值Z_if：

S23，进行归一化计算，得到各特征值X_if对应的归一化结果Z_i′_f：

从上面的公式可以看到，本发明预处理算法的最终结果是将所有特征数据归一到-1～1之间的数值，这样的结果就排除了原始数据中变量之间的不同度量对分类的影响，有利于提高聚类的效果。

S3中，经典蚁群聚类算法为现有技术，其聚类结果中离群点形成原因主要是，算法结束时，有一些游离的数据对象没有指定到某个类中，这些数据对象包括算法结束时蚂蚁放下的背负着的数据对象和某些算法迭代过程中被迫放下的数据对象。

优选的，S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S411，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点的中心点之间的距离D；

S412，设定最小类数目阈值，若当前类和离群点的总数大于最小类数目阈值，则将距离最小的两个类或两个离群点或类与离群点进行合并，并重新计算新的聚类结果中各类或离群点的中心点，以及相邻两者中心点之间的距离，重复S412，直至聚类结果中的类数目等于最小类数目阈值。

优选的，S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S421，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点之间的距离D；

S422，将计算得到的多个距离D按照大小进行排序；

S423，计算任一距离D_i与与其相邻且较小的一个距离之间的比值，若该比值小于预设的阈值σ，则将距离D_i对应的两个类或两个离群点或类与离群点进行合并；

S424，计算一轮合并后产生的新的类和离群点，与其他类或离群点之间的距离；转至S422至S423进行新的一轮类合并，直至待合并的多个距离中，所有相邻距离之间的比值皆大于阈值σ，则停止合并，转至步骤S5。

本发明阈值σ的表达式中，A的取值为3，A的取值可根据原始数据点的数量进行大小调整，数据点比较多时可以增大。当前后距离出现一定的跳变时，单轮次的类合并过程即结束。本发明S423的合并算法可使得每次循环能够对多个距离较近的类进行合并，可大大提高聚类的效率。

优选的，S421中，类和离群点与其它类或离群点之间距离，为类或离群点的中心点之间的距离。

优选的，S422中，按照从大到小的顺序对距离进行排序，定义排序结果为D₁,D₂,...,D_i,...,D_n，则计算D_i与D_i-1之间的比值D_i/D_i-1与阈值σ的大小关系，若D_i/D_i-1＜σ，则对与D_i相关的两类进行合并。

优选的，S423中，阈值σ设置为：

其中，A为经验值，N_e＝N*K/2，N为类与离群点的个数，K为当前合并轮次，N_i为S422得到的距离D的数量。

优选的，S424还包括设定最小聚类数目阈值，若一轮合并后的聚类结果中，类的数目等于最小聚类数目阈值，则停止合并，转至步骤S5。最小聚类数目阈值可设置为已知故障类型的数目，或者略大于已知故障类型的数目。

与前述方法基于同样的发明构思，本发明还提供一种变压器故障早期诊断预警系统，其包括：

监测数据获取模块，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

标准化处理模块，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

初步聚类模块，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

聚类合并模块，将初步聚类模块得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

故障类型确定模块，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

以及故障判断结果输出模块，输出故障类型判断结果。

有益效果

1)本发明使用了一种新的数据预处理方法，解决了由于监测数据多变且幅值较大而带来的影响，使得各项监测数据在同一区间取值；

2)本发明引入蚁群聚类算法到变压器的早期故障诊断方法中，并进行优化，提出一种基于层次聚类的蚁群聚类办法，能够快速有效地处理未知的、动态的数据，有效的完成监测数据的聚类。由于蚁群聚类算法的优点之一就是不用事前确定故障类型的数目，因而可以实现故障类型聚类的动态实现，可以做到根据实时监测数据进行动态分析和处理，为检修方案提供技术支持，更好地服务于故障早期预警和诊断工作。

附图说明

图1所示为本发明算法流程示意图。

具体实施方式

以下结合附图和具体实施例进一步描述。

参考图1，本发明变压器故障早期诊断预警方法，包括：

S1，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

S2，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

S4，将S3得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

S6，输出故障类型判断结果。

S1中，变压器检测数据为从公开发表的期刊中搜集已经确定故障类型的161组变压器特征气体数据以及获取当前监测数据，并对当前监测数据进行标注。

由于监测到的变压器故障气体数据特征之间差异较大，为防止度量单位不同对聚类结果造成的影响，首先要进行标准化处理，以保证各特征气体在同一个区间内取值。

S2中采用数据标准化处理方法用于解决变压器故障气体数据度量单位不一致的问题，具体方法如下：

S21，计算平均的绝对偏差值：

其中，x_1f,···,x_nf是n个特征值，m_f是n个特征值的平均值，为：

S22，计算标准化的特征值：

S23，通过下面公式产生归一化结果：

从上面的公式可以看到，这种预处理算法的最终结果是将所有特征数据归一到-1～1之间的数值，这样的结果就排除了原始数据中变量之间的不同度量对分类的影响，有利于提高聚类的效果。

为了解决传统蚁群聚类算法的离群点问题，本发明对原有蚁群聚类算法进行了优化，即对聚类结果进行合并。跟其他传统聚类方法相比，它能够快速有效地处理未知的、动态的数据，并且不需要用先验知识决定输入簇的数目(故障类型)，在处理形式上也比较直观，便于理解。类合并方法参考以下实施例。

实施例1

两个类之间的距离最小，则可考虑将这两个类聚集为一个类。而每个类是一个区域，计算类间距离时算的是两类中心点之间的距离，两类之间的距离最小可以将这两个类合并，即：

S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S411，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点的中心点之间的距离D；

S412，设定最小类数目阈值，若当前类和离群点的总数大于最小类数目阈值，则将距离最小的两个类或两个离群点或类与离群点进行合并，并重新计算新的聚类结果中各类或离群点的中心点，以及相邻两者中心点之间的距离，重复S412，直至聚类结果中的类数目等于最小类数目阈值。

利用本实施例的类合并方法，每次循环仅合并一次，算法的时间复杂度较大。

实施例2

为了加快聚类由高密度区向外快速扩散，本实施例的类合并算法为：将所有的距离由小到大进行排列，当距离D_i与它前一个距离D_i-1的比值小于阈值σ时，则距离D_i作为与D_i相关的两类合并的纽带。即：

S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S421，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点之间的距离D；

S422，将计算得到的多个距离D按照大小进行排序；

S423，计算任一距离D_i与与其相邻且较小的一个距离之间的比值，若该比值小于预设的阈值σ，则将距离D_i对应的两个类或两个离群点或类与离群点进行合并；

S424，计算一轮合并后产生的新的类和离群点，与其他类或离群点之间的距离；转至S422至S423进行新的一轮类合并，直至待合并的多个距离中，所有相邻距离之间的比值皆大于阈值σ，则停止合并，转至步骤S5。

S421中，类和离群点与其它类或离群点之间距离，为类或离群点的中心点之间的距离。

S422中，按照从大到小的顺序对距离进行排序，定义排序结果为D₁,D₂,...,D_i,...,D_n，则计算D_i与D_i-1之间的比值D_i/D_i-1与阈值σ的大小关系，若D_i/D_i-1＜σ，则对与D_i相关的两类进行合并。

S423中，阈值σ设置为：

其中，A为经验值，N_e＝N*K/2，N为类与离群点的个数，K为当前合并轮次，N_i为S422得到的距离D的数量；

本发明阈值σ的表达式中，A的取值为3，A的取值可根据原始数据点的数量进行大小调整，数据点比较多时可以增大。当前后距离出现一定的跳变时，单轮次的类合并过程即结束。本发明S423的合并算法可使得每次循环能够对多个距离较近的类进行合并，可大大提高聚类的效率。

进一步的，S424还可设定最小聚类数目阈值，若一轮合并后的聚类结果中，类的数目等于最小聚类数目阈值，则停止合并，转至步骤S5。最小聚类数目阈值可设置为已知故障类型的数目，或者略大于已知故障类型的数目。

实施例3

本实施例为步骤S3和S4的一种具体实施方式，采用实施例1所述的合并算法，其伪代码如下：

①初始化算法中的蚂蚁个数m，数据对象个数n，最大迭代次数T，网格边长Z，局域边长s及其他相关参数；蚂蚁个数越多，聚类效率越高，对象即变压器监测数据；具体相关参数如下表：

表1算法相关参数

②对故障气体特征数据进行数据预处理；

③将数据对象和蚂蚁随机投影到一个二维网格中，一个网格中只允许放一个对象；

④重复迭代以下过程：

For t＝1 to T do{

For i＝1 to m{

计算蚂蚁i周围边长为s的邻域内数据对象的数目以及d(oi，oj)//d(oi，oj)为数据对象o_i与o_j的欧式距离

If蚂蚁未负载且其位置上有数据//即数据对象没有被蚂蚁拾起并移动

then求出拾起概率Pp{

if Pp大于一个随机概率，而同时该对象未被其他蚂蚁拾起

then蚂蚁拾起该对象，随机移往别处，并标记自己已负载

else蚂蚁拒绝拾起该对象，而随机选择其他对象

}

Else if蚂蚁为负载状态

then计算放下概率Pd{

if Pd大于一个随机概率

then蚂蚁放下该对象，并标记自己未负载，再重新选择一个新对象

else蚂蚁拾起该对象继续移动到一个新位置

}

}//for i

}//for T

⑤for i＝1，2···，n//对所有对象进行标记

{

if一个对象是孤立的或它的邻域对象个数小于某一常数

then标记该对象为孤立点//孤立点即离群点

else给该对象分配一个聚类序列号，并递归地将其邻域对象标记为同样的序列号//同序列号组成簇

}

⑥首先将得到的各个簇的中心点作为新的数据处理对象，每个中心点代表的就是每一个簇(包括单个的数据)；

⑦计算每个中心点到其他中心点的距离(此处依然采用欧式距离)；

⑧While(类的数目大于最低阈值)//最低阈值即已知故障类型的数目

{

找到距离最短的D_i，将所代表的簇进行类合并，获得新的类中心点；

}

⑨故障预警及诊断。

⑩算法结束。

实施例4

与前述实施例1-4基于同样的发明构思，本实施例为一种变压器故障早期诊断预警系统，其包括：

监测数据获取模块，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

标准化处理模块，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

初步聚类模块，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

聚类合并模块，将初步聚类模块得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

故障类型确定模块，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

以及故障判断结果输出模块，输出故障类型判断结果。

本发明旨在为变压器故障诊断提供一种准确率比较高、智能化的故障早期预警及诊断方法，主要使用了数据挖掘领域里的聚类算法对变压器故障气体特征数据(气体含量)进行数据分析。为防止度量单位不同对聚类结果造成的影响，本发明对根据采集到的变压器中特征气体数据进行标准化处理，以保证各特征值在同一个区间内取值，之后采用优化了的蚁群聚类算法，对监测到的数据进行系统性动态分析，对设备现有故障进行早期预警，准确判断出设备的健康状况，从而制定检修方案。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种变压器故障早期诊断预警方法，其特征是，包括：

S1，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

S2，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

S4，将S3得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

S6，输出故障类型判断结果。

2.根据权利要求1所述的方法，其特征是，S2包括：

S21，计算监测数据的平均绝对偏差值s_f：

其中，x_1f,···,x_nf是n个特征值，m_f是n个特征值的平均值，为：

S22，计算标准化后的各特征值Z_if：

S23，进行归一化计算，得到各特征值X_if对应的归一化结果Z′_if：

3.根据权利要求1所述的方法，其特征是，S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S411，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点的中心点之间的距离D；

S412，设定最小类数目阈值，若当前类和离群点的总数大于最小类数目阈值，则将距离最小的两个类或两个离群点或类与离群点进行合并，并重新计算新的聚类结果中各类或离群点的中心点，以及相邻两者中心点之间的距离，重复S412，直至聚类结果中的类数目等于最小类数目阈值。

4.根据权利要求1所述的方法，其特征是，S4中，对聚类结果中相似度较高的类和离群点进行合并包括：

S421，计算S3经典蚁群聚类算法结果中，各类和各离群点与相邻的其它类或离群点之间的距离D；

S422，将计算得到的多个距离D按照大小进行排序；

S423，计算任一距离D_i与与其相邻且较小的一个距离之间的比值，若该比值小于预设的阈值σ，则将距离D_i对应的两个类或两个离群点或类与离群点进行合并；

S424，计算一轮合并后产生的新的类和离群点，与其他类或离群点之间的距离；转至S422至S423进行新的一轮类合并，直至待合并的多个距离中，所有相邻距离之间的比值皆大于阈值σ，则停止合并，转至步骤S5。

5.根据权利要求4所述的方法，其特征是，S421中，类和离群点与其它类或离群点之间距离，为类或离群点的中心点之间的距离。

6.根据权利要求4所述的方法，其特征是，S422中，按照从大到小的顺序对距离进行排序，定义排序结果为D₁,D₂,...,D_i,...,D_n，则计算D_i与D_i-1之间的比值D_i/D_i-1与阈值σ的大小关系，若D_i/D_i-1＜σ，则对与D_i相关的两类进行合并。

7.根据权利要求4所述的方法，其特征是，S423中，阈值σ设置为：

其中，A为经验值，N_e＝N*K/2，N为类与离群点的个数，K为当前合并轮次，N_i为S422得到的距离D的数量。

8.根据权利要求4所述的方法，其特征是，S424还包括设定最小聚类数目阈值，若一轮合并后的聚类结果中，类的数目等于最小聚类数目阈值，则停止合并，转至步骤S5。最小聚类数目阈值可设置为已知故障类型的数目，或者略大于已知故障类型的数目。

9.一种变压器故障早期诊断预警系统，其特征是，包括：

监测数据获取模块，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

标准化处理模块，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

初步聚类模块，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

聚类合并模块，将初步聚类模块得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

故障类型确定模块，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

以及故障判断结果输出模块，输出故障类型判断结果。