CN109239516A - 融合多种智能诊断模型的变压器故障分层诊断方法 - Google Patents
融合多种智能诊断模型的变压器故障分层诊断方法 Download PDFInfo
- Publication number
- CN109239516A CN109239516A CN201811031226.2A CN201811031226A CN109239516A CN 109239516 A CN109239516 A CN 109239516A CN 201811031226 A CN201811031226 A CN 201811031226A CN 109239516 A CN109239516 A CN 109239516A
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer
- fault type
- content
- value
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; viscous liquids; paints; inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
Abstract
本发明提供一种融合多种智能诊断模型的变压器故障分层诊断方法,基于变压器的DGA数据,分别采用三比值法、CBR1法和RST1法对变压器进行第一层级的故障诊断,识别以下三种故障类型之一:放电故障、过热故障和其他故障;然后,对于放电故障,分别采用比值法1、CBR2法和RST2法对变压器进行第二层级的故障诊断;对于过热故障,分别采用比值法2、CBR3法和RST3法对变压器进行第二层级的故障诊断;采用RST4‑7进行第三层级的诊断。具有以下优点:本发明将粗糙集、范例推理及比值法有机地结合融合,以构建分层式故障综合诊断模型,从而提高变压器故障类型识别的准确度。本发明还具有计算速度快、结果直观等优点。
Description
技术领域
本发明属于变压器故障诊断技术领域,具体涉及一种融合多种智能诊断模型的变压器故障分层诊断方法。
背景技术
电力变压器作为电力系统中的核心设备之一,其良好可靠的运行保证了电力系统的安全稳定,及时有效的掌握电力变压器的运行状态,并对电力变压器的故障进行精确诊断,对电力变压器运行维护具有重要意义。电力变压器故障诊断是确保电力系统安全可靠运行的关键技术之一,一直受到广泛关注。
近年来,神经网络、专家系统、模糊数学等多种智能诊断方法已被广泛研究,但由于变压器故障的复杂性,使这些单一的智能诊断方法往往呈现出自身的局限性,导致变压器故障诊断结果的精确性受限。
发明内容
针对现有技术存在的缺陷,本发明提供一种融合多种智能诊断模型的变压器故障分层诊断方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种融合多种智能诊断模型的变压器故障分层诊断方法,包括以下步骤:
步骤1,对于被诊断分析的变压器,获取变压器的DGA数据和电气试验数据;其中,所述DGA数据为变压器油中溶解的特征气体的组分类型和各组分的含量;
步骤2,基于所述变压器的DGA数据,分别采用三比值法、CBR1法和RST1法对变压器进行第一层级的故障诊断;其中,采用所述三比值法诊断到的变压器故障类型、采用所述CBR1法诊断到的变压器故障类型、以及采用所述RST1法诊断到的变压器故障类型均为以下三种故障类型之一:放电故障、过热故障和其他故障;
步骤3,基于少数服从多数的原则,判断是否满足以下情况:
情况3.1)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为放电故障类型,则确定第一层级的故障诊断结果为放电故障类型,然后执行步骤4;
情况3.2)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为过热故障类型,则确定第一层级的故障诊断结果为过热故障类型,然后执行步骤8;
情况3.3)如果情况3.1)和情况3.2)均没有满足,则返回步骤2,扩大三比值法、CBR1法和RST1法在进行故障诊断时采用的样本数据的数量,重新计算;
步骤4,分别采用比值法1、CBR2法和RST2法对变压器进行第二层级的故障诊断;其中,采用所述比值法1诊断到的变压器故障类型、采用所述CBR2法诊断到的变压器故障类型、以及采用所述RST2法诊断到的变压器故障类型均为以下两种故障类型之一:涉及固体绝缘放电故障、不涉及固体绝缘放电故障;然后执行步骤5;
步骤5,基于少数服从多数的原则,判断是否满足以下情况:
情况5.1)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为涉及固体绝缘放电故障类型,则确定第二层级的故障诊断结果为涉及固体绝缘放电故障类型,然后执行步骤6;
情况5.2)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为不涉及固体绝缘放电故障,则确定第二层级的故障诊断结果为不涉及固体绝缘放电故障,然后执行步骤7;
步骤6,基于电气试验数据,采用RST4法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:匝间短路故障类型、相间短路故障类型、围屏放电故障类型和引线故障故障类型,并结束流程;
步骤7,基于电气试验数据,采用RST5法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:油中局放故障类型、油流带电故障类型、悬浮放电故障类型和火花放电故障类型,并结束流程;
步骤8,分别采用比值法2、CBR3法和RST3法对变压器进行第二层级的故障诊断;其中,采用所述比值法2诊断到的变压器故障类型、采用所述CBR3法诊断到的变压器故障类型、以及采用所述RST3法诊断到的变压器故障类型均为以下两种故障类型之一:电路过热故障、磁路过热故障;然后执行步骤9;
步骤9,基于少数服从多数的原则,判断是否满足以下情况:
情况9.1)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为电路过热故障类型,则确定第二层级的故障诊断结果为电路过热故障类型,然后执行步骤10;
情况9.2)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为磁路过热故障,则确定第二层级的故障诊断结果为磁路过热故障,然后执行步骤11;
步骤10,基于电气试验数据,采用RST6法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:线圈故障类型、分接开关故障类型,并结束流程;
步骤11,基于电气试验数据,采用RST7法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:铁心故障类型、油流受阻故障类型,并结束流程。
优选的,步骤2中,采用三比值法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括CH4组分含量、H2组分含量、C2H2组分含量、C2H4组分含量和C2H6组分含量;
步骤2.2,对于每个样本数据,计算以下三个比值:CH4/H2、C2H2/C2H4和C2H4/C2H6;
步骤2.3,采用以下编码规则对每个样本的三个比值进行编码:
步骤2.4,对多个样本的编码组合以及对应的变压器故障类型之间的对应关系进行学习,总结得到以下故障类型判断准则表:
步骤2.5,对于被诊断分析的变压器,计算得到C2H2/C2H4、CH4/H2和C2H4/C2H6的编码组合,再查询上述的故障类型判断准则表,确定变压器故障类型为:放电故障、过热故障和其他故障。
优选的,步骤2中,采用CBR1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2和C2H2/C2H4这8个参数作为匹配的特性指标,建立范例存储数据库,所述范例存储数据库中存储m个源范例aik,其中k=1~8,i=1~m;每个所述源范例aik对应有一种故障类型;
步骤2-2,待诊变压器的色谱数据为目标范例a0k,其中k=1~8,采用下式分别计算目标范例a0k与每一个源范例aik的之间的欧式距离di0,返回欧式距离di0最小的源范例aik;
其中:aik和a0k分别表示源范例和待诊样本第k个特性指标的值;n表示特性指标的个数;
步骤2-3,步骤2-2返回的欧式距离di0最小的源范例aik所对应的故障类型即为待诊变压器的故障类型。
优选的,步骤2中,采用RST1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分放电故障、过热故障和其他故障;
步骤2-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤2-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤2-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
优选的,步骤4中,采用比值法1对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括以下三个特征量:CO组分含量、CO2组分含量和比值CO2/CO;
步骤4.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
步骤4.3,对于被诊断分析的变压器,得到CO组分含量、CO2组分含量和比值CO2/CO,再查询上述的故障类型判断准则表,确定变压器故障类型为:涉及固体绝缘故障或不涉及固体绝缘故障;
步骤4中,采用CBR2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2、C2H2/C2H4和CO2/CO作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤4-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤4-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤4中,采用RST2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分涉及固体绝缘放电故障和不涉及固体绝缘放电故障;
步骤4-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤4-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤4-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
优选的,步骤8中,采用比值法2对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8.1,获取多个故障变压器油中溶解气体的样本数据,计算每个样本数据以下三个特征值:C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2);
步骤8.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
其中:C1+C2为总烃含量;其中C1代表CH4;C2代表C2H2、C2H4和C2H6;
步骤8.3,对于被诊断分析的变压器,得到C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2)的特征值,再查询上述的故障类型判断准则表,确定变压器故障类型为:电路过热故障或磁路过热故障;
步骤8中,采用CBR3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-1,以H2、CH4、C2H6、C2H4、C2H2、CO、CO2、CH4/H2、C2H2/C2H4和C2H4/C2H6作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤8-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤8-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤8中,采用RST3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分电路过热故障和磁路过热故障;
步骤8-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤8-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤8-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
优选的,步骤6中的RST4法、步骤7中的RST5法、步骤10中的RST6法以及步骤11中的RST7法,均以以下特征量作为条件属性而建立决策表。
轻瓦斯c1、重瓦斯c2、差动保护c3、后备保护c4、绕组绝缘电阻c5、吸收比c6、三相直流电阻不平衡c7、直流电阻c8、绕组变比c9、直流泄漏c10、铁心接地电流c11、铁心接地电阻c12、介质损耗c13、空载试验c14、局放c15、油微水c16和压力释放阀c17。
本发明提供的融合多种智能诊断模型的变压器故障分层诊断方法具有以下优点:
本发明将粗糙集、范例推理及比值法有机地结合融合,以构建分层式故障综合诊断模型,从而提高变压器故障类型识别的准确度。本发明还具有计算速度快、结果直观等优点。
附图说明
图1为本发明提供的融合多种智能诊断模型的变压器故障分层诊断方法的架构图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
粗糙集理论(RST,rough set theory)是一种处理不完备信息的有效方法,具有较强的定性分析能力,有助于找出内在规律,但也存在查询规则复杂等问题;范例推理(CBR,case based reasoning)具有简洁、快速的查询匹配功能,且推理结果直观,但当信息不完备时正判率较低;而在基于油中溶解气体分析(DGA,dissovled gas analysis)的诊断方面,三比值法被广泛采用,但仍存在比值范围过于严格、诊断难以细致等不足。针对以上问题,本发明将粗糙集、范例推理及比值法有机地结合融合,以构建分层式故障综合诊断模型,从而准确的识别变压器故障类型。
具体的,准确的故障诊断需要多种信息的支持,对诊断的要求越高、越细,则越需要更全面的信息。同时,离线与在线检测、检测时间与检测方法存在的差异以及不同试验对反映不同故障的灵敏度的差异,使变压器的故障诊断信息也呈现出多层次性。为适应诊断信息这种“多层次”的特点,本发明提出分层式故障诊断模型,逐步运用获得的信息,使变压器的故障诊断不断深入,逐渐接近故障的真实状态另一方面,采用分层式故障诊断也利于降低诊断算法的复杂程度,并有助于不完备信息情况的诊断。本发明通过分析大量的变压器故障案例,并参考以往经验中较成功的故障分类,将故障类型分3层。
本发明提供的诊断流程如图1所示,包括以下步骤:
步骤1,对于被诊断分析的变压器,获取变压器的DGA数据和电气试验数据;其中,所述DGA数据为变压器油中溶解的特征气体的组分类型和各组分的含量;
步骤2,基于所述变压器的DGA数据,分别采用三比值法、CBR1法和RST1法对变压器进行第一层级的故障诊断;其中,采用所述三比值法诊断到的变压器故障类型、采用所述CBR1法诊断到的变压器故障类型、以及采用所述RST1法诊断到的变压器故障类型均为以下三种故障类型之一:放电故障、过热故障和其他故障;
步骤2中,采用三比值法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括CH4组分含量、H2组分含量、C2H2组分含量、C2H4组分含量和C2H6组分含量;
步骤2.2,对于每个样本数据,计算以下三个比值:CH4/H2、C2H2/C2H4和C2H4/C2H6;
步骤2.3,采用以下编码规则对每个样本的三个比值进行编码:
步骤2.4,对多个样本的编码组合以及对应的变压器故障类型之间的对应关系进行学习,总结得到以下故障类型判断准则表:
步骤2.5,对于被诊断分析的变压器,计算得到C2H2/C2H4、CH4/H2和C2H4/C2H6的编码组合,再查询上述的故障类型判断准则表,确定变压器故障类型为:放电故障、过热故障和其他故障。
步骤2中,采用CBR1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2和C2H2/C2H4这8个参数作为匹配的特性指标,建立范例存储数据库,所述范例存储数据库中存储m个源范例aik,其中k=1~8,i=1~m;每个所述源范例aik对应有一种故障类型;
步骤2-2,待诊变压器的色谱数据为目标范例a0k,其中k=1~8,采用下式分别计算目标范例a0k与每一个源范例aik的之间的欧式距离di0,返回欧式距离di0最小的源范例aik;
其中:aik和a0k分别表示源范例和待诊样本第k个特性指标的值;n表示特性指标的个数;
步骤2-3,步骤2-2返回的欧式距离di0最小的源范例aik所对应的故障类型即为待诊变压器的故障类型。
步骤2中,采用RST1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分放电故障、过热故障和其他故障;
步骤2-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤2-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤2-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
步骤3,基于少数服从多数的原则,判断是否满足以下情况:
情况3.1)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为放电故障类型,则确定第一层级的故障诊断结果为放电故障类型,然后执行步骤4;
情况3.2)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为过热故障类型,则确定第一层级的故障诊断结果为过热故障类型,然后执行步骤8;
情况3.3)如果情况3.1)和情况3.2)均没有满足,则返回步骤2,扩大三比值法、CBR1法和RST1法在进行故障诊断时采用的样本数据的数量,重新计算;
步骤4,分别采用比值法1、CBR2法和RST2法对变压器进行第二层级的故障诊断;其中,采用所述比值法1诊断到的变压器故障类型、采用所述CBR2法诊断到的变压器故障类型、以及采用所述RST2法诊断到的变压器故障类型均为以下两种故障类型之一:涉及固体绝缘放电故障、不涉及固体绝缘放电故障;然后执行步骤5;
步骤4中,采用比值法1对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括以下三个特征量:CO组分含量、CO2组分含量和比值CO2/CO;
步骤4.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
步骤4.3,对于被诊断分析的变压器,得到CO组分含量、CO2组分含量和比值CO2/CO,再查询上述的故障类型判断准则表,确定变压器故障类型为:涉及固体绝缘故障或不涉及固体绝缘故障;
步骤4中,采用CBR2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2、C2H2/C2H4和CO2/CO作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤4-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤4-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤4中,采用RST2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分涉及固体绝缘放电故障和不涉及固体绝缘放电故障;
步骤4-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤4-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤4-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
步骤5,基于少数服从多数的原则,判断是否满足以下情况:
情况5.1)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为涉及固体绝缘放电故障类型,则确定第二层级的故障诊断结果为涉及固体绝缘放电故障类型,然后执行步骤6;
情况5.2)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为不涉及固体绝缘放电故障,则确定第二层级的故障诊断结果为不涉及固体绝缘放电故障,然后执行步骤7;
步骤6,基于电气试验数据,采用RST4法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:匝间短路故障类型、相间短路故障类型、围屏放电故障类型和引线故障故障类型,并结束流程;
步骤7,基于电气试验数据,采用RST5法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:油中局放故障类型、油流带电故障类型、悬浮放电故障类型和火花放电故障类型,并结束流程;
步骤8,分别采用比值法2、CBR3法和RST3法对变压器进行第二层级的故障诊断;其中,采用所述比值法2诊断到的变压器故障类型、采用所述CBR3法诊断到的变压器故障类型、以及采用所述RST3法诊断到的变压器故障类型均为以下两种故障类型之一:电路过热故障、磁路过热故障;然后执行步骤9;
步骤8中,采用比值法2对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8.1,获取多个故障变压器油中溶解气体的样本数据,计算每个样本数据以下三个特征值:C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2);
步骤8.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
其中:C1+C2为总烃含量;其中C1代表CH4;C2代表C2H2、C2H4和C2H6;
步骤8.3,对于被诊断分析的变压器,得到C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2)的特征值,再查询上述的故障类型判断准则表,确定变压器故障类型为:电路过热故障或磁路过热故障;
步骤8中,采用CBR3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-1,以H2、CH4、C2H6、C2H4、C2H2、CO、CO2、CH4/H2、C2H2/C2H4和C2H4/C2H6作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤8-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤8-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤8中,采用RST3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分电路过热故障和磁路过热故障;
步骤8-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤8-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤8-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
步骤9,基于少数服从多数的原则,判断是否满足以下情况:
情况9.1)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为电路过热故障类型,则确定第二层级的故障诊断结果为电路过热故障类型,然后执行步骤10;
情况9.2)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为磁路过热故障,则确定第二层级的故障诊断结果为磁路过热故障,然后执行步骤11;
步骤10,基于电气试验数据,采用RST6法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:线圈故障类型、分接开关故障类型,并结束流程;
步骤11,基于电气试验数据,采用RST7法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:铁心故障类型、油流受阻故障类型,并结束流程。
本发明中,步骤6中的RST4法、步骤7中的RST5法、步骤10中的RST6法以及步骤11中的RST7法,均以以下特征量作为条件属性而建立决策表。
轻瓦斯c1、重瓦斯c2、差动保护c3、后备保护c4、绕组绝缘电阻c5、吸收比c6、三相直流电阻不平衡c7、直流电阻c8、绕组变比c9、直流泄漏c10、铁心接地电流c11、铁心接地电阻c12、介质损耗c13、空载试验c14、局放c15、油微水c16和压力释放阀c17。
其中,RST4以匝间短路d1、相间短路d2、围屏放电d3、引线故障d4为决策属性;RST5以火花放电d5、悬浮放电d6、油流带电d7、油中局放d8为决策属性;RST6以线圈故障d9和分接开关故障或裸金属过热d10为决策属性;RST7以铁心故障d11、和油流受阻d12为决策属性。
本发明中,粗糙集算法过程可概括描述为:
定义1:对于知识系统S=(U,A,{Va},f),其中f:U→Va是一个信息函数,由这样的“属性一值”对,就构成了一张二维表,称之为信息表。若S为决策系统,即A=C∪D(C,D分别为条件属性集和决策属性集),则构成一种特殊的信息表—决策表。
定义2:若存在Q=P-r,Q∈P*Q是独立的,满足ind(Q)=ind(P),则称Q为P的一个约简。决策表的约简就是化简表中的条件属性,即尽量去除冗余的条件属性,在删除这些属性后不会严重影响原有的表达效果。
利用粗糙集进行变压器故障诊断的步骤如下:
1)根据已搜集到的变压器历次故障数据,对变压器故障进行分类,以考虑多种可能的故障情况和故障征兆,从而确定C和D。
2)依据定义1由以上属性及其值建立决策表。
3)根据定义2计算条件属性的约简,并按约简抽取规则集。
4)利用规则集进行故障诊断。
本发明中,粗糙集算法过程可概括描述为:
在基于范例的推理中,将当前所面临的问题或情况称为目标范例,而将记忆的问题或情况称为源范例。因此,范例推理就是从目标范例的提示获得记忆中的源范例,再由相应的源范例来指导目标范例的求解过程。本文暂利用欧式距离di0来描述待诊样本与源样本的相似程度,如下式所示:
式中:aik和a0k分别表示源样本和待诊样本第k个特性指标的值;n表示特性指标的个数。
验证例:
对搜集到的364个含DGA数据的放电故障检验样本和539个含DGA数据的过热故障检验样本逐一采用本发明提供的分层诊断方法进行诊断。放电、过热故障初判的总体诊断效果见表1。这些检验样本中有238个不涉及固体绝缘放电故障、126个涉及固体绝缘放电故障、214个磁路过热故障、325个电路过热故障。粗分这4类故障的总体诊断效果见表2,而细分为12类故障的总体诊断效果见表3。
表1:初判的总体诊断效果
综合正确判别率分别为放电99.5%、过热99.4%;总正确判断率为99.45%。
表2:粗分的诊断效果
综合正确判断率分别为:不涉及固体绝缘95.3%;涉及固体绝缘93.6%;磁路过热94.9%;电路过热97.2%;总正确判断率为95.7%。
表3:细分的诊断效果
某电业局2号主变差动保护动作跳闸后进行的油色谱试验分析数据见表4,对该变压器进行电气常规试验发现局放异常、绕组变比异常、三相绕组绝缘电阻不平衡,而其他各项均未见异常。
表4:某局2号主变的DGA数据
CH<sub>4</sub> | C<sub>2</sub>H<sub>4</sub> | C<sub>2</sub>H<sub>6</sub> | C<sub>2</sub>H<sub>2</sub> | H<sub>2</sub> | CO | CO<sub>2</sub> | 总烃 |
18.94 | 9.4 | 3.67 | 5.58 | 33.93 | 1143.91 | 5068.11 | 37.59 |
根据模型,利用三比值法、CBR1和RST1对DGA数据的诊断结果为放电;利用比值法1、CBR2和RST2的诊断结果分别为不涉及固体绝缘、涉及固体绝缘、涉及固体绝缘;综合分析后得出诊断结果为涉及固体绝缘;再利用RST4的决策表进行细分的结果为匝间短路。实际吊芯结果为匝间短路。
鉴于粗糙集处理不完备信息的有效性、范例推理查询匹配的直观性以及比值法的简洁性,本发明提出了融合多种智能诊断模型的变压器故障分层诊断方法,综合考虑了油中溶解气体分析与电气试验等多种故障征兆,在分析大量变压器故障案例的基础上,建立了基于粗糙集、范例推理及比值法的综合诊断模型。该模型采用层结构对变压器故障逐步进行细分,即使在不完备信息时也有助于为现场提供较有效的维修建议。该模型具有计算速度快、正判率高、结果直观等优点。大量实例也证明了本发明提供的方法的有效性。
由此可见,本发明综合考虑了DGA数据与电气试验数据等多种故障征兆,在参考大量故障案例的基础上,运用粗糙集、范例推理、比值法3种方法建立了分层式故障诊断模型。运用分层结构辅助粗糙集,使该模型即使在不完备信息的情况下也有可能得到较合理的结论。
由于粗糙集的约简性、范例推理查询的直观性及三比值的简洁性,该综合诊断模型的结果直观简洁,且计算速度较快。运用该模型对大量实例进行分析诊断表明,该方法确实有助于提高故障诊断细分的正确判断率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (7)
1.一种融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,包括以下步骤:
步骤1,对于被诊断分析的变压器,获取变压器的DGA数据和电气试验数据;其中,所述DGA数据为变压器油中溶解的特征气体的组分类型和各组分的含量;
步骤2,基于所述变压器的DGA数据,分别采用三比值法、CBR1法和RST1法对变压器进行第一层级的故障诊断;其中,采用所述三比值法诊断到的变压器故障类型、采用所述CBR1法诊断到的变压器故障类型、以及采用所述RST1法诊断到的变压器故障类型均为以下三种故障类型之一:放电故障、过热故障和其他故障;
步骤3,基于少数服从多数的原则,判断是否满足以下情况:
情况3.1)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为放电故障类型,则确定第一层级的故障诊断结果为放电故障类型,然后执行步骤4;
情况3.2)如果三比值法、CBR1法和RST1法诊断到的变压器故障类型中,至少存在2个故障类型为过热故障类型,则确定第一层级的故障诊断结果为过热故障类型,然后执行步骤8;
情况3.3)如果情况3.1)和情况3.2)均没有满足,则返回步骤2,扩大三比值法、CBR1法和RST1法在进行故障诊断时采用的样本数据的数量,重新计算;
步骤4,分别采用比值法1、CBR2法和RST2法对变压器进行第二层级的故障诊断;其中,采用所述比值法1诊断到的变压器故障类型、采用所述CBR2法诊断到的变压器故障类型、以及采用所述RST2法诊断到的变压器故障类型均为以下两种故障类型之一:涉及固体绝缘放电故障、不涉及固体绝缘放电故障;然后执行步骤5;
步骤5,基于少数服从多数的原则,判断是否满足以下情况:
情况5.1)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为涉及固体绝缘放电故障类型,则确定第二层级的故障诊断结果为涉及固体绝缘放电故障类型,然后执行步骤6;
情况5.2)如果比值法1、CBR2法和RST2法诊断到的变压器故障类型中,至少存在2个故障类型为不涉及固体绝缘放电故障,则确定第二层级的故障诊断结果为不涉及固体绝缘放电故障,然后执行步骤7;
步骤6,基于电气试验数据,采用RST4法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:匝间短路故障类型、相间短路故障类型、围屏放电故障类型和引线故障故障类型,并结束流程;
步骤7,基于电气试验数据,采用RST5法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下四种故障类型之一:油中局放故障类型、油流带电故障类型、悬浮放电故障类型和火花放电故障类型,并结束流程;
步骤8,分别采用比值法2、CBR3法和RST3法对变压器进行第二层级的故障诊断;其中,采用所述比值法2诊断到的变压器故障类型、采用所述CBR3法诊断到的变压器故障类型、以及采用所述RST3法诊断到的变压器故障类型均为以下两种故障类型之一:电路过热故障、磁路过热故障;然后执行步骤9;
步骤9,基于少数服从多数的原则,判断是否满足以下情况:
情况9.1)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为电路过热故障类型,则确定第二层级的故障诊断结果为电路过热故障类型,然后执行步骤10;
情况9.2)如果比值法2、CBR3法和RST3法诊断到的变压器故障类型中,至少存在2个故障类型为磁路过热故障,则确定第二层级的故障诊断结果为磁路过热故障,然后执行步骤11;
步骤10,基于电气试验数据,采用RST6法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:线圈故障类型、分接开关故障类型,并结束流程;
步骤11,基于电气试验数据,采用RST7法对变压器进行第三层级的故障诊断,确定变压器故障类型为以下两种故障类型之一:铁心故障类型、油流受阻故障类型,并结束流程。
2.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤2中,采用三比值法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括CH4组分含量、H2组分含量、C2H2组分含量、C2H4组分含量和C2H6组分含量;
步骤2.2,对于每个样本数据,计算以下三个比值:CH4/H2、C2H2/C2H4和C2H4/C2H6;
步骤2.3,采用以下编码规则对每个样本的三个比值进行编码:
步骤2.4,对多个样本的编码组合以及对应的变压器故障类型之间的对应关系进行学习,总结得到以下故障类型判断准则表:
步骤2.5,对于被诊断分析的变压器,计算得到C2H2/C2H4、CH4/H2和C2H4/C2H6的编码组合,再查询上述的故障类型判断准则表,确定变压器故障类型为:放电故障、过热故障和其他故障。
3.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤2中,采用CBR1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2和C2H2/C2H4这8个参数作为匹配的特性指标,建立范例存储数据库,所述范例存储数据库中存储m个源范例aik,其中k=1~8,i=1~m;每个所述源范例aik对应有一种故障类型;
步骤2-2,待诊变压器的色谱数据为目标范例a0k,其中k=1~8,采用下式分别计算目标范例a0k与每一个源范例aik的之间的欧式距离di0,返回欧式距离di0最小的源范例aik;
其中:aik和a0k分别表示源范例和待诊样本第k个特性指标的值;n表示特性指标的个数;
步骤2-3,步骤2-2返回的欧式距离di0最小的源范例aik所对应的故障类型即为待诊变压器的故障类型。
4.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤2中,采用RST1法对变压器进行第一层级的故障诊断,具体包括以下步骤:
步骤2-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分放电故障、过热故障和其他故障;
步骤2-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤2-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤2-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
5.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤4中,采用比值法1对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4.1,获取多个故障变压器油中溶解气体的样本数据,每个样本数据包括以下三个特征量:CO组分含量、CO2组分含量和比值CO2/CO;
步骤4.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
步骤4.3,对于被诊断分析的变压器,得到CO组分含量、CO2组分含量和比值CO2/CO,再查询上述的故障类型判断准则表,确定变压器故障类型为:涉及固体绝缘故障或不涉及固体绝缘故障;
步骤4中,采用CBR2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-1,以H2,CH4,C2H6,C2H4,C2H2,CO,CO2、C2H2/C2H4和CO2/CO作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤4-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤4-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤4中,采用RST2法对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤4-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分涉及固体绝缘放电故障和不涉及固体绝缘放电故障;
步骤4-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤4-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤4-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
6.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤8中,采用比值法2对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8.1,获取多个故障变压器油中溶解气体的样本数据,计算每个样本数据以下三个特征值:C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2);
步骤8.2,对多个故障变压器的样本数据与变压器故障类型之间的关系进行学习,总结得到以下的故障类型判断准则表:
其中:C1+C2为总烃含量;其中C1代表CH4;C2代表C2H2、C2H4和C2H6;
步骤8.3,对于被诊断分析的变压器,得到C2H4/(C1+C2)、(CH4+C2H4)/(C1+C2)和(CO+CO2)/(C1+C2)的特征值,再查询上述的故障类型判断准则表,确定变压器故障类型为:电路过热故障或磁路过热故障;
步骤8中,采用CBR3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-1,以H2、CH4、C2H6、C2H4、C2H2、CO、CO2、CH4/H2、C2H2/C2H4和C2H4/C2H6作为匹配的特征指标建立范例存储数据库;所述范例存储数据库中存储多个源范例,每个所述源范例对应有一种故障类型;
步骤8-2,待诊变压器的色谱数据为目标范例,分别计算目标范例与每一个源范例之间的欧式距离,得到欧式距离最小的源范例;
步骤8-3,欧式距离最小的源范例所对应的故障类型即为待诊变压器的故障类型;
步骤8中,采用RST3对变压器进行第二层级的故障诊断,具体包括以下步骤:
步骤8-a,获取多个故障变压器油中溶解气体的样本数据,以每个样本数据中的H2组分含量、CH4组分含量、C2H6组分含量、C2H4组分含量、C2H2组分含量、CO组分含量、CO2组分含量和总烃含量C1+C2作为条件属性,用以区分电路过热故障和磁路过热故障;
步骤8-b,对于每个样本数据,采用以下方法进行编码处理,得到每个样本数据对应的编码组合;
判断每种气体组分含量或总烃含量是否满足以下三个条件:
条件1:气体组分含量或总烃含量的值在预试规程的规定范围之内;
条件2:气体组分含量或总烃含量的值与最近一段时间的历史最大值相比,其变化幅度在规定范围之内;
条件3:在对应的采样时间,气体组分含量或总烃含量的值所反应的产气率的值在规定范围之内;
如果以上三个条件均满足,则气体组分含量或总烃含量的值编码为0;
如果以上三个条件均不满足,则气体组分含量或总烃含量的值编码为2;
其余情况下,气体组分含量或总烃含量的值编码为1;
步骤8-c,由此获得每个样本的编码组合与故障类型之间的对应关系,编码组合作为条件属性,故障类型作为值,由此建立条件属性及其值之间的决策表;
步骤8-d,计算条件属性的约简,并按约简抽取形成规则集;规则集构成推理机;采用所述推理机,对变压器进行故障诊断。
7.根据权利要求1所述的融合多种智能诊断模型的变压器故障分层诊断方法,其特征在于,步骤6中的RST4法、步骤7中的RST5法、步骤10中的RST6法以及步骤11中的RST7法,均以以下特征量作为条件属性而建立决策表。
轻瓦斯c1、重瓦斯c2、差动保护c3、后备保护c4、绕组绝缘电阻c5、吸收比c6、三相直流电阻不平衡c7、直流电阻c8、绕组变比c9、直流泄漏c10、铁心接地电流c11、铁心接地电阻c12、介质损耗c13、空载试验c14、局放c15、油微水c16和压力释放阀c17。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031226.2A CN109239516A (zh) | 2018-09-05 | 2018-09-05 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031226.2A CN109239516A (zh) | 2018-09-05 | 2018-09-05 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109239516A true CN109239516A (zh) | 2019-01-18 |
Family
ID=65060577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811031226.2A Pending CN109239516A (zh) | 2018-09-05 | 2018-09-05 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109239516A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110208658A (zh) * | 2019-05-23 | 2019-09-06 | 国网天津市电力公司电力科学研究院 | 一种对局部放电诊断结果进行多元互补交叉验证的方法 |
CN110672988A (zh) * | 2019-08-29 | 2020-01-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于分层式诊断的局部放电模式识别方法 |
CN111709495A (zh) * | 2020-07-17 | 2020-09-25 | 西南石油大学 | 一种基于nbc模型的变压器故障诊断方法 |
CN115407053A (zh) * | 2022-08-19 | 2022-11-29 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115860123A (zh) * | 2023-03-02 | 2023-03-28 | 哈尔滨电机厂有限责任公司 | 一种水轮机故障诊断推理校验方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513125A (zh) * | 2012-06-29 | 2014-01-15 | 上海翔骋电气设备有限公司 | 一种220kv级以上变压器一体化智能诊断系统及其方法 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
CN107103361A (zh) * | 2017-04-13 | 2017-08-29 | 桂林电子科技大学 | 基于粗糙集与回答集的变压器故障诊断方法和系统 |
CN107678870A (zh) * | 2017-08-23 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种改进的电力变压器故障诊断方法 |
-
2018
- 2018-09-05 CN CN201811031226.2A patent/CN109239516A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513125A (zh) * | 2012-06-29 | 2014-01-15 | 上海翔骋电气设备有限公司 | 一种220kv级以上变压器一体化智能诊断系统及其方法 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
CN105044499A (zh) * | 2015-07-01 | 2015-11-11 | 国家电网公司 | 一种电力系统设备变压器状态的检测方法 |
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
CN107103361A (zh) * | 2017-04-13 | 2017-08-29 | 桂林电子科技大学 | 基于粗糙集与回答集的变压器故障诊断方法和系统 |
CN107678870A (zh) * | 2017-08-23 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种改进的电力变压器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
莫娟等: "《基于多种智能方法的变压器故障综合诊断模型》", 《电力系统自动化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110784A (zh) * | 2019-04-30 | 2019-08-09 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110110784B (zh) * | 2019-04-30 | 2020-03-24 | 贵州电网有限责任公司 | 一种基于变压器相关运行数据的变压器故障辨识方法 |
CN110208658A (zh) * | 2019-05-23 | 2019-09-06 | 国网天津市电力公司电力科学研究院 | 一种对局部放电诊断结果进行多元互补交叉验证的方法 |
CN110672988A (zh) * | 2019-08-29 | 2020-01-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于分层式诊断的局部放电模式识别方法 |
CN111709495A (zh) * | 2020-07-17 | 2020-09-25 | 西南石油大学 | 一种基于nbc模型的变压器故障诊断方法 |
CN115407053A (zh) * | 2022-08-19 | 2022-11-29 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115407053B (zh) * | 2022-08-19 | 2024-03-15 | 山东科技大学 | 征兆优选方法、计算机设备以及可读存储介质 |
CN115860123A (zh) * | 2023-03-02 | 2023-03-28 | 哈尔滨电机厂有限责任公司 | 一种水轮机故障诊断推理校验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239516A (zh) | 融合多种智能诊断模型的变压器故障分层诊断方法 | |
CN105891629B (zh) | 一种变压器设备故障的辨识方法 | |
CN103245861B (zh) | 一种基于贝叶斯网络的变压器故障诊断方法 | |
Huang et al. | Dissolved gas analysis of mineral oil for power transformer fault diagnosis using fuzzy logic | |
CN102289590B (zh) | Sf6高压断路器运行状态评估方法及智能系统 | |
CN107907783A (zh) | 基于模糊关联规则的变压器故障综合诊断系统及诊断方法 | |
CN104020754A (zh) | 一种变电站一次主设备状态监测信息接入调控系统的方法 | |
Li et al. | An integrated method of set pair analysis and association rule for fault diagnosis of power transformers | |
CN108051709A (zh) | 基于人工智能技术的变压器状态在线评估分析方法 | |
CN103513125A (zh) | 一种220kv级以上变压器一体化智能诊断系统及其方法 | |
CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
CN106443229A (zh) | 一种变压器绕组变形的诊断方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN114138982A (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
CN107831350B (zh) | 基于电能表故障及典型错误接线判断线损异常的方法 | |
CN113552443A (zh) | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 | |
CN208488118U (zh) | 一种变压器智能集成故障诊断系统 | |
Zhang et al. | Anomalous state detection of dissolved gases in transformer oil based on the canopy hyper sphere model | |
CN111272222A (zh) | 一种基于特征量集的变压器故障诊断方法 | |
Qi et al. | Rapid transformer health state recognition through canopy cluster-merging of dissolved gas data in high-dimensional space | |
Xu et al. | Research of practical expert system for transformer fault diagnosis based on multidimensional data fusion | |
CN114723130A (zh) | 一种基于时空交互特征的工业设备剩余使用寿命预测方法 | |
Wang et al. | A fault diagnosis method for transformer integrating rough set with fuzzy rules | |
CN113376553A (zh) | 三相四线计量串电流回路接线的智能甄别方法和系统 | |
CN109191011A (zh) | 一种基于Apriori算法的直流套管状态评估方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |