CN109961239B - 变压器故障案例推理方法及系统 - Google Patents

变压器故障案例推理方法及系统 Download PDF

Info

Publication number
CN109961239B
CN109961239B CN201910265760.8A CN201910265760A CN109961239B CN 109961239 B CN109961239 B CN 109961239B CN 201910265760 A CN201910265760 A CN 201910265760A CN 109961239 B CN109961239 B CN 109961239B
Authority
CN
China
Prior art keywords
case
fault
historical
cases
diagnosed
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.)
Active
Application number
CN201910265760.8A
Other languages
English (en)
Other versions
CN109961239A (zh
Inventor
罗静
翁良
杨雨
吴芳基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou AIMS Intelligent Technology Co Ltd
Original Assignee
Hangzhou AIMS Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou AIMS Intelligent Technology Co Ltd filed Critical Hangzhou AIMS Intelligent Technology Co Ltd
Priority to CN201910265760.8A priority Critical patent/CN109961239B/zh
Publication of CN109961239A publication Critical patent/CN109961239A/zh
Application granted granted Critical
Publication of CN109961239B publication Critical patent/CN109961239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种变压器故障案例推理方法，根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；基于定义好的每个故障案例，结合集对分析算法获得待诊断故障案例与历史故障案例的之间的相似度；将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。通过将处理不确定问题的集对分析算法引入变压器的案例推理中，更符合变压器案例推理的实际情况，有利于提高变压器案例推理的有效性与准确性；还解决了案例推理时面临的故障指标缺失问题，避免了故障案例推理机失效，提高了案例推理算法的适应性。

Description

变压器故障案例推理方法及系统
技术领域
本发明涉及变压器大数据技术领域，尤其涉及一种变压器故障案例推理方法及系统。
背景技术
电力产业一直以来都是关系国计民生的基础产业。变压器作为电力系统的关键枢纽设备，其运行状态直接关系到整个电力系统的安全与稳定，因此对变压器进行故障诊断十分必要。但是，变压器系统复杂，故障模式众多，对变压器进行准确的故障诊断有一定的难度。基于案例推理的故障诊断方法以其适用于领域知识难以形成规则，易于形成案例且积累了大量案例的领域的优势，近来被广泛应用于电力领域。
虽然相关学者已经对基于案例推理的变压器故障诊断方法开展了很多研究并取得了一定成效，但相关研究仍存着在许多不足。目前基于案例推理的变压器故障诊断方法大多通过计算故障指标间的距离来定义案例间的相似性，当故障指标缺失时该方法的效果往往很差。此外，相关研究在定义故障指标的权重时往往存在权重“不公平”问题，即所有案例采用同样的故障指标权重。但变压器故障模式复杂，故障表现众多，各个故障指标在不同故障模式中的重要程度往往不同，如局部放电在放电类故障中是十分重要的故障指标，权重应设置为较大的值，在渗漏油故障中非重要故障指标，权重理应减小。
发明内容
本发明针对现有技术中的缺点，提供了一种变压器故障案例推理方法及系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种变压器故障案例推理方法，包括以下步骤：
根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度；
将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
作为一种可实施方式，所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
作为一种可实施方式，所述基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度，具体为：
根据定义好的故障案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的联系数。
作为一种可实施方式，所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure GDA0002944679310000021
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(μ0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure GDA0002944679310000031
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure GDA0002944679310000032
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure GDA0002944679310000033
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度；
作为一种可实施方式，所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
集对一种变压器故障案例推理系统，包括定义模块、相似度计算模块和排序模块；
所述定义模块，用于根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
所述相似度计算模块，用于基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度；
所述排序模块，用于将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
作为一种可实施方式，所述定义模块被设置为：
所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
作为一种可实施方式，所述相似度计算模块被设置为：
根据定义好的故障案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的联系数。
作为一种可实施方式，所述相似度计算模块还被设置为：
所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure GDA0002944679310000041
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(μ0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure GDA0002944679310000051
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure GDA0002944679310000052
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure GDA0002944679310000053
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度。
作为一种可实施方式，所述排序模块被设置为：
所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明通过将处理不确定问题的集对分析算法引入变压器的案例推理中，更符合变压器案例推理的实际情况，有利于提高变压器案例推理的有效性与准确性；还解决了案例推理时面临的故障指标缺失问题，避免了故障案例推理机失效，提高了案例推理算法的适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图；
图2是本发明的故障案例库示意图；
图3是总烃含量状态等级隶属度函数；
图4是本发明的整体结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种变压器故障案例推理方法，如图1所示，包括以下步骤：
S100、根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
S200、基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度；
S300、将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
在步骤S100中，故障案例都是以标准格式存放在故障案例库中。虽然标准案例中的故障指标固定，但各故障指标对应不同故障模式的重要程度不同，在对故障案例进行定义时引入故障指标重要等级与案例的故障指标数两个参数。
故障指标对应的故障指标重要等级是指该故障指标在该案例中的重要程度，由专家在录入该条故障案例时定义，分为重要指标和一般指标。
更加具体地，在步骤S100中，所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
在步骤S200中，基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度，具体为：
S210、根据定义好的故障案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
S220、通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
S230、结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对集对分析算法，获得历史案例和待诊断案例之间的联系数。
在步骤S230中，所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure GDA0002944679310000071
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(μ0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure GDA0002944679310000081
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure GDA0002944679310000082
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure GDA0002944679310000083
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度。
隶属度函数以总烃含量举例，其状态隶属度函数如附图3所示，进而确定历史案例中各故障指标的状态等级，并计算待匹配案例中对应指标相对于历史案例中该指标状态等级的隶属度。以所举的总烃隶属度为例，假设历史案例1中总烃含量为210μL/L，对应状态为异常，待匹配案例总烃含量为130μL/L，待匹配案例中总烃相对于案例1中总烃异常状态的隶属度＝异常状态隶属度-正常状态隶属度＝0.125-0.875＝-0.75。
在步骤S300中，所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
通过本发明的方法将处理不确定问题的集对分析算法引入变压器的案例推理中，更符合变压器案例推理的实际情况，有利于提高变压器案例推理的有效性与准确性；还解决了案例推理时面临的故障指标缺失问题，避免了故障案例推理机失效，提高了案例推理算法的适应性；在进行案例推理时，各故障指标在不同历史故障案例中有所不同，避免了权重的“不公平”问题，提高了案例推理算法的准确性。
实施例2：
一种变压器故障案例推理系统，如图2所示，包括定义模块100、相似度计算模块200和排序模块300；
所述定义模块100，用于根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
所述相似度计算模块200，用于基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度；
所述排序模块300，用于将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
更进一步地，所述定义模块100被设置为：
所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
另外，所述相似度计算模块200被设置为：
根据定义好的故障案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的联系数。
更加具体地，所述相似度计算模块200还被设置为：
所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure GDA0002944679310000101
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(μ0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure GDA0002944679310000102
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure GDA0002944679310000103
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure GDA0002944679310000104
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度。
在本实施例中，所述排序模块300被设置为：
所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
通过本发明的系统将处理不确定问题的集对分析算法引入变压器的案例推理中，更符合变压器案例推理的实际情况，有利于提高变压器案例推理的有效性与准确性；还解决了案例推理时面临的故障指标缺失问题，避免了故障案例推理机失效，提高了案例推理算法的适应性；在进行案例推理时，各故障指标在不同历史故障案例中有所不同，避免了权重的“不公平”问题，提高了案例推理算法的准确性。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
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、装置、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的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种变压器故障案例推理方法，其特征在于，包括以下步骤：
根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度，具体为：
根据定义好的故障历史案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的联系数；
将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
2.根据权利要求1所述的变压器故障案例推理方法，其特征在于，所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
3.根据权利要求1所述的变压器故障案例推理方法，其特征在于，所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure FDA0002944679300000021
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(μ0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure FDA0002944679300000022
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure FDA0002944679300000023
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure FDA0002944679300000024
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度；
4.根据权利要求3所述的变压器故障案例推理方法，其特征在于，所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
5.一种变压器故障案例推理系统，其特征在于，包括定义模块、相似度计算模块和排序模块；
所述定义模块，用于根据变压器故障指标对应不同故障模式的重要程度，对故障案例库中历史案例进行定义，具体包括：故障指标在该历史案例中的重要等级与该历史案例中的计权指标数；
所述相似度计算模块，用于基于定义好的每个故障历史案例，结合集对分析算法获得待诊断故障案例与故障历史案例的之间的相似度，具体为：
根据定义好的故障历史案例，将故障指标划分为正常与不正常两种状态，分别确定出两个状态等级的模糊隶属函数；
通过所述状态等级模糊隶属函数，计算出历史案例和待诊断案例之间的故障指标的隶属度；
结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的联系数；
所述排序模块，用于将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出。
6.根据权利要求5所述的变压器故障案例推理系统，其特征在于，所述定义模块被设置为：
所述故障指标在历史案例中的重要等级由专家录入该条历史案例时定义，分为重要指标和一般指标；所述故障历史案例的计权指标数定义如下：
N＝αimpNimp+αnorNnor
其中，N表示该条历史案例的计权指标数，Nimp表示该案例中的重要指标数，Nnor表示该案例中的一般指标数，αimp为重要指标权重因子，取值为1，αnor为一般指标权重因子，取值为0.1。
7.根据权利要求5所述的变压器故障案例推理系统，其特征在于，所述相似度计算模块还被设置为：
所述结合历史案例和待诊断案例之间的故障指标的隶属度，采用集对分析算法，获得历史案例和待诊断案例之间的相似度，具体为：
根据集对分析算法，确定出两案例之间相似度采用五元联系数来描述，五元联系数表示如下：
Figure FDA0002944679300000041
其中，U表示待诊断案例与历史案例的联系数，也就是相似度，A表示两案例中状态等级完全相同的故障指标个数，B表示状态等级相对相同的故障指标个数，E表示状态等级完全相反的故障指标个数，D表示状态等级相对相反的故障指标个数，C表示两案例中指标缺失的个数；相应地，i表示故障指标状态等级相对相同的程度，取[0,1]；k表示故障指标状态等级相对相反的程度，取[-1,0]；j表示故障指标等级的不确定程度，取[-1,1]；
所述参数A-E可通过对比历史案例与待诊断案例得到，故首先确定所述故障指标状态等级相对相同的程度i和故障指标状态等级相对相反的程度k，表示如下：
i＝mean(u0～1)
k＝mean(μ-1～0)
其中μ0～1为取值在0～1之间的所述历史案例和待诊断案例之间的故障指标的隶属度，μ-1～0为取值在-1～0之间的所述历史案例和待诊断案例之间的故障指标的隶属度。
当两案例中存在故障指标缺失时，还需对所述两案例间的不确定程度j进行确定，不确定程度j的取值区间为[-1,1]，采用sigmoid函数确定案例间的不确定程度j，如下式所示：
Figure FDA0002944679300000042
其中，x为与故障指标间相似度及重要程度有关的量，表示案例之间确定的信息越多，案例间的不确定程度越小；β为调整系数，
Figure FDA0002944679300000043
采用调整系数使sigmoid函数曲线形状随历史案例的计权指标数N变化，将sigmoid函数的输入定义如下：
Figure FDA0002944679300000051
其中，ωp为故障指标p的权重因子，μp为所述历史案例和待诊断案例之间的故障指标p的隶属度。
8.根据权利要求7所述的变压器故障案例推理系统，其特征在于，所述排序模块被设置为：
所述将获得的待诊断故障案例与历史故障案例间的相似度进行排序，将相似度作为案例推理的置信度进行输出，具体为：
若待诊断案例与历史故障案例间的不确定程度j为负数，则排除该历史故障案例，不确定程度j是综合各个指标联系度及指标重要程度等信息后计算得到的结果，若不确定程度j为负数，则表明该历史故障案例与待诊断案例整体呈相反态势，则将历史案例予以排除；
排除掉不符合条件的历史案例后，对案例间联系数的顺序进行排序，表示如下：
rankq＝rankDESCUq
其中，Uq表示待诊断案例与历史案例q的联系数，rankq表示待诊断案例与历史案例q的相似性排名；
通过采用联系数的排序方式对待诊断案例与历史故障案例间的联系数进行排序，并将联系数最大的前5份历史案例作为结果推送出来，将各历史故障案例的联系数作为该条案例推理的置信度，联系数越大表明两案例越相似，案例推理的结果越准确。
CN201910265760.8A 2019-04-03 2019-04-03 变压器故障案例推理方法及系统 Active CN109961239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910265760.8A CN109961239B (zh) 2019-04-03 2019-04-03 变压器故障案例推理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910265760.8A CN109961239B (zh) 2019-04-03 2019-04-03 变压器故障案例推理方法及系统

Publications (2)

Publication Number Publication Date
CN109961239A CN109961239A (zh) 2019-07-02
CN109961239B true CN109961239B (zh) 2021-04-06

Family

ID=67025688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910265760.8A Active CN109961239B (zh) 2019-04-03 2019-04-03 变压器故障案例推理方法及系统

Country Status (1)

Country Link
CN (1) CN109961239B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307918A (zh) * 2020-10-21 2021-02-02 华北电力大学 一种基于模糊神经网络的变压器直流偏磁的诊断方法
CN114722865B (zh) * 2022-03-27 2022-12-02 江苏东佳电气有限公司 基于数据识别的防爆电机故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWM385742U (en) * 2009-09-18 2010-08-01 You-Tern Tsai A device of fault diagnosing using case-based reasoning
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
CN104715342A (zh) * 2015-03-31 2015-06-17 国网四川省电力公司电力科学研究院 基于案例推理法的电力设备故障处理辅助决策方法
CN105891629A (zh) * 2016-03-31 2016-08-24 广西电网有限责任公司电力科学研究院 一种变压器设备故障的辨识方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN109358595A (zh) * 2018-09-30 2019-02-19 南方电网科学研究院有限责任公司 一种it运维风险预警方法及相关装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040073843A1 (en) * 2002-10-15 2004-04-15 Dean Jason Arthur Diagnostics using information specific to a subsystem
US20070185854A1 (en) * 2003-11-14 2007-08-09 Casebank Technologies Inc. Case-based reasoning system and method having fault isolation manual trigger cases
CN101571890A (zh) * 2008-04-28 2009-11-04 国际商业机器公司 自动评估病历质量的方法和系统
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
CN109214527B (zh) * 2018-08-09 2020-10-30 南瑞集团有限公司 一种变压器故障早期诊断预警方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWM385742U (en) * 2009-09-18 2010-08-01 You-Tern Tsai A device of fault diagnosing using case-based reasoning
CN103135014A (zh) * 2012-12-14 2013-06-05 西安电子科技大学 基于案例推理的变压器故障诊断方法
CN104715342A (zh) * 2015-03-31 2015-06-17 国网四川省电力公司电力科学研究院 基于案例推理法的电力设备故障处理辅助决策方法
CN105891629A (zh) * 2016-03-31 2016-08-24 广西电网有限责任公司电力科学研究院 一种变压器设备故障的辨识方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN109358595A (zh) * 2018-09-30 2019-02-19 南方电网科学研究院有限责任公司 一种it运维风险预警方法及相关装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Integration of ART-Kohonen neural network and case-based reasoning for intelligent fault diagnosis;Bo-Suk Yang;《Expert Systems with Applications》;20041231;全文 *
基于案例推理的变压器故障诊断专家系统的研究;葛春晓;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;全文 *
基于灰关联理论的变压器故障诊断专家系统;李建坡;《东北电力技术》;20080923;全文 *

Also Published As

Publication number Publication date
CN109961239A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN111414477A (zh) 车辆故障自动诊断方法、装置以及设备
CN109961239B (zh) 变压器故障案例推理方法及系统
JPH0522241B2 (zh)
Tay et al. Enhancing the failure mode and effect analysis methodology with fuzzy inference techniques
CN116167749B (zh) 一种基于深度学习的永磁同步电机故障诊断方法
CN113139705A (zh) 业务项目的风险识别方法及装置
CN114021846A (zh) 工业企业设备状态预警方法及系统
Haktanır et al. Z-fuzzy hypothesis testing in statistical decision making
CN106529582A (zh) 针对贝叶斯网络中引入专家评价的先验概率评估方法
CN112329955B (zh) 一种确定装备维修等级的计算方法
CN115375077A (zh) 基于毕达哥拉斯模糊赋权法的海底管道失效风险评价方法
CN115564410A (zh) 一种继电保护设备的状态监测方法及装置
CN112288077B (zh) 卷积神经网络的诊断调整方法、系统、设备及介质
Bouaziz et al. Control sequence ranking for critical system based on health of equipment thanks to choquet integral
CN117763281A (zh) 牵引变流器故障预测方法、装置、服务器及存储介质
CN113297800B (zh) 变电设备健康管理方法、系统、终端设备及可读存储介质
CN113177309B (zh) 一种基于决策算法的无人机冗余传感器的数据分析方法
He et al. Importance identification for fault trees based on possibilistic information measurements
Liu et al. Context-based knowledge support for problem-solving by rule-inference and case-based reasoning
CN110598966A (zh) 一种风险指引的后处理设施中设备的分级方法
CN114252724B (zh) 变压器智能检测方法与检测系统
Na et al. Risk Analysis for the Rotorcraft Landing System Using Comparative Models Based on Fuzzy
CN117472639B (zh) 一种多芯片互连系统及方法
JPH0524521B2 (zh)
WO2024124658A1 (zh) 基于案例学习与可诊断性分析的诊断算法量化推荐方法

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
GR01 Patent grant
GR01 Patent grant