CN110059773A - 一种变压器故障复合诊断方法 - Google Patents

一种变压器故障复合诊断方法 Download PDF

Info

Publication number
CN110059773A
CN110059773A CN201910414176.4A CN201910414176A CN110059773A CN 110059773 A CN110059773 A CN 110059773A CN 201910414176 A CN201910414176 A CN 201910414176A CN 110059773 A CN110059773 A CN 110059773A
Authority
CN
China
Prior art keywords
transformer
algorithm
fault
model
svm
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.)
Granted
Application number
CN201910414176.4A
Other languages
English (en)
Other versions
CN110059773B (zh
Inventor
张旭
贾传圣
王奇
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.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
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 Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN201910414176.4A priority Critical patent/CN110059773B/zh
Publication of CN110059773A publication Critical patent/CN110059773A/zh
Application granted granted Critical
Publication of CN110059773B publication Critical patent/CN110059773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开了一种变压器故障复合诊断方法，该方法通过收集DGA特征气体的浓度工业数据，分别利用随机森林(RF)算法、支持向量机(SVM)算法、K近邻算法(KNN)算法建立三个基分类器模型；再利用加权投票法将上述的模型融合互补，形成变压器故障复合诊断模型，对变压器进行故障诊断。本发明有效利用单一的RF、SVM、KNN变压器故障诊断模型，经过经过加权融合形成了RF‑SVM‑KNN变压器故障诊断模型，克服了单一方法局部最优、结果偏差等问题；本发明能够有效的识别变压器故障类型，具有分类准确率高、速度快、稳定性高、泛化能力强等优点，为诊断变压器运行状态、预估变压器故障类型、确保变压器安全稳定运行。

Description

一种变压器故障复合诊断方法
技术领域
本发明涉及一种变压器故障诊断方法，属于电力设备故障检测与诊断领域。
背景技术
电力变压器作为一种能量的转化的设备，它在电压的转变以及电流的运输过程中有着不可取代的地位，在电力系统中有着最核心的地位。如果电力变压器发生故障，会导致电力的供应发生中断，甚至会引发火灾等一系列安全事故，将会对社会生活以及经济的发展造成重大的损失。所以，加强电力变压器的故障分析，成为一种必要，它能为电力系统提供一个安全的、稳定的、高效的运作环境，确保生产的井然有序。
现有技术中，变压器诊断方法很多，如随机森林(RF)算法、支持向量机(SVM)算法、K近邻算法(KNN)、小波分析、BP神经网络等，但是这些故障诊断方法都存在共同的问题，就是容易陷入局部最优、结果偏差、甚至无法诊断等。
发明内容
本发明目的在于提供一种变压器故障复合诊断方法，该方法能够有效提高变压器故障诊断的准确率。
为实现上述目的，本发明提供一种变压器故障复合诊断方法，包括以下步骤：
步骤一、收集DGA特征气体的浓度工业数据，建立特征量信息，并对数据进行预处理；
步骤二、分别利用随机森林(RF)算法、支持向量机(SVM)算法、K近邻算法(KNN)算法建立三个基分类器模型；
步骤三、利用加权投票法将上一步的模型融合互补，形成变压器故障复合诊断模型；
步骤四、利用上一步形成的变压器故障复合诊断模型进行故障诊断。
本发明有效利用单一的RF、SVM、KNN变压器故障诊断模型，经过经过加权融合形成了RF-SVM-KNN变压器故障诊断模型，克服了单一方法局部最优、结果偏差等问题；本发明能够有效的识别变压器故障类型，具有分类准确率高、速度快、稳定性高、泛化能力强等优点，为诊断变压器运行状态、预估变压器故障类型、确保变压器安全稳定运行。
附图说明
图1为本发明变压器故障诊断组合模型。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明提供一种变压器故障复合诊断方法，包括以下步骤：
步骤一、收集DGA特征气体的浓度工业数据，建立特征量信息，并对数据进行预处理；
步骤二、分别利用随机森林(RF)算法、支持向量机(SVM)算法、K近邻算法(KNN)算法建立三个基分类器模型；
步骤三、利用加权投票法将上一步的模型融合互补，形成变压器故障复合诊断模型；
步骤四、利用上一步形成的变压器故障复合诊断模型进行故障诊断。
上述步骤中：
步骤一对数据预处理包括剔除离群值，以箱型图原则，剔除高于上四分位和小于下四分位的特征值，补充缺失值，处理奇异值；可以确保保证数据的真实性，提升数据处理精度。
步骤一对数据预处理包括标准化处理，为消除量纲影响，加快机器学习速度，防止过拟合，采用z-score标准化方法，标准分数(standard score)也叫z分数(z-score)，其表达式为
步骤一对数据预处理包括变压器故障的初步判断和测试，判断方法为关联气体法和阈值法相结合，规定变压器油色谱气体中总烃、乙炔、氢气的含量在阈值内，则基本判定本体状态为正常，通过变压器在工作中故障时的特征气体浓度变化的关联度来诊断出是否故障，变压器故障类型测试采用三比值法。
步骤三利用加权投票法进行模型融合具体包括：
步骤a、算法筛选，根据已建立的变压器故障诊断模型对于每一类故障的准确率设定阈值，初步筛选出每种故障类型对应有效的单一智能算法，将部分故障状态准确率过低的模型排除；
步骤b、权重的确定，根据用于组合的变压器故障诊断模型对最终判断结果的影响程度，筛选出的分类器对于不同故障状态初步判定结果上引入权重因子，筛选出各个模型对应不同故障类型最终对应的权重因子wij。
步骤c、算法融合，针对每一条待诊断的案例，采用机器学习算法RF、SVM、KNN的3种统计诊断结果，确定每种故障所用的基分类器模型，并根据每个算法对应不同故障类型的权重因子。i表示分类器的数目，j表示故障类型，对于任意表Flagi表示分类器的投票结果；得到输出判别式为最终建立改进了的组合RF-SVM-KNN变压器故障诊断模型。
上述步骤中，所述DGA特征气体包括CzHzo氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳(CO)、二氧化碳(CO2)这七种特征气体，通常把CH4、C2H6、C2H4、C2H2四种气体称为总烃(C1C2)。
上述步骤中，所述变压器的故障类型包括正常(UN)、温度小于300℃的低温过热(T1)、温度为300℃～700℃的中温过热(T2)、温度大于700℃的高温过热(T3)、局部放电(D0)、低能放电(D1)、高能量放电(D2)七种。

Claims (5)

1.一种变压器故障复合诊断方法，其特征在于，包括以下步骤：
步骤一、收集DGA特征气体的浓度工业数据，建立特征量信息，并对数据进行预处理；
步骤二、分别利用随机森林(RF)算法、支持向量机(SVM)算法、K近邻算法(KNN)算法建立三个基分类器模型；
步骤三、利用加权投票法将上一步的模型融合互补，形成变压器故障复合诊断模型；
步骤四、利用上一步形成的变压器故障复合诊断模型进行故障诊断。
2.根据权利要求1所述的变压器故障复合诊断方法，其特征在于，步骤一对数据预处理包括剔除离群值，以箱型图原则，剔除高于上四分位和小于下四分位的特征值。
3.根据权利要求1所述的变压器故障复合诊断方法，其特征在于，步骤一对数据预处理包括标准化处理，采用z-score标准化方法，标准分数(standard score)也叫z分数(z-score)，其表达式为
4.根据权利要求1所述的变压器故障复合诊断方法，其特征在于，步骤一对数据预处理包括变压器故障的初步判断和测试，判断方法为关联气体法和阈值法相结合，规定变压器油色谱气体中总烃、乙炔、氢气的含量在阈值内，则基本判定本体状态为正常，通过变压器在工作中故障时的特征气体浓度变化的关联度来诊断出是否故障，变压器故障类型测试采用三比值法。
5.根据权利要求1所述的变压器故障复合诊断方法，其特征在于，步骤三利用加权投票法进行模型融合具体包括：
步骤a、算法筛选，根据已建立的变压器故障诊断模型对于每一类故障的准确率设定阈值，初步筛选出每种故障类型对应有效的单一智能算法，将部分故障状态准确率过低的模型排除；
步骤b、权重的确定，根据用于组合的变压器故障诊断模型对最终判断结果的影响程度，筛选出的分类器对于不同故障状态初步判定结果上引入权重因子，筛选出各个模型对应不同故障类型最终对应的权重因子。
步骤c、算法融合，针对每一条待诊断的案例，采用机器学习算法RF、SVM、KNN的三种统计诊断结果，确定每种故障所用的基分类器模型，并根据每个算法对应不同故障类型的权重因子。i表示分类器的数目，j表示故障类型，对于任意表Flagi表示分类器的投票结果；得到输出判别式为最终建立改进了的组合RF-SVM-KNN变压器故障诊断模型。
CN201910414176.4A 2019-05-17 2019-05-17 一种变压器故障复合诊断方法 Active CN110059773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910414176.4A CN110059773B (zh) 2019-05-17 2019-05-17 一种变压器故障复合诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910414176.4A CN110059773B (zh) 2019-05-17 2019-05-17 一种变压器故障复合诊断方法

Publications (2)

Publication Number Publication Date
CN110059773A true CN110059773A (zh) 2019-07-26
CN110059773B CN110059773B (zh) 2021-01-22

Family

ID=67323530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910414176.4A Active CN110059773B (zh) 2019-05-17 2019-05-17 一种变压器故障复合诊断方法

Country Status (1)

Country Link
CN (1) CN110059773B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325291A (zh) * 2020-05-15 2020-06-23 支付宝(杭州)信息技术有限公司 选择性集成异质模型的实体对象分类方法及相关设备
CN111340248A (zh) * 2020-02-27 2020-06-26 中国电力科学研究院有限公司 一种基于智能集成算法的变压器故障诊断方法及系统
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
CN113721002A (zh) * 2021-08-13 2021-11-30 国网山东省电力公司枣庄供电公司 一种基于硬投票集成学习的变压器故障诊断的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW584732B (en) * 2002-02-20 2004-04-21 Mang-Hui Wang CMAC_based fault diagnosis of power transformers
CN101587155A (zh) * 2009-06-08 2009-11-25 浙江大学 一种油浸式变压器的故障诊断方法
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
CN102289682A (zh) * 2011-05-18 2011-12-21 华北电力大学 基于集成学习Bagging算法的变压器故障诊断方法
CN103605881A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于故障树和层次分析法的电力变压器状态评估方法
US20170115335A1 (en) * 2015-05-04 2017-04-27 General Electric Company Systems and methods for monitoring and diagnosing transformer health
CN107992880A (zh) * 2017-11-13 2018-05-04 山东斯博科特电气技术有限公司 一种电力变压器最优集总分类故障诊断方法
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW584732B (en) * 2002-02-20 2004-04-21 Mang-Hui Wang CMAC_based fault diagnosis of power transformers
CN101587155A (zh) * 2009-06-08 2009-11-25 浙江大学 一种油浸式变压器的故障诊断方法
CN101701940A (zh) * 2009-10-26 2010-05-05 南京航空航天大学 基于svm和dga的变压器在线故障诊断方法
CN102289682A (zh) * 2011-05-18 2011-12-21 华北电力大学 基于集成学习Bagging算法的变压器故障诊断方法
CN103605881A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于故障树和层次分析法的电力变压器状态评估方法
US20170115335A1 (en) * 2015-05-04 2017-04-27 General Electric Company Systems and methods for monitoring and diagnosing transformer health
CN108051660A (zh) * 2017-10-31 2018-05-18 华北电力大学（保定） 一种变压器故障组合诊断模型建立方法及诊断方法
CN107992880A (zh) * 2017-11-13 2018-05-04 山东斯博科特电气技术有限公司 一种电力变压器最优集总分类故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
梁小冰: "基于DGA的变压器故障诊断多专家融合策略", 《电力系统自动化》 *
董立新: "一种基于油中溶解气体分析的变压器绝缘故障诊断新方法", 《上海交通大学学报》 *
黄新波: "基于DGA技术和SAMME的变压器故障诊断", 《高压电学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340248A (zh) * 2020-02-27 2020-06-26 中国电力科学研究院有限公司 一种基于智能集成算法的变压器故障诊断方法及系统
CN111325291A (zh) * 2020-05-15 2020-06-23 支付宝(杭州)信息技术有限公司 选择性集成异质模型的实体对象分类方法及相关设备
CN112085084A (zh) * 2020-08-24 2020-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
CN112085084B (zh) * 2020-08-24 2023-12-15 宁波大学 一种基于多特征融合共同向量的变压器故障诊断方法
CN113721002A (zh) * 2021-08-13 2021-11-30 国网山东省电力公司枣庄供电公司 一种基于硬投票集成学习的变压器故障诊断的方法

Also Published As

Publication number Publication date
CN110059773B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN110059773A (zh) 一种变压器故障复合诊断方法
CN106371427B (zh) 基于层次分析法和模糊融合的工业过程故障分类方法
Xu et al. Data-driven inter-turn short circuit fault detection in induction machines
Thang et al. Analysis of power transformer dissolved gas data using the self-organizing map
CN108663582A (zh) 一种变压器的故障诊断方法及系统
CN111598150B (zh) 一种计及运行状态等级的变压器故障诊断方法
Dukarm Transformer oil diagnosis using fuzzy logic and neural networks
CN103926490B (zh) 一种具有自学习功能的电力变压器综合诊断方法
Ondel et al. A method to detect broken bars in induction machine using pattern recognition techniques
CN110428005B (zh) 一种基于伞式算法的电力系统动态安全误分类约束方法
CN105894177A (zh) 一种基于决策树算法的电力设备运行风险分析评估方法
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
CN108304567B (zh) 高压变压器工况模式识别与数据分类方法及系统
CN110197222A (zh) 一种基于多分类支持向量机变压器故障诊断的方法
CN111325233B (zh) 一种变压器故障检测方法及装置
KR20190034963A (ko) 전력용 변압기의 결함을 판별하기 위한 유중가스 패턴 분석 장치 및 방법
CN107491783A (zh) 基于改进密度峰值聚类算法的变压器故障类型分类方法
CN111737907A (zh) 一种基于深度学习和dga的变压器故障诊断方法及装置
CN105117512A (zh) 变压器预警值的估算方法及装置
CN110596490A (zh) 铁路道岔故障的智能检测方法
CN108803554A (zh) 一种发电机信号的智能诊断方法
CN111275204A (zh) 一种基于混合采样和集成学习的变压器状态识别方法
CN112906672B (zh) 钢轨缺陷识别方法及系统
Nanfak et al. Hybrid Method for Power Transformers Faults Diagnosis Based on Ensemble Bagged Tree Classification and Training Subsets Using Rogers and Gouda Ratios.
CN106682081A (zh) 基于多模型的变压器性能综合分析系统

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