CN111598150A - 一种计及运行状态等级的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种计及运行状态等级的变压器故障诊断方法。包括步骤：收集变压器5种典型故障数据，构建故障诊断样本数据集，并进行标签化处理；提取变压器油色谱数据的7种气体含量、19种气体比值共同作为故障特征，将预处理后的26维故障特征利用主元分析法(PCA)进行特征降维融合；构建基于粒子群算法与K‑折交叉验证的自适应相关向量机故障诊断模型；当变压器的运行状态等级评估为严重故障时，使用故障诊断模型进行诊断。本发明构建的故障诊断模型在模型训练过程中实现核参数的自动寻优，且相比于多级二分类器，结构简单。通过计及运行状态等级的故障诊断，可降低传统变压器实时在线故障诊断的误诊断风险。

Description

一种计及运行状态等级的变压器故障诊断方法

技术领域

本发明涉及变压器故障诊断技术领域，特别是一种计及运行状态等级的变压器故障诊断方法。

背景技术

变压器作为电力系统中的关键枢纽设备之一，不间断地运行于电力系统之中，其自身的运行状态直接影响着整个电力系统的安全稳定运行。当变压器出现严重的运行状况而未及时采取有效措施时，则可能引起火灾、爆炸，甚至导致大面积停电事故。因此，当变压器发生故障时，通过故障诊断技术，准确判断变压器的故障类型，可便于工作人员及时采取相应的检修措施，减少故障损失，避免事故扩大，具有重要意义。

由于变压器运行可靠性较高，变压器发生故障是小概率事件。相比于变压器正常运行的数据量而言，故障数据要少得多，这种情况不利于一些基于统计学习的变压器在线诊断算法。例如，若某台变压器的故障率5％，在线监测的100组数据中，假如存在95组正常数据，5组故障数据，当一种算法或分类器不考虑输入数据特点，并将所有数据诊断为正常时，即可得到95％的诊断正确率。显然，这种诊断方式不符合变压器实时在线故障诊断的实际要求，正常与故障数据的不平衡可能会导致严重的误诊断、漏诊断现象发生。此外，传统故障诊断方法将变压器直接划分为正常和故障类型，这种分类方法的标准过于粗犷，忽略了变压器的亚健康状态(一般缺陷)，具有较大的模糊性和不确定性。当变压器存在一般缺陷时，传统诊断方法难以得到有效的诊断结果，给变压器的可靠运行带来安全隐患。

发明内容

本发明提供了一种计及运行状态等级的变压器故障诊断方法，首先利用变压器的在线监测数据、历史试验数据、历史运行数据等对变压器进行运行状态评估。当运行状态评估结果是严重时，有必要进行故障诊断；评估结果是非严重的状态时，则不需要进行故障诊断。该方法通过计及运行状态等级的故障诊断策略，可降低传统变压器实时在线故障诊断的误诊断风险。

实现本发明目的的技术方案为：

一种计及运行状态等级的变压器故障诊断方法，包括

步骤一：收集多组变压器故障类型数据，对每种故障类型进行标签化处理，构建故障类型训练集的标签B_{训练集(L×N)}，其中，L是故障类型数，N是训练集组数；所述变压器故障类型为中低温过热T12、高温过热T3、低能放电D1、高能故障D2和局部放电PD；

步骤二：收集对应每一组故障类型数据的变压器油色谱数据构建故障特征训练集S_{训练集(N×P)}，其中，N是训练集组数，P是故障特征维数，每一组故障特征向量S＝[s₁,s₂,s₃,···,s₂₆]，s₁,s₂,s₃,···,s₂₆为7种气体含量和19种气体含量比值；其中，7种气体含量为氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂的含量，CH₄、C₂H₂、C₂H₄、C₂H₆的含量之和即总烃TH，以及CH₄、C₂H₄、C₂H₂的含量之和D；19种气体含量比值为C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆、C₂H₂/H₂、C₂H₄/C₂H₆、C₂H₂/CH₄、C₂H₄/CH₄、C₂H₄/H₂、C₂H₆/CH₄、C₂H₆/H₂、H₂/(H₂+TH)、CH₄/TH、C₂H₆/TH、C₂H₄/TH、C₂H₂/TH、(CH₄+C₂H₄)/TH、CH₄/D、C₂H₂/D和C₂H₄/D；

对S_{训练集(N×P)}进行反正切变换，得到X_{训练集(N×P)}；

对X_{训练集(N×P)}进行标准化处理，得到X^* _{训练集(N×P)}；

步骤三：通过主元分析对X^* _{训练集(N×P)}进行降维融合，得到Z_{训练集(N×T)}，其中，T为降维后的故障特征维数；

步骤四：构建基于粒子群算法与K-折交叉验证的自适应相关向量机故障诊断模型，包括

4.1将多分类相关向量机mRVM作为基础的分类器，mRVM的核函数选择径向基RBF核函数；

4.2粒子群算法随机初始化一组随机粒子种群{X_i|i＝1,2,···R}，R表示粒子总个数，令R＝10；

随机产生第i个粒子在D维搜索空间下的位置和速度分别表示为X_i＝(X_i1,X_i2,···,X_iD)^T和V_i＝(V_i1,V_i2,···,V_iD)^T；每个粒子的位置对应一个RBF核参数；设置粒子群的搜索维数D＝1；

4.3将粒子群算法初始化的粒子位置V_i作为mRVM的核参数；将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的故障类型训练集的标签B_{训练集(L×N)}作为mRVM的输入量，进行交叉验证训练；采用K-折交叉验证方式，将用于训练的特征样本集Z_{训练集(N×T)}随机分为K组，每组数据的样本数接近；按照顺序依次选择K-1组作为交叉验证的训练集，剩下的一组作为交叉验证的验证集；

4.4在训练过程中，以K-折交叉验证的平均识别率作为粒子群算法的适应度函数，公式如下：

式中：K是交叉验证折数，n₁、n₂分别是K-折交叉验证的训练集和验证集的样本个数，acc₁、acc₂分别是K-折交叉验证的训练集和验证集识别正确率，n_total是训练集和验证集的样本个数之和；设粒子群迭代次数k＝1；

4.5粒子群的个体极值和种群的群体极值分别表示为P_i＝(P_i1,P_i2,···,P_iD)^T、P_g＝(P_g1,P_g2,···,P_gD)^T；找出第i个粒子的个体极值P_id和群体中所有粒子的群体极值P_gd，具体为：将当前第i个粒子的适应度值与之前该粒子的最大适应度值进行比较，取二者最大适应度值对应的粒子位置作为当前的个体极值P_id；将当前所有粒子的最大适应度值与之前整个粒子种群的最优位置的适应度值进行比较，取最大适应度值对应的粒子位置作为当前的群体极值P_gd；

4.6在迭代寻优过程中，粒子通过下式更新自身个体的位置矢量与速度矢量：

式中：

表示第i个粒子在第k次迭代的速度和位置；w是惯性权重，c₁、c₂是加速度因子，r₁、r₂是[0,1]之间的随机数，k是当前迭代次数；

4.7判断粒子群迭代次数k或适应度值是否满足要求；若是，则输出最优粒子的位置，即为最优核参数；若否，则令k＝k+1，返回4.5，直到满足要求为止；

4.8将最优粒子的位置作为RBF的核参数，将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的故障类型训练集的标签B_{训练集(L×N)}作为mRVM的输入量，得到故障诊断模型；

步骤五：当变压器的运行状态等级评估为严重故障时，使用故障诊断模型进行诊断，具体为：收集变压器油色谱数据的7种气体含量和19种气体含量比值，按照步骤二的方法构建26维故障特征测试集，并进行反正切和标准化处理；再按照步骤三的方法进行降维处理；将降维后故障特征测试集输入故障诊断模型，得到分类概率矩阵，以概率矩阵中最大值对应的故障类别作为变压器故障诊断结果。

本发明的有益效果在于，

1、构建的故障诊断模型在模型训练过程中实现核参数的自动寻优，且相比于多级二分类器，结构简单。

2、通过计及运行状态等级的故障诊断，可降低传统变压器实时在线故障诊断的误诊断风险。

附图说明

图1是本发明的方法流程图。

图2是26维故障特征信息的主元贡献率变化曲线。

图3是前7个主元特征根与累计贡献率。

图4是传统故障诊断方法的方法流程图。

具体实施方式

以下结合附图和实施例说明本发明具体实施方法。

一种计及运行状态等级的变压器故障诊断方法，包括步骤：首先收集变压器5种典型故障数据，构建故障诊断样本数据集，并对每种故障类型进行标签化处理。其次，提取基于变压器油色谱数据的7种气体含量、19种气体比值共同作为故障特征，将预处理后的26维故障特征利用主元分析法(PCA)进行特征降维融合。紧接着，构建基于粒子群算法(PSO)与K-折交叉验证的自适应相关向量机故障诊断模型，将K-折交叉验证的平均识别率作为粒子群算法的适应度函数，实现相关向量机核参数在训练过程中的自动寻优，确定故障诊断模型。最后，收集变压器的运行数据并对其进行运行状态评估，若运行状态评估结果为严重，则构建该组变压器数据的故障特征并输入至故障诊断模型，输出故障诊断结果。

如图1所示，本发明的具体实施例如下：

步骤一：收集变压器5种典型故障数据，构建故障诊断样本数据集，并对每种故障类型进行标签化处理。

(1)数据收集：收集356组变压器故障结论明确的数据，包括5种典型故障，如下表所示：

(2)将收集的356组变压器故障数据划分为训练集(266组)和测试集(90组)，如下表所示：

(3)故障类型标签化：对变压器的366组样本数据按照故障类型进行标签化处理，即可得到366组样本数据的对应的366个数据标签。训练集的标签可表示为：B_{训练集(L×N)}，测试集的标签可表示为：B_{测试集(L×Q)}，其中L是故障种类数，L＝5，N是训练集组数，N＝256；Q是测试集组数，Q＝90。

步骤二：故障诊断特征信息提取及预处理。

(1)搜集基于变压器油色谱数据的7种气体含量、19种气体含量比值，依次用s₁,s₂,s₃,···,s₂₆表示，共同作为故障特征，丰富变压器故障特征信息。一组变压器运行数据的故障特征向量可表示为：S＝[s₁,s₂,s₃,···,s₂₆]。其中，TH代表总烃含量，即TH是CH₄、C₂H₂、C₂H₄、C₂H₆四种气体含量之和；D表示CH₄、C₂H₄、C₂H₂三种气体含量之和。

表 气体含量信息

表 气体比值信息

(2)构建整个样本数据集的故障特征信息矩阵

式中，M是样本集组数，M＝356；N是训练集组数，N＝256；Q是测试集组数，Q＝90；P是故障特征维数，P＝26。

(3)对(2)中的样本集故障特征信息矩阵S_(M×P)进行反正切变换，得到变换后的矩阵X_(M×P)，反正切变换的目的是为了减小数据高偏态分布对故障诊断的影响。

(4)为了减小不同变压器故障特征信息的数值波动，保证诊断算法的收敛性，还应对X_(M×P)进行标准化处理。

式中：m＝1,2,···,M，p＝1,2,···,P，X_mp是经反正切变换后的故障特征信息，X_mp*是标准化处理的故障特征信息矩阵，E[X_p]、

分别是第p列数据的平均值和标准差。对标准化后的数据而言，其均值为0，方差为1。

步骤三：基于主元分析的故障特征信息降维融合。

(1)计算标准化的故障特征信息矩阵X*的相关系数矩阵R，通过下式计算相关矩阵R中的元素r_ij。

其中，M表示样本集组数，即M＝356；P表示特征维数，即P＝26，i,j＝1,2,···,P，r_ij表示第i个特征相对于第j个特征的相关系数。

(2)通过下式求解相关系数矩阵的特征值λ_i。

|λ_iI-R|＝0

式中：I是P×P维的单位矩阵，i＝1,2,···,P

(3)所求的特征值按大小依次排列:

λ₁≥λ₂≥,···,≥λ_P≥0

(4)分别求出P个特征值对应的特征向量。

||β_i||＝1，

(5)通过下式分别计算第T个主元的贡献率和前T个主元的累计贡献率。

(6)当前T个主元的累计贡献率超过95％时，计算前T个主元的线性组合，则实现了数据特征由P维降为T维。

Z_i＝β_1ix₁+β_2ix₂+...+β_pix_P(i＝1,2,···,T)

降维后的故障特征数据可表示为：

(7)通过步骤(1)-(6)对搜集的26维故障特征信息进行主元分析降维处理，主元贡献率变化曲线如图2所示，前7个主元特征根与累计贡献率如图3所示。由于前7个主元累计贡献率为95.8％，因此将26维特征信息降维为7维，且能较好地保留原始特征数据涵盖的信息。

步骤四：构建基于粒子群算法(PSO)与K-折交叉验证的自适应相关向量机故障诊断模型，将K-折交叉验证的平均识别率作为粒子群算法的适应度函数，实现相关向量机核参数在训练过程中的自动寻优，确定故障诊断模型。

(1)将多分类相关向量机(Multiclass Relevance Vector Machine,mRVM)作为基础的分类器，mRVM的核函数选择径向基(Radial Basis Function,RBF)核函数。目前，核参数主要依靠经验取值法和试验法确定，但这类方法工作量大，难以找到较好的核参数。当核参数取值不当时，则会严重影响mRVM的综合性能。因此通过粒子群算法和K-折交叉验证使得RBF核参数能在样本训练的过程中实现自动寻优，减少人为干预，提高模型的智能性。

(2)子群算法随机初始化一组随机粒子种群(随机解){X_i|i＝1,2,···R}，R表示粒子总个数，取R＝10。随机产生第i个粒子在D维搜索空间下的位置和速度分别表示为：X_i＝(X_i1,X_i2,···,X_iD)^T、V_i＝(V_i1,V_i2,···,V_iD)^T。每个粒子的位置对应一个RBF核参数。由于RBF核参数变量个数为1，故设置粒子群的搜索维数D＝1。

(3)将(2)中粒子群算法初始化的粒子位置V_i作为mRVM的核参数。将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的类别标签B_{训练集(L×N)}作为mRVM的输入量，进行交叉验证训练。采用K-折交叉验证方式，将用于训练的特征样本集Z_{训练集(N×T)}随机分为K组，每组数据的样本数大致相等。按照顺序依次选择K-1组作为交叉验证的训练集，剩下的一组作为交叉验证的验证集。该过程形成K个不同的数组组成方案，这样可以确保每个原始训练集样本都能被验证一次，从而提高算法的可靠性，减小参数的误差。

(4)在训练过程中，以K-折交叉验证的平均识别率作为粒子群算法的适应度函数，公式如下：

式中：K是交叉验证折数，n₁、n₂分别是K折交叉验证的训练集和验证集的样本个数，acc₁、acc₂分别是K折交叉验证的训练集和验证集识别正确率；n_total是训练集和验证集的样本个数之和。设粒子群迭代次数k＝1。

(5)粒子群的个体极值和种群的群体极值分别表示为P_i＝(P_i1,P_i2,···,P_iD)^T、P_g＝(P_g1,P_g2,···,P_gD)^T。找出第i个粒子的个体极值p_id和群体中所有粒子的群体极值p_gd，如下：

将当前第i个粒子的适应度值与之前该粒子的最大适应度值进行比较，取二者最大适应度值对应的粒子位置作为当前的个体极值p_id。

将当前所有粒子的最大适应度值与之前整个粒子种群的最优位置的适应度值进行比较，取最大适应度值对应的粒子位置作为当前的群体极值p_gd。

(6)在迭代寻优过程中，粒子通过下式更新自身个体的位置矢量与速度矢量：

式中：

表示第i个粒子在第k次迭代的速度和位置。w是惯性权重，c₁，c₂是加速度因子，r₁，r₂是[0,1]之间的随机数，k是当前迭代次数。

(7)判断寻优次数k(即粒子群迭代次数)或适应度值(准确率)是否满足要求。若符合要求，则输出最优粒子的位置，即为最优核参数；若不符合要求，则令k＝k+1，重复步骤(5)—(6)，直到符合要求为止。适应度值(准确率)可设置为90％，粒子群迭代次数可设置为k＝50。

(8)利用(7)中输出的核参数，将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的故障类型训练集的标签B_{训练集(L×N)}作为mRVM的输入量，训练mRVM模型，得到故障诊断模型。对测试集进行分类，验证诊断模型的可行性和有效性。

(9)将本发明方法与支持向量机、BP神经网络分别用于变压器故障诊断，三种方法的平均正确率和平均测试时间如下表所示。本发明方法的平均正确率为90.56％，较其他两种方法分别提高了5％、8.56％，从而验证本发明故障诊断模型的可行性和有效性。

步骤五：将步骤四中的故障诊断模型应用于实际。

(1)通过电网公司的监测系统获取变压器的运行数据。

(2)对获取的变压器运行数据进行运行状态评估(运行状态评估的详细过程可参考专利：一种基于改进证据理论融合的变压器运行状态评估方法，申请号:202010308032.3)。若运行状态评估结果为正常、注意、异常，则不需要对变压器进行故障诊断，此时应加大对变压器的监视力度。若运行状态评估结果为严重，则需要进入故障诊断环节。

传统故障诊断方法将变压器直接划分为正常和故障类型，如图4所示。这种分类方法的标准过于粗犷，忽略了变压器的一般缺陷(亚健康状态)，具有较大的模糊性和不确定性。例如：若某台变压器的故障率5％，在线监测的100组数据中，假如存在95组正常数据，5组故障数据，当一种算法或分类器不考虑输入数据特点，并将所有数据诊断为正常时，即可得到95％的诊断正确率。显然，这种诊断方式不符合变压器实时在线故障诊断的实际要求，正常与故障数据的不平衡可能会导致严重的误诊断、漏诊断现象发生。另外，当变压器为一般缺陷(亚健康状态既不属于正常也不属于故障)时，得到的诊断结果错误，与实际不符合。因此，首先通过运行状态评估将正常、亚健康(注意、异常)的变压器数据剔除，仅保留运行状态为严重的变压器数据进行故障诊断，减小误诊断风险。

(3)针对运行状态结果为严重的变压器，按照步骤二方法构建26维故障特征，并按照步骤三进行降维处理。将降维后的7维数据输入至步骤四得到的故障诊断模型，进而输出该台变压器的故障类型。

下面通过一组变压器的实际运行数据对本发明方法进一步说明。

以某一台220kV油浸式电力变压器(SFSZ11-240000/220)实际运行数据为例，经运行状态评估得到：该台变压器处于严重等级。因此有必要进一步地对该台变压器进行故障诊断。该变压器的油色谱数据如下表所示：

通过步骤二、步骤三构建故障特征信息，作为步骤四得到的故障诊断模型的输入。故障诊断模型输出的分类概率为：[0.87,0.02,0,0.02,0.09]，诊断结果为第一类故障的概率最大，为0.87。因此输出中低温过热故障，与实际情况相符。

Claims (1)

1.一种计及运行状态等级的变压器故障诊断方法，其特征在于，包括

步骤一：收集多组变压器故障类型数据，对每种故障类型进行标签化处理，构建故障类型训练集的标签B_{训练集(L×N)}，其中，L是故障类型数，N是训练集组数；所述变压器故障类型为中低温过热T12、高温过热T3、低能放电D1、高能故障D2和局部放电PD；

步骤二：收集对应每一组故障类型数据的变压器油色谱数据构建故障特征训练集S_{训练集(N×P)}，其中，N是训练集组数，P是故障特征维数，每一组故障特征向量S＝[s₁,s₂,s₃,···,s₂₆]，s₁,s₂,s₃,···,s₂₆为7种气体含量和19种气体含量比值；其中，7种气体含量为氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂的含量，CH₄、C₂H₂、C₂H₄、C₂H₆的含量之和即总烃TH，以及CH₄、C₂H₄、C₂H₂的含量之和D；19种气体含量比值为C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆、C₂H₂/H₂、C₂H₄/C₂H₆、C₂H₂/CH₄、C₂H₄/CH₄、C₂H₄/H₂、C₂H₆/CH₄、C₂H₆/H₂、H₂/(H₂+TH)、CH₄/TH、C₂H₆/TH、C₂H₄/TH、C₂H₂/TH、(CH₄+C₂H₄)/TH、CH₄/D、C₂H₂/D和C₂H₄/D；

对S_{训练集(N×P)}进行反正切变换，得到X_{训练集(N×P)}；

对X_{训练集(N×P)}进行标准化处理，得到X^* _{训练集(N×P)}；

步骤三：通过主元分析对X^* _{训练集(N×P)}进行降维融合，得到Z_{训练集(N×T)}，其中，T为降维后的故障特征维数；

步骤四：构建基于粒子群算法与K-折交叉验证的自适应相关向量机故障诊断模型，包括

4.1将多分类相关向量机mRVM作为基础的分类器，mRVM的核函数选择径向基RBF核函数；

4.2粒子群算法随机初始化一组随机粒子种群{X_i|i＝1,2,···R}，R表示粒子总个数，令R＝10；随机产生第i个粒子在D维搜索空间下的位置和速度分别表示为X_i＝(X_i1,X_i2,···,X_iD)^T和V_i＝(V_i1,V_i2,···,V_iD)^T；每个粒子的位置对应一个RBF核参数；

设置粒子群的搜索维数D＝1；

4.3将粒子群算法初始化的粒子位置V_i作为mRVM的核参数；将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的故障类型训练集的标签B_{训练集(L×N)}作为mRVM的输入量，进行交叉验证训练；采用K-折交叉验证方式，将用于训练的特征样本集Z_{训练集(N×T)}随机分为K组，每组数据的样本数接近；按照顺序依次选择K-1组作为交叉验证的训练集，剩下的一组作为交叉验证的验证集；

4.4在训练过程中，以K-折交叉验证的平均识别率作为粒子群算法的适应度函数，公式如下：

式中：K是交叉验证折数，n₁、n₂分别是K-折交叉验证的训练集和验证集的样本个数，acc₁、acc₂分别是K-折交叉验证的训练集和验证集识别正确率，n_total是训练集和验证集的样本个数之和；设粒子群迭代次数k＝1；

4.5粒子群的个体极值和种群的群体极值分别表示为P_i＝(P_i1,P_i2,···,P_iD)^T、P_g＝(P_g1,P_g2,···,P_gD)^T；找出第i个粒子的个体极值P_id和群体中所有粒子的群体极值P_gd，具体为：将当前第i个粒子的适应度值与之前该粒子的最大适应度值进行比较，取二者最大适应度值对应的粒子位置作为当前的个体极值P_id；将当前所有粒子的最大适应度值与之前整个粒子种群的最优位置的适应度值进行比较，取最大适应度值对应的粒子位置作为当前的群体极值P_gd；

4.6在迭代寻优过程中，粒子通过下式更新自身个体的位置矢量与速度矢量：

式中：

表示第i个粒子在第k次迭代的速度和位置；w是惯性权重，c₁、c₂是加速度因子，r₁、r₂是[0,1]之间的随机数，k是当前迭代次数；

4.7判断粒子群迭代次数k或适应度值是否满足要求；若是，则输出最优粒子的位置，即为最优核参数；若否，则令k＝k+1，返回4.5，直到满足要求为止；

4.8将最优粒子的位置作为RBF的核参数，将训练集降维后的故障特征信息Z_{训练集(N×T)}及对应的故障类型训练集的标签B_{训练集(L×N)}作为mRVM的输入量，得到故障诊断模型；

步骤五：当变压器的运行状态等级评估为严重故障时，使用故障诊断模型进行诊断，具体为：收集变压器油色谱数据的7种气体含量和19种气体含量比值，按照步骤二的方法构建26维故障特征测试集，并进行反正切和标准化处理；再按照步骤三的方法进行降维处理；将降维后故障特征测试集输入故障诊断模型，得到分类概率矩阵，以概率矩阵中最大值对应的故障类别作为变压器故障诊断结果。

Images