CN111832145B - 一种油浸式电力变压器的故障诊断方法及系统 - Google Patents
一种油浸式电力变压器的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111832145B CN111832145B CN201910302227.4A CN201910302227A CN111832145B CN 111832145 B CN111832145 B CN 111832145B CN 201910302227 A CN201910302227 A CN 201910302227A CN 111832145 B CN111832145 B CN 111832145B
- Authority
- CN
- China
- Prior art keywords
- fault
- weight
- ith
- fault type
- calculating
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开一种油浸式电力变压器的故障诊断方法及系统,涉及变压器故障诊断技术领域,主要包括利用概率统计方法将故障特征的主观权重作为先验信息,并利用特定故障特征下,各种故障类型发生概率的似然值对故障特征的主观权重进行修正;同时,为了克服诊断分类不清或不合理的问题,利用故障属性识别矩阵结合修正后的故障特征的主观权重,计算故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型。应用本发明,可有效实现电力变压器的故障监管,提高电力系统运行的可靠性和效率。
Description
技术领域
本发明涉及变压器故障诊断技术领域,特别是涉及一种油浸式电力变压器的故障诊断方法及系统。
背景技术
变压器的运行状态决定了整个电力系统能否正常运行,所以要尽量避免和减少变压器故障的发生。在电力系统中油浸式变压器居多,所以变压器油中溶解气体分析技术(Dissolved Gas Analysis,DGA)在变压器的故障诊断中最为常用。变压器发生不同的故障时,油中溶解气体浓度就会发生相应变化,通过分析气体成分(主要是碳氧化物和烷烃类气体),就可以利用相关指标进行故障分类和诊断。因此,需要提出行之有效的评估方法,利用检测结果,诊断变压器可能发生故障的种类,从而使得变压器能够更加可靠的服务于电力系统。
国内外学者提出了多种指标评估算法(如特征气体法、三比值法、神经网络法等),这些算法主要根据油中气体组分含量或比值对变压器的故障进行诊断。这些评估方法的主要问题是确定的权重主观性较强,无法根据客观故障特征值的大小调整变化,无法客观诊断故障;此外某些方法诊断体系单一,无法有效区分复合故障,且只能做到定性评估,无法实现定量评估;某些神经网络法,在训练过程中容易陷入局部最优,故障样本的数量对故障诊断精度也有较大影响,且对于多类型故障和部分信息缺失时的识别准确率有待提高。
因此,需要一种客观准确的油浸式电力变压器的故障诊断方法,可以有效实现电力变压器的故障监管,帮助提高电力系统运行的可靠性和效率。
发明内容
本发明的目的是提供一种油浸式电力变压器的故障诊断方法及系统,有效实现电力变压器的故障监管,提高电力系统运行的可靠性和效率。
为实现上述目的,本发明提供了如下方案:
一种油浸式电力变压器的故障诊断方法,包括:
获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度;
根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值;
确定每个所述故障特征的主观权重;
根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正;
构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量;
根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重;
根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个所述故障类型发生时,第i个所述故障特征的取值范围;
根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度;
根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型。
可选的,所述根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值,具体包括:
式中,si,g表示在第i个故障特征下第g个故障类型的似然值,N(G=g,I=i)表示样本数据库中第g个故障类型对应的第i个故障特征的样本数;N(I=i)表示样本数据库中第i个故障特征的样本数。
可选的,所述根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正,具体包括:
可选的,所述根据所有所述第一权重向量,计算第二权重向量,具体包括:
构建最小二乘优化目标函数;所述最小二乘优化目标函数为
根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。
可选的,所述根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度,具体包括:
将第i个故障特征的测量值xi分别与所述故障属性识别矩阵的第i列元素ai,g进行比较,并当所述测量值xi在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为1,当所述测量值xi不在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为0,重复上述操作,计算出在每个所述故障特征下每个所述故障类型的隶属度。
可选的,所述根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,具体包括:
一种油浸式电力变压器的故障诊断系统,包括:
获取模块,用于获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度;
似然值计算模块,用于根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值;
主观权重确定模块,用于确定每个所述故障特征的主观权重;
修正模块,用于根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正;
第一权重向量集合构建模块,用于构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量;
第二权重向量计算模块,用于根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重;
故障属性识别矩阵构建模块,用于根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个所述故障类型发生时,第i个所述故障特征的取值范围;
隶属度计算模块,用于根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度;
故障类型确定模块,用于根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型。
可选的,所述似然值计算模块,具体包括:
式中,si,g表示在第i个故障特征下第g个故障类型的似然值,N(G=g,I=i)表示样本数据库中第g个故障类型对应的第i个故障特征的样本数;N(I=i)表示样本数据库中第i个故障特征的样本数。
可选的,所述修正模块,具体包括:
可选的,所述第二权重向量计算模块,具体包括:
最小二乘优化目标函数构建单元,用于构建最小二乘优化目标函数;所述最小二乘优化目标函数为式中,Ω表示第二权重向量,ωi表示第i个所述故障特征的诊断权重,表示在第g个故障类型下第i个故障特征修正后的主观权重,si,g表示在第i个故障特征下第g个故障类型的似然值;
第二权重向量计算单元,用于根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用基于概率框架的贝叶斯法修正故障特征主观权重,并以带约束的优化算法得到各故障特征的总体权重优化值,实现故障特征的优化赋权,使故障权重既兼顾人为因素又具有客观性。
本发明借助于故障属性识别矩阵,对被监测变压器的各项故障特征指标进行分类评估,从而克服传统模糊决策中出现分类不清,结果不合理等问题;同时,结合权重优化值,计算得到变压器的故障发生原因的属性测度值,从而完成对油浸式电力变压器的故障诊断。
本发明的故障特征指标权重可以根据实际情况进行调整,避免了权重的主观臆断,增加了权重的客观性。
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为本发明实施例油浸式电力变压器的故障诊断方法的流程示意图;
图2为本发明实施例油浸式电力变压器的故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高油浸式电力变压器故障诊断的准确性与客观性,本发明的目的是提供一种油浸式电力变压器的故障诊断方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供的油浸式电力变压器的故障诊断方法包括以下步骤。
步骤101:获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度。
步骤102:根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值。
步骤103:确定每个所述故障特征的主观权重。
步骤104:根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正。
步骤105:构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量。
步骤106:根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重。
步骤107:根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个故障类型发生时,第i个所述故障特征的取值范围;在此引入故障属性识别矩阵,即可以定性又可以定量评估。
步骤108:根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度。
步骤109:根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型。
式中,si,g表示在第i个故障特征下第g个故障类型的似然值,N(G=g,I=i)表示样本数据库中第g个故障类型对应的第i个故障特征的样本数;N(I=i)表示样本数据库中第i个故障特征的样本数。
步骤106具体包括:
构建最小二乘优化目标函数;所述最小二乘优化目标函数为
根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。该第二权重向量中的各个分量是最小二乘优化目标函数最小时得到的。
步骤108具体包括:
将第i个故障特征的测量值xi分别与所述故障属性识别矩阵的第i列元素ai,g进行比较,并当所述测量值xi在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为1,当所述测量值xi不在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为0,重复上述操作,计算出在每个所述故障特征下每个所述故障类型的隶属度。
实施例2
如图2所示,本实施例提供的一种油浸式电力变压器的故障诊断系统包括:
获取模块100,用于获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度。
似然值计算模块200,用于根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值。
主观权重确定模块300,用于确定每个所述故障特征的主观权重。
修正模块400,用于根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正。
第一权重向量集合构建模块500,用于构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量。
第二权重向量计算模块600,用于根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重。
故障属性识别矩阵构建模块700,用于根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个所述故障类型发生时,第i个所述故障特征的取值范围。
隶属度计算模块800,用于根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度。
故障类型确定模块900,用于根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型。
其中,所述似然值计算模块200,具体包括:
式中,si,g表示在第i个故障特征下第g个故障类型的似然值,N(G=g,I=i)表示样本数据库中第g个故障类型对应的第i个故障特征的样本数;N(I=i)表示样本数据库中第i个故障特征的样本数。
所述修正模块400,具体包括:
所述第二权重向量计算模块600,具体包括:
最小二乘优化目标函数构建单元,用于构建最小二乘优化目标函数;所述最小二乘优化目标函数为式中,Ω表示第二权重向量,ωi表示第i个所述故障特征的诊断权重,表示在第g个故障类型下第i个故障特征修正后的主观权重,si,g表示在第i个故障特征下第g个故障类型的似然值。
第二权重向量计算单元,用于根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。
实施例3
为了提高油浸式电力变压器故障诊断的准确性与客观性,本发明提出了一种油浸式电力变压器的故障诊断方法,即故障特征权重可调的故障诊断方法,可以对油浸式电力变压器进行定性与定量的故障诊断。
为了增加故障特征指标权重的客观性,利用概率统计的方法将主观的故障特征权重作为先验信息,并利用特定故障特征下,各种故障类型发生概率的似然对故障特征指标权重进行修正;同时,为了克服诊断分类不清或不合理的问题,利用属性识别模型结合调整后的故障特征权重,计算故障类型的综合评价测度。
为了实现上述目的,本实施例提供如下技术方案:一种油浸式电力变压器的故障诊断方法。包括以下步骤:
S1、故障类型似然函数的计算。根据分析,变压器的故障可以从变压器样本油中气体浓度及其组成比例来诊断变压器存在的故障种类,这里将某种故障发生时所伴随和产生的气体种类或气体间的比例关系作为故障发生时的故障特征。假设诊断参考的故障特征的数量为N,且各故障特征之间是相互独立的,并假设有G种故障类型。当在给定样本集D中所有故障类型都齐全时,通过统计每种故障特征和故障类型出现的频率,就可以得到在给定的各故障特征I下,故障类型G的条件概率p(G|I),即故障类型的似然值si,g。其似然值的计算公式为:
其中,N(G=g,I=i)表示给定样本集D中,第g个故障类型对应的第i个故障特征的样本数。N(I=i)为具有第i个故障特征的样本个数。当N(G=g,I=i)为0时:
其中,N(D)为给定样本集D的总数。
S2、故障特征主观权重的调整。为了增加故障特征的主观权重的客观性,将第g个故障类型对应的第i个故障特征调整后的主观权重理解为其发生的概率p(i|g),将主观权重作为先验概率p(i),将第i个故障特征出现时发生第g个故障类型的概率p(g|i)=si,g作为似然,根据贝叶斯公式可以得到故障特征的后验概率值即调整后的主观权重。
其中,i=1,2,…,N,g=1,2,…,G。则在每个故障类型下,各故障特征调整后的主观权重可以构建一个第一权重向量集合,包括G个第一权重向量;其中,在第g个故障类型下,各故障特征调整后的主观权重构成的第一权重向量为:
设第二权重向量,即整体权重向量为为了使第二权重向量Ω能够综合反映在各故障类型下的权重需要根据各故障类型下的权重与第二权重向量Ω计算得到的故障类型属性测度值尽可能一致,为此,通过构建最小二乘优化目标函数得到第二权重向量。其最小二乘优化目标函数为:
S3、故障属性识别模型的建立。假设有M个待评估变压器,则诊断参考N项故障特征需采集M组数据为X={xk,i}M×N,则第k个变压器测量数据中的第i个故障特征的测量值可以表示为xk,i。根据每个故障特征的故障分类标准,得到故障分类特征值范围的一个空间划分,则该故障属性识别模型的矩阵形式为:
其中ai,g表示在第g个故障类型发生时,第i个所述故障特征的取值范围。
S4、故障属性测度的计算。假设故障类型的取值为如果第k个变压器故障特征指标采集数据的第i个故障特征的测量值xk,i具有第g个故障类型的属性测度值则当xk,i属于特征值范围ai,g内时,取1,否则取0,进而计算出第k个变压器故障特征数据属于第g个故障类型的属性测度值;其属性测度值的计算公式为:
并将属性测度最大值对应的故障类型确定为该变压器的故障类型,即通过上述属性测度就可以根据某变压器测量得到的故障特征判断故障发生的种类,以及影响程度。
目前多数诊断模型主观性大,评估标准由人员凭经验给出,存在明显不足。本实施例利用基于概率框架的贝叶斯法修正方法评判故障特征的主观权重,并以带约束的优化算法得到各故障特征的总体权重优化值,诊断权重,实现各故障特征的优化赋权,使诊断依据的故障特征权重既兼顾人为因素又具有客观性。
现有技术通常只给出造成故障的主要原因,但是某些情况下,故障是由多种因素造成。通过本发明不仅可以诊断造成故障的所有类型,同时还能计算出各个故障类型对于变压器的影响程度。
实施例4
为了对本发明的技术特征、目的和效果有更加清楚地理解,下面结合本发明实施例中的附表1和表2,对本发明实施例中的技术方案进行清楚、完整地描述。
表1某油浸式电力变压器故障特征测量值
表2油浸式电力变压器故障分类标准数据表
本实施例选择检测6种(N=6)变压器油中溶解气体,它们分别是氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、二氧化碳(CO2),并从中选择3种气体的组分含量(H2、C2H2、CO2)和三种气体的体积分数比(CH4/H2、C2H2/C2H4、C2H4/C2H6)作为故障特征,并将变压器的故障类型分为正常、低能放电、中温放电、电弧放电、高温放电,共5种故障种类(G=5)。
针对上述油浸式电力变压器的故障诊断的具体实施步骤如下:
S1、故障类型似然函数的计算。假设诊断参考故障特征数量为N,且各故障特征变量之间是相互独立的,并假设有G个故障类型。当给定样本集D中所有故障类别都齐全时,通过统计每种故障特征和故障类型出现频率,就可以得到给定各故障特征变量I下,故障类型变量G的条件概率p(G|I),即故障类型的似然值si,g:
其中,N(G=g,I=i)表示给定样本集D中,故障类型为g,故障特征为i的样本数。N(I=i)为具有第i个故障特征的样本个数。当N(G=g,I=i)为0时:
其中,N(D)为给定样本集D的总数。
根据收集来自实际运行的电力变压器的200个DGA在线监测数据,这200组数据涵盖了所述的5种故障类型。根据公式(1)或(2)计算得到似然值si,g如下:
根据经验或咨询专家得到每种故障特征的主观权重,如下:
S2、故障特征主观权重的调整。为了增加故障特征的主观权重的客观性,将第g个故障类型对应的第i个故障特征调整后的主观权重理解为其发生的概率p(i|g),将主观权重作为先验概率p(i),将第i个故障特征出现时发生第g个故障类型的概率p(g|i)=si,g作为似然,根据贝叶斯公式可以得到故障特征的后验概率值即调整后的主观权重。
设第二权重向量,即整体权重向量为为了使第二权重向量Ω能够综合反映在各故障类型下的权重需要根据各故障类型下的权重与第二权重向量Ω计算得到的故障类型属性测度值尽可能一致,为此,通过构建最小二乘优化目标函数得到第二权重向量。其最小二乘优化目标函数为:
S3、故障属性识别模型的建立。由于实施例中将变压器故障分为5种类型(G=5),则根据每个故障特征指标的故障分类标准,得到故障分类特征值范围的一个空间划分:
S4、故障属性测度的计算。假设故障类型的取值为如果第k个变压器故障特征指标采集数据的第i个故障特征的测量值xk,i具有第g个故障类型的属性测度值则当xk,i属于特征值范围ai,g内时,取1,否则取0,进而计算出第k个变压器故障特征数据属于第g个故障类型的属性测度值,其属性测度值的计算公式为:
M(q1)=0.231×0+0.126×0+0.076×1+0.361×0+0.155×1+0.051×0=0.231;
M(q2)=0.231×1+0.126×1+0.076×1+0.361×1+0.155×1+0.051×0=0.949;
M(q3)=0.231×0+0.126×0+0.076×0+0.361×0+0.155×0+0.051×1=0.051;
M(q4)=0.231×0+0.126×0+0.076×1+0.361×0+0.155×0+0.051×0=0.076;
M(q5)=0.231×0+0.126×0+0.076×0+0.361×0+0.155×0+0.051×0=0;
M(qg)=(0.231,0.949,0.051,0.076,0.000)。
最后根据表2中的故障类型,该变压器主要故障类型为低能放电。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种油浸式电力变压器的故障诊断方法,其特征在于,所述故障诊断方法包括:
获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度;
根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值;
确定每个所述故障特征的主观权重;
根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正;
构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量;
根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重;
根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个所述故障类型发生时,第i个所述故障特征的取值范围;
根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度;
根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型;
所述根据所有所述第一权重向量,计算第二权重向量,具体包括:
构建最小二乘优化目标函数;所述最小二乘优化目标函数为
根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。
4.根据权利要求1所述的故障诊断方法,其特征在于,所述根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度,具体包括:
将第i个故障特征的测量值xi分别与所述故障属性识别矩阵的第i列元素ai,g进行比较,并当所述测量值xi在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为1,当所述测量值xi不在元素ai,g的范围内时,在第i个故障特征下第g个故障类型的隶属度为0,重复上述操作,计算出在每个所述故障特征下每个所述故障类型的隶属度。
6.一种油浸式电力变压器的故障诊断系统,其特征在于,所述故障诊断系统包括:
获取模块,用于获取故障类型、油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度,并存储到数据库内;所述数据库包括G种故障类型和I个故障特征;所述故障特征包括所述油中溶解气体成分以及每种所述油中溶解气体成分对应的浓度;
似然值计算模块,用于根据已构建的样本数据库中的数据,计算在每个故障特征下每种故障类型的似然值;
主观权重确定模块,用于确定每个所述故障特征的主观权重;
修正模块,用于根据所述似然值,利用贝叶斯公式,对所有所述主观权重进行修正;
第一权重向量集合构建模块,用于构建第一权重向量集合;所述第一权重向量集合包括G个第一权重向量;第g个所述第一权重向量为第g个所述故障类型对应的所有修改后的主观权重所构成的权重向量;
第二权重向量计算模块,用于根据所有所述第一权重向量,计算第二权重向量;所述第二权重向量中的元素ωi表示第i个所述故障特征的诊断权重;
故障属性识别矩阵构建模块,用于根据所有所述故障类型和所有所述故障特征,构建故障属性识别矩阵;所述故障属性识别矩阵为G行I列的矩阵;所述故障属性识别矩阵中的元素ai,g表示在第g个所述故障类型发生时,第i个所述故障特征的取值范围;
隶属度计算模块,用于根据所述故障特征和所述故障属性识别矩阵,计算在每个所述故障特征下每个所述故障类型的隶属度;
故障类型确定模块,用于根据所述诊断权重和所述隶属度,计算每个所述故障类型的属性测度值,并将属性测度最大值对应的故障类型确定为油浸式电力变压器的故障类型;
所述第二权重向量计算模块,具体包括:
最小二乘优化目标函数构建单元,用于构建最小二乘优化目标函数;所述最小二乘优化目标函数为式中,Ω表示第二权重向量,ωi表示第i个所述故障特征的诊断权重,表示在第g个故障类型下第i个故障特征修正后的主观权重,si,g表示在第i个故障特征下第g个故障类型的似然值;
第二权重向量计算单元,用于根据所述最小二乘优化目标函数和所有所述第一权重向量,采用拉格朗日乘数法,计算第二权重向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302227.4A CN111832145B (zh) | 2019-04-16 | 2019-04-16 | 一种油浸式电力变压器的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302227.4A CN111832145B (zh) | 2019-04-16 | 2019-04-16 | 一种油浸式电力变压器的故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832145A CN111832145A (zh) | 2020-10-27 |
CN111832145B true CN111832145B (zh) | 2022-07-01 |
Family
ID=72915667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910302227.4A Active CN111832145B (zh) | 2019-04-16 | 2019-04-16 | 一种油浸式电力变压器的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832145B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102889987A (zh) * | 2012-07-20 | 2013-01-23 | 华南理工大学 | 一种齿轮故障诊断平台及齿轮故障诊断方法 |
CN102879677A (zh) * | 2012-09-24 | 2013-01-16 | 西北工业大学 | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 |
CN108615111B (zh) * | 2018-04-26 | 2021-08-06 | 浙江大学 | 面向百万千瓦超超临界机组动静态信息的故障诊断方法 |
-
2019
- 2019-04-16 CN CN201910302227.4A patent/CN111832145B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111832145A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
CN107958267B (zh) | 一种基于光谱线性表示的油品性质预测方法 | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN112966990B (zh) | 一种变电设备综合状态评价方法 | |
CN108345284A (zh) | 一种基于两变量块的质量相关故障检测方法 | |
CN107220500B (zh) | 基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法 | |
CN105911407A (zh) | 基于物元增广可拓关联的变压器状态模糊集对评估方法 | |
CN113592359A (zh) | 电力变压器的健康度评价方法和装置 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN107918381A (zh) | 一种基于组合核函数的类均值核主元故障诊断方法 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN110209145A (zh) | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN111832145B (zh) | 一种油浸式电力变压器的故障诊断方法及系统 | |
CN117216703A (zh) | 一种输水管网运行数据异常检测及校正方法 | |
CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN114354666B (zh) | 基于波长频次选择的土壤重金属光谱特征提取、优化方法 | |
CN115828114A (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
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 |