CN112067051A - 一种基于决策树分类器的变压器故障诊断方法 - Google Patents
一种基于决策树分类器的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN112067051A CN112067051A CN202010912958.3A CN202010912958A CN112067051A CN 112067051 A CN112067051 A CN 112067051A CN 202010912958 A CN202010912958 A CN 202010912958A CN 112067051 A CN112067051 A CN 112067051A
- Authority
- CN
- China
- Prior art keywords
- vector
- new
- concentration
- transformer
- fault state
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开一种基于决策树分类器的变压器故障诊断方法,旨在对油侵式变压器油中的溶解气体浓度数据进行特征扩展和变换,并基于这些变换后的特征建立决策树分类器模型,从而实施变压器的故障诊断。本发明方法的优势在于:首先,本发明方法使用判别型最小二乘算法优选出适合于分类的特征,这能从改善分类性能的角度优选出最合适的特征。其次,本发明方法利用优选后的特征训练得到决策树分类器模型,除利用决策树易于理解的特点外,还能保证决策树的分类效果。可以说,本发明方法是一种切实可行的变压器故障诊断技术。
Description
技术领域
本发明涉及一种变压器故障诊断方法,特别涉及一种基于决策树分类器的变压器故障诊断方法。
背景技术
变压器是电力输送系统中必不可少的电力设备,其做为供配电系统运行的关键环节,变压器的工作状态会直接影响到整个电力系统的运行。而且,变压器运行在故障状态下都会导致直接或间接的电力系统经济损失。因此,针对变压器的故障诊断问题的研究是具有重要实践意义的。在我国,供配电系统中所使用的变压器一般都是油浸式变压器,实施变压器故障诊断的常用思路是对变压器油中溶解的气体(氢气、甲烷、乙烷、乙烯、和乙炔)浓度数据进行分析。我国目前常规使用的是改良三比值法,该方法存在编码缺损和临界值判据缺损两方面的不足。近年来兴起的变压器故障诊断方法,尤其是油侵式变压器故障诊断,皆是利用溶解气体分析数据进行故障分类,从而实现对变压器故障的诊断。
数据驱动的变压器故障诊断是直接依赖于变压器油中的溶解气体浓度数据,溶解气体浓度数据能够反映出不同的故障类型。从模式分类的角度讲,变压器故障诊断其实是一个多分类问题。而解决多分类问题的可用解决方案有很多,比如:基于神经网络的变压器故障诊断和基于判别分析的变压器故障诊断。此外,分类模型的分类准确率会直接受到分类模型输入特征的影响。通俗的来说,分类模型若是引入一些不重要的变量或特征,其模型的分类正确率会受到负面影响。因此,特征选择以及分类建模是数据驱动的变压器故障诊断技术中需要考虑的两个主要问题。
首先,从用于分类的特征来讲,单独使用溶解气体的浓度数据是很难保证较高的分类精度的。这就要求对溶解气体浓度数据进行特征扩展,从比值和统计特性的角度出发扩展出多个特征用于分类。在已有的专利文件和科研文献中,使用除三比值之外的比值特征是较常见的思路。此外,频率特征分析也以应用于变压器故障诊断。然而,使用频率特征分析需要较多的数据样本,这在实际应用中不大可行。其次,从分类的角度来讲,并非所有的特征信号都是有利于变压器故障类型诊断的,需要从特征优选的角度对扩展的特征做进一步优化处理。最后,就是分类模型使用何种模式分类算法。
神经网络分类模型虽然是使用较为广泛的分类算法,但是模型结构是一类黑箱模型,无法知晓内部机理。相比之下,决策树分类器是一个白箱模型,能够根据决策树的逻辑结构判别出相应的分类推理过程。然而,虽然决策树分类器可解决诸多的分类问题,但是截至目前为止,决策树还未应用于解决变压器故障诊断问题。这主要是因为变压器油中的溶解气体浓度数据还需进行合适的特征扩展和适宜的特征优选,只有前序的分类特征选择做到位了,后续的分类模型精度才可能得到保障。
发明内容
本发明所要解决的主要技术问题是:如何对油侵式变压器油中的溶解气体浓度数据进行特征扩展和变换,并基于这些变换后的特征建立决策树分类器模型,从而实施变压器的故障诊断。
本发明方法解决上述问题所采用的技术方案为:一种基于决策树分类器的变压器故障诊断方法,包括以下所示步骤:
步骤(1):对油侵式变压器运行在6种不同故障状态下的溶解气体浓度数据进行特征扩展,从而得到局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量具体的实施过程包括如下所示步骤(1.1)至步骤(1.5)。
步骤(1.1):变压器油中溶解气体浓度数据具体包括:氢气浓度甲烷浓度乙烷浓度乙烯浓度和乙炔浓度这5个浓度数据,可组建溶解气体浓度向量其中,k表示样本编号,上标号c∈{1,2,3,4,5,6}分别指代局部放电故障状态,火花放电故障状态,电弧放电故障状态,中温过热故障状态,低温过热故障状态,和高温过热故障状态。
上式中,d∈{1,2,…,15},b∈{1,2,3,4,5}。
步骤(1.5):重复上述步骤(1.2)至步骤(1.4)从而分别得到变压器运行在6种不同故障状态下的特征向量。
步骤(2):组建特征矩阵并对特征矩阵X∈RN×25实施标准化处理得到新矩阵再利用判别型最小二乘算法得到特征变换矩阵B∈R25×f;其中,N=N0+N1+…+N6,RN×25表示N×25维的实数矩阵,f表示特征变换矩阵的列向量个数。
步骤(3):根据公式计算得到特征优选矩阵S∈RN×f,并构造类标号向量y=[y1,y2,…,y6]T∈RN×1;其中,向量中所有元素都等于1,向量中所有元素都等于2,向量中所有元素都等于3,向量中所有元素都等于4,向量中所有元素都等于5,向量中所有元素都等于6。
由此可见,步骤(3)中类标号向量y中的元素表示了特征优选矩阵S中各行向量所属的类别。
步骤(4):将S与y分别做为决策树分类器的输入与输出,利用交叉验证法训练得到决策树分类器模型。
步骤(5):新测量得到油侵式变压器中的溶解气体浓度数据,具体包括氢气浓度,甲烷浓度,乙烷浓度,乙烯浓度,和乙炔浓度,并对其进行特征扩展,从而得到特征向量xnew∈R1×25,具体的实施过程与上述步骤(1.1)至步骤(1.4)相同。
步骤(7):以特征优选向量snew做为输入,利用步骤(4)中训练得到的决策树分类器模型,推算出相应的输出估计值ynew,根据ynew即可判断变压器当前的故障状态;具体来讲,若ynew=1,则表示变压器运行在局部放电故障状态;若ynew=2,则表示火花放电故障状态,若ynew=3,则表示电弧放电故障状态;若ynew=4,则表示中温过热故障状态,若ynew=5,则表示低温过热故障状态;若ynew=6,则表示高温过热故障状态。
通过以上所述实施步骤,本发明方法的优势介绍如下。
首先,本发明方法使用判别型最小二乘算法优选出适合于分类的特征,这能从改善分类性能的角度优选出最合适的特征。其次,本发明方法利用优选后的特征训练得到决策树分类器模型,除利用决策树易于理解的特点外,还能保证决策树的分类效果。最后,在具体实施案例中,通过案例实施结果的对比充分的说明了本发明方法的可靠性与可行性。
附图说明
图1为本发明方法的实施流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明公开了一种基于决策树分类器的变压器故障诊断方法,下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。
在本实施案例中,油侵式变压器在局部放电故障状态下有N1=21组数据,火花放电故障状态下有N2=16组数据,电弧放电故障状态下有N3=18组数据,中温过热故障状态下有N4=23组数据,低温过热故障状态下有N5=23组数据,高温过热故障状态下有N6=24组数据。利用这些数据建立变压器的故障诊断模型并实施在线故障诊断,具体包括如下所示步骤。
步骤(1):按照前述步骤(1.1)至步骤(1.5)对油侵式变压器在6种不同故障状态下的溶解气体浓度数据进行特征扩展,从而得到局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量
步骤(2.1):将矩阵y(c)初始化为6×Nc维的零矩阵,再将矩阵y(c)中第c行向量的元素全部设置为1,重复本步骤直至得到6个矩阵y(1),y(2),…,y(6)后,再将其合并从而得到类标号矩阵Y=[y(1),y(2),…,y(6)]T。
步骤(2.3):依据公式wk=X0 Tu/(uTu)计算输入权值向量wf,并用公式wf=wf/||wf||单位化向量wf。
步骤(2.4):先根据公式sf=X0wf/(wf Twf)计算得分向量sf后,再根据公式gf=YTsf/(sf Tsf)计算输出权值向量gf,并根据公式u=Ygf更新向量u。
步骤(2.5):重复步骤(2.3)至步骤(2.4)直至sf收敛,判断收敛的标准为:得分向量sf中各元素不再变化。
步骤(2.6):保留输入权值向量wf与输出权值向量gf,并依据公式pf=X0 Tsf/(sf Tsf)计算投影向量pf。
步骤(2.7):依据公式计算矩阵后,判断中所有元素的平方和是否小于X0中所有元素的平方和;若是,则设置f=f+1与后返回步骤(2.3);若否,则将f个输入权值向量组成矩阵W=[w1,w2,…,wf],将f个投影向量组成矩阵P=[p1,p2,…,pf]。
步骤(2.8):根据公式B=W(PTW)-1计算变换矩阵B∈R25×f。
值得指出的是,变换矩阵B的列向量个数为f,它等于输入权值向量的个数,同时也等于投影向量的个数。
步骤(3):根据公式计算得到特征优选矩阵S∈RN×f,并构造类标号向量y=[y1,y2,…,y6]T∈RN×1;其中,向量中所有元素都等于1,向量中所有元素都等于2,向量中所有元素都等于3,向量中所有元素都等于4,向量中所有元素都等于5,向量中所有元素都等于6。
步骤(4):将S与y分别做为决策树分类器的输入与输出,利用交叉验证法训练得到决策树分类器模型。
步骤(5):新测量得到油侵式变压器中的溶解气体浓度数据,具体包括氢气浓度,甲烷浓度,乙烷浓度,乙烯浓度,和乙炔浓度,并对其进行特征扩展,从而得到特征向量xnew∈R1×25,具体的实施过程与上述步骤(1.1)至步骤(1.4)相同。
步骤(7):以特征优选向量snew做为输入,利用步骤(4)中训练得到的决策树分类器模型,推算出相应的输出估计值ynew,根据ynew即可判断变压器当前的故障状态;具体来讲,若ynew=1,则表示变压器运行在局部放电故障状态;若ynew=2,则表示火花放电故障状态,若ynew=3,则表示电弧放电故障状态;若ynew=4,则表示中温过热故障状态,若ynew=5,则表示低温过热故障状态;若ynew=6,则表示高温过热故障状态。
Claims (1)
1.一种基于决策树分类器的变压器故障诊断方法,其特征在于,包括以下步骤:
步骤(1):对油侵式变压器运行在6种不同故障状态下的溶解气体浓度数据进行特征扩展,从而得到局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量具体的实施过程包括如下所示步骤(1.1)至步骤(1.5);
步骤(1.1):变压器油中溶解气体浓度数据具体包括:氢气浓度甲烷浓度乙烷浓度乙烯浓度和乙炔浓度组建溶解气体浓度向量其中,k表示样本编号,上标号c∈{1,2,3,4,5,6}分别指代局部放电故障状态,火花放电故障状态,电弧放电故障状态,中温过热故障状态,低温过热故障状态,和高温过热故障状态;
上式中,d∈{1,2,…,15},b∈{1,2,3,4,5};
步骤(1.5):重复上述步骤(1.2)至步骤(1.4)从而分别得到变压器运行在6种不同故障状态下的特征向量;
步骤(2):组建特征矩阵并对特征矩阵X∈RN×25实施标准化处理得到新矩阵后,再利用判别型最小二乘算法得到特征变换矩阵B∈R25×f;其中,N=N0+N1+…+N6,RN×25表示N×25维的实数矩阵,f表示特征变换矩阵B的列向量个数;
步骤(3):根据公式计算得到特征优选矩阵S∈RN×f,并构造类标号向量y=[y1,y2,…,y6]T∈RN×1;其中,向量中所有元素都等于1,向量中所有元素都等于2,向量中所有元素都等于3,向量中所有元素都等于4,向量中所有元素都等于5,向量中所有元素都等于6;
步骤(4):将S与y分别做为决策树分类器的输入与输出,利用交叉验证法训练得到决策树分类器模型;
步骤(5):新测量得到油侵式变压器中的溶解气体浓度数据,具体包括氢气浓度,甲烷浓度,乙烷浓度,乙烯浓度,和乙炔浓度,并对其进行特征扩展,从而得到特征向量xnew∈R1 ×25,具体的实施过程与上述步骤(1.1)至步骤(1.4)相同;
步骤(7):以特征优选向量snew做为输入,利用步骤(4)中训练得到的决策树分类器模型,推算出相应的输出估计值ynew,根据ynew即可判断变压器当前的故障状态;具体来讲,若ynew=1,则表示变压器运行在局部放电故障状态;若ynew=2,则表示火花放电故障状态,若ynew=3,则表示电弧放电故障状态;若ynew=4,则表示中温过热故障状态,若ynew=5,则表示低温过热故障状态;若ynew=6,则表示高温过热故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912958.3A CN112067051A (zh) | 2020-08-24 | 2020-08-24 | 一种基于决策树分类器的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010912958.3A CN112067051A (zh) | 2020-08-24 | 2020-08-24 | 一种基于决策树分类器的变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112067051A true CN112067051A (zh) | 2020-12-11 |
Family
ID=73665781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010912958.3A Withdrawn CN112067051A (zh) | 2020-08-24 | 2020-08-24 | 一种基于决策树分类器的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067051A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012029154A1 (ja) * | 2010-09-02 | 2012-03-08 | 株式会社かんでんエンジニアリング | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
CN107168063A (zh) * | 2017-05-26 | 2017-09-15 | 宁波大学 | 基于集成变量选择型偏最小二乘回归的软测量方法 |
CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
JP2018037563A (ja) * | 2016-09-01 | 2018-03-08 | 愛知電機株式会社 | 油入変圧器の内部異常診断方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN110068741A (zh) * | 2019-05-29 | 2019-07-30 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于分类决策树的变压器故障诊断的方法 |
KR20200039368A (ko) * | 2018-10-05 | 2020-04-16 | 한국전력공사 | 변압기의 이상 탐지 방법 |
CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
-
2020
- 2020-08-24 CN CN202010912958.3A patent/CN112067051A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012029154A1 (ja) * | 2010-09-02 | 2012-03-08 | 株式会社かんでんエンジニアリング | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 |
CN102930299A (zh) * | 2012-11-20 | 2013-02-13 | 山东电力集团公司莱芜供电公司 | 基于优化方法的多特征选择多层次变压器故障诊断方法 |
CN106093612A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
JP2018037563A (ja) * | 2016-09-01 | 2018-03-08 | 愛知電機株式会社 | 油入変圧器の内部異常診断方法 |
CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
CN107168063A (zh) * | 2017-05-26 | 2017-09-15 | 宁波大学 | 基于集成变量选择型偏最小二乘回归的软测量方法 |
CN108663582A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器的故障诊断方法及系统 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
KR20200039368A (ko) * | 2018-10-05 | 2020-04-16 | 한국전력공사 | 변압기의 이상 탐지 방법 |
CN110068741A (zh) * | 2019-05-29 | 2019-07-30 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于分类决策树的变压器故障诊断的方法 |
CN111476318A (zh) * | 2020-04-30 | 2020-07-31 | 常州大学 | 一种基于模糊决策的变压器故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
李郅琴等: "特征选择方法综述", 《计算机工程与应用》 * |
王涛等: "基于分类决策树算法的电力变压器故障诊断研究", 《电气技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242223B (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
Yan et al. | Transformer fault diagnosis based on BP‐Adaboost and PNN series connection | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
US20230393219A1 (en) | Method for diagnosing transformer fault based on deep coupled dense convolutional neural network | |
CN113343564A (zh) | 一种基于多元经验模态分解的变压器顶层油温预测方法 | |
CN111414943B (zh) | 一种基于混合隐朴素贝叶斯模型的异常检测方法 | |
CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
CN115935807A (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
Morando et al. | Reservoir Computing optimisation for PEM fuel cell fault diagnostic | |
CN112085084A (zh) | 一种基于多特征融合共同向量的变压器故障诊断方法 | |
CN112085083B (zh) | 一种基于相近度分析策略的变压器故障诊断方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
CN112067051A (zh) | 一种基于决策树分类器的变压器故障诊断方法 | |
CN114595788B (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN116522138A (zh) | 一种基于弱监督集成的多元时间序列异常检测方法及系统 | |
CN115407053A (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
CN112067052A (zh) | 一种基于特征选择的油侵式变压器故障诊断方法 | |
CN114511060A (zh) | 基于自编码器和生成对抗网络的属性补全和网络表示方法 | |
CN112329805A (zh) | 基于异方差噪声孪生lssvr的风速预报装置及方法 | |
Chu et al. | A kernel partial least squares method for gas turbine power plant performance prediction | |
CN112051040A (zh) | 一种有载分接开关机械故障智能识别方法 | |
CN112331274A (zh) | 基于相重构和神经网络的变压器油中溶解气体预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201211 |