CN112085083B - 一种基于相近度分析策略的变压器故障诊断方法 - Google Patents

Abstract

本发明公开一种基于相近度分析策略的变压器故障诊断方法，可以在有限个溶解气体浓度数据做为参考的前提下，实施变压器故障类型的准确诊断。具体来讲，本发明方法首先对溶解气体浓度数据进行多方面的比值特征构造。其次，本发明方法使用判别型偏最小二乘算法将浓度比值数据进行特征转换，最后，实施基于近邻的相近度分析，从而诊断变压器的故障类型。本发明方法基本上不涉及复杂的变换或数学计算，且操作简单，非常易于实施。此外，本发明方法在实施过程中不需要人为主观的确定某些模型参数，这极大了避免了参数选择的难题。

Description

一种基于相近度分析策略的变压器故障诊断方法

技术领域

本发明涉及一种变压器故障诊断方法，特别涉及一种基于相近度分析策略的变压器故障诊断方法。

背景技术

随着电力需求的日益增长，变压器已成为电力输送系统中必不可少的电力设备。而做为供配电的关键环节，变压器的运行性能会直接影响到整个电力系统的运行。任何变压器故障类型都会导致电力浪费甚至更严重的经济损失，因此变压器设备的故障诊断对避免潜在电力或其他经济损失是具有重要研究意义的。由于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)进行分析。我国目前大量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，溶解的气体浓度能够反映出不同的故障类型。基于此，现有科研文献与发明专利多见于使用神经网络分类器来实施故障诊断。然而，溶解气体浓度数据驱动的变压器故障诊断存在一个显著的技术难题：各个故障类型下的溶解气体浓度数据不充足，这就是一类典型的小样本问题。这个技术难题会给传统基于神经网络的变压器故障诊断带来新的挑战。

此外，由于油侵式变压器中的溶解气体浓度数据所能展现出的类别特征有限，三比值法就是摒弃直接使用溶解气体浓度数据，而采用溶解气体浓度之间的比值做进一步的分类诊断。因此，对溶解气体浓度数据进行进一步特征挖掘，对于故障诊断是有积极作用的。可以说，利用溶解气体分析数据实施变压器的故障诊断需要一个能应对小样本问题，且能从多方面特征进行特征分类匹配的故障诊断方法技术。

发明内容

本发明所要解决的主要技术问题是：在有限个溶解气体浓度数据做为参考的前提下，实施变压器故障类型的准确诊断。具体来讲，本发明方法首先对溶解气体浓度数据进行多方面的比值特征构造。其次，本发明方法使用判别型偏最小二乘算法将浓度比值数据进行转换，最后，实施基于近邻的相近度分析，从而诊断变压器的故障类型。

本发明方法解决上述问题所采用的技术方案为：一种基于相近度分析策略的变压器故障诊断方法，包括以下所示步骤：

步骤(1)：对变压器6种不同故障状态下的溶解气体浓度数据进行比值特征分析，从而得到变压器在局部放电故障状态下的N₁个数据向量

火花放电故障状态下的N₂个数据向量

电弧放电故障状态下的N₃个数据向量

中温过热故障状态下的N₄个数据向量

低温过热故障状态下的N₅个数据向量

和高温过热故障状态下的N₆个数据向量

具体的实施过程包括如下所示步骤(1.1)至步骤(1.4)。

步骤(1.1)：变压器油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

其中，i表示样本编号，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。

步骤(1.2)：根据如下所示公式计算比值系数

上式中，d∈{1，2，…，15}，b∈{1，2，…，5}。

步骤(1.3)：根据

构造变压器第c类故障状态下的N_c个数据向量

其中i∈{1，2，…，N_c}，

R^1×15表示1×15维的实数向量。

步骤(1.4)：重复上述步骤(1.2)至步骤(1.3)从而分别得到变压器在6种不同故障状态下的数据向量。

步骤(2)：按照如下所示形式将所有的N＝N₁+N₂+…+N₆个数据向量组成一个数据矩阵X∈R^N×15：

其中，上标号T表示矩阵或向量的转置符号，R^N×15表示N×15维的实数矩阵。

步骤(3)：对数据矩阵X中的各个列向量实施标准化处理，得到标准化后的数据矩阵

后，再根据如下所示步骤(3.1)至步骤(3.8)计算变换矩阵B∈R^15×k，其中R^15×k表示15×k维的实数矩阵，k表示输入权值向量的个数，同时投影向量的个数也等于k。

步骤(3.1)：将矩阵Y_c初始化为6×N_c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Y₁，Y₂，…，Y₆。

步骤(3.2)：初始化k＝1，并设置向量u为矩阵Y的第一列向量、矩阵Y₀＝Y、和矩阵

其中Y＝[Y₁，Y₂，…，Y₆]^T。

步骤(3.3)：依据公式w_k＝X₀ ^Tu/(u^Tu)计算输入权值向量w_k，并用公式w_k＝w_k/||w_k||对w_k实施单位化处理。

步骤(3.4)：先根据公式s_k＝X₀w_k/(w_k ^Tw_k)计算得分向量s_k后，再根据公式g_k＝Y₀ ^Ts_k/(s_k ^Ts_k)计算输出权值向量g_k，并根据公式u＝Y₀g_k更新向量u。

步骤(3.5)：重复步骤(3.3)至步骤(3.4)直至s_k收敛，判断收敛的标准为：得分向量s_k中各元素不再变化。

步骤(3.6)：保留输入权值向量w_k与输出权值向量g_k，并依据公式p_k＝X₀ ^Ts_k/(s_k ^Ts_k)计算投影向量p_k。

步骤(3.7)：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k＝k+1与

后返回步骤(3.3)；若否，则将k个输入权值向量组成矩阵W＝[w₁，w₂，…，w_k]，将k个投影向量组成矩阵P＝[p₁，p₂，…，p_k]。

步骤(3.8)：根据公式B＝W(P^TW)^-1计算变换矩阵B。

步骤(4)：根据公式

计算得分矩阵S∈R^N×k后，将S中的第1行至第N₁行的行向量组成矩阵S₁，将第N₁+1行至第N₁+N₂行的行向量组成矩阵S₂，将第N₁+N₂+1行至第N₁+N₂+N₃行的行向量组成矩阵S₃，将第N₁+N₂+N₃+1行至第N₁+N₂+N₃+N₄行的行向量组成矩阵S₄，将第N₁+N₂+N₃+N₄+1行至第N₁+N₂+N₃+N₄+N₅行的行向量组成矩阵S₅，将N-N₆+1行至第N行的行向量组成矩阵S₆后，再根据公式φ_c＝S_c ^TS_c/(N_c-1)分别计算S₁，S₂，…，S₆的协方差矩阵φ₁，φ₂，…，φ₆。

步骤(5)：在线测量得到变压器油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，和乙炔浓度这5个浓度数据。

步骤(6)：根据步骤(5)中这5个浓度数据计算比值系数向量x_new∈R^1×15，具体的实施过程与步骤(1.2)相同。

步骤(7)：对x_new实施与步骤(3)中相同的标准化处理，得到向量

后，再根据公式

计算得分向量s_new∈R^1×k。

步骤(8)：根据如下所示步骤(8.1)至步骤(8.2)计算相近度指标D₁，D₂，…，D₆。

步骤(8.1)：初始化c＝1。

步骤(8.2)：根据公式

计算得分向量s_new与行向量

之间的相近度

其中，行向量

表示矩阵S_c中的第j行的行向量，j∈{1，2，…，N_c}。

步骤(8.3)：按照数值大小从

中找出最小的m个相近度，并将这m个最小相近度之和记录为相近度指标D_c。

步骤(8.4)：判断c是否小于6；若是，则设置c＝c+1后，返回步骤(8.2)；若否，则得到6个相近度指标D₁，D₂，…，D₆。

步骤(9)：确定D₁，D₂，…，D₆中的最小值，该最小值的下标号即为当前变压器的故障状态；若最小值为D₁，则变压器当前时刻是处于局部放电故障状态；若最小值为D₂，则变压器当前时刻是处于火花放电故障状态；以此类推。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法基本上不涉及复杂的变换或数学计算，且操作简单，非常易于实施。其次，本发明方法在实施过程中不需要人为主观的确定某些模型参数，这极大了避免了参数选择的难题。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优越性。

附图说明

图1为本发明方法的实施流程示意图。

图2为本发明方法的故障诊断结果图。

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。

如图1所示，本发明公开了一种基于相近度分析策略的变压器故障诊断方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。

在本实施案例中，变压器在局部放电故障状态下有N₁＝11组溶解气体浓度数据，在火花放电故障状态下有N₂＝16组数据，在电弧放电故障状态下有N₃＝18组数据，在中温过热故障状态下有N₄＝13组数据，在低温过热故障状态下有N₅＝23组数据，在高温过热故障状态下有N₆＝14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)：对变压器6种不同故障状态下的溶解气体浓度数据进行比值特征分析，从而得到变压器在局部放电故障状态下的N₁个数据向量

火花放电故障状态下的N₂个数据向量

电弧放电故障状态下的N₃个数据向量

中温过热故障状态下的N₄个数据向量

低温过热故障状态下的N₅个数据向量

和高温过热故障状态下的N₆个数据向量

具体的实施过程包括上述步骤(1.1)至步骤(1.4)。

步骤(2)：将所有的N＝N₁+N₂+…+N₆个数据向量组成一个数据矩阵X∈R^N×15。

步骤(3)：对数据矩阵X中的各个列向量实施标准化处理，得到标准化后的数据矩阵

后，再根据如下所示步骤(3.1)至步骤(3.8)计算变换矩阵B∈R^15×k。

步骤(4)：根据公式

计算得分矩阵S∈R^N×k后，将S中的第1行至第N₁行的行向量组成矩阵S₁，将第N₁+1行至第N₁+N₂行的行向量组成矩阵S₂，将第N₁+N₂+1行至第N₁+N₂+N₃行的行向量组成矩阵S₃，将第N₁+N₂+N₃+1行至第N₁+N₂+N₃+N₄行的行向量组成矩阵S₄，将第N₁+N₂+N₃+N₄+1行至第N₁+N₂+N₃+N₄+N₅行的行向量组成矩阵S₅，将N-N₆+1行至第N行的行向量组成矩阵S₆后，再根据公式φ_c＝S_c ^TS_c/(N_c-1)分别计算S₁，S₂，…，S₆的协方差矩阵φ₁，φ₂，…，φ₆。

步骤(5)：在线测量得到变压器油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，和乙炔浓度这5个浓度数据。

步骤(6)：根据步骤(5)中这5个浓度数据计算比值系数向量x_new∈R^1×15，具体的实施过程与步骤(1.2)相同。

步骤(7)：对x_new实施与步骤(3)中相同的标准化处理，得到向量

后，再根据公式

计算得分向量s_new∈R^1×k。

步骤(8)：根据如下所示步骤(8.1)至步骤(8.4)计算相近度指标D₁，D₂，…，D₆。

步骤(9)：确定D₁，D₂，…，D₆中的最小值，该最小值的下标号即为当前变压器的故障状态。

利用80组不同故障状态下的变压器油中溶解气体浓度数据来测试本发明方法实施变压器故障诊断的准确度，相应的测试结果如图2所示。从图2中的故障诊断情况可以发现，本发明方法能精准的识别不同故障类型。

Claims (1)

1.一种基于相近度分析策略的变压器故障诊断方法，其特征在于，包括以下步骤：

步骤(1)：对变压器6种不同故障状态下的溶解气体浓度数据进行比值特征分析，从而得到变压器在局部放电故障状态下的N₁个数据向量

火花放电故障状态下的N₂个数据向量

电弧放电故障状态下的N₃个数据向量

中温过热故障状态下的N₄个数据向量

低温过热故障状态下的N₅个数据向量

和高温过热故障状态下的N₆个数据向量

具体的实施过程包括如下所示步骤(1.1)至步骤(1.4)；

步骤(1.1)：变压器油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

其中，i表示样本编号，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；

步骤(1.2)：根据如下所示公式计算比值系数

上式中，d∈{1，2，…，15}，b∈{1，2，…，5}；

步骤(1.3)：根据

构造变压器在第c类故障状态下的N_c个数据向量

其中，

R^1×15表示1×15维的实数向量；

步骤(1.4)：重复上述步骤(1.2)至步骤(1.3)从而分别得到变压器在6种不同故障状态下数据向量；

步骤(2)：按照如下所示形式将所有的N＝N₁+N₂+…+N₆个数据向量组成一个数据矩阵X∈R^N×15：

其中，上标号T表示矩阵或向量的转置符号，R^N×15表示N×15维的实数矩阵；

步骤(3)：对数据矩阵X中的各个列向量实施标准化处理，得到标准化后的数据矩阵

后，再根据如下所示步骤(3.1)至步骤(3.8)计算变换矩阵B∈R^15×k，其中R^15×k表示15×k维的实数矩阵，k表示输入权值向量的个数；

步骤(3.1)：将矩阵Y_c初始化为6×N_c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Y₁，Y₂，…，Y₆；

步骤(3.2)：初始化k＝1，并设置向量u为矩阵Y的第一列向量、矩阵Y₀＝Y、和矩阵

其中Y＝[Y₁，Y₂，…，Y₆]^T；

步骤(3.3)：依据公式w_k＝X₀ ^Tu/(u^Tu)计算输入权值向量w_k，并用公式w_k＝w_k/||w_k||对w_k实施单位化处理；

步骤(3.4)：先根据公式s_k＝X₀w_k/(w_k ^Tw_k)计算得分向量s_k后，再根据公式g_k＝Y₀ ^Ts_k/(s_k ^Ts_k)计算输出权值向量g_k，并根据公式u＝Y₀g_k更新向量u；

步骤(3.5)：重复步骤(3.3)至步骤(3.4)直至s_k收敛；

步骤(3.6)：保留输入权值向量w_k与输出权值向量g_k，并依据公式p_k＝X₀ ^Ts_k/(s_k ^Ts_k)计算投影向量p_k；

步骤(3.7)：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k＝k+1与

后返回步骤(3.3)；若否，则将k个输入权值向量组成矩阵W＝[w₁，w₂，…，w_k]，将k个投影向量组成矩阵P＝[p₁，p₂，…，p_k]；

步骤(3.8)：根据公式B＝W(P^TW)^-1计算变换矩阵B；

步骤(4)：根据公式

计算得分矩阵S∈R^N×k后，将S中的第1行至第N₁行的行向量组成矩阵S₁，将第N₁+1行至第N₁+N₂行的行向量组成矩阵S₂，将第N₁+N₂+1行至第N₁+N₂+N₃行的行向量组成矩阵S₃，将第N₁+N₂+N₃+1行至第N₁+N₂+N₃+N₄行的行向量组成矩阵S₄，将第N₁+N₂+N₃+N₄+1行至第N₁+N₂+N₃+N₄+N₅行的行向量组成矩阵S₅，将N-N₆+1行至第N行的行向量组成矩阵S₆后，再根据公式φ_c＝S_c ^TS_c/(N_c-1)分别计算S₁，S₂，…，S₆的协方差矩阵φ₁，φ₂，…，φ₆；

步骤(5)：在线测量得到变压器油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，和乙炔浓度这5个浓度数据；

步骤(6)：根据步骤(5)中这5个浓度数据计算比值系数向量x_new∈R^1×15，具体的实施过程与步骤(1.2)相同；

步骤(7)：对x_new实施与步骤(3)中相同的标准化处理，得到向量

后，再根据公式

计算得分向量s_new∈R^1×k；

步骤(8)：根据如下所示步骤(8.1)至步骤(8.4)计算相近度指标D₁，D₂，…，D₆；

步骤(8.1)：初始化c＝1；

步骤(8.2)：根据公式

计算得分向量s_new与行向量

之间的相近度

其中，行向量

表示矩阵S_c中的第j行的行向量，j∈{1，2，…，N_c}；

步骤(8.3)：按照数值大小从

中找出最小的m个相近度，并将这m个最小相近度之和记录为相近度指标D_c；

步骤(8.4)：判断c是否小于6；若是，则设置c＝c+1后，返回步骤(8.2)；若否，则得到6个相近度指标D₁，D₂，…，D₆；

步骤(9)：确定D₁，D₂，…，D₆中的最小值，该最小值的下标号即为当前变压器的故障状态。

Images