CN112085084A - 一种基于多特征融合共同向量的变压器故障诊断方法 - Google Patents

Abstract

本发明公开一种基于多特征融合共同向量的变压器故障诊断方法，利用变压器油中的溶解气体浓度数据，设计出一种可靠且准确性高的、容易实施的、不受模型参数影响的变压器故障诊断方法。具体来讲，本发明方法首先对溶解气体浓度数据进行统计特征和比值特征的双重构造。其次，本发明方法针对原溶解气体浓度数据、统计特征数据、和比值特征数据的多特征融合数据建立基于共同特征向量的分类模型。最后，针对变压器故障状态下的溶解气体分析数据识别变压器的故障类型。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

一种基于多特征融合共同向量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，特别涉及一种基于多特征融合共同向量的变压器故障诊断方法。

背景技术

现代设备技术水平和复杂度不断提高，设备故障对生产的影响也显著增加。因此，要保证设备可靠有效的运行，必须对设备的状态进行实时监测。从这点上讲，故障诊断技术必不可少。变压器做为供配电系统的关键设备，其健康正常的运行对保证稳定的电力输送是具有重要研究意义的。因此，对变压器的运行状态进行监测并诊断故障类型以及时修复设备是一类必不可少的技术。通常解决变压器故障诊断问题的常用思路是对变压器油中溶解的气体(包括二氧化碳、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则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。

判别分析和神经网络是最为常见的模式分类技术，可应用于解决变压器故障分类诊断问题。然而，基于神经网络的变压器故障诊断模型的分类准确率会直接受到网络参数的影响。换句话讲，神经网络参数会直接影响到诊断的准确率。此外，判别分析是一类线性的分类诊断策略，无法有效的适应变压器溶解气体分析数据的多变性与非线性特征。最为重要的一点是，这些用于分类诊断的方法都需要尽可能多的样本数据进行训练，且未能从溶解气体分析数据的多尺度角度来分类诊断故障类型。

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，气体浓度数据能够反映出不同的故障类型。然而，从可靠而精准的变压器故障诊断任务要求角度出发，单独直接依赖于溶解气体的分析数据是很难实现的，需要再溶解气体分析数据的基础上更进一步的挖掘其变化特征，使用更多的特征数据实施变压器的故障诊断。然而，在现有的科研文献与专利材料中，鲜有涉及这方面的研究成果，一般都是直接使用溶解气体分析数据进行故障分类诊断的研究。

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可靠的、容易实施的、不受分类模型参数影响的方法技术。从这个任务要求来看，神经网络模型因受参数影响甚大，不适宜研究解决此类问题。此外，还需要基于溶解气体分析数据做进一步的特征挖掘，从而使用更多的衍生特征数据来提高变压器分类诊断的准确性。

发明内容

本发明所要解决的主要技术问题是：利用变压器油中溶解气体分析数据，设计出一种可靠且准确性高的、容易实施的、不受模型参数影响的变压器故障诊断方法。具体来讲，本发明方法首先对溶解气体分析数据进行统计特征和比值特征的双重构造。其次，本发明方法针对原溶解气体分析数据、统计特征数据、和比值特征数据的多特征融合数据建立简单实用的分类模型，采用的是共同特征向量分类方法。最后，针对变压器故障状态下的溶解气体分析数据识别变压器的故障类型。

本发明方法解决上述问题所采用的技术方案为：一种基于多特征融合共同向量的变压器故障诊断方法，包括以下所示步骤：

步骤(1)：对变压器运行在6种不同故障状态下的溶解气体浓度数据进行多特征融合，从而得到变压器在局部放电故障状态下的N₁个多特征融合向量

火花放电故障状态下的N₂个多特征融合向量

电弧放电故障状态下的N₃个多特征融合向量

中温过热故障状态下的N₄个多特征融合向量

低温过热故障状态下的N₅个多特征融合向量

和高温过热故障状态下的N₆个多特征融合向量

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分析数据具体包括：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，上标号c∈{1，2，3，4，5，6}分别指代变压器的6种不同故障状态，k表示样本编号。

步骤(1.2)：针按照如下所示公式分别计算各个溶解气体浓度向量的均值

浓度标准差

峰度

偏度

均方根

峰值因子

形状因子

脉冲因子

边缘因子

最大对数

其中，样本编号k∈{1，2，…，N_c}，b∈{1，2，3，4，5}，

表示计算

中元素的最大值。

步骤(1.3)：按照如下所示公式计算各个溶解气体浓度向量的比值系数

上式中，d∈{1，2，…，12}。

步骤(1.4)：根据

构造第c种变压器工作状态下的多特征融合向量

其中

R^1×27表示1×27维的实数向量，k∈{1，2，…，N_c}。

步骤(1.5)：重复上述步骤(1.2)至步骤(1.4)从而得到变压器在6种不同故障状态下的多特征融合向量。

步骤(2)：分别计算得到变压器在6种不同工作状态下的共同向量y⁽¹⁾，y⁽²⁾，…，y⁽⁶⁾，具体的实施过程如步骤(2.1)至步骤(2.4)所示：

步骤(2.1)：初始化c＝1。

步骤(2.2)：根据公式

计算均值向量ξ^(c)，再根据如下所示公式计算协方差矩阵φ^(c)：

上标号T表示矩阵或向量的转置符号。

步骤(2.3)：对协方差矩阵φ^(c)实施奇异值分解，即φ^(c)＝U^(c)Λ^(c)U^(c)T，其中U^(c)为酉矩阵，对角矩阵Λ^(c)对角线上的元素由27个特征值l₁≥l₂≥…≥l₂₇组成。

步骤(2.4)：根据如下所示公式计算第c种变压器工作状态的共同向量y^(c)：

上式中，

表示酉矩阵U^(c)中的第i列向量，i∈{N_c，N_c+1，…，27}，上标号T表示矩阵或向量的转置。

步骤(3)：在线测量得到新的变压器油中溶解气体分析数据，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(4)：构造多特征融合向量x_new∈R^1×27，具体的实施过程和上述步骤(1.1)至步骤(1.4)相同，再根据如下所示公式计算特征向量

步骤(5)：根据如下所示公式计算距离判别指标D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾：

上式中，

表示计算

的长度。

步骤(6)：确定D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾中的最小值，该最小值的上标号即为当前变压器的工作状态；若最小值为D⁽¹⁾，则变压器当前运行在局部放电故障状态；若最小值为D⁽²⁾，则变压器当前运行在火花放电故障状态；若最小值为D⁽³⁾，则变压器当前运行在电弧放电故障状态；若最小值为D⁽⁴⁾，则变压器当前运行在中温过热故障状态；若最小值为D⁽⁵⁾，则变压器当前运行在低温过热故障状态；若最小值为D⁽⁶⁾，则变压器当前运行在高温过热故障状态。

步骤(7)：返回步骤(3)继续利用新测量到的溶解气体浓度数据实施变压器故障诊断。

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为变压器油中溶解气体分析数据的三维空间分布图。

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多特征融合共同向量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，变压器健康工作状态下有N₁＝21组数据，局部放电工作状态下有N₂＝16组数据，低能量放电工作状态下有N₃＝18组数据，高能量放电工作状态下有N₄＝23组数据，中低热故障工作状态下有N₅＝23组数据，高热故障工作状态下有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)：对变压器运行在6种不同故障状态下的溶解气体浓度数据进行多特征融合，从而得到变压器在局部放电故障状态下的N₁个多特征融合向量

火花放电故障状态下的N₂个多特征融合向量

电弧放电故障状态下的N₃个多特征融合向量

中温过热故障状态下的N₄个多特征融合向量

低温过热故障状态下的N₅个多特征融合向量

和高温过热故障状态下的N₆个多特征融合向量

具体的实施过程包括如前述步骤(1.1)至步骤(1.5)所示。

步骤(2)：分别计算得到变压器在6种不同工作状态下的共同向量y⁽¹⁾，y⁽²⁾，…，y⁽⁶⁾，具体的实施过程如步骤(2.1)至步骤(2.4)所示。

步骤(3)：在线测量得到新的变压器油中溶解气体分析数据，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(4)：构造多特征融合向量x_new∈R^1×27，具体的实施过程和上述步骤(1.1)至步骤(1.4)相同，再根据前述公式

计算特征向量

若是将实施案例中的这些训练数据都做为新的变压器油中溶解气体分析数据，通过步骤(4)计算得到相应的特征向量后，可根据这些特征向量绘制三维分布图，如图2所示。通过图2可以发现，本发明方法对这六类数据实现了很好的分离，不同工作状态之间没有相互的重叠或交集。

步骤(5)：根据上述公式

计算距离判别指标D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾。

步骤(6)：确定D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾中的最小值，该最小值的上标号即为当前变压器的工作状态；若最小值为D⁽¹⁾，则变压器当前运行在局部放电故障状态；若最小值为D⁽²⁾，则变压器当前运行在火花放电故障状态；若最小值为D⁽³⁾，则变压器当前运行在电弧放电故障状态；若最小值为D⁽⁴⁾，则变压器当前运行在中温过热故障状态；若最小值为D⁽⁵⁾，则变压器当前运行在低温过热故障状态；若最小值为D⁽⁶⁾，则变压器当前运行在高温过热故障状态。

利用20组新的变压器油中溶解气体分析数据进行变压器故障诊断的耗时情况对比。传统的变压器故障诊断策略常见是使用经典的支持向量机(简称：SVM)进行分类，该传统方法利用20组数据实施变压器故障诊断时，总计耗时0.837秒；相比之下，本发明方法只需要0.022秒，这完全不在一个数量级上。因此，本发明方法的简单操作性得到了验证。

Claims (1)

1.一种基于多特征融合共同向量的变压器故障诊断方法，其特征在于，包括以下步骤：

步骤(1)：对变压器运行在6种不同故障状态下的溶解气体浓度数据进行多特征融合，从而得到变压器在局部放电故障状态下的N₁个多特征融合向量

火花放电故障状态下的N₂个多特征融合向量

电弧放电故障状态下的N₃个多特征融合向量

中温过热故障状态下的N₄个多特征融合向量

低温过热故障状态下的N₅个多特征融合向量

和高温过热故障状态下的N₆个多特征融合向量

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，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；

步骤(1.2)：按照如下所示公式分别计算各个溶解气体浓度向量的均值

标准差

峰度

偏度

均方根

峰值因子

形状因子

脉冲因子

边缘因子

最大对数

其中，b∈{1，2，3，4，5}，

表示计算

中元素的最大值；

步骤(1.3)：按照如下所示公式分别计算各个溶解气体浓度向量的比值系数

上式中，d∈{1，2，…，12}；

步骤(1.4)：根据

构造多特征融合向量

其中

R^1×27表示1×27维的实数向量；

步骤(1.5)：重复上述步骤(1.2)至步骤(1.4)从而得到变压器在6种不同故障状态下的多特征融合向量；

步骤(2)：分别计算得到变压器运行在6种不同故障状态下的共同向量y⁽¹⁾，y⁽²⁾，…，y⁽⁶⁾，具体的实施过程如步骤(2.1)至步骤(2.4)所示：

步骤(2.1)：初始化c＝1；

步骤(2.2)：根据公式

计算均值向量ξ^(c)，再根据如下所示公式计算协方差矩阵φ^(c)：

上标号T表示矩阵或向量的转置符号；

步骤(2.3)：对协方差矩阵φ^(c)实施奇异值分解：φ^(c)＝U^(c)Λ^(c)U^(c)T，其中U^(c)为酉矩阵，对角矩阵Λ^(c)对角线上的元素由27个特征值l₁≥l₂≥…≥l₂₇组成；

步骤(2.4)：根据如下所示公式计算第c种变压器工作状态的共同向量y^(c)：

上式中，

表示酉矩阵U^(c)中的第i列向量，i∈{N_c，N_c+1，…，27}，上标号T表示矩阵或向量的转置；

步骤(3)：在线测量得到新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(4)：利用步骤(3)中的5个浓度数据构造多特征融合向量x_new∈R^1×27，具体的实施过程和上述步骤(1.1)至步骤(1.4)相同，再根据如下所示公式计算特征向量

步骤(5)：根据如下所示公式计算距离判别指标D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾：

上式中，

表示计算

的长度；

步骤(6)：确定D⁽¹⁾，D⁽²⁾，…，D⁽⁶⁾中的最小值，该最小值的上标号即为当前变压器的工作状态；若最小值为D⁽¹⁾，则变压器当前运行在局部放电故障状态；若最小值为D⁽²⁾，则变压器当前运行在火花放电故障状态；若最小值为D⁽³⁾，则变压器当前运行在电弧放电故障状态；若最小值为D⁽⁴⁾，则变压器当前运行在中温过热故障状态；若最小值为D⁽⁵⁾，则变压器当前运行在低温过热故障状态；若最小值为D⁽⁶⁾，则变压器当前运行在高温过热故障状态；

步骤(7)：返回步骤(3)继续利用新测量到的溶解气体浓度数据实施变压器故障诊断。

Images