CN112101466A - 一种变压器的故障诊断方法及装置 - Google Patents
一种变压器的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN112101466A CN112101466A CN202010979456.2A CN202010979456A CN112101466A CN 112101466 A CN112101466 A CN 112101466A CN 202010979456 A CN202010979456 A CN 202010979456A CN 112101466 A CN112101466 A CN 112101466A
- Authority
- CN
- China
- Prior art keywords
- transformer
- training
- concentration ratio
- fault
- sample
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 110
- 239000002245 particle Substances 0.000 claims abstract description 83
- 239000007789 gas Substances 0.000 claims abstract description 73
- 238000007637 random forest analysis Methods 0.000 claims abstract description 71
- 238000010606 normalization Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 38
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 20
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 11
- 239000005977 Ethylene Substances 0.000 claims description 11
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 9
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 9
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims description 8
- 239000001257 hydrogen Substances 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 18
- 230000001133 acceleration Effects 0.000 description 14
- 150000002431 hydrogen Chemical class 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本申请提供了一种变压器的故障诊断方法及装置。获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度；根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值；将待处理历史浓度比值进行归一化处理，得到历史浓度比值；将历史浓度比值输入变压器故障诊断模型中，确定诊断结果；本申请的变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。本申请提供的方法不仅能够诊断变压器的故障，而且在变压器故障诊断模型的训练过程中采用离子群优化的方法，提高了变压器的故障诊断方法的精确度。
Description
技术领域
本申请涉及电力技术领域，特别涉及一种变压器的故障诊断方法及装置。
背景技术
变压器作为电力系统中最为重要的设备之一，关系着整个电力系统的安全。因此运维人员需要时刻检测变压器的工作状态。如果检测过程中，变压器发生了高能放电、低能放电或者局部放电等故障情况，则需要及时进行故障排除，防止变压器故障引发更严重的问题。变压器的工作状态难以直接检测确定，一般情况下运维人员根据变压器的绝缘油中溶解的气体浓度，判断变压器的工作状态。
运维人员人工根据气体浓度进行人工分析计算，确定变压器的工作状态，需要耗费大量的时间。因此，为了提高效率，运维人员根据大量的历史变压器故障数据，建立了变压器故障诊断模型。在获取了气体的浓度后，运维人员将气体的浓度输入变压器故障诊断模型中，就可以直接确定变压器的诊断结果。具体的，变压器的诊断结果也就是变压器的工作状态，变压器的诊断结果包括，变压器处于正常工作状态，以及变压器处于高能放电、低能放电或者局部放电等非正常工作状态。目前进行变压器工作状态诊断的过程中，精确度普遍偏低，对于某些特定情况下的变压器的诊断结果误差偏大。
基于此，目前亟需一种变压器的故障诊断方法，用于解决现有技术中进行变压器工作状态诊断的过程中，精确度偏低的问题。
发明内容
本申请提供了一种变压器的故障诊断方法及装置，可用于解决在现有技术中进行变压器工作状态诊断的过程中，精确度偏低的问题。
第一方面，本申请提供了一种变压器的故障诊断方法，所述方法包括：
获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度；
根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值；
将所述待处理历史浓度比值进行归一化处理，得到历史浓度比值；
将所述历史浓度比值输入变压器故障诊断模型中，确定诊断结果；所述变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系；所述变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
结合第一方面，在第一方面的一种可实现方式中，所述变压器故障诊断模型采用以下方法训练：
获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果；
根据各种类气体的样本浓度，以及所述预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值；
将所述待处理样本浓度比值进行归一化处理，得到样本浓度比值；
将所述样本浓度比值划分为训练样本浓度和测试样本浓度；
将所述变压器的故障结果划分为训练故障结果和测试故障结果；
将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；
将所述测试样本浓度输入所述变压器故障诊断模型，得到预测的变压器诊断结果；
如果所述预测的变压器诊断结果与所述测试故障诊断结果的差值小于预设阈值，则训练结束。
结合第一方面，在第一方面的一种可实现方式中，将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；包括：
随机初始化所述随机森林模型中的子树颗树以及分裂特征数；所述子树颗数为所述随机森林模型中预设的一个参数；所述分裂特征数为所述随机森林模型中预设的另一个参数；
在预设次数内，迭代更新粒子的速度以及粒子的位置，改变所述子树颗数以及所述分裂特征数，对所述子树颗数以及所述分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型；所述粒子用于改变所述子树颗数以及所述分裂特征数；每迭代更新一次所述粒子的速度以及所述粒子的位置，改变一次所述子树颗数以及所述分裂特征数，得到一个中间随机森林模型；
将所述训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果；
计算所有变压器诊断结果与所述训练故障结果之间的差值，确定出与所述训练故障结构的差值最小的最佳变压器诊断结果；
将与所述最佳变压器诊断结果相对应的中间随机森林模型，确定为所述变压器故障诊断模型。
结合第一方面，在第一方面的一种可实现方式中，将所述样本浓度比值划分为训练样本浓度和测试样本浓度；包括：
采用自举抽样法，将所述样本浓度比值划分为所述训练样本和所述测试样本浓度。
结合第一方面，在第一方面的一种可实现方式中，各种类气体包括：
氢气、甲烷、乙烷、乙烯以及乙炔。
结合第一方面，在第一方面的一种可实现方式中，所述诊断结果包括以下至少一种结果：
工作状态正常、高能放电、低能放电、局部放电、高温过热、中温过热以及低温过热。
第二方面，本申请提供了一种变压器的故障诊断装置，所述装置包括：
获取模块，用于获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度；
确定模块，用于根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值；
归一化模块，用于将所述待处理历史浓度比值进行归一化处理，得到历史浓度比值；
所述确定模块，还用于将所述历史浓度比值输入变压器故障诊断模型中，确定诊断结果；所述变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系；所述变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
结合第二方面，在第二方面的一种可实现方式中，所述变压器故障诊断模型采用以下方法训练：
获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果；
根据各种类气体的样本浓度，以及所述预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值；
将所述待处理样本浓度比值进行归一化处理，得到样本浓度比值；
将所述样本浓度比值划分为训练样本浓度和测试样本浓度；
将所述变压器的故障结果划分为训练故障结果和测试故障结果；
将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；
将所述测试样本浓度输入所述变压器故障诊断模型，得到预测的变压器诊断结果；
如果所述预测的变压器诊断结果与所述测试故障诊断结果的差值小于预设阈值，则训练结束。
结合第二方面，在第二方面的一种可实现方式中，将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；包括：
随机初始化所述随机森林模型中的子树颗树以及分裂特征数；所述子树颗数为所述随机森林模型中预设的一个参数；所述分裂特征数为所述随机森林模型中预设的另一个参数；
在预设次数内，迭代更新粒子的速度以及粒子的位置，改变所述子树颗数以及所述分裂特征数，对所述子树颗数以及所述分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型；所述粒子用于改变所述子树颗数以及所述分裂特征数；每迭代更新一次所述粒子的速度以及所述粒子的位置，改变一次所述子树颗数以及所述分裂特征数，得到一个中间随机森林模型；
将所述训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果；
计算所有变压器诊断结果与所述训练故障结果之间的差值，确定出与所述训练故障结构的差值最小的最佳变压器诊断结果；
将与所述最佳变压器诊断结果相对应的中间随机森林模型，确定为所述变压器故障诊断模型。
结合第二方面，在第二方面的一种可实现方式中，将所述样本浓度比值划分为训练样本浓度和测试样本浓度；包括：
采用自举抽样法，将所述样本浓度比值划分为所述训练样本和所述测试样本浓度。
结合第二方面，在第二方面的一种可实现方式中，各种类气体包括：
氢气、甲烷、乙烷、乙烯以及乙炔。
结合第二方面，在第二方面的一种可实现方式中，所述诊断结果包括以下至少一种结果：
工作状态正常、高能放电、低能放电、局部放电、高温过热、中温过热以及低温过热。
本申请实施例中，为了提高变压器故障诊断的精确度，在获取变压器故障诊断模型的过程中，采用离子群优化的方法，并结合随机森林模型选定变压器故障诊断模型的最优参数。
附图说明
图1为本申请实施例提供的一种变压器的故障诊断方法的流程示意图；
图2为本申请实施例提供的一种变压器故障诊断模型的训练流程示意图；
图3为本申请实施例提供的一种随机森林模型的训练过程；
图4为本申请实施例提供的一种变压器的故障诊断装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
如图1所示为本申请实施例提供的一种变压器的故障诊断方法的流程示意图。根据图1可以获知，本申请实施例主要包括以下步骤：
步骤101，获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度。
具体的，各种类气体包括氢气、甲烷、乙烷、乙烯以及乙炔。绝缘油中实际溶解的气体还包括一氧化碳和二氧化碳，由于本申请实施例不需要利用一氧化碳的历史浓度以及二氧化碳的历史浓度，因此可不获取两种气体的历史浓度。
步骤102，根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值。
本申请实施例中，预设的气体种类比值组合一共有九组，分别为：第一组，甲烷的历史浓度与氢气的历史浓度的比值；第二组，乙炔的历史浓度与乙烯的历史浓度的比值；第三组，乙烯的历史浓度与乙烷的历史浓度的比值；第四组，乙炔的历史浓度与预设第一多种类气体的历史浓度的比值；第五组，氢气的历史浓度与预设第二多种类气体的历史浓度的比值；第六组，乙烯的历史浓度与预设第一多种类气体的历史浓度的比值；第七组，甲烷的历史浓度与预设第一多种类气体的历史浓度的比值；第八组，乙烷的历史浓度与预设第一多种类气体的历史浓度的比值；第九组，甲烷的历史浓度和乙烯的历史浓度之和与预设第一多种类气体的历史浓度的比值。其中，预设第一多种类气体包括甲烷、乙炔、乙烯以及乙烷。第二多种类气体包括氢气、甲烷、乙炔、乙烯以及乙烷。
步骤103，将待处理历史浓度比值进行归一化处理，得到历史浓度比值。
具体的，历史浓度比值采用以下方法确定：
公式(1)中，x*为历史浓度比值；x为待处理历史浓度比值；xmin为待处理历史浓度比值中的最小值；xmax为待处理历史浓度比值中的最大值。
步骤104，将历史浓度比值输入变压器故障诊断模型中，确定诊断结果。
其中，变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系。
变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
如图2所示，为本申请实施例提供的一种变压器故障诊断模型的训练流程示意图。本申请实施例中，变压器故障诊断模型的训练过程包括以下步骤：
步骤201，获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果。
步骤202，根据各种类气体的样本浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值。
具体的，预设的气体种类比值组合与步骤102中一致，此处不再赘述。
步骤203，将待处理样本浓度比值进行归一化处理，得到样本浓度比值。
步骤204，将样本浓度比值划分为训练样本浓度和测试样本浓度。
具体的，划分样本浓度的方法有多种，一种可行的方法为采用自举抽样法，将样本浓度比值划分为训练样本浓度和测试样本浓度。
步骤205，将变压器的故障结果划分为训练故障结果和测试故障结果。
步骤205中所采用的划分方法与步骤204中一致，且训练故障结果和训练样本浓度对应的时刻为同一时刻。类似的，测试故障结果和测试样本浓度对应的时刻为同一时刻。
步骤206，将训练样本浓度比值作为输入，将训练故障结果作为输出，训练得到变压器故障诊断模型。
本申请实施例中，变压器故障诊断模型可以采用多种模型实现，一种可行的方法为随机森林模型。如图3所示，为本申请实施例提供的一种随机森林模型的训练过程。具体的，本申请实施例中随机森林模型中的训练过程包括以下步骤：
步骤301，随机初始化随机森林模型中的子树颗树以及分裂特征数。
其中，子树颗数为随机森林模型中预设的一个参数；分裂特征数为随机森林模型中预设的另一个参数。对于随机森立模型，最重要的参数即为子树颗数以及分裂特征数，因此训练确定变压器故障诊断模型的过程也就是确定随机森林模型中的子树颗数以及分裂特征数的过程。
步骤302，在预设次数内，迭代更新粒子的速度以及粒子的位置，改变子树颗数以及分裂特征数，对子树颗数以及分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型。
下面，结合步骤301以及步骤302，详细叙述本申请实施例。本申请实施例中，可以用多种方法改变随机森林中的参数，一种可行的方法为粒子群优化的方法。粒子用于改变子树颗数以及分裂特征数，每迭代更新一次粒子的速度以及粒子的位置，改变一次子树颗数以及分裂特征数，得到一个中间随机森林模型。
具体的，本申请实施例采用粒子群优化的方法，改变随机森林中的参数，其中，子树颗树以及分裂特征数随机初始化的参数包括：子树棵数的初值、分裂特征数的初值、子树棵数的取值范围、分裂特征数的取值范围、子树棵数的搜索速度范围、分裂特征数的搜索速度范围。除了以上参数，本申请实施例中，随机初始化的参数还包括：粒子最大迭代次数、种群数量、惯性权重最大值、惯性权重最小值、第一加速因子的初始值、第一加速因子的最终值、第二加速因子的初始值、第二加速因子的最终值。
随机森林模型属于集成算法的一种，是由多颗子树的基分类器集合{h(X,Θj)|j＝1,2,…,n}构成，X为输入的特征向量矩阵，Θj则表示生成的j棵子树。随机森林的训练包括以下过程：
首先，从所有训练样本浓度中采用自举抽样法，抽取容量相同的若干个训练样本浓度，形成预设个数的训练样本浓度子集；
然后，假设训练样本浓度子集有M个特征，则从中随机抽取m个作为分裂特征子集(m≤M)，后续采用CART算法分裂而不剪枝。
将上述步骤重复预设次数，从而生成相应数量的子树，本申请实施例中用Θ1、Θ2、…、Θn，表示所有的子树，其中Θn为编号为n的子树，所有的子树构成随机森林模型。
更新子树颗树以及分裂特征数的相关参数，然后计算获取的中间随机随机森林模型的适应度值，并比较更新个体和整体的最优适应度值，以达到诊断正确率最高。当粒子的适应度趋于稳定或迭代次数达到最大时，终止迭代循环，获取子树颗树以及分裂特征数的最优参数，否则继续搜索粒子最优值。
改进粒子群优化算法以局部和整体的角度来搜索粒子的运动状态。粒子的坐标变化取决于每次迭代时的搜索速度，而搜索速度又依赖于惯性权重、加速因子、局部和整体极值的变化，每个粒子的位置、速度、惯性权重和加速因子计算公式如下所示：
公式(2)中，
表示第i个粒子k+1次迭代的d维坐标分量；
表示第i个粒子k次迭代的d维坐标分量；
表示第i个粒子k次迭代的d维速度分量。
公式(3)中，
表示第i个粒子k+1次迭代的d维速度分量；
表示第i个粒子k次迭代的d维坐标分量；
表示第i个粒子k次迭代的d维速度分量；ωk+1表示第k+1次迭代时的惯性权重；
表示第k+1次迭代时的第一加速因子；
表示第k+1次迭代时的第二加速因子；r1表示[0,1]范围内中的一个随机数；r2表示[0,1]范围内中的另一个随机数；Pi,d表示第i个粒子d维分量的局部最优值；Gd表示d维分量的整体最优值。
ωk＝ωmax-(ωmax-ωmin)(k/Tmax)^2 (4)
公式(4)中，k表示当前迭代次数；Tmax表示最大迭代数；ωmax表示迭代惯性权重最大值；ωmin表示迭代惯性权重最小值；ωk表示第k次迭代时的惯性权重。
公式(5)中，c1,ini第一加速因子的初始值；c1,fin表示第一加速因子的最终值；k表示当前迭代次数；Tmax表示最大迭代数；
第k次迭代时的第一加速因子。
公式(6)中，c2,ini第二加速因子的初始值；c2,fin表示第二加速因子的最终值；k表示当前迭代次数；Tmax表示最大迭代数；
第k次迭代时的第二加速因子。
步骤303，将训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果。
步骤304，计算所有变压器诊断结果与训练故障结果之间的差值，确定出与训练故障结构的差值最小的最佳变压器诊断结果。
在所有的变压器诊断结果中，需要确定最佳的变压器诊断结果。
步骤305，将与最佳变压器诊断结果相对应的中间随机森林模型，确定为变压器故障诊断模型。
步骤207，将测试样本浓度输入变压器故障诊断模型，得到预测的变压器诊断结果。
步骤208，如果预测的变压器诊断结果与测试故障诊断结果的差值小于预设阈值，则训练结束。
相应的，如果预测的变压器诊断结果与测试故障诊断结果的差值大于或等于预设阈值，则说明变压器故障诊断模型的诊断效果精确度不够，需要重新进行训练。
根据步骤104确定诊断结果，具体的，诊断结果包括以下至少一种结果：工作状态正常、高能放电、低能放电、局部放电、高温过热、中温过热以及低温过热。如果诊断结果为工作状态正常，则说明变压器处于正常状态，如果诊断结果为工作状态正常以外的其他结果，则说明变压器出现故障了，需要进行检修。
本申请实施例中，为了提高变压器故障诊断的精确度，在获取变压器故障诊断模型的过程中，采用离子群优化的方法，并结合随机森林模型选定变压器故障诊断模型的最优参数。下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
本申请实施例中，为了提高变压器故障诊断的精确度，在获取变压器故障诊断模型的过程中，采用离子群优化的方法，并结合随机森林模型选定变压器故障诊断模型的最优参数。
图4示例性示出了本申请实施例提供的一种变压器的故障诊断装置的结构示意图。如图4所示，该装置具有实现上述变压器的故障诊断的检测装置方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以包括：获取模块401、确定模块402以及归一化模块403。
获取模块401，用于获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度。
确定模块402，用于根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值。
归一化模块403，用于将待处理历史浓度比值进行归一化处理，得到历史浓度比值。
确定模块402，还用于将历史浓度比值输入变压器故障诊断模型中，确定诊断结果；变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系；变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
可选的，变压器故障诊断模型采用以下方法训练：
获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果。
根据各种类气体的样本浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值。
将待处理样本浓度比值进行归一化处理，得到样本浓度比值。
将样本浓度比值划分为训练样本浓度和测试样本浓度。
将变压器的故障结果划分为训练故障结果和测试故障结果。；
将训练样本浓度比值作为输入，将训练故障结果作为输出，训练得到变压器故障诊断模型。
将测试样本浓度输入变压器故障诊断模型，得到预测的变压器诊断结果。
如果预测的变压器诊断结果与测试故障诊断结果的差值小于预设阈值，则训练结束。
可选的，将训练样本浓度比值作为输入，将训练故障结果作为输出，训练得到变压器故障诊断模型；包括：
随机初始化随机森林模型中的子树颗树以及分裂特征数；子树颗数为随机森林模型中预设的一个参数；分裂特征数为随机森林模型中预设的另一个参数。
在预设次数内，迭代更新粒子的速度以及粒子的位置，改变子树颗数以及分裂特征数，对子树颗数以及分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型；粒子用于改变子树颗数以及分裂特征数；每迭代更新一次粒子的速度以及粒子的位置，改变一次子树颗数以及分裂特征数，得到一个中间随机森林模型。
将训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果。
计算所有变压器诊断结果与训练故障结果之间的差值，确定出与训练故障结构的差值最小的最佳变压器诊断结果。
将与最佳变压器诊断结果相对应的中间随机森林模型，确定为变压器故障诊断模型。
可选的，将样本浓度比值划分为训练样本浓度和测试样本浓度；包括：
采用自举抽样法，将样本浓度比值划分为训练样本和测试样本浓度。
可选的，各种类气体包括：
氢气、甲烷、乙烷、乙烯以及乙炔。
可选的，诊断结果包括以下至少一种结果：
工作状态正常、高能放电、低能放电、局部放电、高温过热、中温过热以及低温过热。
本申请实施例中，为了提高变压器故障诊断的精确度，在获取变压器故障诊断模型的过程中，采用离子群优化的方法，并结合随机森林模型选定变压器故障诊断模型的最优参数。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种变压器的故障诊断方法，其特征在于，所述方法包括：
获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度；
根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值；
将所述待处理历史浓度比值进行归一化处理，得到历史浓度比值；
将所述历史浓度比值输入变压器故障诊断模型中，确定诊断结果；所述变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系；所述变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
2.根据权利要求1所述的方法，其特征在于，所述变压器故障诊断模型采用以下方法训练：
获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果；
根据各种类气体的样本浓度，以及所述预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值；
将所述待处理样本浓度比值进行归一化处理，得到样本浓度比值；
将所述样本浓度比值划分为训练样本浓度和测试样本浓度；
将所述变压器的故障结果划分为训练故障结果和测试故障结果；
将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；
将所述测试样本浓度输入所述变压器故障诊断模型，得到预测的变压器诊断结果；
如果所述预测的变压器诊断结果与所述测试故障诊断结果的差值小于预设阈值，则训练结束。
3.根据权利要求2所述的方法，其特征在于，将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；包括：
随机初始化所述随机森林模型中的子树颗树以及分裂特征数；所述子树颗数为所述随机森林模型中预设的一个参数；所述分裂特征数为所述随机森林模型中预设的另一个参数；
在预设次数内，迭代更新粒子的速度以及粒子的位置，改变所述子树颗数以及所述分裂特征数，对所述子树颗数以及所述分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型；所述粒子用于改变所述子树颗数以及所述分裂特征数；每迭代更新一次所述粒子的速度以及所述粒子的位置，改变一次所述子树颗数以及所述分裂特征数，得到一个中间随机森林模型；
将所述训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果；
计算所有变压器诊断结果与所述训练故障结果之间的差值，确定出与所述训练故障结构的差值最小的最佳变压器诊断结果；
将与所述最佳变压器诊断结果相对应的中间随机森林模型，确定为所述变压器故障诊断模型。
4.根据权利要求2所述的方法，其特征在于，将所述样本浓度比值划分为训练样本浓度和测试样本浓度；包括：
采用自举抽样法，将所述样本浓度比值划分为所述训练样本和所述测试样本浓度。
5.根据权利要求1所述的方法，其特征在于，各种类气体包括：
氢气、甲烷、乙烷、乙烯以及乙炔。
6.根据权利要求1所述的方法，其特征在于，所述诊断结果包括以下至少一种结果：
工作状态正常、高能放电、低能放电、局部放电、高温过热、中温过热以及低温过热。
7.一种变压器的故障诊断装置，其特征在于，所述装置包括：
获取模块，用于获取待诊断变压器的绝缘油中溶解的各种类气体的历史浓度；
确定模块，用于根据各种类气体的历史浓度，以及预设的气体种类比值组合，确定不同种类气体之间的待处理历史浓度比值；
归一化模块，用于将所述待处理历史浓度比值进行归一化处理，得到历史浓度比值；
所述确定模块，还用于将所述历史浓度比值输入变压器故障诊断模型中，确定诊断结果；所述变压器故障诊断模型包括历史浓度比值与诊断结果的对应关系；所述变压器故障诊断模型基于随机森林模型建立，并采用粒子群优化的方法训练得到。
8.根据权利要求7所述的装置，其特征在于，所述变压器故障诊断模型采用以下方法训练：
获取样本变压器的绝缘油中溶解的各种类气体的样本浓度以及样本变压器的故障结果；
根据各种类气体的样本浓度，以及所述预设的气体种类比值组合，确定不同种类气体之间的待处理样本浓度比值；
将所述待处理样本浓度比值进行归一化处理，得到样本浓度比值；
将所述样本浓度比值划分为训练样本浓度和测试样本浓度；
将所述变压器的故障结果划分为训练故障结果和测试故障结果；
将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；
将所述测试样本浓度输入所述变压器故障诊断模型，得到预测的变压器诊断结果；
如果所述预测的变压器诊断结果与所述测试故障诊断结果的差值小于预设阈值，则训练结束。
9.根据权利要求8所述的装置，其特征在于，将所述训练样本浓度比值作为输入，将所述训练故障结果作为输出，训练得到所述变压器故障诊断模型；包括：
随机初始化所述随机森林模型中的子树颗树以及分裂特征数；所述子树颗数为所述随机森林模型中预设的一个参数；所述分裂特征数为所述随机森林模型中预设的另一个参数；
在预设次数内，迭代更新粒子的速度以及粒子的位置，改变所述子树颗数以及所述分裂特征数，对所述子树颗数以及所述分裂特征数改变的随机森林模型，进行训练，得到多个中间随机森林模型；所述粒子用于改变所述子树颗数以及所述分裂特征数；每迭代更新一次所述粒子的速度以及所述粒子的位置，改变一次所述子树颗数以及所述分裂特征数，得到一个中间随机森林模型；
将所述训练样本浓度比值输入多个中间随机森林模型中，得到多个变压器诊断结果；
计算所有变压器诊断结果与所述训练故障结果之间的差值，确定出与所述训练故障结构的差值最小的最佳变压器诊断结果；
将与所述最佳变压器诊断结果相对应的中间随机森林模型，确定为所述变压器故障诊断模型。
10.根据权利要求8所述的装置，其特征在于，将所述样本浓度比值划分为训练样本浓度和测试样本浓度；包括：
采用自举抽样法，将所述样本浓度比值划分为所述训练样本和所述测试样本浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979456.2A CN112101466A (zh) | 2020-09-17 | 2020-09-17 | 一种变压器的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979456.2A CN112101466A (zh) | 2020-09-17 | 2020-09-17 | 一种变压器的故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112101466A true CN112101466A (zh) | 2020-12-18 |
Family
ID=73759799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010979456.2A Pending CN112101466A (zh) | 2020-09-17 | 2020-09-17 | 一种变压器的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112101466A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN112132340A (zh) * | 2020-09-22 | 2020-12-25 | 云南电力技术有限责任公司 | 一种基于改进粒子群的气体浓度的预测方法及装置 |
-
2020
- 2020-09-17 CN CN202010979456.2A patent/CN112101466A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
| CN112132340A (zh) * | 2020-09-22 | 2020-12-25 | 云南电力技术有限责任公司 | 一种基于改进粒子群的气体浓度的预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110596492B (zh) | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 | |
| Pornprasit et al. | Jitline: A simpler, better, faster, finer-grained just-in-time defect prediction | |
| CN112382352B (zh) | 基于机器学习的金属有机骨架材料结构特征快速评估方法 | |
| US10467547B1 (en) | Normalizing text attributes for machine learning models | |
| CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
| CN109033178B (zh) | 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法 | |
| Mohi-Aldeen et al. | Application of Negative Selection Algorithm (NSA) for test data generation of path testing | |
| CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
| CN111461263A (zh) | 一种基于emd-rf的变压器油中溶解气体浓度预测方法 | |
| CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN114898826A (zh) | 基于mof的机器学习算法优选方法、存储介质及计算设备 | |
| CN112362292B (zh) | 对风洞试验数据进行异常检测的方法 | |
| CN110717691B (zh) | 基于组件的评估模型装配方法及系统 | |
| CN112101466A (zh) | 一种变压器的故障诊断方法及装置 | |
| CN112287484A (zh) | 一种基于矢量代理模型的复杂工程系统可靠性设计方法 | |
| CN112132340A (zh) | 一种基于改进粒子群的气体浓度的预测方法及装置 | |
| Suxiang et al. | Transformer power fault diagnosis system design based on the HMM method | |
| CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
| Zhou et al. | Convolutional neural network and data augmentation method for electricity theft detection | |
| CN112861973A (zh) | 一种基于决策树的通信铁塔故障诊断方法 | |
| CN112883886A (zh) | 一种并行加速的vmd-svpso-bp神经网络故障诊断方法 | |
| CN112396113A (zh) | 一种电力系统运行方式数据特征两阶段选择方法 | |
| CN112149253A (zh) | 基于分布式混合协同代理模型的工程结构可靠性评估方法 | |
| Zarif et al. | Improving performance of multi-label classification using ensemble of feature selection and outlier detection |
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 |