CN113484723A - 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 - Google Patents
基于XGBoost算法的变压器故障诊断与健康评估系统及方法 Download PDFInfo
- Publication number
- CN113484723A CN113484723A CN202110775445.7A CN202110775445A CN113484723A CN 113484723 A CN113484723 A CN 113484723A CN 202110775445 A CN202110775445 A CN 202110775445A CN 113484723 A CN113484723 A CN 113484723A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- transformer
- fault diagnosis
- health assessment
- 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
- 230000036541 health Effects 0.000 title claims abstract description 121
- 238000003745 diagnosis Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 239000007789 gas Substances 0.000 claims description 98
- 238000010438 heat treatment Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 229930195733 hydrocarbon Natural products 0.000 description 8
- 150000002430 hydrocarbons Chemical class 0.000 description 8
- 239000004215 Carbon black (E152) Substances 0.000 description 6
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 6
- HSFWRNGVRCDJHI-UHFFFAOYSA-N Acetylene Chemical compound C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 4
- 239000005977 Ethylene Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- HYBBIBNJHNGZAN-UHFFFAOYSA-N furfural Chemical compound O=CC1=CC=CO1 HYBBIBNJHNGZAN-UHFFFAOYSA-N 0.000 description 2
- 150000002431 hydrogen Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- -1 i.e. Chemical compound 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明提供了一种基于XGBoost算法的变压器故障诊断与健康评估系统及方法，包括如下模块：故障诊断模型模块：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型；健康评估模型模块：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。本发明使用XGBoost算法，故障诊断准确可靠，健康评估客观合理，有很强的可行性和有效性，对电力变压器的状态评估具有指导意义；尤其适用于对电力变压器可靠性和安全性要求较高的电力系统。
Description
技术领域
本发明涉及变压器故障诊断和健康评估的技术领域，具体地，涉及一种基于XGBoost算法的变压器故障诊断与健康评估系统及方法。
背景技术
作为电力系统中最重要的电气设备之一，电力变压器的健康状况直接关系到电网的安全稳定运行。目前，电网公司对电力变压器主要采取定期维修的策略，存在检修过于频繁和检修不及时的问题。与定期维修策略相比，通过对变压器实施状态评估，可以使每年维修费用下降25～50％，停电时间减少75％。可见，对电力变压器进行状态评估不仅能及时发现故障，提高电力系统运行的安全可靠性，而且能够减少人力物力的浪费，产生较好的经济效益。状态评估任务涵盖了故障诊断、健康评估、寿命预测等子任务。
油浸式电力变压器故障诊断的理论方法是油中溶解气体分析(Dissolved GasAnalysis,DGA)法，该方法基于油浸式变压器故障时绝缘油和绝缘纸会裂解释放气体的原理，以变压器油中的有机气体含量为研究对象，采用三比值法、四比值法、大卫三角形法等计算气体比值得到相应的故障编码，据此诊断故障类别。但此种方法故障编码不多，诊断粒度大，边界过于绝对，导致有些故障无法判断或判断模糊。随着数据挖掘和人工智能技术的发展与普及，机器学习和深度学习方法被应用于电力变压器故障诊断领域。但是，传统机器学习方法因其拟合函数的能力有限，诊断准确率难以进一步提升；深度学习方法则对数据的数量和质量要求苛刻，训练成本高，并且容易发生过拟合现象。对油浸式电力变压器进行健康评估的方法主要是根据油中气体和糠醛含量，结合层次分析、模糊评价、证据理论等方法对各个影响因素加权赋分，加总计算出变压器的健康指数。在这类评估方法中，各影响因素的得分和对应的权重由个人根据经验赋值，因此较受主观因素主导，不够客观精确。
公开号为CN108414684A的中国发明专利文献公开了一种用于变压器状态评估及故障诊断方法，包括如下步骤：变压器正常运行时，获取绝缘油中的溶解气体中的原始总烃含量；实时监测绝缘油中的溶解气体的实时总烃含量；将实时总烃含量与原始总烃含量进行分析，并计算出总烃的绝对产气速率；当实时总烃含量以及总烃的绝对产气速率达到一定的限制时，就会发出相应的警报，并做出诊断。
针对上述中的相关技术，发明人认为对于现有的故障诊断方法：传统机器学习方法因其拟合函数的能力有限，诊断准确率难以进一步提升；深度学习方法则对数据的数量和质量要求苛刻，训练成本高，并且容易发生过拟合现象。对于现有的健康评估方法：各影响因素的得分和对应的权重由个人根据经验赋值，因此较受主观因素主导，不够客观精确。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于XGBoost算法的变压器故障诊断与健康评估系统及方法。
根据本发明提供的一种基于XGBoost算法的变压器故障诊断与健康评估系统，包括如下模块：
故障诊断模型模块：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型；
健康评估模型模块：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。
优选的，还包括数据预处理模块：接收所述故障诊断模型得到的输入数据，输入数据包括气体绝对含量数据，通过数据处理，将气体绝对含量数据转化为气体间比值数据加入故障诊断模型参与故障诊断，当出现各种气体比值数据相近但总量相差甚远的特殊情况时，将气体总含量加入故障诊断模型的输入数据中。
优选的，所述故障诊断模型以油中溶解气体间比值和气体总含量作为输入数据；所述健康评估模型的输入数据包括气体绝对含量数据，所述健康评估模型提取XGBoost模型中间层概率为变压器健康状况打分，通过状态区间呈现变压器健康评估结果。
优选的，故障表现包括发热或放热；故障程度包括低能或高能，所述变压器的状态包括正常、低能量发热、高能量发热、低能量放电和高能量放电，分别用五种类别集合表示。
优选的，对于多分类任务，XGBoost将多分类任务转化成多个二分类任务；所述故障诊断模型由五个子模型组成，每个子模型分别输出一个评分值用来判断输入样本是否属于此种类别；所述二分类任务包括变压器正常或故障。
优选的，所述故障诊断模型以最小化损失函数为优化目标，使用反向传播进行梯度提升。
优选的，所述健康评估模型根据健康评估模型输出的评分自动生成显式的状态区间。
优选的，所述健康评估模型分析油中溶解气体监测数据对变压器整体的健康状态进行评估；所述健康评估模型根据利用变压器油中溶解气体监测数据，针对“判断变压器属于正常或故障状态”的二分类任务训练分类模型；训练变压器故障判别模型，当变压器故障判别模型准确率足够高时，健康评估模型学习到故障特征；健康评估模型解析变压器监测数据中含有的故障信息，故障信息越多，输出样本为正的概率就越低，变压器健康状况就越差，采用健康评估模型输出的概率作为变压器的健康评估得分。
根据本发明提供的一种基于XGBoost算法的变压器故障诊断与健康评估方法，包括如下步骤：
故障诊断模型步骤：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型；
健康评估模型步骤：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。
优选的，还包括数据预处理步骤：接收所述故障诊断模型得到的输入数据，输入数据包括气体绝对含量数据，通过数据处理，将气体绝对含量数据转化为气体间比值数据加入故障诊断模型参与故障诊断，当出现各种气体比值数据相近但总量相差甚远的特殊情况时，将气体总含量加入故障诊断模型的输入数据中。
与现有技术相比，本发明具有如下的有益效果：
1、在故障诊断模型中从故障表现和故障程度两个角度定义故障状态，包含的故障类型较为全面，诊断结果更为精确；
2、在故障诊断模型中采用XGBoost算法，取得了超越其他传统机器学习方法的诊断准确率，并且具有较低的训练成本、良好的泛化性和优秀的可解释性；
3、在数据预处理模块中，将气体绝对含量数据转化为气体比值数据参与故障诊断，使得数据拟合真实故障函数能力更强，诊断粒度更细，诊断效果更好；
4、在数据预处理模块中，将气体总含量加入输入特征中，考虑了各种气体比值相近但总量相差甚远的特殊情况；
5、在健康评估模型中，通过引入状态区间，使输出的分数具有区分度，对处于正常和故障状态之间的变压器也能给出合适的评分；
6、在健康评估模型中采用XGBoost算法和KMeans聚类，排除了评估流程中因人为评分和赋权引入的主观性，评估结果更加精确客观。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于XGBoost算法的故障诊断流程图；
图2为基于XGBoost算法的健康评估流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于XGBoost算法的变压器故障诊断与健康评估系统及方法，如图1和图2所示，包括如下模块：故障诊断模型模块：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型。故障诊断模型以油中溶解气体间比值和气体总含量作为输入数据。故障表现包括发热或放热；故障程度包括低能或高能，变压器的状态包括正常、低能量发热、高能量发热、低能量放电和高能量放电，分别用五种类别集合表示。对于多分类任务，XGBoost将多分类任务转化成多个二分类任务。故障诊断模型由五个子模型组成，每个子模型分别输出一个评分值用来判断输入样本是否属于此种类别。二分类任务包括变压器正常或故障。故障诊断模型以最小化损失函数为优化目标，使用反向传播进行梯度提升。
基于XGBoost的故障诊断模型模块，分别从故障表现和故障程度两个角度出发定义故障状态，丰富了故障集合，基于XGBoost算法建立故障诊断模型，提升了诊断准确性和训练效率，为后续模块建立理论基础。
基于XGBoost的故障诊断模型模块，主要是分析了XGBoost方法的原理，介绍了变压器故障诊断模型的具体结构，并结合文字和图像展示了模型的搭建流程。
XGBoost属于机器学习中的集成学习方法。该集成方法的核心思想包括：输入训练数据集并对输出函数进行初始化之后，以减小模型预测结果和真实标签之间的残差为目标对数据集进行迭代训练，生成多个分类与回归树作为弱分类器，最终合并成一个强分类器。与其他传统机器学习方法相比，XGBoost方法准确率更高；与深度学习方法相比，其训练成本更小、泛化性更好。
分别从故障表现(发热还是放电)和故障程度(低能还是高能)两个角度出发定义故障状态，则变压器一共有五类状态：正常、低能量发热、高能量发热、低能量放电、高能量放电，分别用五种类别集合表示。对于多分类任务，XGBoost常用的处理方法是将多分类任务转化成多个诸如“该变压器是否正常？”的二分类任务。因此，模型由五个子模型组成，每个子模型分别输出一个评分值用来判断输入样本是否属于此种类别。故障诊断模型输出的是电力变压器的状态，共有正常、低能量发热、高能量发热、低能量放电、高能量放电五种。故障诊断模型即基于XGBoost算法的分类模型。
模型以最小化损失函数为优化目标，使用反向传播进行梯度提升。
数据预处理模块：接收所述故障诊断模型得到的输入数据，输入数据包括气体绝对含量数据，通过数据处理，将气体绝对含量数据转化为气体间比值数据加入故障诊断模型参与故障诊断，当出现各种气体比值数据相近但总量相差甚远的特殊情况时，将气体总含量加入故障诊断模型的输入数据中。故障诊断模型以油中溶解气体间比值和气体总含量作为预处理后的输入数据；数据预处理的具体含义是指：基本采集到的各种气体绝对含量，选取7种气体的比值以及气体总含量作为故障诊断模型的输入数据。
基于气体比值法的数据预处理模块，接收基于XGBoost的故障诊断模型模块得到的输入数据，通过数据处理，将气体绝对含量数据转化为气体比值数据参与故障诊断，考虑了各种气体比值相近但总量相差甚远的特殊情况，将气体总含量加入输入特征中。
基于气体比值法的数据预处理模块，主要是改进了其他机器学习诊断方法中直接使用气体绝对含量的做法，借鉴三比值法，将气体绝对含量数据转换成气体相对比值进行故障诊断。
本发明的数据预处理过程主要做出了以下改进：1、为了减小数据冗余度，降低输入特征维度，本发明删除了部分气体比值，选取H2/CH4,C2Hl/C2H4,C2H4/C2H2,H2/(H2+C1+C2),CH4/(C1+C2),C2H6/(C1+C2),C2H4/(C1+C2)共七种线性无关的比值作为输入。2、为了区分各种气体比值相近但总量相差甚远的样本，将气体总含量加入输入特征中。3、当某气体含量为0时，用10-3代替。H2表示氢气；CH4表示甲烷；C2H6表示乙烷；C2H4表示乙烯；C2H2表示乙炔；C1+C2表示总烃，为CH4、C2H6、C2H4和C2H2四种气体的总量。C1表示含有一个碳的有机物，即甲烷。C2表示含有两个碳的有机物，即乙烷、乙烯和乙炔。
健康评估模型模块：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。健康评估模型的输入数据包括气体绝对含量数据，气体绝对含量数据包括氢气、甲烷、乙烷、乙烯和乙炔。健康评估模型提取XGBoost模型中间层概率为变压器健康状况打分，通过状态区间呈现变压器健康评估结果。健康评估模型根据健康评估模型输出的评分自动生成显式的状态区间。健康评估模型的输入数据是各种气体的绝对含量。健康评估模型的输入数据包括氢气、甲烷、乙烷、乙烯和乙炔等气体绝对含量数据。
健康评估模型分析油中溶解气体监测数据对变压器整体的健康状态进行评估。健康评估模型根据利用变压器油中溶解气体监测数据，针对“判断变压器属于正常或故障状态”的二分类任务训练分类模型。训练变压器故障判别模型，当变压器故障判别模型准确率足够高时，健康评估模型学习到故障特征。健康评估模型解析变压器监测数据中含有的故障信息，故障信息越多，输出样本为正的概率就越低，变压器健康状况就越差，采用健康评估模型输出的概率作为变压器的健康评估得分。故障诊断模型输出的是具体的故障状态，共有五种。而故障判别模型是概率性地判断变压器是正常还是故障。只输出两种状态。
基于XGBoost和KMeans的健康评估模型模块，通过KMeans聚类建立状态区间，使输出的分数具有区分度，对处于正常和故障状态之间的变压器也能给出合适的评分。基于XGBoost算法建立健康评估模型，排除了评估流程中因人为评分和赋权引入的主观性，评估结果更加精确客观。
基于XGBoost和KMeans的健康评估模型模块，主要是分析了健康评估模型的原理，介绍了健康评估模型的具体结构，利用实验和分析的方法确定了模型的具体参数，并根据模型输出的评分自动生成显式的状态区间。
健康评估模型的原理：与变压器健康状况相关的各因素的劣化，将导致变压器整体健康状况的恶化，并体现在变压器油中气体监测数据中。只要分析油中溶解气体监测数据，便能对变压器整体的健康状态进行评估。
健康评估模型的具体结构：利用变压器油中溶解气体监测数据，针对“判断变压器属于正常/故障状态”的二分类任务训练分类模型。先训练一个变压器故障判别模型，若模型准确率足够高，则可认为模型学习到了故障特征。模型解析变压器监测数据中含有的故障信息，故障信息越多，输出该样本为正的概率就越低，该变压器健康状况就越差，考虑采用模型输出的概率作为变压器的健康评估得分。
模型的具体参数：每棵回归树深度不一，拥有数量不等的树枝节点和叶子节点。依据奥卡姆剃刀原则，在满足模型要求的前提下，应选择尽量简单的模型。限制回归树最大深度为2，在准确率损失很小的情况下能大大简化模型。取回归树棵数为10，则叶子节点数为40，此时模型测试集准确率和评分的分布情况都不逊于回归树棵数为12的模型。故最终选取模型回归树棵数为10，最大深度为2。
确定状态区间：为克服传统评分方法中人为规定状态分界阈值为模型引入的客观性，本模型采用KMeans聚类方法，基于数据自主学习不同状态下健康评分的分界点。将变压器状态划分为以下4个等级：正常、注意、异常和严重。通过聚类分析确定四个类别的状态区间如下：正常—[0.8,1]，注意—[0.43,0.8)，异常—[0.15,0.43)，严重—[0,0.15)。
本发明中故障诊断模型流程图和健康评估模型流程图如图1和图2所示。首先收集得到油浸式电力变压器油中溶解气体检测数据作为DGA数据集，按7：3的比例划分为训练集和测试集。样本分为正常、低温发热、高温发热、低能量放电、高能量放电五种状态，依次标记为第0、1、2、3、4类状态。将回归树作为模型中的弱分类器，设置树的最大深度为10，迭代轮数为210轮，模型共包含210×5＝1050棵回归树。模型训练采用10折交叉验证方法，将学习结果与随机森林、AdaBoost、决策树等传统机器学习方法进行对比，结果如表1所示。可见，本发明的XGBoost模型在诊断准确率和AUC值等指标上都优于其他模型。
表1.各种机器学习模型表现对比
然后考虑变压器油中气体含量、绝缘油劣化程度、绝缘纸劣化程度、绕组介质损耗、铁芯接地电流、极化指数等多个指标，综合分析得出变压器健康评估结果。将本发明评估结果与SVM分类器得到的评估结果进行对比，如表2所示。
表2.SVM分类器与本发明模型评估结果对比
比较不同模型的评估结果可以发现，前者虽能正确将变压器的状态评估为严重，但模型认为该变压器状态为正常的概率同样较高，而实际上正常与严重两种状态相差甚远，因此前者的模型存在较大的风险。本发明的模型不仅正确评估了变压器状态，而且给出了很低的健康评分，与其他状态对应的分数区间相差甚远，佐证了评估结果，降低了评估错误的风险，具有很强的指导意义。
本发明故障诊断准确率高，健康评估客观性强，适合对可靠性和安全性要求较高的电力系统。本发明基于Extreme Gradient Boosting(XGBoost)算法的变压器故障诊断和健康评估。本发明包括基于XGBoost的故障诊断模型模块、基于气体比值法的数据预处理模块、基于XGBoost和KMeans的健康评估模型模块等几部分内容。故障诊断模型考虑以油中溶解气体间比值和气体总量作为输入，健康评估模型考虑提取XGBoost模型中间层概率为变压器健康状况打分，通过状态区间呈现变压器健康评估结果。
本发明涉及的是一种电气设备的状态评估技术，适用于对可靠性和安全性要求较高的电力系统。本发明基于XGBoost算法的变压器故障诊断和健康评估方法。故障诊断模型考虑以油中溶解气体间比值和气体总量作为输入，健康评估模型考虑提取XGBoost模型中间层概率为变压器健康状况打分，通过状态区间呈现变压器健康评估结果。
本发明是通过以下技术方案实现的。本发明包括：基于XGBoost的故障诊断模型模块、基于气体比值法的数据预处理模块、基于XGBoost和KMeans的健康评估模型模块等几部分内容。其中：所述的基于XGBoost的故障诊断模型模块，主要是分析了XGBoost方法的原理，介绍了变压器故障诊断模型的具体结构，并结合文字和图像展示了模型的搭建流程。所述的基于气体比值法的数据预处理模块，主要是改进了其他机器学习诊断方法中直接使用气体绝对含量的做法，将气体绝对含量数据转换成气体相对比值进行故障诊断。所述的基于XGBoost和KMeans的健康评估模型模块，主要是分析了健康评估模型的原理，介绍了健康评估模型的具体结构，利用实验和分析的方法确定了模型的具体参数，并根据模型输出的评分自动生成显式的状态区间。
本方法采用了XGBoost算法，故障诊断准确可靠，健康评估客观合理，有很强的可行性和有效性，对电力变压器的状态评估具有指导意义。尤其适用于对电力变压器可靠性和安全性要求较高的电力系统。本发明可以精确诊断故障、客观评估健康状况的电力变压器状态评估。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，包括如下模块：
故障诊断模型模块：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型；
健康评估模型模块：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。
2.根据权利要求1所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，还包括数据预处理模块：接收所述故障诊断模型得到的输入数据，输入数据包括气体绝对含量数据，通过数据处理，将气体绝对含量数据转化为气体间比值数据加入故障诊断模型参与故障诊断，当出现各种气体比值数据相近但总量相差甚远的特殊情况时，将气体总含量加入故障诊断模型的输入数据中。
3.根据权利要求2所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，所述故障诊断模型以油中溶解气体间比值和气体总含量作为输入数据；所述健康评估模型的输入数据包括气体绝对含量数据，所述健康评估模型提取XGBoost模型中间层概率为变压器健康状况打分，通过状态区间呈现变压器健康评估结果。
4.根据权利要求1所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，故障表现包括发热或放热；故障程度包括低能或高能，所述变压器的状态包括正常、低能量发热、高能量发热、低能量放电和高能量放电，分别用五种类别集合表示。
5.根据权利要求4所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，对于多分类任务，XGBoost将多分类任务转化成多个二分类任务；所述故障诊断模型由五个子模型组成，每个子模型分别输出一个评分值用来判断输入样本是否属于此种类别；所述二分类任务包括变压器正常或故障。
6.根据权利要求1所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，所述故障诊断模型以最小化损失函数为优化目标，使用反向传播进行梯度提升。
7.根据权利要求1所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，所述健康评估模型根据健康评估模型输出的评分自动生成显式的状态区间。
8.根据权利要求1所述的基于XGBoost算法的变压器故障诊断与健康评估系统，其特征在于，所述健康评估模型分析油中溶解气体监测数据对变压器整体的健康状态进行评估；所述健康评估模型根据利用变压器油中溶解气体监测数据，针对“判断变压器属于正常或故障状态”的二分类任务训练分类模型；训练变压器故障判别模型，当变压器故障判别模型准确率足够高时，健康评估模型学习到故障特征；健康评估模型解析变压器监测数据中含有的故障信息，故障信息越多，输出样本为正的概率就越低，变压器健康状况就越差，采用健康评估模型输出的概率作为变压器的健康评估得分。
9.一种基于XGBoost算法的变压器故障诊断与健康评估方法，其特征在于，包括如下步骤：
故障诊断模型步骤：分别从故障表现和故障程度两个角度出发定义故障状态，丰富故障集合，基于XGBoost算法建立故障诊断模型；
健康评估模型步骤：通过KMeans聚类建立状态区间，使输出的分数具有区分度，基于XGBoost算法建立健康评估模型，对处于正常和故障状态之间的变压器给出评分，通过状态区间呈现变压器健康评估结果。
10.根据权利要求9所述的基于XGBoost算法的变压器故障诊断与健康评估方法，其特征在于，还包括数据预处理步骤：接收所述故障诊断模型得到的输入数据，输入数据包括气体绝对含量数据，通过数据处理，将气体绝对含量数据转化为气体间比值数据加入故障诊断模型参与故障诊断，当出现各种气体比值数据相近但总量相差甚远的特殊情况时，将气体总含量加入故障诊断模型的输入数据中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775445.7A CN113484723A (zh) | 2021-07-08 | 2021-07-08 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110775445.7A CN113484723A (zh) | 2021-07-08 | 2021-07-08 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113484723A true CN113484723A (zh) | 2021-10-08 |
Family
ID=77938174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110775445.7A Pending CN113484723A (zh) | 2021-07-08 | 2021-07-08 | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113484723A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956779A (zh) * | 2016-05-09 | 2016-09-21 | 山东大学 | 电力变压器运行状态评估方法和装置 |
| CN106526370A (zh) * | 2016-10-27 | 2017-03-22 | 国家电网公司 | 一种基于化学反应算法的rvm变压器故障诊断方法 |
| CN107677903A (zh) * | 2017-09-14 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态监测数据的聚类分析方法 |
| CN109298258A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 结合rvm和dbn的变压器故障诊断方法及系统 |
| CN110569278A (zh) * | 2019-08-21 | 2019-12-13 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据分析的变压器缺陷评估方法 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
-
2021
- 2021-07-08 CN CN202110775445.7A patent/CN113484723A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956779A (zh) * | 2016-05-09 | 2016-09-21 | 山东大学 | 电力变压器运行状态评估方法和装置 |
| CN106526370A (zh) * | 2016-10-27 | 2017-03-22 | 国家电网公司 | 一种基于化学反应算法的rvm变压器故障诊断方法 |
| CN107677903A (zh) * | 2017-09-14 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种变压器状态监测数据的聚类分析方法 |
| CN109298258A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 结合rvm和dbn的变压器故障诊断方法及系统 |
| CN110569278A (zh) * | 2019-08-21 | 2019-12-13 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据分析的变压器缺陷评估方法 |
| CN110766059A (zh) * | 2019-10-14 | 2020-02-07 | 四川西部能源股份有限公司郫县水电厂 | 一种变压器故障的预测方法、装置和设备 |
| CN112183590A (zh) * | 2020-09-14 | 2021-01-05 | 浙江大学 | 一种基于OneclassSVM算法的变压器故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110718910B (zh) | 贝叶斯优化LightGBM的暂态稳定评估方法 | |
| CN115563563A (zh) | 基于变压器油色谱分析的故障诊断方法及装置 | |
| CN104535865A (zh) | 基于多参数的电力变压器运行故障综合诊断方法 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN110689068B (zh) | 一种基于半监督svm的变压器故障类型诊断方法 | |
| CN114580706A (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
| CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
| 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 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
| CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
| Guo et al. | Fault diagnosis of power transformers based on comprehensive machine learning of dissolved gas analysis | |
| ZHANG et al. | Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment | |
| Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN113484723A (zh) | 基于XGBoost算法的变压器故障诊断与健康评估系统及方法 | |
| CN111175458A (zh) | 一种基于XGBoost算法的变压器油中溶解气体分析方法 | |
| CN115840884A (zh) | 样本选择方法、装置、设备及介质 | |
| CN114492559A (zh) | 一种基于数据时频域建模的电力设备故障诊断方法 | |
| CN114417977A (zh) | 一种基于变压器数据样本扩充的故障诊断方法及系统 | |
| CN113283479A (zh) | 一种适用于电力变压器故障的特征提取与诊断方法 | |
| CN115438190A (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
| CN113721002A (zh) | 一种基于硬投票集成学习的变压器故障诊断的方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |