CN115407053B - 征兆优选方法、计算机设备以及可读存储介质 - Google Patents
征兆优选方法、计算机设备以及可读存储介质 Download PDFInfo
- Publication number
- CN115407053B CN115407053B CN202211000503.XA CN202211000503A CN115407053B CN 115407053 B CN115407053 B CN 115407053B CN 202211000503 A CN202211000503 A CN 202211000503A CN 115407053 B CN115407053 B CN 115407053B
- Authority
- CN
- China
- Prior art keywords
- symptom
- cloud
- symptoms
- candidate
- transformer
- 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.)
- Active
Links
- 208000024891 symptom Diseases 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000007789 gas Substances 0.000 claims abstract description 83
- 238000003745 diagnosis Methods 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 241000282421 Canidae Species 0.000 claims description 42
- 239000003921 oil Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 35
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 241000282461 Canis lupus Species 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 108010074864 Factor XI Proteins 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 19
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 101000666657 Homo sapiens Rho-related GTP-binding protein RhoQ Proteins 0.000 abstract description 2
- 102100038339 Rho-related GTP-binding protein RhoQ Human genes 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 241001620634 Roger Species 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于变压器故障诊断技术领域,公开了一种变压器故障诊断用油中溶解气体征兆优选方法、计算机设备以及可读存储介质。为了实现更高准确率的变压器故障诊断,本发明提出了云征兆方法以丰富现有的征兆集,为了适应高维云征兆的云变换,本发明设计了自组织云概念提取神经网络进行云概念的提取,以深度挖掘多DGA气体间的关联信息,提高本发明方法的故障诊断能力,最后,通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知,经过本发明方法优选的混合新征兆,能够实现92.4%诊断准确率,相较于传统征兆具有13.2%~30.8%的诊断准确率提升效果,且在现场应用和多诊断模型中,均表现出了较强的泛化能力和推广能力。
Description
技术领域
本发明属于变压器故障诊断技术领域,特别涉及一种变压器故障诊断用油中溶解气体征兆优选方法、计算机设备以及可读存储介质。
背景技术
变压器作为输变电系统中的枢纽设备,其任何故障均会直接影响电网的正常运行,进而危害电网供电安全。若能在故障前期对变压器状态进行有效地辨别,则能及时地进行修复以防止故障的进一步恶化。因此,对变压器进行准确的故障诊断对于维护电网稳定具有重要意义。在众多变压器故障诊断技术中,油中溶解气体分析(dissolved gasanalysis,DGA)凭借其实时性、直观性等优点被广泛应用。该方法主要通过分析故障时绝缘油及绝缘纸(板)纤维素的裂解产物来判断变压器状态,并能够以DGA气体的数值征兆结合智能诊断模型的方式进一步实现故障诊断。值得注意的是,基于DGA气体构造的故障征兆作为诊断模型的重要信息来源,其数据分布、关联特性和特征信息等因素均会影响诊断效果。针对数值征兆不足以完全反映变压器实时运行状态的问题,研究者依据现场经验与产气机理分析提出了比值征兆法,如IEC比值法、Doermenburg比值法和Roger比值法。该类方法通过比值的方式避免了气体数量级差异对诊断效果的影响,能够在一定程度上提高变压器故障诊断的准确率。
另外,基于数值征兆与比值征兆的变压器故障诊断均属于DGA的一种确定性研究方法,而在实际应用过程中,相关特征气体的测量不可避免地会受到人为采集误差以及传感器工作条件等因素的影响,精确性只是相对的,不确定性才是绝对的。因此,在进行DGA的确定性研究之余,开展不确定性研究是必要的。作为一种典型的不确定性研究方法,云理论能够利用自然语言值把信息的随机性和模糊性有效的集成在一起,并通过建立云模型研究特征量的定性概念和定量数值之间的不确定性映射关系。目前,云理论已经在风电功率预测、电压暂降评估等电气领域广泛应用,但仅停留在对低维特征量之间的关联性分析。
客观上,利用高维云征兆可以更好地挖掘多DGA气体之间的关联信息,使得智能诊断模型更详尽地提取先验信息中的潜在特征。然而,在云征兆的实际应用过程中,征兆的转换需要先验状态空间的建立,已有的云变换方法,如峰值云变换,虽然可以基于征兆的频率分布进行云概念提取,但它仅适应于一维与二维云征兆,并不能满足高维云变换的需求。相对而言,传统分段云变换对云征兆维度没有要求,但“硬边界”的分段方式与云理论的随机性、模糊性分析相悖。因此,为了实现DGA云征兆在变压器故障诊断中的应用,如何设计一种能够兼顾不确定性分析和高维云变换的方法,值得进一步研究。
综上,随着变压器故障征兆方法的发展,不断涌现出各种比值征兆方式。虽然基于DGA气体的故障征兆数量繁多,但种类相对单一且诊断效果有限。因此,为实现更合理的油中溶解气体分析,并探求更优异的变压器故障诊断效果,成为本领域研究的重点。
发明内容
本发明的目的在于提出一种变压器故障诊断用油中溶解气体征兆优选方法,在比值征兆的基础上进一步丰富了变压器故障征兆的种类,增加了信息多样性,通过对由候选比值征兆和候选云征兆组成的征兆集中的征兆进行优选,以提高变压器故障诊断的准确率。
本发明为了实现上述目的,采用如下技术方案:
一种变压器故障诊断用油中溶解气体征兆优选方法,包括如下步骤:
步骤1.收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据,关联故障类别标签,构建原始数据集M;
其中,每组油中溶解气体浓度数据及其所对应的故障类别标签组成一个样本;
步骤2.基于采集到的各种油中溶解气体类型,设计构造出不同种类的候选征兆参量,包括候选比值征兆和候选云征兆,组成候选征兆集;
步骤3.将原始数据集M中的各个样本,从原始气体浓度数据转化成步骤2中所设计的候选征兆参量,并完成样本的归一化预处理;
步骤4.将经过征兆转换的样本集划分为训练集T1和测试集T2;
步骤5.基于训练集T1,通过信息增益方法对候选征兆进行重要度排序,并从重要度最高的征兆开始,按照每次增加一个征兆的方式组成不同维度的有序征兆子集;
步骤6.采用灰狼算法以SVM的诊断准确率为优化目标,对有序征兆子集维度m进行优选,同时优化SVM的超参数,建立变压器故障诊断模型;
根据最优征兆子集维度m,获得变压器故障诊断用的最优征兆组合。
此外,在上述变压器故障诊断用油中溶解气体征兆优选方法的基础上,本发明还提出了一种用于实现上述变压器故障诊断用油中溶解气体征兆优选方法的计算机设备。
该计算机设备包括存储器和处理器,存储器中存储有可执行代码,处理器执行所述可执行代码时,用于实现上面述及的变压器故障诊断用油中溶解气体征兆优选方法。
此外,在上述变压器故障诊断用油中溶解气体征兆优选方法的基础上,本发明还提出了一种用于实现上述变压器故障诊断用油中溶解气体征兆优选方法的可读存储介质。
该计算机可读存储介质,其上存储有程序。当该程序被处理器执行时,用于实现上面述及的变压器故障诊断用油中溶解气体征兆优选方法。
本发明具有如下优点:
如上所述,本发明述及了一种变压器故障诊断用油中溶解气体征兆优选方法,该征兆优选方法为了实现更高准确率的变压器故障诊断,提出了云征兆方法以丰富现有的征兆集,此外,为了适应高维云征兆的云变换,本发明设计了自组织云概念提取神经网络(Self-organized cloud concept extraction,SOCCE)进行云概念的提取,以深度挖掘多DGA气体间的关联信息,提高本发明方法的故障诊断能力,最后,通过先排序后寻优的征兆优选策略遴选出最优的DGA混合征兆集。通过IEC TC10故障数据库下的对比诊断可知,经过本发明方法优选的混合新征兆,能够实现92.4%诊断准确率,相较于传统征兆具有13.2%~30.8%的诊断准确率提升效果,且在现场应用和多诊断模型中,均表现出了较强的泛化能力和推广能力。
附图说明
图1为本发明实施例中变压器故障诊断用油中溶解气体征兆优选方法的流程图。
图2为本发明实施例中SOCCE网络结构图。
图3为本发明实施例中状态空间的建立流程图。
图4为本发明实施例中SOCCE的训练流程图。
图5为更新曲线的辐射邻域和更新率图。
图6为SOCCE在不同初始化、训练方法下的性能比较示意图。
图7为本发明征兆优选方法与数值征兆方法的诊断效果对比示意图。
图8为本发明征兆优选方法与比值征兆方法的诊断效果对比示意图。
图9为本发明实施例中NNs下与数值征兆方法的诊断效果对比示意图。
图10为本发明实施例中NNs下与比值征兆方法的诊断效果对比示意图。
具体实施方式
本发明提出了一种变压器故障诊断用油中溶解气体征兆优选方法,其基本思想如下:
首先,提出了基于DGA气体的云征兆构造方式,在比值征兆的基础上进一步丰富了变压器故障征兆的种类,增加了信息多样性;
其次,为了适应高维云征兆的云变换,提出了基于自组织云概念提取神经网络(Self-organized cloud concept extraction,SOCCE)的云概念挖掘方法;
最后,以先排序后寻优的方式在候选比值征兆和候选云征兆组成的征兆集中进行优选。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
步骤1.收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据,关联故障类别标签,构建原始数据集M。其中,每组油中溶解气体浓度数据及其所对应的故障类别标签,分别组成原始数据集M中的一个样本。
该步骤中,原始数据包括以下七种变压器油中溶解气体的含量:H2、CH4、C2H2、C2H4、C2H6、CO和CO2。典型故障及故障类别标签包括:
低能放电及其类别标签LE-D,高能放电及其类别标签HE-D,中低温过热及其类别标签LM-T,高温过热及其类别标签H-T,正常状态及其类别标签NC。
步骤2.基于采集到的各种油中溶解气体类型,设计构造出不同种类的候选征兆参量,包括候选比值征兆和候选云征兆,组成候选征兆集。
步骤2.1.基于变压器故障时的油中溶解气体产物(H2、CH4、C2H2、C2H4、C2H6、CO与CO2),选择能反映放电或过热故障的14种气体浓度比值作为候选比值征兆,如表1所示。
表1候选比值征兆
表1中,总烃TCH=CH4+C2H2+C2H4+C2H6;D=CH4+C2H2+C2H4。
步骤2.2.不同的故障征兆构造方法能够产生不同的输入数据分布,从而直接影响各诊断模型的精度。在比值征兆的基础上,本发明提出多维云征兆,以提升变压器故障诊断效果。
基于DGA气体组合构造一维至七维共129种候选云征兆,如公式(1)所示:
其中,公式(1)中的表示由变压器油中任意i种溶解气体构造的i维云征兆,公式(1)中的数量2表示两个一维云征兆,即TCH和D,i=1,2……,7。
基于DGA气体组合构造一维至七维共129种候选云征兆,如表2所示。
表2候选云征兆
例如表2中的F28:[1000010]表示基于(H2,CH4,C2H2,C2H4,C2H6,CO,CO2)构造的二维云征兆[H2,CO],其他含义类似,此处不做一一举例。该征兆由油纸绝缘中电弧放电的特征产物H2和CO组成,能够在一定程度上表征变压器的放电状态。例如,在某变压器的高能放电状态下,上述DGA气体的浓度(单位:ppm)为(13500,6110,4040,4510,212,8690,1460),则此时F28:[13500,8690]。不难发现,该样本的征兆F28中,H2和CO的含量明显高于其他气体,故可借助于征兆F28对该故障类型进行有效地鉴别。
本发明总共选取了143个不同种类的候选征兆,极大丰富了诊断模型的信息源。
为了实现上述征兆的实际应用,本发明相应提出了征兆的转换方法,并对候选征兆以先排序后寻优的方式进行优选,最终得到本发明中故障诊断混合新征兆,如图1所示。
步骤3.将原始数据集M中的各个样本,从原始气体浓度数据转化成步骤2中所设计的候选征兆参量,并完成样本的归一化预处理。
为实现上文中候选征兆的应用,需完成从原始DGA气体数据向征兆表达形式的转换,而不同征兆种类的征兆转换方法各有不同。
下述步骤3.1和步骤3.2分别示出了比值征兆以及云征兆的转换方法。
步骤3.1.对于比值征兆,直接在对应气体的浓度之间进行除法运算,以实现样本从气体浓度数据向比值形式的转换,此处不再详细展开赘述。
步骤3.2.对于云征兆,通过式(2)计算样本与先验状态空间内各个云概念之间的隶属度μ,并将其中μ最大值所对应的云概念判定为该样本的隶属云概念,以实现样本从定量气体数据向云征兆下定性云概念的转换。
其中,xiv为第i个样本在该云概念下的第v维特征气体含量值;Exv、Env分别为该云概念下第v维度的云期望和云熵,V表示云征兆的维度。
鉴于获得云征兆的状态空间是实现云征兆转换的核心前提,本发明提出基于自组织神经网络的竞争博弈理论设计SOCCE神经网络的状态空间建立方法。
如图2所示,SOCCE由输入层、竞争层和输出层构成。
SOCCE的运行分为竞争、更新和输出三个阶段,具体过程如下:
首先,输入云征兆所对应的DGA气体数据,并令SOCCE网络进入竞争阶段。
竞争层内各神经元针对每一个输入层的样本进行竞争,并通过比较各神经元权值与输入样本之间的距离度量d来确定隶属关系。值得注意的是,神经元的隶属样本越多,其被激活为定性概念的属性越强,故距离度量d的选取尤为重要。
鉴于多维云征兆内各维度DGA气体间具有复杂关联性,且考虑到不同气体的生成机理和数据分布范围各不相同,则相较于传统的Euclidean距离,Mahalanobis距离能更全面地考量各个气体的特性以及关联性,因此本发明采用Mahalanobis的度量函数进行合理度量。
式中,x代表输入样本;c代表神经元权值;∑代表协方差矩阵。
其次,对SOCCE网络进行参数更新。
经过竞争,神经元被激活为云概念后,需进行云概念中心的强化。同时,激活辐射邻域L内邻近的神经元,使相应神经元的权值在更新率α下进行修正。
α(t,L)=e-L/(t+2) (5)
c(t+1)=c(t)+α(t,L)(d-c(t)) (6)
L(t)表示最佳神经元所能辐射到相邻神经元的距离最大值,t为当前迭代次数,T为总迭代次数,L0为初始辐射邻域;α(t,L)表示距离最优神经元为L的神经元在第t次迭代时的权值更新率,c(t)表示该神经元更新前的权值,c(t+1)表示该神经元更新后的权值。
其中,首次迭代时的初始权值c(0)由步骤3.2.1得到。
最后,当竞争层的所有神经元均被激活为云概念时,结束对SOCCE网络的训练,并输出状态空间下各云概念的数字特征(Exv,Env)。
云期望Exv为最能代表该定性云概念的值;云熵Env为对定性概念不确定性的度量。
经过多次竞争与更新,使得SOCCE网络能够感知输入样本的云概念分布信息,令不同输入样本的某些关联特性表现为拓扑空间上邻近的云概念映射。
其中,输出层对每一云概念所隶属的样本集X={x1,……,xN}进行逆向云变换,从而实现状态空间内所蕴含的全部云概念的数字特征Exv与Env的提取,而云征兆在其论域内所蕴含的全部云概念即构成了该云征兆的状态空间。具体公式如公式(7)和公式(8)所示。
其中,v=1,…,V,N表示该类样本总数。
如图3所示,状态空间的建立过程如下:
首先对SOCCE网络进行初始化;其次对网络进行训练,以实现该云征兆下的云概念挖掘;最后通过逆向云变换输出各云概念的数字特征,即可完成云征兆的状态空间构建。
为了避免随机初始参数对SOCCE中云概念提取效果的影响,本发明采用k-means算法进行浅易地数据汇聚,并获取粗糙的中心簇,以此作为竞争层中各神经元的初始权值。
其中,k-means算法具有聚类功能。
如图4示出了SOCCE的训练流程,其中:
为进一步提高SOCCE网络对高维云征兆的概念挖掘能力,避免在训练后期陷入局部最优,造成大量神经元得不到更新修正的局面,本发明采取循环迭代的方式进行训练。
图5为辐射邻域L和更新率α的更新。其中,图5(a)为L0=5时辐射邻域的更新曲线图,图5(b)为L=1时更新率图。由图5可知,相较于传统训练方法,循环迭代能够自适应调整L与α的更新,更好平衡SOCCE网络的细调阶段与粗调阶段,即当网络经过多次的权值细调整而未能实现足够的概念挖掘时,令SOCCE网络再次进入粗学习阶段,以便于更大范围的神经元参与更新,且权值获得较大调整,从而不断寻求网络的全局最优解。
图6为不同训练方式下SOCCE针对四维云征兆[H2,CH4,C2H2,C2H4]的训练过程。其中,随机初始化结合传统训练方法下的概念提取效果最差,因为SOCCE在训练初期即进入细调阶段,导致了大量神经元的权值得不到更新而进入“假死”状态,使得网络极易陷入局部最优。同时为避免更新率设置过低对训练结果产生影响,进行10α下的仿真实验。可知,更新率的提高虽然会避免“假死”现象,但令SOCCE处于不稳定状态,且训练效果也未见明显提升。然而在循环迭代的训练方式下,能较好平衡粗调与细调阶段,以避免网络陷入局部最优且具有一定稳定性。仿真结果表明,该方法可显著提升网络性能。此外,通过不同初始化方法下的多组对比实验可知,k-means初始化可有效改善随机初始参数对网络的性能限制。
在步骤3的样本归一化处理中,不同征兆种类下样本的归一化预处理方式各有不同,具体为:
对于比值征兆,在进行步骤3.1.征兆转换之后,基于式(9)对比值运算结果进归一化;
X1=(x1-x1Min)/(x1Max-x1Min) (9)
其中,x1代表样本比值征兆的比值运算结果,X1为该比值运算结果归一化后的数值,x1Min、x1Max分别为该比值运算结果中归一化前的最小值和最大值。
对于云征兆,在进行步骤3.2.征兆转换之前,基于公式(10)对云征兆所对应气体的浓度数据进行归一化;
X2=(x2-x2Min)/(x2Max-x2Min) (10)
其中,x2代表样本云征兆所对应气体的浓度数据,X2为该气体浓度数据归一化后的数值,x2Min、x2Max分别为该气体浓度数据中归一化前的最小值和最大值。
步骤4.将经过征兆转换的样本集划分为训练集T1和测试集T2。
步骤5.基于训练集T1,通过信息增益方法对候选征兆进行重要度排序,并从重要度最高的征兆开始,按照每次增加一个征兆的方式组成不同维度的有序征兆子集。
基于DGA气体构造的故障征兆作为智能诊断算法的信息源,其质量直接影响诊断效果。表1和表2中分别选取了14种候选比值征兆和129种候选云征兆。
虽然共143种的候选征兆丰富了征兆的选择范围,但其具有较高的冗余性,容易导致故障诊断模型的性能降低,因此,需对候选征兆进行优选。
征兆优选通常需要利用故障诊断模型来遴选出能够达到最佳诊断效果的征兆子集,而支持向量机(support vector machine,SVM)是一种常用的变压器故障诊断模型。
该模型具有出色的高维数据处理能力以及较好的泛化性能等优点。
但SVM中核参数σ和惩罚因子ξ的不合理选择限制了其诊断性能,且相同参数的选取对于不同征兆子集难以发挥出各子集最优的诊断效果,影响其作为评判模型衡量各征兆子集诊断性能的客观性,其次,面向143个候选征兆,共需要N次的遴选诊断,全局寻优困难。
其中,r为征兆子集维度。
针对上述问题,本发明通过信息增益方法(information gain,IG)对候选征兆进行重要度排序,并从重要度最高的征兆开始,按照每次增加一个征兆的方式共组成了143个不同维度的有序征兆子集,即可通过遴选诊断性能最佳的有序征兆子集来完成征兆优选,极大降低了寻优难度。利用信息增益方法(information gain,IG)对候选征兆进行重要度排序的过程如下:
步骤5.1.计算训练集T1的整体熵Entrogy(M),M为训练集T1的样本个数。
步骤5.2.计算候选征兆f在训练集T1中的熵Entrogy(M|f),并由此得到该征兆的信息增益Gain=Entrogy(M)-Entrogy(M|f)。
步骤5.3.按照全部候选征兆所对应的Gain值,将候选征兆按降序排序:f1,……,fN。
其中,fi表示重要度排序为第i位的征兆,N为步骤2中所构造的候选征兆总数。
步骤5.4.根据排序结果,构造N个维度分别为1至N的有序征兆子集:
{f1},{f1,f2},……,{f1,……,fN}。
步骤6.采用灰狼算法以SVM的诊断准确率为优化目标,对有序征兆子集维度m进行优选,同时优化SVM的超参数,建立变压器故障诊断模型。
根据最优征兆子集维度m,获得变压器故障诊断用的最优征兆组合。
该步骤6通过仿生优化算法,以SVM的诊断准确率为优化目标,对SVM的核参数σ、惩罚因子ξ、有序征兆子集维度m做三变量联合优化。
灰狼算法(Grey Wolf Optimizer,GWO)作为一种新型群体智能优化算法,具有算法参数少、简单易实现以及寻优能力强等优点,故本文采用GWO算法来完成优选工作。
该算法模拟了狼群的社会等级制度及其狩猎活动,每只灰狼的位置代表一个可行解,且对应当前狼群中最优的3只灰狼称为Alpha狼、Beta狼与Delta狼,根据它们的位置信息能够引导其它候选灰狼的前进方向和步长,从而逐渐靠近、包围猎物,并最终将其捕获。
即在每次迭代过程中,通过选出狼群中的Alpha狼、Beta狼与Delta狼,并强制剩余的候选灰狼向其靠拢,从而不断向最优解逼近,最终得到最优解。
该步骤6具体为:
步骤6.1.设置灰狼算法的总迭代次数,并以随机方式完成狼群位置的初始化。
步骤6.2.构建基于SVM的变压器故障诊断模型,该模型中所涉及到的待优化参数为:SVM的核参数σ、惩罚因子ξ与输入征兆维度m,即代表寻优灰狼的位置。
其中不同的输入征兆维度m代表着步骤5.4.中所对应维度的有序征兆子集。
步骤6.3.通过训练集T1和测试集T2分别对诊断模型进行训练与检验,并以测试集的诊断准确率作为该诊断模型所对应灰狼的适应度值。
步骤6.4.通过对所有灰狼的适应度值进行排序,筛选出适应度值最大的三只灰狼Alpha狼、Beta狼与Delta狼。
步骤6.5.通过Alpha狼、Beta狼与Delta狼引导剩余灰狼的位置更新,即完成一次迭代。
步骤6.6.重复上述步骤6.2-步骤6.5,直至完成全部迭代次数得到最优参数m,即获得变压器故障诊断用的最优征兆组合。
其中,灰狼种群的位置更新公式如下:
Ki=|GjPi(t)-P(t)| (11)
Pj=|Pi(t)-HjKi| (12)
P(t+1)=(P1+P2+P3)/3 (13)
式中:i=Alpha,Beta,Delta;j=1,2,3。
KAlpha、KBeta、KDelta分别为当前候选狼与Alpha狼、Beta狼、Delta狼之间的距离。P1、P2、P3分别为Alpha狼、Beta狼、Delta狼引导候选狼下一步移动的方向和步长。
P(t+1)为候选狼的下一步更新位置。PAlpha(t)、PBeta(t)、PDelta(t)、P(t)分别为Alpha狼、Beta狼、Delta狼、候选狼的当前位置向量。G与H分别为系数向量,其表达式为:
G=2r1 (14)
H=2ar2-a (15)
式中,r1和r2为[0,1]内的随机向量。
a为收敛因子,其值随迭代次数的增加从2线性递减至0。
此外,还将本发明征兆优选方法与传统方法进行了比对,以证明本方法的有效性。
传统方法往往直接以DGA气体含量的数值征兆作为诊断模型的输入量,主要分为两类:
1)DGA完整数据(H2、CH4、C2H2、C2H4、C2H6、CO、CO2);
2)DGA常用数据(H2、CH4、C2H2、C2H4、C2H6)。
在数值征兆的基础上相继发展出了气体比值征兆,并衍生出众多改进型,其主要有三种比值方法:
1)IEC三比值法;2)Doermenburg四比值法;3)Roger四比值法。
如图7和图8所示,本发明对比研究了上述两种数值征兆、三种比值征兆与本文混合新征兆的诊断效果。通过对比得到:
本发明新征兆作为输入的训练集、测试集诊断准确率均明显优于传统征兆。
此外,本发明还给出了上述几种类型的征兆在神经网络下的应用对比。
神经网络(Neural Networks,NNs)是最常用的变压器故障诊断模型之一,为分析本文新征兆的推广适用性,同样在NNs诊断模型下作本文征兆与传统数值征兆、比值征兆的对比诊断。
其中,NNs设置为三层全连接神经网络,且Size=(256,64,5)、Loss=categoricalcrossentropy、Activation=softmax、Optimizer=Adam。
如图9和图10所示,在NNs下本文新征兆的诊断准确率同样优于传统数值征兆、比值征兆,再度表明了本文新征兆较其他传统征兆的优越性。其次,在本文征兆方法下SVM的训练集、测试集诊断准确率也明显优于NNs诊断模型。
通过算例表明,本发明方法优选得到的混合新征兆相较于传统征兆,诊断准确率提升效果可达13.2%~30.8%,因而显著提高了变压器故障诊断的准确率。
此外,本方法在现场应用和多诊断模型中表现出了较强的泛化能力和推广能力。
此外,本发明还提出了一种用于实现上述变压器故障诊断用油中溶解气体征兆优选方法的计算机设备。该计算机设备包括存储器和一个或多个处理器。
其中,在存储器中存储有可执行代码,处理器执行可执行代码时,用于实现上述变压器故障诊断用油中溶解气体征兆优选方法。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
此外,本发明实施例还提供一种计算机可读存储介质,其上存储有程序。该程序被处理器执行时,用于实现上述变压器故障诊断用油中溶解气体征兆优选方法。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (7)
1.一种变压器故障诊断用油中溶解气体征兆优选方法,其特征在于,包括如下步骤:
步骤1.收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据,关联故障类别标签,构建原始数据集M;
其中,每组油中溶解气体浓度数据及其所对应的故障类别标签组成一个样本;
步骤2.基于采集到的各种油中溶解气体类型,设计构造出不同种类的候选征兆参量,包括候选比值征兆和候选云征兆,组成候选征兆集;
所述步骤2具体为:
步骤2.1.基于DGA气体构造14种气体浓度比值作为候选比值征兆;
步骤2.2.基于DGA气体组合构造一维至七维共129种候选云征兆,如公式(1)所示:
其中,公式(1)中的表示由变压器油中任意i种溶解气体构造的i维云征兆,公式(1)中的数量2表示两个一维云征兆,即TCH和D,i=1,2……,7;
其中,TCH=CH4+C2H2+C2H4+C2H6,D=CH4+C2H2+C2H4;
步骤3.将原始数据集M中的各个样本,从原始气体浓度数据转化成步骤2中所设计的候选征兆参量,并完成样本的归一化预处理;
所述步骤3中,不同征兆种类的征兆转换方法具体为:
步骤3.1.对于比值征兆,直接在对应气体的浓度之间进行除法运算,以实现样本从气体浓度数据向比值形式的转换;
步骤3.2.对于云征兆,通过公式(2)计算样本与先验状态空间内各个云概念之间的隶属度μ,并将其中μ最大值所对应的云概念判定为该样本的隶属云概念,以实现样本从定量气体数据向云征兆下定性云概念的转换;
其中,xiv为第i个样本在该云概念下的第v维特征气体含量值;Exv、Env分别为该云概念下第v维度的云期望和云熵,V表示云征兆的维度;
所述步骤3.2中,状态空间的建立过程如下:
步骤3.2.1.采用快速k-means算法对数据集M进行浅易地数据汇聚,并获取粗糙的中心簇,以此作为自组织神经网络中各神经元的初始权值;
步骤3.2.2.对自组织神经网络进行迭代训练,并基于公式(3)至公式(6)逐代进行自组织神经元权值的更新;
α(t,L)=e-L/(t+2) (5)
c(t+1)=c(t)+α(t,L)(d-c(t)) (6)
其中,d为神经元权值与输入样本之间的距离;
x为输入样本,c为神经元权值,∑代表协方差矩阵;L(t)表示最佳神经元所能辐射到相邻神经元的距离最大值,t为当前迭代次数,T为总迭代次数,L0为初始辐射邻域;
α(t,L)表示距离最优神经元为L的神经元在第t次迭代时的权值更新率,c(t)表示该神经元更新前的权值,c(t+1)表示该神经元更新后的权值;
其中,首次迭代时的初始权值c(0)由步骤3.2.1得到;
步骤3.2.3.利用完成训练的自组织神经网络,对数据集M进行聚类;
其中,聚类后的每一类均代表一个云概念,对每一类所隶属的样本集X={x1,……,xN}进行逆向云变换,从而实现状态空间内所蕴含的全部云概念的数字特征Exv与Env的提取;
而云征兆在其论域内所蕴含的全部云概念,即构成了该云征兆的状态空间;
具体公式如公式(7)和公式(8)所示;
其中,v=1,…,V,N表示该类样本总数;
步骤4.将经过征兆转换的样本集划分为训练集T1和测试集T2;
步骤5.基于训练集T1,通过信息增益方法对候选征兆进行重要度排序,并从重要度最高的征兆开始,按照每次增加一个征兆的方式组成不同维度的有序征兆子集;
步骤6.采用灰狼算法,以SVM的诊断准确率为优化目标,对有序征兆子集维度m进行优选,同时优化SVM的超参数,建立变压器故障诊断模型;
根据最优征兆子集维度m,获得变压器故障诊断用的最优征兆组合。
2.根据权利要求1所述的变压器故障诊断用油中溶解气体征兆优选方法,其特征在于,
所述步骤1中,原始数据包括以下变压器油中溶解气体的含量:H2、CH4、C2H2、C2H4、C2H6、CO和CO2;典型故障及故障类别标签包括:
低能放电及其类别标签LE-D,高能放电及其类别标签HE-D,中低温过热及其类别标签LM-T,高温过热及其类别标签H-T,正常状态及其类别标签NC。
3.根据权利要求1所述的变压器故障诊断用油中溶解气体征兆优选方法,其特征在于,
所述步骤3中,不同征兆种类下样本的归一化预处理方式各有不同,具体为:
对于比值征兆,在进行步骤3.1.征兆转换之后,基于式(9)对比值运算结果进归一化;
X1=(x1-x1Min)/(x1Max-x1Min) (9)
其中,x1代表样本比值征兆的比值运算结果,X1为该比值运算结果归一化后的数值,x1Min、x1Max分别为该比值运算结果中归一化前的最小值和最大值;
对于云征兆,在进行步骤3.2.征兆转换之前,基于公式(10)对云征兆所对应气体的浓度数据进行归一化;
X2=(x2-x2Min)/(x2Max-x2Min) (10)
其中,x2代表样本云征兆所对应气体的浓度数据,X2为该气体浓度数据归一化后的数值,x2Min、x2Max分别为该气体浓度数据中归一化前的最小值和最大值。
4.根据权利要求3所述的变压器故障诊断用油中溶解气体征兆优选方法,其特征在于,
所述步骤5具体为:
步骤5.1.计算训练集T1的整体熵Entrogy(M),M为训练集T1的样本个数;
步骤5.2.计算候选征兆f在训练集T1中的熵Entrogy(M|f),并由此得到该征兆的信息增益Gain=Entrogy(M)-Entrogy(M|f);
步骤5.3.按照全部候选征兆所对应的Gain值,将候选征兆按降序排序:f1,……,fN;其中,fi表示重要度排序为第i位的征兆,N为步骤2中所构造的候选征兆总数;
步骤5.4.根据排序结果,构造N个维度分别为1至N的有序征兆子集:
{f1},{f1,f2},……,{f1,……,fN}。
5.根据权利要求4所述的变压器故障诊断用油中溶解气体征兆优选方法,其特征在于,
所述步骤6具体为:
步骤6.1.设置灰狼算法的总迭代次数,并以随机方式完成狼群位置的初始化;
步骤6.2.构建基于SVM的变压器故障诊断模型,该模型中所涉及到的待优化参数为:SVM的核参数σ、惩罚因子ξ与输入征兆维度m,即代表寻优灰狼的位置;
其中,不同的输入征兆维度m代表着步骤5.4.中所对应维度的有序征兆子集;
步骤6.3.通过训练集T1和测试集T2分别对诊断模型进行训练与检验,并以测试集的诊断准确率作为该诊断模型所对应灰狼的适应度值;
步骤6.4.通过对所有灰狼的适应度值进行排序,筛选出适应度值最大的三只灰狼Alpha狼、Beta狼与Delta狼;
步骤6.5.通过Alpha狼、Beta狼与Delta狼引导剩余灰狼的位置更新,即完成一次迭代;
步骤6.6.重复上述步骤6.2-步骤6.5,直至完成全部迭代次数,得到最优参数m,即获得变压器故障诊断用的最优征兆组合。
6.一种计算机设备,包括存储器和处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,
用于实现权利要求1至5任一项所述的变压器故障诊断用油中溶解气体征兆优选方法。
7.一种计算机可读存储介质,其上存储有程序,其特征在于,当该程序被处理器执行时,用于实现权利要求1至5任一项所述的变压器故障诊断用油中溶解气体征兆优选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000503.XA CN115407053B (zh) | 2022-08-19 | 2022-08-19 | 征兆优选方法、计算机设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211000503.XA CN115407053B (zh) | 2022-08-19 | 2022-08-19 | 征兆优选方法、计算机设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115407053A CN115407053A (zh) | 2022-11-29 |
CN115407053B true CN115407053B (zh) | 2024-03-15 |
Family
ID=84161733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211000503.XA Active CN115407053B (zh) | 2022-08-19 | 2022-08-19 | 征兆优选方法、计算机设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407053B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115550658B (zh) * | 2022-11-30 | 2023-05-09 | 江苏益捷思信息科技有限公司 | 基于智慧校园管理平台的数据传输方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911407A (zh) * | 2016-04-07 | 2016-08-31 | 国网山东省电力公司电力科学研究院 | 基于物元增广可拓关联的变压器状态模糊集对评估方法 |
CN109239516A (zh) * | 2018-09-05 | 2019-01-18 | 国网山西省电力公司检修分公司 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
CN109270390A (zh) * | 2018-09-14 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于高斯变换与全局寻优svm的变压器故障诊断方法 |
CN113283479A (zh) * | 2021-05-11 | 2021-08-20 | 西安交通大学 | 一种适用于电力变压器故障的特征提取与诊断方法 |
CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
-
2022
- 2022-08-19 CN CN202211000503.XA patent/CN115407053B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911407A (zh) * | 2016-04-07 | 2016-08-31 | 国网山东省电力公司电力科学研究院 | 基于物元增广可拓关联的变压器状态模糊集对评估方法 |
CN109239516A (zh) * | 2018-09-05 | 2019-01-18 | 国网山西省电力公司检修分公司 | 融合多种智能诊断模型的变压器故障分层诊断方法 |
CN109270390A (zh) * | 2018-09-14 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于高斯变换与全局寻优svm的变压器故障诊断方法 |
CN113283479A (zh) * | 2021-05-11 | 2021-08-20 | 西安交通大学 | 一种适用于电力变压器故障的特征提取与诊断方法 |
CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115407053A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845717B (zh) | 一种基于多模型融合策略的能源效率评价方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN107798426A (zh) | 基于原子分解和交互式模糊满意度的风功率区间预测方法 | |
CN115407053B (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
CN117272116B (zh) | 一种基于loras平衡数据集的变压器故障诊断方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
Li et al. | Research on short-term photovoltaic power prediction based on multi-scale similar days and ESN-KELM dual core prediction model | |
CN114168740A (zh) | 基于图卷积神经网络和知识图谱的变压器并发性故障诊断方法 | |
CN117235565A (zh) | 一种变压器故障诊断模型构建方法和装置 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
Wu et al. | Smart bird: Learnable sparse attention for efficient and effective transformer | |
Zhu et al. | Research on data mining of college students’ physical health for physical education reform | |
Liu et al. | A clustering-based feature enhancement method for short-term natural gas consumption forecasting | |
Zhang et al. | Fault diagnosis of power transformer based on SSA—MDS pretreatment | |
Bai et al. | Clustering single-cell rna sequencing data by deep learning algorithm | |
Eskonen | Dynamic Topic Modeling and Clustering: Dynamic Topic Modeling and Clustering of Occupational Health and Safety Publications | |
Fansheng et al. | Energy efficiency evaluation method based on multi-model fusion strategy |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |