[發明專利]一種基于改進圖的半監督分類的變壓器故障診斷方法

在審

• 申請號: 201611145217.7
• 申請日: 2016-12-13
• 公開（公告）號: CN106596900A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 劉君;趙立進;黃良;曾華榮;張迅;彭輝;陳歡;龍嘉文;王家華;張凱
• 申請（專利權）人: 貴州電網有限責任公司電力科學研究院
• 主分類號: G01N33/28
• 分類號: G01N33/28;G06K9/62
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 魯力

技術領域

本發明屬于變壓器故障在線監測技術領域，具體涉及一種基于改進圖的半監督分類的變壓器故障診斷方法。

背景技術

電力變壓器在電力系統中承擔著變換、分配和傳輸電能的任務，是電力系統的重要設備之一，其運行狀態直接影響著整個電力系統的安全性、穩定性和可靠性。雖然電力系統運行安全的水平在不斷提高，電力變壓器設計的機械性能和電氣強度也不斷提升，但是由于變壓器長期運行在熱、電以及外部破壞等惡劣環境中，變壓器不可避免的會發生絕緣老化和材質劣化，從而引起故障。電力器一旦發生故障，會造成巨大的經濟損失和安全隱患。因此，以電力變壓器在線監測為手段，及時對其的運行狀態進行診斷分析是非常必要的。

目前，電力變壓器的故障診斷主要是基于油中溶解氣體分析技術來實現的，通過變壓器狀態在線監測系統實時采集變壓器運行過程中油中溶解氣體的含量、組分數據，構成診斷樣本集，采用一些智能模式識別方法如神經網絡、支持向量機、貝葉斯網絡等實現變壓器型的診斷。這些模式識別方法基于平衡樣本集對變壓器進行故障診斷，往往取得了良好的診斷效果，能比較精確地診斷出各個類型的故障。

然而，在變壓器實際運行過程中，大部分的時間都處于正常運行的狀態，只有極少部分時間處于故障狀態，所以變壓器在線監測系統采集到的正常狀態的樣本往往遠多于故障狀態樣本。由于數量上的嚴重傾斜，神經網絡、支持向量機、貝葉斯網絡等傳統的分類器會對數量上占優勢的多數類存在明顯的偏好，對多數類樣本仍能取得較高的分類精度，對少數類樣本的分類性能較差，一些少數類樣本往往會被誤分成多數類。所以針對不平衡樣本集的變壓器故障診斷，這三種分類器的診斷精度往往較差。

發明內容

針對目前變壓器故障診斷存在的問題，本發明提供一種基于改進圖的半監督分類的變壓器故障診斷方法。

本發明的思路是：將基于圖的半監督分類方法應用變壓器故障診斷中，該方法綜合利用標簽數據和無標簽數據，能取得較好的學習效果。針對半監督學習過程中，由于不平衡數據集導致的各類標簽數目出現不平衡的情況，采用標簽矩陣規范化處理方法對初始標簽矩陣規范化，保持每個類別的信息總量相等，從而提高樣本集不平衡情況下的診斷精度。

本發明的具體技術方案包括以下步驟：

一種基于改進圖的半監督分類的變壓器故障診斷方法，其特征在于，包括以下步驟：

步驟1：獲取變壓器各種運行狀態下特征氣體的含量數據作為故障診斷樣本集，并進行歸一化，其中，選取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂作為故障診斷特征氣體，并實時采集各種運行狀態下變壓器油中這五種氣體的含量構成故障診斷樣本集。所述的歸一化方法為：對于H₂氣體的含量，其歸一化值為H₂體積分數占五種氣體總體積分數的百分比數值,對于烴類氣體，歸一化值為其體積分數占總烴體積分數的百分比數值。歸一化公式如下：

X'＝{x₁/c₁,x₂/c₂,x₃/c₂,x₄/c₂,x₅/c₂}

步驟2：在每一類樣本中選取有標簽樣本和未標簽樣本進行相似性學習，構成相似性近鄰圖，并計算權重矩陣，相似性近鄰圖的建立過程如下：

把所有樣本點看作相似性近鄰圖上的頂點，圖的邊E＝{e_ij}用相鄰樣本間的相似性e_ij表示，兩相鄰樣本x_i、x_j的相似性e_ij定義為：

e_ij＝exp(||x_i-x_j||²/σ²)

式中σ為高斯核參數。

把樣本之間的相似性表示為權重矩陣W＝{w_ij}

若x_i∈knn(x_j)orx_j∈knn(x_i)