[發明專利]電力變壓器故障診斷模型的建立方法

在審

• 申請號: 201710313314.0
• 申請日: 2017-05-05
• 公開（公告）號: CN107169514A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 吐松江·卡日;高文勝;張紫薇;莫文雄;陸國俊;王紅斌;欒樂;崔屹平
• 申請（專利權）人: 清華大學;廣州供電局有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01R31/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙)11201
• 代理人: 張潤

技術領域

本發明涉及電力變壓器技術領域，特別涉及一種電力變壓器故障診斷模型的建立方法。

背景技術

電力變壓器是電力系統中關鍵、昂貴的樞紐設備。電力變壓器連接不同電壓等級線路，在電能傳輸、分配中起到變換電壓及分配電能的重要作用。電力變壓器的正常、可靠運行是保證電力系統安全和穩定運行的重要前提。實際上，電力變壓器運行環境惡劣，承受電、熱、機械、環境等多方面的各類應力，同時材料、工藝、制造、運輸、安裝等方面存在的缺陷都將導致變壓器出現各類故障，因此提早發現與排除變壓器故障是維持電力系統可靠供電的重要途徑，具有重要的現實意義。

相關技術中，國內電力系統主要使用油浸式變壓器，采用絕緣油對內部系統進行絕緣與散熱，故變壓器故障診斷領域使用最為廣泛、方便快捷的方法是基于油中溶解氣分析方法(Dissolved Gas Analysis，DGA)。當變壓器處于不同的運行狀態時，絕緣油中溶解氣組份、濃度有所區別，因此通過采樣與對比分析油中溶解氣推斷變壓器當前運行狀態及潛伏性故障。但由于故障類型多樣，氣體組份、濃度與故障間關系復雜；此外，傳統的診斷方法比值數有限，存在潛在、有效的新特征未使用的可能性，同時比值編碼不完備，且故障診斷精度有待進一步提高。人工智能、機器學習等新技術、新方法被引入到變壓器故障診斷領域并取得了顯著的進展。但是各種智能方法均存在一定的適用要求和不足，有必要進一步開展研究以改進、完善方法性能。

其中，支持向量機(Support Vector Machine，SVM)是一種基于結構風險最小原則的智能分類器，由于其在小樣本條件下具有優秀的分類及泛化能力，同時避免了局部最小和維度災問題，已廣泛的應用于變壓器故障診斷領域。盡管如此，但由于變壓器故障診斷數據間的非線性關系，需要通過非線性變換映射到高維空間求取最優分類超平面。當選用大量交叉試驗、逐一驗證以確定各類核函數的關鍵參數不僅計算量大、耗時，且參數存在局部最優的可能性。

此外，由于上述方式擴展了基于DGA故障診斷的原有特征集，導致現有特征數量眾多，特征間潛在冗余、不相關等問題。而這些問題不僅將嚴重影響故障診斷精度，同時也會導致診斷模型訓練耗時、診斷模型復雜難以理解。

發明內容

本發明旨在至少在一定程度上解決上述相關技術中的技術問題之一。

為此，本發明的一個目的在于提出一種電力變壓器故障診斷模型的建立方法。該電力變壓器故障診斷模型的建立方法可以建立準確率高的電力變壓器故障診斷模型，以達到對未知的油中溶解氣的故障類型進行診斷的目的。

本發明的另一個目的在于提出一種計算機程序產品。

為了實現上述目的，本發明的第一方面公開了一種電力變壓器故障診斷模型的建立方法，包括以下步驟：S1：基于故障類型明確的油中溶解氣樣本建立數據集，并根據所述故障類型明確的油中溶解氣樣本數據集建立對應的擴展特征集D，其中，所述擴展特征集D包括多個特征項；S2：規范化所述擴展特征集D，采用Relief F算法對所述多個特征項求解特征權重并排序篩選，建立特征子集D1；S3：根據Pearson積矩相關系數，對所述特征子集D1求解相關系數并篩選，構成特征子集D2；S4：根據改進遺傳算法，基于所述特征子集D2綜合求解最優故障診斷模型參數，建立電力變壓器故障診斷模型。

根據本發明的電力變壓器故障診斷模型的建立方法，通過基于已知的油中溶解氣的特征集合發現潛在的有效新特征，利用Relief F算法和Pearson相關系數選擇重要的特征項，剔除冗余的特征項，降低特征維度，并通過改進遺傳算法快速、準確的獲得徑向基核支持向量機最優關鍵參數(C_best,γ_best)，建立準確率高的電力變壓器故障診斷模型，以達到對未知的油中溶解氣的故障類型進行診斷的目的。

另外，根據本發明上述實施例的電力變壓器故障診斷模型的建立方法還可以具有如下附加的技術特征：

進一步地，步驟S4具體包括：選擇基于徑向基核函數的支持向量機作為電力變壓器故障診斷分類器，存在眾多關鍵參數組合(C,γ)，其中，所述分類器的輸入項來自特征子集D2，對應故障類型作為所述分類器的輸出項；根據改進遺傳算法優化所述多個關鍵參數組合(C,γ)，得到故障診斷模型最優參數組合(C_best,γ_best)；根據故障診斷模型最優參數組合(C_best,γ_best)，得到電力變壓器故障診斷模型。