[發明專利]一種電力變壓器最優集總分類故障診斷方法

在審

• 申請號: 201711111510.6
• 申請日: 2017-11-13
• 公開（公告）號: CN107992880A
• 公開（公告）日: 2018-05-04
• 發明（設計）人: 彭飛;趙元哲;張亞林;李小鵬;莊哲;何茂鑫
• 申請（專利權）人: 山東斯博科特電氣技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島智地領創專利代理有限公司37252
• 代理人: 種艷麗

技術領域

本發明屬于變壓器狀態評估與故障診斷領域，具體涉及一種電力變壓器最優集總分類故障診斷方法。

背景技術

隨著電網的不斷發展，電力公司逐漸通過采取智能檢修和降低運行成本的方式向客戶提供高品質服務。其中，電力變壓器作為電力公司最重要的資產類別，其故障風險隨著老化加劇而不斷增加。電力變壓器故障通常會導致嚴重的電網事故，其故障后更換代價也非常昂貴，交付時間也較為漫長。因此，如何高效地實施電力變壓器檢修對于電力公司至關重要，迫切地需要新的技術手段，如智能故障診斷算法，來降低運行成本和資產故障率。

目前，大部分電力公司依靠經驗技術來收集分析電力變壓器運行數據，并依托傳統方法根據變壓器運行狀態進行決策診斷，但當有效經驗技術不足時診斷過程將難以進行。此外，傳統方法有時無法得到可靠的決策診斷結果。

對于電力變壓器而言，溶解氣體分析(DGA)是目前應用最廣泛、最重要的狀態檢測技術。多種基于DGA技術的傳統故障診斷方法和標準規程被用于電力變壓器數據分析過程，如基于遺傳算法(GA)、粒子群優化算法(PSO)對核參數進行尋優的單層/多層支持向量機分層支持向量機，在中短時間尺度范圍提供了有效的故障率診斷評估信息來增強電力變壓器的可靠性；基于時變加速系數混合差分進化粒子群優化、多分層感知技術的人工神經網絡(MEPSO-TVAC-ANN)，通過改進粒子群優化算法并采用有效的交叉驗證方法來實現更好的全局搜索性能；以及在此基礎上，融合模糊邏輯規則、人工智能算法與專家系統的混合故障診斷方法，通過專家系統實現特征提取，并采用層次分析對正常/異常狀態與異常狀態分類進行分層聚焦處理。盡管上述智能算法能夠在一定程度上實現有效的故障診斷和狀態評估，但其主要基于單一分類學習算法，并且診斷評估結果的有效性和不確定性問題仍然非常突出，其結果可靠性與電力變壓器類型以及環境、技術條件等密切相關。

因此，盡管可以通過有效的算法訓練實現上述單目標框架下的電力變壓器的故障診斷，但上述方法仍然存在以下問題：(1)如何實現診斷算法泛化以避免類別非均衡數據集過擬合問題；(2)如何在框架實現過程中選擇精度最高的分類算法。

上述問題的解決對于改善既有傳統電力變壓器故障診斷不確定性和可靠性，提高電力變壓器故障診斷智能化具有至關重要的意義。

發明內容

針對現有技術中存在的上述技術問題，本發明提出了一種電力變壓器最優集總分類故障診斷方法，設計合理，克服了現有技術的不足，具有良好的效果。

為了實現上述目的，本發明采用如下技術方案：

一種電力變壓器最優集總分類故障診斷方法，具體包括以下步驟：

步驟1：進行DGA樣本數據進行歸一化以及自適應樣本過采樣融合處理、對測試集合與非測試集合進行劃分，以及對非測試集合中訓練集合和驗證集合進行劃分；

步驟2：對每種電力變壓器的正常/故障類型，以最小化故障分類誤差和最小特征數量為目標，基于特征指標進行最優子集選擇并對最優特征指標數量進行優化，構造Pareto最優空間上的非支配特征向量可行解集；

步驟3：對每種電力變壓器的正常/故障類型，構造通過單一分類算法篩選得到的分類器集合，基于非支配特征向量可行解集，對每一可行解以誤分類率最小和算法分類差異性最大為目標，結合訓練集合對分類器集合中的分類器性能參數進行優化訓練，并基于參數優化后的分類器集合對Pareto最優空間上的非支配特征向量可行解集的最優特征子集進行求解；

步驟4：通過驗證集合得到非支配特征向量可行解集對應的分類器集合的性能驗證，結合此性能驗證，搜索綜合性能最優的分類器集合可行解，將其作為最優分類器集合向量，并結合測試集合對最優特征向量以及最優分類器集合的綜合性能進行測試驗證；

步驟5：對每種電力變壓器的正常/故障類型對應的優化訓練并測試驗證后的最優分類器集合的輸出故障類型概率結果進行信息融合，得到對應電力變壓器正常/故障類型的綜合分類結果，將其作為最終決策結果。

優選地，特征指標為變壓器油中溶解氣體成分及其比率。

優選地，在步驟1中，自適應樣本過采樣融合過程，具體包括以下步驟：