[發明專利]一種基于特征選擇的油侵式變壓器故障診斷方法

在審

• 申請號: 202010913195.4
• 申請日: 2020-08-24
• 公開（公告）號: CN112067052A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 陳泰麒;葛英輝;其他發明人請求不公開姓名
• 申請（專利權）人: 寧波大學
• 主分類號: G01D21/02
• 分類號: G01D21/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于特征選擇的油侵式變壓器故障診斷方法，其特征在于，包括以下步驟：

步驟(1)：對油侵式變壓器運行在7種不同工作狀態下的溶解氣體濃度數據進行特征擴展，從而得到健康工作狀態下的N₀個特征向量局部放電故障狀態下的N₁個特征向量火花放電故障狀態下的N₂個特征向量電弧放電故障狀態下的N₃個特征向量中溫過熱故障狀態下的N₄個特征向量低溫過熱故障狀態下的N₅個特征向量和高溫過熱故障狀態下的N₆個特征向量具體的實施過程包括如下所示步驟(1.1)至步驟(1.5)；

步驟(1.1)：變壓器油中的溶解氣體濃度數據具體包括：氫氣濃度甲烷濃度乙烷濃度乙烯濃度和乙炔濃度這5個濃度數據，可組建溶解氣體濃度向量其中，k表示樣本編號，上標號c∈{0，1，2，3，4，5，6}分別指代健康工作狀態，局部放電故障狀態，火花放電故障狀態，電弧放電故障狀態，中溫過熱故障狀態，低溫過熱故障狀態，和高溫過熱故障狀態；

步驟(1.2)：根據如下所示公式分別計算各個溶解氣體濃度向量的均值標準差峰度偏度均方根峰值因子形狀因子脈沖因子邊緣因子最大對數

其中，b∈{1，2，3，4，5}，表示計算中元素的最大值；

步驟(1.3)：根據如下所示公式計算各個溶解氣體濃度向量的比值系數

上式中，d∈{1，2，…，15}；

步驟(1.4)：根據構造特征向量其中，上標號T表示矩陣或向量的轉置符號；

步驟(1.5)：重復上述步驟(1.2)至步驟(1.4)從而分別得到油侵式變壓器運行在7種不同工作狀態下的特征向量；

步驟(2)：組建特征矩陣組建類標號向量y＝[y₀，y₁，…，y₆]^T∈R^N×1；其中，N＝N₀+N₁+…+N₆，R^N×1表示N×1維的實數向量，向量中所有元素都等于0，向量中所有元素都等于1，向量中所有元素都等于2，向量中所有元素都等于3，向量中所有元素都等于4，向量中所有元素都等于5，向量中所有元素都等于6；

步驟(3)：對特征矩陣X∈R^N×25實施標準化處理后，再利用近鄰成分分析算法得到特征權重向量w∈R^1×25；

步驟(4)：從特征權重向量w中找出最大的f個元素，將這f個元素在w中的位置記錄為位置集合φ，并對應的從特征矩陣X中選取相同位置的列向量，組建新特征矩陣其中，R^N×f表示N×f維的實數矩陣；

步驟(5)：以中各個行向量做為輸入數據，以類標號向量y中相應行的元素做為輸出數據，建立概率神經網絡模型；

步驟(6)：新測量得到油侵式變壓器中的溶解氣體濃度數據，具體包括氫氣濃度，甲烷濃度，乙烷濃度，乙烯濃度，和乙炔濃度這5個濃度數據；

步驟(7)：對步驟(6)中的5個濃度數據進行特征擴展，從而得到特征向量x_new∈R^1×25，具體的實施過程與上述步驟(1.1)至步驟(1.4)相同，再根據步驟(4)中記錄的位置集合φ從特征向量x_new中選擇相應位置的元素，組建新特征向量

步驟(8)：以新特征向量做為輸入數據，利用步驟(5)中建立的概率神經網絡模型，計算得到輸出估計值y_new，并根據輸出估計值y_new確定出油侵式變壓器的當前工作狀態。