[發明專利]一種電力變壓器故障診斷方法

有效

• 申請號: 202110602904.1
• 申請日: 2021-05-31
• 公開（公告）號: CN113326881B
• 公開（公告）日: 2023-02-14
• 發明（設計）人: 景晨英;邢敬創;喬匡華
• 申請（專利權）人: 西安思安云創科技有限公司
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2415;G06F18/214;G06F18/25;G06N3/0455;G06N3/088;G06N3/045;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 西安維賽恩專利代理事務所(普通合伙) 61257
• 代理人: 劉春

本發明的目的是提供一種電力變壓器故障診斷方法，將深度學習中的DBN、SAE網絡與D?S證據推理相結合，將待測數據經過DBN、SAE網絡得到的網絡輸出結果視為兩個不同的證據，并將其視為變壓器類別的概率結果，將該結果轉換成對應的基本概率假設函數后再進行D?S證據融合，從而確定故障的部位和原因。以解決現有故障診斷方法中依賴專家經驗和歷史數據、適應性差、無法做到實時高效的問題。

【技術領域】

本發明屬于變壓器技術領域，具體涉及一種電力變壓器故障診斷方法。

【背景技術】

電力變壓器是整個電網正常穩定運行必不可少的設備之一，處于電網中輸配電系統的核心位置，其運行狀態直接影響著電力系統的生產安全與經濟效益，由于電力變壓器工作在較為惡劣的環境，再加上其復雜的內部構造等因素，發生故障的幾率較大，及時準確地定位故障發生的部位，了解故障發生的原因，進而進行維修是確保電力變壓器安全穩定運行的關鍵，故障診斷方法的研究與應用則為其提供了重要的基礎和保障。

目前，電力變壓器故障診斷方法的研究還存在不足與局限，比如1.考慮因素較為單一，并未充分利用電力變壓器的檢修歷史、缺陷信息、家族質量史以及全面運行工況等狀態信息；2.數據監測技術的局限性以及知識的不精確性等原因致使信息具有模糊性、隨機性等特征，進而導致電力變壓器故障診斷的準確性和時效性未達到實際應用的要求；3.現有研究方法主要有人工神經網絡、模糊理論、支持向量機等，這些方法彌補了傳統DGA方法的不足，但都屬于淺層機器學習的一種，有部分學者將深度學習引入到故障診斷中，但是單單依靠DBN網絡和歷史經驗數據很難做到高準確率、高適應性，這個方法對歷史經驗數據有很大的依賴性，且需要相關專家經驗才能得到相應結果，很難得到準確快速的結果。

【發明內容】

本發明的目的是提供一種電力變壓器故障診斷方法，以解決現有故障診斷方法中依賴專家經驗和歷史數據、適應性差、無法做到實時高效的問題。

本發明采用以下技術方案：一種電力變壓器故障診斷方法，按照以下步驟實施：

步驟1、第一層融合：對第一訓練數據進行預處理、歸一化，分別構建第一DBN網絡和第一SAE網絡，并對兩個網絡進行訓練，分別得到第一DBN網絡和第一SAE網絡訓練好的第一訓練參數；

其中，第一訓練數據為變壓器的歷史故障部位數據樣本集，包括兩類：一是油中溶解的氣體體積分數、局部放電量、套管介質耗損因數九組影響電力變壓器運行的運行參數；二是與運行參數相對應的電力變壓器的故障部位的標簽數據集，包括繞組故障、油紙絕緣故障、鐵芯故障三種故障；

步驟2、基于兩個所述第一訓練參數，將第一待測數據分別經過第一DBN網絡和第一SAE網絡計算得到兩個第一網絡輸出結果；

其中，第一待測數據為電力變壓器的九種運行參數真實值的數據矩陣m×9，第一網絡輸出結果為對應第一待測數據的三種故障部位的數據矩陣m×3；m為待測數據的個數；

步驟3、將兩個所述第一網絡輸出結果、視為電力變壓器故障部位的類別概率，將這兩個類別概率作為兩個不同證據用于D-S證據理論的融合，最后根據融合后得到的新的證據的基本概率分配函數的最大值，判定得到第一待測數據中所有數據對應的故障部位；

步驟4、對步驟3中確定出的每個故障部位分別進行第二層融合：

選取第二訓練數據進行預處理、歸一化，分別構建第二DBN網絡和第二SAE網絡，分別構建第二DBN網絡和第二SAE網絡，并對兩個網絡進行訓練，分別得到第二DBN網絡和第二SAE網絡訓練好的第二訓練參數；

其中，第二訓練數據包括兩類：一是油中溶解的氣體體積分數、局部放電量、套管介質耗損因數九組影響電力變壓器運行的運行參數；二是與故障部位相對應的故障原因的標簽數據集；

步驟5，基于兩個所述第二訓練參數，將第二待測數據分別經過第二DBN網絡和第二SAE網絡計算得到兩個第二網絡輸出結果；