基于特征信息量化与加权KNN的变压器故障诊断方法技术

本发明专利技术公开了基于特征信息量化与加权KNN的变压器故障诊断方法，包括如下步骤：S1、将样本数据分为训练集与测试集；S2、输入训练集，对样本数据进行预处理；S3、基于主成分分析PCA与灰色关联度分析GRA对故障特征信息进行量化；S4、引入粒子群优化算法对加权KNN分类算法进行优化，根据真实故障类别，对标准化故障特征矩阵中的样本进行训练，得到电力变压器故障诊断模型，实现电力变压器故障的分类；S5、将测试集输入电力变压器故障诊断模型，得到诊断结果，实现电力变压器故障的诊断；本发明专利技术解决了现有技术存在的处理效率低、模型训练困难以及存在局限性的问题。

Transformer fault diagnosis method based on feature information quantization and weighted KNN

The invention discloses a transformer fault diagnosis method based on feature information quantization and weighted KNN, including the following steps: S1, dividing sample data into training set and test set; S2, input training set, preprocessing sample data; S3, quantifying fault feature information based on PCA and grey correlation analysis GRA; S4, introducing particle swarm optimization algorithm to weighted KN. The N classification algorithm is optimized, and the samples in the standardized fault characteristic matrix are trained according to the real fault types, and the fault diagnosis model of power transformer is obtained to realize the classification of power transformer faults; S5, the test set is input into the fault diagnosis model of power transformer, and the diagnosis result is obtained to realize the fault diagnosis of power transformer; The invention solves the existing technology. The problems of low processing efficiency, difficulty in model training and limitations exist.

【技术实现步骤摘要】
基于特征信息量化与加权KNN的变压器故障诊断方法
本专利技术属于电力故障
，具体涉及基于特征信息量化与加权KNN的变压器故障诊断方法。
技术介绍
电力变压器作为电力系统中的核心设备之一，采取有效措施来对变压器内部异常状态或故障做出准确判断，对整个系统而言意义重大。电力变压器故障诊断方法主要分为三类：第一类是基于解析模型，通过建立精确数学物理模型进行变压器的故障诊断；第二类是利用不完备的先验知识，建立定性模型，推理得出变压器故障类别，如专家系统、故障决策树等方法；第三类是基于数据驱动的电力变压器故障智能分类方法，如支持向量机、人工神经网络、证据理论等。由于电力变压器的内部结构复杂，绝缘性能受内外各种因素的影响，发生故障的形式多样，同时受历史经验不足、专家知识片面性较强等因素的影响，前两类方法的应用都受到限制，而随着智能算法及机器学习方法的发展，第三类方法的优越性日益凸显。基于数据驱动的智能分类方法提升了变压器故障诊断准确率，但各分类方法本身具有一些固有缺陷，如神经网络对学习样本质量要求高，易陷入局部最优；支持向量机在处理小样本数据时性能突出，其本质上为二分类器，在处理多分类问题时本文档来自技高网...

【技术保护点】
1.基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，包括如下步骤：S1：将样本数据分为训练集与测试集；S2：输入训练集，对样本数据进行预处理，得到预处理后故障特征矩阵；S3：根据预处理后故障特征矩阵，基于主成分分析PCA与灰色关联度分析GRA对故障特征信息进行量化，得到标准化故障特征矩阵；S4：引入粒子群优化算法对加权KNN分类算法进行优化，根据真实故障类别，对标准化故障特征矩阵中的样本进行训练，得到电力变压器故障诊断模型，实现电力变压器故障的分类；S5：将测试集输入电力变压器故障诊断模型，得到诊断结果，实现电力变压器故障的诊断。

【技术特征摘要】
1.基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，包括如下步骤：S1：将样本数据分为训练集与测试集；S2：输入训练集，对样本数据进行预处理，得到预处理后故障特征矩阵；S3：根据预处理后故障特征矩阵，基于主成分分析PCA与灰色关联度分析GRA对故障特征信息进行量化，得到标准化故障特征矩阵；S4：引入粒子群优化算法对加权KNN分类算法进行优化，根据真实故障类别，对标准化故障特征矩阵中的样本进行训练，得到电力变压器故障诊断模型，实现电力变压器故障的分类；S5：将测试集输入电力变压器故障诊断模型，得到诊断结果，实现电力变压器故障的诊断。2.根据权利要求1所述的基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，所述步骤S2中，预处理公式为：yi,j＝lgxi,j式中，yi,j为第i个样本的第j个故障特征预处理后的值，且Y＝(yi,j)m×n，Y为预处理后的故障特征矩阵；xi,j为第i个样本的第j个故障特征预处理前的值；i为样本指示量；j为故障特征指示量。3.根据权利要求1所述的基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，所述步骤S3中，基于PCA与GRA对故障特征信息进行量化，得到标准化故障特征矩阵，包括如下步骤：S3-1：根据预处理后故障特征矩阵，使用PCA提取故障特征的主成分；S3-2：根据故障特征的主成分和预处理后故障特征矩阵，使用GRA确定故障特征权重；S3-3：根据故障特征权重，对预处理后的故障特征矩阵进行赋权，得到加权标准化特征矩阵。4.根据权利要求3所述的基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，所述步骤S3-1中，使用PCA提取故障特征的主成分，包括如下步骤：S3-1-1：建立故障特征量之间的相关矩阵，公式为：式中，R为故障特征量之间的相关矩阵；为故障特征量ya与yb之间的相关系数；n为故障特征量个数；a,b为故障特征指示量；S3-1-2：根据自相关矩阵，得到特征值和对应的特征向量矩阵，公式为：|λE-R|＝0式中，λ为特征值，且λ1≥λ2≥λ3…≥λd,d≤n，d为特征值指示量；R为故障特征量之间的相关矩阵；E为特征向量矩阵，即E＝[μ1,μ2,μ3…μd]，其中μd＝[μ1,d,μ2,d,...,μn,d]T；S3-1-3：根据特征值，计算累计贡献率，计算公式为：式中，ρ为累计贡献率；为当前选取特征值的累计值；为特征值的累计总值；c,d为特征值指示量；p为预设选取个数；n为故障特征量个数；S3-1-4：根据累积贡献率、特征向量矩阵以及预处理后故障特征矩阵，选取并返回故障特征的主成分，计算公式为：P＝Y[μ1,μ2,...,μp]＝[f1,f2,...,fp]式中，P为故障特征的主成分矩阵；Y为预处理后故障特征矩阵；[μ1,μ2,...,μp]＝E'，E'为对应的特征向量矩阵，μ1,μ2,...,μp为特征向量；f1,f2,...,fp为故障特征的主成分。5.根据权利要求3所述的基于特征信息量化与加权KNN的变压器故障诊断方法，其特征在于，所述步骤S3-2中，根据故障特征的主成分，使用GRA确定故障特征权重，包括如下步骤：S3-2-1：根据故障特征的主成分与预处理后故障特征矩阵，得到灰色关联度值向量，灰色关联度的计算公式为：re＝r(P,Ye)式中，re为第e个灰色关联度；r＝[r1,r2,...,re,...,rn]为灰色关联度值向量；P为故障特征的主成分矩阵，作为参考...

【专利技术属性】
技术研发人员：张彼德，彭丽维，梅婷，孔令瑜，李宜，陈颖倩，洪锡文，肖丰，
申请(专利权)人：西华大学，
类型：发明
国别省市：四川,51