基于多层评估模型的故障定位方法及系统技术方案

本发明专利技术公开了基于多层评估模型的故障定位方法，包括步骤：首先确定待检测的故障类型和能够准确有效地反映变压器运行状况的故障征兆，利用关联规则和集对分析确定各故障类型的权重；然后建立DBN模型对故障的多维数据进行特征提取及分类；最后利用D‑S证据理论对已有诊断结果进行综合评估，增强对共同目标的支持力度，削弱分歧目标的影响，大大减小了诊断结果的不确定性。本发明专利技术主要针对变压器的状态量进行及时监测和诊断，将变压器状态评估看成是一个多属性决策问题，建立两个指标下的双层故障定位模型，利用集对分析和关联规则提高权重准确度，利用D‑S证据理论和深度置信网络进行故障识别，提高了故障识别的准确率。

Fault location method and system based on multi-level evaluation model

【技术实现步骤摘要】
基于多层评估模型的故障定位方法及系统
本专利技术属于变压器故障诊断领域，具体涉及一种基于多层评估模型的故障定位方法及系统。
技术介绍
电力设备安全运行是电网安全稳定运行的基础，尤其是作为电力系统的关键枢纽设备，大型电力变压器的健康水平和运行状况直接关系到电网运行的安全与稳定。电力变压器在运行过程中，受到大电流、高电压和外界环境等的作用，变压器的内部结构和线路很有可能发生故障，按发展过程分为突发性故障和潜伏性故障；按故障性质分，主要有热性故障、电性故障和机械故障，其中机械故障一般也是以热性故障或电性故障的形式表现。综上所述，电力变压器的故障发生的可能原因主要包括放电与过热。长期以来，国内对电力变压器健康水平和运行状态好坏的判断主要是依靠定期检修的方式来实现的，定期检修模式有自身的科学依据和合理性，在多年的实践中有效地减少了设备的突发事故，在一定程度上保证了设备的良好运行。但这种“一刀切”式检修模式的缺点也是明显的，因为没有考虑到电力变压器的实际状态，存在“小病大治”、“无病也治”的盲目现象。随着近年来电网规模迅速发展，电网设备数量急剧增加，定期检修工作量剧增，检修人员紧缺问题日益突出。特别地，由于近年来电网设备制造质量大幅提升，集成式、少维护设备得到大量采用，早期制定的设备检修、试验周期已不能适应电力设备诊断和管理水平的进步，因此迫切需要开展与实施以状态评估技术为基础的状态检修工作。提高电力变压器的运行维护和检修水平，降低故障发生概率，并采用合理的检修策略减少检修费用，是电力行业急需解决的关键问题。目前常用的各种诊断算法对变压器运行的各状态量之间的关联性分析不足，对各种信息之间的内在联系重视不够。电力变压器发生故障时，往往不仅仅只针对一个状态量的变化，因此需要对变压器的各状态量变化情况进行综合分析来判断运行状态和潜在故障。无论是传统算法还是智能技术都存在一定的缺陷，仅依靠一种方法很难准确并有效地实现电力变压器的故障诊断，因此考虑把两种以上算法结合互补，来提高故障诊断的准确性。目前也有研究者将多种单一方法进行组合，但组合模型的权重若仅基于专家经验会过于主观，或者出现权重为负值的情况。如何更好地处理和描述多源监测数据，进行有效地融合分析，解决单一信息导致的不确定性是目前应当解决的问题。
技术实现思路
本专利技术所要解决的技术问题是，针对现有单一诊断算法存在的上述不足，以及组合模型依靠专家经验来确定权重的主观性缺陷，提出一种基于多层评估模型的故障定位方法及系统。将电力变压器绝缘状态评估看成是一个多属性决策问题，以关联集对分析和DBN算法对故障的诊断作为判断证据，建立两个指标下的双层故障定位模型，达到对变压器进行状态监测及时识别故障发生的目的。本专利技术解决其技术问题所采用的技术方案是：提供一种基于多层评估模型的故障定位方法，包括以下步骤：(1)根据历史数据确定待检测的变压器故障类型；(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；(3)利用关联规则和集对分析确定各故障类型下每个故障征兆的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；(4)建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；(5)利用证据合成规则D-S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。接上述技术方案，所述步骤(3)的具体方法为：31)利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及权重系数；32)对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；33)利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；34)判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。接上述技术方案，所述步骤(4)的具体方法为：41)根据步骤(2)中的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；42)根据步骤(1)的变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；43)用测试集对深度置信网络DBN模型进行测试，输出结果。接上述技术方案，步骤(5)的具体方法为：51)以步骤(3)和步骤(4)的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；52)融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；53)比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。接上述技术方案，所述变压器的故障类型包括绕组故障、铁心故障、电流回路过热、绝缘受潮、电弧放电、绝缘老化、绝缘油劣化、局部放电、油流放电。接上述技术方案，故障征兆包括：绝缘油介损、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心接地电流、铁心绝缘电阻、C2H6含量、C2H4含量、绕组直流电阻互差、CO相对产气速率、CO2相对产气速率、绕组短路阻抗初值差、绕组绝缘介损、绕组电容量初值差、C2H2含量、局部放电量、油中含气量、CH4含量、中性点油流静电电流、糠醛含量、纸板聚合度。本专利技术还提供了一种基于多层评估模型的故障定位系统，其特征在于，包括：变压器故障类型和故障征兆确定模块，用于根据历史数据确定待检测的变压器故障类型；并用于选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；权重系数计算模块，用于利用关联规则和集对分析确定各故障类型的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；DBN分类模块，用于建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；故障判定模块，用于利用证据合成规则D-S证据理论对权重系数计算模块和DBN分类模块的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。接上述技术方案，所述权重系数计算模块具体包括：常权重系数计算模块，用于利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及常权重系数；变权重系数计算模块，用于对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；联系度计算模块，用于利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；归一化模块，用于判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。接上述技术方案，所述DBN分类模块包括：逐层训练模块，用于根据变压器故障类型的样本文档来自技高网...

【技术保护点】
1.一种基于多层评估模型的故障定位方法，其特征在于，包括以下步骤：(1)根据历史数据确定待检测的变压器故障类型；(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；(3)利用关联规则和集对分析确定各故障类型下每个故障征兆的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；(4)建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；(5)利用证据合成规则D‑S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。

【技术特征摘要】
1.一种基于多层评估模型的故障定位方法，其特征在于，包括以下步骤：(1)根据历史数据确定待检测的变压器故障类型；(2)选取最具代表性且能够准确有效地反映变压器运行状况的状态量作为表征变压器各种故障类型的故障征兆；(3)利用关联规则和集对分析确定各故障类型下每个故障征兆的常权重系数，并利用待测的变压器实验数据确定变权重系数，根据确定的常权重系数和变权重系数计算各故障类型对应的最终权重；所述关联规则为通过历史数据事先确定的故障类型和故障征兆之间的关联耦合关系；(4)建立深度置信网络DBN模型对故障的故障征兆进行特征提取及分类得到分类结果；(5)利用证据合成规则D-S证据理论对步骤(3)(4)的结果进行合成，计算各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。2.根据权利要求1所述的基于多层评估模型的故障定位方法，其特征在于，所述步骤(3)的具体方法为：31)利用历史数据计算支持度和置信度，得出故障类型和故障征兆关联耦合关系以及权重系数；32)对实验数据进行采集，分别计算各故障类型的相对劣化度和评分值，确定变权重系数；33)利用故障征兆的相对劣化度数据得到故障征兆的同异反评价矩阵，并由此求出各故障类型的联系度和整体运行状态的联系度；34)判断变压器整体运行状态，若存在故障，则将同异反评价矩阵分别代入各故障类型的联系度表达式进行计算，并进行归一化得到对应权重。3.根据权利要求1所述的基于多层评估模型的故障定位方法，其特征在于，所述步骤(4)的具体方法为：41)根据步骤(2)中的样本维数确定输入层神经元个数，使用训练集对模型进行无监督逐层训练；42)根据步骤(1)的变压器故障类型的类别数确定输出层神经元个数，利用BP神经网络进行反向微调；43)用测试集对深度置信网络DBN模型进行测试，输出结果。4.根据权利要求1-3中任一项所述的基于多层评估模型的故障定位方法，其特征在于，步骤(5)的具体方法为：51)以步骤(3)和步骤(4)的结果分别为第一独立证据e1和第二独立证据e2，根据模糊评估模型分别确定其原始基本概率分布和不确定度；52)融合证据确定各故障类型的信任度Bel和似然度pl，其中信任度Bel表示确定为该故障类型的概率，似然度pl表示可能为该故障类型的概率，即信任度和不确定度的合计；53)比较计算得出的各故障类型的信任度，选择最高的一项作为证据推理决策的最终判定结果。5.根据权利要求4所述的基于多层评估模型的故障定位方法，其特征在于，所述变压器的故障类型包括绕组故障、铁心故障、电流回路过热、绝缘受潮、电弧放电、绝缘老化、绝缘油劣化、局部放电、油流放电。6.根据权利要求4所述的基于多层评估模型的故障定位方法，其特征在于，故障征兆包括：绝缘油介损、油中含水量、油击穿电压、绝缘电阻吸收比、极化指数、体积电阻率、H2含量、铁心接地电流、铁心绝缘电阻、C2H6含量、C2H4含量、绕...

【专利技术属性】
技术研发人员：何怡刚，吴汶倢，张慧，何鎏璐，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42