一种基于改进灰色关联分析的油浸式变压器故障诊断方法技术

本发明专利技术公开了一种油浸式变压器故障诊断方法，包括以下步骤：S1、收集并整理油浸式变压器多类型故障样本，构建特征集合FS1和故障样本集合D1；S2、通过两种特征选择方法计算特征集合FS1的特征权重，并建立低维特征子集FS21、FS22，进而建立低维度故障样本集合D21、D22；S3、使用模糊聚类算法求解故障样本集合D21、D22的聚类中心C1、C2，并将求得的聚类中心C1、C2作为改进灰色关联分析中的两组参考序列；将低维特征FS21、FS22对应特征权重进行归一化处理，基于马氏距离和动态辨识系数计算对应关联度值，计算平均值后选取最大关联度值对应故障类型为待测样本诊断结果。本发明专利技术所建立的油浸式变压器故障诊断方法具有结构简单、计算效率高、诊断性能好等优点。

【技术实现步骤摘要】
一种基于改进灰色关联分析的油浸式变压器故障诊断方法
本专利技术属于电气设备
，特别是涉及一种基于改进灰色关联分析的油浸式变压器故障诊断方法。
技术介绍
油浸式变压器作为高压电力系统中昂贵且重要组成设备，承担电压变换与电能分配的功能，对电力系统可靠运行起到尤为重要的作用。由于油浸式变压器运行环境恶劣，不可避免地出现各类缺陷及故障，对电力系统可靠运行带来安全隐患；当油浸式变压器遭受故障时，将导致电力生产部门面临巨大经济损失，因此及早发现与处理变压器的故障，建立高效、可靠的故障诊断系统具有重要的意义。目前，油浸式变压器故障诊断方法中，油中溶解气分析方法(DissolvedGasAnalysis，DGA)是最为简便、应用最广的方法之一。然而基于DGA的比值法具有编码边界绝对、编码种类有限、诊断正确率不高及诊断性能不一致等缺陷；近些年，国内外专家学者采用机器学习、数据挖掘等技术理论建立众多基于油中溶解气的智能故障诊断模型，并取得积极效果，但同时也存在诊断模型复杂、存在冗余特征、诊断精度低、诊断效率低等问题。目前基于灰色关联分析的油浸式变压器本文档来自技高网...

【技术保护点】
1.一种基于改进灰色关联分析的油浸式变压器故障诊断方法，其特征在于，所述诊断方法包括如下步骤：/nS1、收集并整理油浸式变压器多类型故障样本，依据油中溶解的常规气体组分值及其组合，构建特征集合FS1；基于油浸式变压器油中溶解的气体样本和特征集合FS1共同建立故障样本集合D1；/nS2、通过采用两种不同特征选择方法计算特征集合FS1的特征权重并依据大小值排序，保留权重值满足预设阈值要求的特征并建立低维特征子集FS21和FS22，进而建立低维度故障样本集合D21和D22；/nS3、使用模糊聚类算法求解故障样本集合D21、D22的聚类中心C1和C2，并将求得的聚类中心分别作为改进灰色关联分析中的参考...

【技术特征摘要】
1.一种基于改进灰色关联分析的油浸式变压器故障诊断方法，其特征在于，所述诊断方法包括如下步骤：
S1、收集并整理油浸式变压器多类型故障样本，依据油中溶解的常规气体组分值及其组合，构建特征集合FS1；基于油浸式变压器油中溶解的气体样本和特征集合FS1共同建立故障样本集合D1；
S2、通过采用两种不同特征选择方法计算特征集合FS1的特征权重并依据大小值排序，保留权重值满足预设阈值要求的特征并建立低维特征子集FS21和FS22，进而建立低维度故障样本集合D21和D22；
S3、使用模糊聚类算法求解故障样本集合D21、D22的聚类中心C1和C2，并将求得的聚类中心分别作为改进灰色关联分析中的参考序列；将低维特征FS21、FS22对应特征权重进行归一化处理，进而依据权重值及参考序列分别计算待测样本的关联系数与关联度；计算两组关联度平均值，输出平均关联度最大值对应故障类型为待测样本诊断结果。


2.根据权利要求1所述的一种基于改进灰色关联分析的油浸式变压器故障诊断方法，其特征在于，所述步骤S1中，特征集合FS1的特征为9种故障类型的油色谱样本，油色谱样本由5种特征气体的含量特征构成，5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)；
其中，每种特征气体的含量特征由绝对含量、相对含量及相互比值三个特征组成；
其中，9种故障类型包括无故障(NF)、局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)、低能放电兼过热(LTD)和高能放电兼过热(HTD)；
从特征集合FS1中提取所含特征值，从而构建故障样本集合D1。


3.根据权利要求2所述的一种基于改进灰色关联分析的油浸式变压器故障诊断方法，其特征在于，所述步骤S2中，包括如下步骤：
S21、针对所建立的故障样本集合D1，将其中的80％故障样本用作建立故障诊断模型，20％故障样本作为测试模型诊断性能；为了消除不同样本之间的量纲不一致性，对原始故障数据集数据进行归一化处理，采用的极值标准化公式如下：



其中：xik为第i个样本中第k个特征数据，而xikmax和xikmin分别表示第k个特征的最大值与最小值；
S22、基于步骤S21中归一化后的特征集合FS1，使用特征选择方法(本发明中分别使用FisherScore法和ReliefF法)，计算特征集合FS1中的特征权重值，其中权重值越大，表示该特征越重要，反之表示该特征对故障分类不敏感；
其中，使用FisherScoer法计算特征权重值w1(fi)的计算方法如下：
假设数据集包含c类样本，nk为第k类样本的总数，fj,i是第i个特征中第j个样本值；ui表示第i个特征下fi的平均值，uik代表第i个特征下第k个类中的平均值，xi,kj为第k类样本中第j个样本在第i个特征fi下的取值，则第i个特征的得分F(fi)及权重w1(fi)可按下式计算：






其中，使用ReliefF法计算特征权重值w2(fi)的计算方法如下：
首先，设定所有特征权重为0；接着，从数据集D中寻找与随机样本R属于同类的样本的k个近邻样本集，以及k个与R不同类的样本，更新各特征权重w2(fi)；



其中，diff(fi,Ri,Hj)表示样本R与Hj在特征fi上的差，Hj是与R同类的第j个最邻近样本。C是与样本R不同的类总数，class(Ri)...

【专利技术属性】
技术研发人员：吐松江·卡日，伊力哈木·亚尔买买提，刘鹏伟，张宽，孙国良，邸强，张鹏程，逯浩坦，
申请(专利权)人：新疆大学，
类型：发明
国别省市：新疆;65