一种基于改进模糊聚类算法的风电变压器故障诊断方法技术

本发明专利技术公开了一种基于改进模糊聚类算法的风电变压器故障诊断方法，包括如下步骤：1)收集故障样本，2)数据集合归一化处理并用作诊断模型的输入，3)构造诊断模型，确定故障样本的A

【技术实现步骤摘要】
一种基于改进模糊聚类算法的风电变压器故障诊断方法
本专利技术涉及一种基于改进模糊聚类算法的风电变压器故障诊断方法，属于变压器故障诊断

技术介绍
如今，风力发电已成为新能源发电的重要组成部分，风力发电技术规模日趋扩大，技术也愈加成熟。但是风力是不稳定的，当气候变化，风力不稳定时，风电系统输出的电压也会不稳定，间接导致了风电变压器出现各种故障，这些故障不仅影响系统的正常运行，甚至可能造成重大事故。因此，在建设风电站时不仅需要选用优良性能的变压器，还需要研究一种快速诊断故障类型的方法，在故障初期精准地发现变压器典型的故障并对典型故障进行分析，保障风电变压器安全可靠的运行。申请号为201610676845.1的中国专利公开了一种风力发电系统中变流器的一级故障诊断方法，其步骤为：(1)建立一级故障分类原则；(2)测量变流器正常运行和故障运行下的直流侧输出电压信号，对所得的输出信号进行小波包分析，重构小波包分解系数，提取并计算各频带信号的能量，确定原信号的能量主要集中在哪个频段；(3)对该频段的信号进行小波功率谱分析，确定故障特征频率；(4)分析并对比变流器正常运行和各种故障运行状态下的特征频率和功率谱，得到变流器一级故障诊断结果。但是，传统的故障分类方法总是在不确定故障类别的情况下，就把故障样本按照经验归为某一类，这样是不合理的，对故障的分类也是不准确的。随着技术的发展，应采用更科学的方法来进行故障分类，提升故障诊断的精度。因此，本专利技术提出了基于改进模糊聚类算法的风电变压器故障诊断方法。<br>
技术实现思路
本专利技术提供一种基于改进模糊聚类算法的风电变压器故障诊断方法，用来在风电变压器故障初期精准地诊断故障类型，并对典型故障进行分析，保障风力发电场安全可靠的运行。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术公开了一种基于改进模糊聚类算法的风电变压器故障诊断方法，包括如下步骤：1)收集故障样本。收集变压器油中溶解气体的数据，以其作为初始数据集合。2)数据预处理。对样本数据集合采取归一化处理方式，并将归一化后的数据集用作诊断模型的输入。采用如下归一化方法，可以使样本数据的数量级差异减少：式中代表经归一化处理后的数据，满足i表示样本数据个数编号；j表示特征维度序号，用1～5依次表示上述五种气体。3)构造诊断模型，确定故障样本的Aij、Bi、Ii及vj和pn。分为如下步骤：31)设置相关参数，包括聚类中心个数C，模糊度m，用于控制噪声的数量的正则化参数ξ，隶属度特征常数ε1,ε2,ε3。32)初始化，随机产生“真”隶属度Aij，“假”隶属度Bi和不确定度Ii及特征权重Pn。计算样本qi到最临近的中智点的距离建立改进加权中智C均值算法的目标函数：式中：Aij反映某类样本与剩余各类样本之间的隶属程度，它表示样本qi属于第j类的隶属度；Bi反映的是数据与噪声点之间的相关性，它表示样本qi属于噪声或奇异点的隶属度；而Ii则代表了数据点与中智点的联系，它表示样本qi属于中立区域的隶属度。Aij,Bi,Ii满足关系式是特征维度的加权，其中ε1,ε2,ε3是隶属度特征常数，且满足ε1,ε2,ε3∈[0,1]，且和为1。m是加权指数。表示离样本qi最近和第二近的聚类中心的平均数。ξ称作噪声参数，用于控制噪声的数量。33)构造拉格朗日函数求解目标函数最小值：对Aij、Bi和Ii分别求偏导后另其为0，得到迭代公式如下：其中，按照迭代公式更新“真”隶属度、“假”隶属度和不确定度。对vj和pn分别求偏导后并另其等于0，得到迭代公式如下：分别按照迭代公式更新聚类中心和特征权重。34)判断迭代终止条件是否满足，若不满足，重新计算计算样本qi到最临近的中智点的距离若满足，则停止迭代过程。35)依据“真”隶属度Aij、“假”隶属度Bi和不确定度Ii的大小实现故障样本的类聚，从而判断故障类型。4)将实验结果进行故障分类。把数据集加载到诊断模型，根据诊断结果中隶属度矩阵各个值的大小可以得到故障属于哪种类型，同时，可以在特征权重矩阵中找到主要特征，从而得出五种特征气体中对结果影响较大的是哪些气体，并分析主要特征气体是否符合实际情况5)中智点的预测作用。从实验结果中找出Ii值最大的数据点，这样的数据点就是中智点，中智点可以预测故障的发展趋势，对及时发现故障有很大的指导作用。本专利技术所达到的有益效果是：在传统的模糊聚类算法的基础上引入了动态特征加权以及中智理论，使得样本的分布更为合理，也突出了各个样本的主次程度，提高了诊断精度，对于中智类的故障有很好的预测作用。相比传统变压器诊断方法，本方法拥有更好的诊断精度，更加的快速可靠。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是基于改进模糊聚类算法的故障诊断流程图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。一种基于改进模糊聚类算法的风电变压器故障诊断方法，包括如下步骤：步骤1)风电变压器当出现过热或放电性故障时，与正常情况相比，生成的H2、CH4、C2H6、C2H4和C2H2等特征气体的含量会在较短时间内显著增多。对于故障严重程度的不同，产生的气体在含量上有非常大的差异，甚至达到几十上百倍。因此，首先要收集变压器油中溶解气体数据，即特征气体体积含量，以其作为初始数据集合qij。步骤2)数据预处理。对于样本数据中H2、CH4、C2H6、C2H4、C2H2这五种特征气体含量数据，需要做归一化处理，来降低数据本身所带来的误差。采用如下归一化方法，可以使样本数据的数量级差异减少：式中代表经归一化处理后的数据，满足i表示样本数据个数编号；j表示特征维度序号，用1～5依次表示上述五种气体。步骤3)构造诊断模型。分为如下步骤：步骤31)设置相关参数，包括聚类中心个数C，模糊度m，用于控制噪声的数量的正则化参数ξ，隶属度特征常数ε1,ε2,ε3。步骤32)初始化，随机产生“真”隶属度Aij，“假”隶属度Bi和不确定度Ii及特征权重Pn。计算样本qi到最临近的中智点的距离建立改进加权中智C均值算法的目标函数：式中：Aij反映某类样本与剩余各类样本之间的隶属程度，它表示样本qi属于第j类的隶属度；Bi反映的是数据与噪声点之间的相关性，它表示样本qi属于噪声或奇异点的隶属度；而Ii则代表了数据点与中智点的联系，它表示样本qi属于中立区域的隶属度。Aij,Bi,Ii满足关系式是特征维度的加权，其中ε1,ε2,ε3是隶属度特征常数，且满足ε1,ε2,ε3∈[0,1]，且和为1。m是加权指数。表示离样本qi本文档来自技高网...

【技术保护点】
1.一种基于改进模糊聚类算法的风电变压器故障诊断方法，其特征在于，包括如下步骤：/n1)收集故障样本：收集变压器油中溶解气体的数据，以其作为初始数据集合；/n2)数据预处理：对样本数据集合采取归一化处理方式，并将归一化后的数据集用作诊断模型的输入；/n3)构造诊断模型确定故障样本的A

【技术特征摘要】
1.一种基于改进模糊聚类算法的风电变压器故障诊断方法，其特征在于，包括如下步骤：
1)收集故障样本：收集变压器油中溶解气体的数据，以其作为初始数据集合；
2)数据预处理：对样本数据集合采取归一化处理方式，并将归一化后的数据集用作诊断模型的输入；
3)构造诊断模型确定故障样本的Aij、Bi、Ii及vj，构造拉格朗日函数求解目标函数的最小值，依据得出的迭代公式动态更新特征权重pn；
4)将实验结果进行故障分类：把数据集加载到诊断模型，根据诊断结果中隶属度矩阵各个值的大小可以得到故障属于哪种类型，同时，可以在特征权重矩阵中找到主要特征，从而得出五种特征气体中对结果影响较大的是哪些气体，并分析主要特征气体是否符合实际情况；
5)从实验结果中找出Ii值最大的数据点，这样的数据点就是中智点。


2.根据权利要求1所述的基于改进模糊均值的风电变压器故障诊断方法，其特征在于，所述步骤2)中的数据归一化处理包括以下步骤：
21)、将收集的初始样本数据代入归一化求解公式：



式中代表经归一化处理后的数据，满足i表示样本数据个数编号；j表示特征维度序号，用1～5依次表示上述五种气体。


3.根据权利要求1所述的基于改进模糊聚类算法的风电变压器故障诊断方法，其特征在于，所述步骤3)中，建立诊断模型的方法如下：
31)、设置相关参数，包括聚类中心个数C，模糊度m，用于控制噪声的数量的正则化参数ξ，隶属度特征常数ε1,ε2,ε3；
32)、初始化，随机产生“真”隶属度Aij，“假”隶属度Bi和不确定度Ii及特征权重Pn；
3...

【专利技术属性】
技术研发人员：赵建光，范建伦，康立欣，王兴根，
申请(专利权)人：环宇集团南京有限公司，
类型：发明
国别省市：江苏;32