一种配电变压器故障诊断预测方法及系统技术方案

本发明专利技术提供了一种配电变压器故障诊断预测方法及系统，利用变分自动编码器

【技术实现步骤摘要】
一种配电变压器故障诊断预测方法及系统


[0001]本专利技术属于配电变压器
，尤其涉及一种配电变压器故障诊断预测方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术
。
[0003]随着分布式电源以及新能源汽车等多样终端接入配电网，配电网更加复杂的结构和大量的设备使其成为电力系统中最容易发生故障的一个环节，配电变压器作为配电网输变电的关键枢纽设备，其传统的停电检查运维方式故障针对性不强，耗费大量人力财力，并且不能及时有效地遏制配电变压器故障的发生
。
为了避免上述配电变压器传统运维方式的问题，人工智能的自学习和高速寻优能力被用于配电变压器的故障诊断领域
。
常见的变压器故障诊断方法有三比值法
、
人工神经网络
、
专家系统法
、
模糊算法
、
支持向量机等方法
。
最传统的三比值法根据三组特征气体比值编码赋值，查表得出相应的故障类型，但存在编码界限过于绝对的缺陷
。
人工神经网络能够自主学习模仿人的神经网络，具备强大的信息获取
、
处理能力
。
专家系统法通过类似于人类专家的推理过程，形成一套严密的逻辑推理系统，但涉及难以获取的专家知识和盲区，专家系统无法进行自主判断
。
模糊算法可以很好地针对部分不确定因素和不明确数据，具备鲁棒性优势，但在处理数据较多时耗时较长，极易陷入局部最小点
。
支持向量机可以显著增强故障判断的准确度，但对于大规模样本，支持向量机再故障处理时存在困难
。
[0004]目前的配电变压器故障诊断模型大多采用三比值法数据作为训练基础，此类数据存在编码界限过于绝对的问题
。
同时，原始数据集不平衡和只采用单一的人工智能算法或模型都会限制故障诊断方法的正确率
。
在愈加复杂的配电系统中，配电变压器发生故障的概率大幅提升，故障数据也随之增加，为了避免配电变压器故障而造成的重大损失，需要一种新的故障诊断及预测方法来有效发掘大量故障数据的特征信息，并做出快速精确的诊断
。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种配电变压器故障诊断预测方法及系统，利用变分自动编码器
、
无编码比值法和主成分分析法对故障运行数据依次进行处理后来训练配电变压器的故障诊断与预测模型，采用麻雀搜索算法优化概率神经网络的的平滑因子参数，所得到的基于概率神经网络的故障诊断预测模型可以快速高效的诊断预测出配电变压器的运行状态
。
[0006]为实现上述目的，本专利技术的第一个方面提供一种配电变压器故障诊断预测方法，包括：
[0007]获取配电变压器不同故障类型下原始运行数据；
[0008]利用变分自动编码器对所述原始运行数据进行扩充，将扩充后的数据和原始运行数据利用无编码比值法转转化为特征气体比值；
[0009]利用主成分分析法提取所述特征气体比值的特征参数，利用所述特征参数构建特征样本；
[0010]利用特征样本以及对应的配电变压器故障类型对构建的概率神经网络进行训练，并利用麻雀搜索算法对构建的概率神经网络的平滑因子参数进行优化，得到训练好故障诊断预测模型；
[0011]将待诊断预测的配电变压器的运行数据输入至训练好的故障诊断预测模型，得到故障诊断预测结果
。
[0012]本专利技术的第二个方面提供一种配电变压器故障诊断预测系统，包括：
[0013]获取模块：获取配电变压器不同状态类型下原始运行数据；
[0014]数据处理模块：利用变分自动编码器对所述原始运行数据进行扩充，将扩充后的数据和原始运行数据利用无编码比值法转转化为特征气体比值；
[0015]特征提取模块：利用主成分分析法提取所述特征气体比值的特征参数，利用所述特征参数构建特征样本；
[0016]模型训练优化模块：利用特征样本以及对应的配电变压器状态类型对构建的概率神经网络进行训练，利用麻雀搜索算法对构建的概率神经网络的平滑因子参数进行优化，得到训练好故障诊断预测模型；
[0017]故障诊断模块：将待诊断预测的配电变压器的运行数据输入至训练好的故障诊断预测模型，得到故障诊断预测结果
。
[0018]本专利技术的第三个方面提供一种计算机设备，包括：处理器
、
存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行一种配电变压器故障诊断预测方法
。
[0019]本专利技术的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行一种配电变压器故障诊断预测方法
。
[0020]以上一个或多个技术方案存在以下有益效果：
[0021]在本专利技术中，通过变分自动编码器对故障运行数据进行扩充，达到平衡数据集的目的；通过无编码比值法对扩充后的数据以及对应的原始运行输出进行处理，可以有效地保持故障信息的完整度，避免编码信息不全造成的误判，提高后续故障的辨识度；通过主成分分析法对无编码比值法转化后的特征气体比值进行提取，可以很好地提取特征信息，减低数据维度，简化整体计算过程
。
[0022]在本专利技术中，采用麻雀搜索算法对所构建用于配电变压器故障诊断预测的的概率神经网络的平滑因子进行优化，麻雀搜索算法寻优能力强，收敛速度快的特点，可以提高概率神经网络故障诊断的精度
。
[0023]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到
。
附图说明
[0024]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
[0025]图1为本专利技术实施例一中配电变压器的运行数据处理流程图；
[0026]图2为本专利技术实施例一中概率神经网络结构示意图；
[0027]图3为本专利技术实施例一中故障诊断模型建立流程图；
[0028]图4为本专利技术实施例一中麻雀搜索算法优化流程图
。
具体实施方式
[0029]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明
。
除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义
。
[0030]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式
。
[0031]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配电变压器故障诊断预测方法，其特征在于，包括：获取配电变压器不同故障类型下原始运行数据；利用变分自动编码器对所述原始运行数据进行扩充，将扩充后的数据和原始运行数据利用无编码比值法转转化为特征气体比值；利用主成分分析法提取所述特征气体比值的特征参数，利用所述特征参数构建特征样本；利用特征样本以及对应的配电变压器故障类型对构建的概率神经网络进行训练，并利用麻雀搜索算法对构建的概率神经网络的平滑因子参数进行优化，得到训练好故障诊断预测模型；将待诊断预测的配电变压器的运行数据输入至训练好的故障诊断预测模型，得到故障诊断预测结果
。2.
如权利要求1所述的一种配电变压器故障诊断预测方法，其特征在于，利用变分自动编码器对所述油中溶解气体原始数据进行扩充，具体为：将所述油中溶解气体原始数据进行归一化处理；将归一化处理后的油中溶解气体原始数据输入至变分自动编码器，得到扩充后的数据
。3.
如权利要求1所述的一种配电变压器故障诊断预测方法，其特征在于，利用主成分分析法提取所述特征气体比值的特征参数，利用所述特征参数构建特征样本，具体为：对所提取的特征气体比值进行标准化处理；计算标准化处理后的不同特征气体比值之间的相关系数矩阵的特征值以及对应的特征向量，并将特征值以及对应的特征向量进行排序；计算特征值对应的信息贡献率
、
累积贡献率；根据累积贡献率确定所选择的特征气体比值，根据所选择的特征气体比值和信息贡献率确定综合得分；根累积贡献率和综合等分确定特征样本
。4.
如权利要求1所述的一种配电变压器故障诊断预测方法，其特征在于，九组特征气体比值具体为
C2H4/C2H6、C2H2/C2H4、CH4/H2、C2H6/(C1+C2)/
％
、C2H4/(C1+C2)/
％
、C2H2/(C1+C2)/
％
、CH4/(C1+C2)/
％
、(CH4+C2H4)/(C1+C2)/
％和
H2/(H2+C1+C2)/
％；
C1表示
CH4，
C2表示
...

【专利技术属性】
技术研发人员：李可，李国亮，李业峰，林煜清，王坤，李岩林，王任，王新永，纪洋溪，高鹏，徐小龙，姚夫庆，韩锋，燕重阳，吕天光，孙守文，李森，代二刚，杨凤文，李文利，李苑红，
申请(专利权)人：国网山东省电力公司枣庄供电公司，
类型：发明
国别省市：