【技术实现步骤摘要】
本申请涉及电力变压器安全控制管理，特别涉及一种变压器绕组故障分类方法、装置、设备和介质。
技术介绍
1、一般的，电力变压器是电力系统中至关重要的设备之一，它作为枢纽连接着不同电压等级的电网，并负责有效地功率交换。绕组作为变压器的关键组成部分之一，其质量和可靠性对于确保变压器的安全稳定运行至关重要。然而，在实际运行过程中，由于诸如短路电流等多种因素的作用，不可避免地会导致变压器内部绕组出现各种程度的变形问题。根据统计分析，绕组变形问题是导致变压器故障并停运的最常见原因之一。
2、频率响应分析(frequency response analysis，fra)法是一种敏感度高，重复性好，抗干扰能力强的绕组变形诊断方法。该方法通过对比分析同一台变压器绕组在变形前后的频率响应曲线之间的偏差来判断绕组是否存在变形问题。因此，准确解释这两条曲线之间的偏差对于使用频率响应分析法进行绕组变形诊断至关重要。
3、现有技术中，随着人工智能技术的迅猛发展，基于机器学习和频率响应分析已广泛应用于变压器绕组故障诊断。通过建立支持向量机(support vector machine，svm)、k近邻(k-nearest neighbor，knn)、人工神经网络(artificial neural networks，anns)等机器学习模型对数据进行学习，可以获得自动识别绕组变形的能力。采用这种方法，需要准确分析绕组变形前后的频率响应曲线差异，因此特征提取方法至关重要，它在构建适当的机器学习模型中起着关键作用。
4、但是，目
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种变压器绕组故障分类方法、装置、设备和介质。
2、本说明书采用下述技术方案：
3、本说明书提供了一种变压器绕组故障分类方法，包括：
4、构建变压器绕组正常状态和各种故障类型对应的频率响应曲线的样本数据，并标注各样本数据对应的真实故障类型；
5、根据多种数据特征指标提取方法，提取样本数据中变压器绕组正常状态下和各种故障类型下频率响应曲线之间的多种偏差特征，得到多个待选偏差特征集；
6、对各待选偏差特征集中的每种偏差特征通过随机森林进行特征重要性评估，并按照特征重要性大小对各待选偏差特征集进行降序排列；
7、按各待选偏差特征集的排序，将至少一种待选偏差特征集中的偏差特征输入最邻近节点算法进行变压器绕组故障分类，得到各样本数据对应的预测故障类型；
8、以各样本数据的预测故障类型和真实故障类型之间的差异最小为优化目标，确定最邻近节点算法采用的优选偏差特征和优选邻近节点数量，以根据优化后的最邻近节点算法进行变压器绕组故障分类。
9、可选地，所述构建变压器绕组正常状态和各种故障类型对应的频率响应曲线的样本数据，具体包括：
10、根据变压器绕组的电气特性，通过调整变压器不同位置的垫块数量和/或故障饼数，模拟不同故障类型下不同程度的变压器绕组故障；
11、基于频率响应测试，得到变压器绕组正常状态和各种故障类型对应的频率响应曲线的样本数据；
12、其中，不同故障类型包括轴向整体位移、绕组线饼强力翘曲、饼间距变化、饼间短路。
13、可选地，所述多种数据特征指标提取方法，具体包括：
14、欧氏距离、林氏一致系数、误差之和、求和平方比误差、相关系数、求和平方最大-最小比率误差、对数误差的绝对和、交叉相关因子、均方根误差、比较标准差、最小二乘误差、期望、最小最大值、标准差、求和平方误差、谱偏差、绝对平均差、随机谱偏差、归一化相关系数、协方差。
15、可选地，所述对各待选偏差特征集中的每种偏差特征通过随机森林进行特征重要性评估，具体包括：
16、将每个样本数据对应的多种偏差特征作为其样本特征，根据各样本数据的样本特征，构建多个决策树对变压器绕组故障进行分类形成随机森林；
17、针对每个决策树，根据构建该决策树的袋外数据和其对应的标注，计算该决策树的第一预测误差；
18、从该决策树的袋外数据的各偏差特征中逐个选取待评估特征，对待评估特征进行随机扰动，通过对待评估特征扰动后的袋外数据和其对应的标注，计算对待评估特征扰动后该决策树的第二预测误差；
19、根据第一预测误差和第二预测误差之差，通过下式计算对待评估特征扰动后该决策树的平均精度下降值：
20、mdaj(x)＝|ooberror(x)j-ooberror_new(x)j|；
21、通过下式计算对待评估特征扰动后各决策树的平均精度下降值的均值，作为待评估特征的重要性：
22、
23、其中，待评估特征为待选偏差特征集x对应的偏差特征类型，j为决策树的序号，mdaj(x)为对各袋外数据的偏差特征x扰动后第j颗决策树的平均精度下降值，ooberrorj为第j颗决策树的第一预测误差，ooberrorj_new为对各袋外数据的偏差特征x扰动后第j颗决策树的第二预测误差，mda_avg(x)为对待评估特征x扰动后各决策树的平均精度下降值的均值。
24、可选地，所述将至少一种待选偏差特征集中的特征输入最邻近节点算法进行变压器绕组故障分类，得到各样本数据对应的预测故障类型，具体包括：
25、以每个样本数据对应的至少一种偏差特征作为其样本特征，将各样本数据对应的样本特征输入最邻近节点算法；
26、根据待分类样本数据和预设的已分类样本数据的样本特征，计算待分类的样本数据和已分类的样本数据之间的欧式距离，并根据欧式距离对已分类的样本数据进行升序排序；
27、按从前至后的顺序，从已分类的样本数据中，选取预设邻近节点数量个待分类样本数据的邻居样本数据；
28、根据待分类的样本数据和邻居样本数据之间的欧式距离，通过反距离加权法计算各邻居样本数据的权重；
29、根据各邻居样本数据的权重分别对各邻居样本数据的故障类型进行加权求和，计算待分类的样本数据对应的预测故障类型。
30、可选地，所述以各样本数据的预测故障类型和真实故障类型之间的差异最小为优化目标，确定最邻近节点算法采用的优选偏差特征和优选邻近节点数量，具体包括：
31、按各待选偏差特征集的排序，以每个样本数据对应的不同数量下的偏差特征作为其样本特征；
32、通过最邻近节点算法，采用不同数量下的偏差特征组成的样本特征和不同预设邻近节点数量，确定样本数据的预测故障类型；
33、以各样本数据的预测故障类型和真实故障类型之间的差异最小为优化目标，确定优选偏差特征和优选邻近节点数量。
34、可选地，所述方法本文档来自技高网...
【技术保护点】
1.一种变压器绕组故障分类方法，其特征在于，包括：
2.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述构建变压器绕组正常状态和各种故障类型对应的频率响应曲线的样本数据，具体包括：
3.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述多种数据特征指标提取方法，具体包括：
4.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述对各待选偏差特征集中的每种偏差特征通过随机森林进行特征重要性评估，具体包括：
5.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述将至少一种待选偏差特征集中的特征输入最邻近节点算法进行变压器绕组故障分类，得到各样本数据对应的预测故障类型，具体包括：
6.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述以各样本数据的预测故障类型和真实故障类型之间的差异最小为优化目标，确定最邻近节点算法采用的优选偏差特征和优选邻近节点数量，具体包括：
7.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述方法还包括：
8.一种变压器绕组故障分
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一项所述的方法。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～7任一所述的方法。
...【技术特征摘要】
1.一种变压器绕组故障分类方法，其特征在于，包括：
2.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述构建变压器绕组正常状态和各种故障类型对应的频率响应曲线的样本数据，具体包括：
3.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述多种数据特征指标提取方法，具体包括：
4.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述对各待选偏差特征集中的每种偏差特征通过随机森林进行特征重要性评估，具体包括：
5.如权利要求1所述的变压器绕组故障分类方法，其特征在于，所述将至少一种待选偏差特征集中的特征输入最邻近节点算法进行变压器绕组故障分类，得到各样本数据对应的预测故障类型，具体包括：
...
【专利技术属性】
技术研发人员：王松，谢飞，邱晟璇，王国昊，化小蕊，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。