一种适用于电力变压器故障的特征提取与诊断方法

技术领域

本发明属于电气工程、高电压技术领域，具体涉及一种适用于电力变压器故障的特征提取与诊断方法。

背景技术

油浸式电力变压器是电网的核心设备之一，肩负着电压等级转换和电功率传输的重任。变压器如果发生故障，不仅可能会导致大规模的电力供应中断，还可能导致巨额的经济损失，危害社会秩序。因此，通过一系列故障诊断手段，监测变压器的运行状态，是十分必要的。目前，变压器油中溶解气体分析也是应用较广，效果较好的变压器故障诊断方法之一。电力变压器工作在持续的高温度高电压的作用下，绝缘材料如绝缘油或绝缘纸发生分解时，会生成相应的混合气体，最终溶解在变压器油中。油中溶解气体的组分和浓度都与变压器的故障类型之前存在较高的相关性，这部分气体也被称为特征气体。因此，通过油中溶解气体分析可以预先确定变压器的早期故障，把握故障演变规律，及时进行制定策略，对故障变压器进行检修处理。

传统的故障诊断方法如国标三比值，大卫三角形等都属于线性分类器，诊断精度较低，而且三比值存在缺码，在某些情况下，不能给出相应的故障诊断结果。随着机器学习及人工智能的发展，目前使用较多的结合机器学习的诊断方法。特征参量是决定故障诊断模型效果的最重要的因素，特征选择是机器学习领域的重点。有效的特征可以帮助模型更好的实现诊断与识别，提升诊断精度；而冗余或无效的特征不仅会浪费诊断模型训练时间，还可能影响诊断效果。目前，国内外研究者采用不同的特征参量作为诊断模型的输入，尚无统一的标准，且诊断效果也相差甚远。

发明内容

针对目前存在的特征参量不一，诊断方法精度低的现状，本发明旨在提供一种适用于电力变压器故障的特征提取与诊断方法。

本发明采用如下技术方案来实现的：

一种适用于电力变压器故障的特征提取与诊断方法，包括步骤：

A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；

B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；

C)对特征参量进行预评估，采用互信息对训练集T1的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；

D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数；

E)按照步骤D)的编码方式，随机初始化种群；

F)计算种群中每个个体的适应度；

G)对个体进行选择、交叉、变异操作；

H)对每个个体进行排序，保留适应度最高的前二分之一的个体；

I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型；

J)使用测试集T2对故障诊断模型进行预测。

本发明进一步的改进在于，步骤A)中，原始数据包括以下变压器油中溶解气体的含量：H

本发明进一步的改进在于，步骤D)中，分类器包括K近邻分类器、支持向量机和神经网络。

本发明进一步的改进在于，步骤B)中，待选择特征参量集F0包括H

本发明进一步的改进在于，步骤B)中，将特征参量值归一化公式：

其中，x

本发明进一步的改进在于，步骤C)中，对于某个特征参量为X，类别为Y，采用互信息按照下面公式对于特征量评分：

其中，p(x,y)当前是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。

本发明进一步的改进在于，步骤F)中，个体适应度为：

其中，f

本发明进一步的改进在于，步骤G)中，个体采用单点交叉和基本位变异，交叉概率P1，变异概率P2取定值，用户可设；每个个体选择概率P

本发明至少具有如下有益的技术效果：

本发明提供的一种适用于电力变压器故障的特征提取与诊断方法，通过搜集电力变压器故障典型案例，在原始数据的基础上衍生出待选择特征集，进而形成训练集和测试集，通过互信息对待选择特征参量进行预评估，保留评分较高的特征；通过遗传算法优化分类器的超参数和进一步特征选择，得到最优特征集合和变压器故障诊断模型，最后使用测试集对变压器故障诊断模型进行测试。本发明通过搜集典型故障案例，可以减少样本偏差引起的诊断效果过拟合，通过互信息对待选择特征量集合进行预评估和遗传算法进行特征选择可以提取出变压器故障的有效特征参量，提高变压器故障诊断方法的准确率，提升整个诊断模型的泛化能力。

进一步，互信息用以计算自变量与因变量之间所共有的信息。由于互信息计算的不是数据序列，而是数据的分布，因此互信息可以用于检测特征间的非线性关系。对于特征选择来说，一个特征与其标签之间的互信息越高，可以认为该特征对于后续预测越有用。

进一步，个体适应度公式可以消除训练集的偶然性，保证特征选择的稳定性以及代表性，消除训练集的偶然性，保证特征选择结果的稳定性以及代表性。

附图说明

图1为本发明一种适用于变压器故障的特征提取和诊断方法的流程图。

具体实施方式

为详细说明本发明的实施方法，本发明以支持向量机分类器为例，结合附图进一步说明和论述本发明的原理与实施方法。

如图1所示，本发明提供的一种适用于电力变压器故障的特征提取与诊断方法，其步骤如下：

A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；

B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；

C)对特征参量进行预评估，采用互信息对样本集T的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；

D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；其中，分类器包括但不局限于KNN分类器、支持向量机、神经网络等；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数。

E)按照步骤D)的编码方式，随机初始化种群；

F)计算种群中每个个体的适应度；

G)对个体进行选择、交叉、变异操作；

H)对每个个体进行排序，保留适应度最高的前二分之一的个体；

I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型。

J)使用测试集T2对故障诊断模型进行预测。

步骤A)中原始数据包括以下变压器油中溶解气体的含量：氢气(H

待选择特征参量集F0包括H

将特征参量值归一化公式：

其中，x

对于某个特征参量为X，类别为Y。采用互信息按照下面公式对于特征量评分：

其中，p(x,y)当前是X和Y的联合概率密度函数，而p(x)和p(y)分别是X和Y的边缘概率密度函数。

个体适应度为：

其中，f

个体采用单点交叉和基本位变异，交叉概率P1，变异概率P2取定值，用户可设；每个个体选择概率P

实施例：

本实施例结合图1的一种适用于变压器故障的特征提取和诊断方法流程图，简要说明实施过程。

本发明提供的低压用户端防触电监测与保护方法，搜集典型变压器典型故障样本，其具体分布及故障类型编码如下表1所示。使用互信息对特征参量进行评分排序，选择前40个特征参量进行下一步的特征选择选择。支持向量机作为分类器，核函数选择径向基核函数。遗传算法种群数设为50，迭代代数为100，变异概率0.01，交叉概率0.9。迭代结束后，训练集准确率为91％，最终优选特征集合为H2/CH4、H2/C2H2、H2/TH、C2H4/C2H2、C2H4/TH、CO/CO2、CH4/THD、C2H4/THD、C2H2/THD。采用测试集对训练好的模型、三比值法以及大卫三角形法分别进行测试。结果表明，本方法准确率最高达87％，优于三比值法的81.3％和大卫三角形法的83.7％。

表1典型故障样本状态类型编码及样本分布表

显然，通过上述实施例说明本发明提出的适用于变压器故障的特征提取和诊断方法能够可以提取出变压器故障的有效特征参量，提高变压器故障诊断方法的准确率，提升整个模型的泛化能力。

以上内容是结合具体实施方案对本发明的进一步详细说明。需要特别说明的是，本发明的具体实施方案不仅仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干的推演和扩展，但都应当视为本发明所提交的权利要求书所确定的专利保护范围。