CN103926490A - 一种具有自学习功能的电力变压器综合诊断方法 - Google Patents

Abstract

一种具有自学习功能的电力变压器综合诊断方法，所述综合诊断方法以电力变压器的在线监测实时数据为基础，同时自动对知识库中的离线历史数据和运行维护数据进行挖掘、分析、学习，该方法利用多源配置管理功能可以对各个监测数据源进行增加、删除、更新等管理操作，利用自学习功能可以识别各个监测数据源对诊断结果的影响程度，调整各个监测数据源诊断算法的权重值，该方法通过自学习功能的统计、分析，可以剔除误差较大的数据甚至数据源，从而降低了故障状态的误报率。本发明的电力变压器综合诊断方法可伸缩性强、适应性强、诊断准确度高、误报率低，具有极其重要的实际意义。

Description

一种具有自学习功能的电力变压器综合诊断方法

技术领域

本发明涉及一种电力变压器综合诊断方法，适用于各类电力变压器的故障诊断、健康状态评估。

背景技术

电力变压器是电力***中最重要的设备之一，它的可靠性直接关系到电网能否正常、高效、经济的运行。对电力变压器进行有效、快速、准确地监测诊断，可以减少电力变压器故障，避免设备损失扩大，提高电网的经济效益。

目前，对电力变压器故障诊断方法众多。根据监测方式的不同，主要有油中气体含量在线检测、局部放电在线监测、变压器温度在线监测等。根据所采用的监测数据加工方式不同，主要有人工神经网络、模糊集理论、粗糙集理论、不确定推理理论，以及多源信息融合的推理等。其不足在于：无法自适应调整监测数据通道的可信度，无法自动识别监测数据通道的有效性，不能自管理各个数据处理过程，即在诊断方式上虽然在数据处理算法上有一定的智能化，但是在整个综合诊断过程还不够智能化、自适应、自学习。

发明内容

本发明的目的在于提供一种具有自学习功能的电力变压器综合诊断方法，它能够自学习知识库、自动调整监测数据通道的可信度，自动识别监测数据通道的有效性；同时能够管理诊断方法，可以增加或者删除，并根据历史经验调整诊断方法的权重值。

本发明所采用的技术方案如下：

一种具有自学习功能的电力变压器综合诊断方法，其特征在于：所述综合诊断方法以电力变压器的实时监测数据为基础，同时对历史数据和运行维护数据进行分析，利用自学习功能识别各个不同数据源对诊断结果的影响程度，调整不同数据源在诊断算法的权重值，实现对变压器状态的综合诊断。

一种具有自学习功能的电力变压器综合诊断方法，其特征在于，所述综合诊断方法包括以下步骤：

（1）将电力变压器的多源数据分为3个子类数据：实时监测数据，历史数据，运维数据；

其中，实时监测数据是指通过N种测量、监测装置实时监测到的电力变压器的电气量和非电气量参数，其中N为不小于零的整数；

历史数据是指存储过的实时监测数据；

运维数据是指电力变压器的日常运维信息，包括巡检记录、制造信息、产品家族信息、历史故障信息等；

（2）对步骤（1）中的每个子类数据，采用预先配置在多源配置管理管理模块中的对应诊断方法对变压器运行状态进行诊断，所述诊断方法包括阈值法、人工神经网络法，模糊证据推理法等；

（3）确定步骤（2）中诊断方法的权重值，该权重值也是基于某一子类数据得出的诊断结果的权重值，权重值的初始值能够从多源配置管理管理模块中读取默认配置，或者人为设定；

（4）根据步骤（3）中的基于某一子类数据得到的诊断结果的权重值和步骤（2）中的基于某一子类数据得到的诊断结果利用预先配置在多源配置管理管理模块中的综合诊断方法对变压器进行综合诊断；

（5）将步骤（1）中的电力变压器数据、步骤（3）中的权重值、步骤（4）中的综合诊断结果，以及电力变压器的真实状态信息，都存储到知识库***中；其中，电力变压器的真实状态信息是指变压器的实际状态；

（6）自学习模块根据知识库***中的数据进行统计、分析、学习，重新生成各子类数据对应的诊断方法的权重值，供下次诊断过程使用；自学习模块获取知识库***中的数据，统计、分析数据中的诊断结果与诊断方法的相关性，根据自学习算法按照相关性的强度大小调整诊断方法的权重值成新的权重值；

（7）通过多源配置管理模块将步骤（6）重新生成的权重值配置给各子类数据对应的诊断方法，对监测源和对应的诊断方法进行管理，返回步骤（2）-（4）得到最终的变压器综合诊断结果。

本发明所提供的解决方法，可以自学习历史经验数据更新各个诊断方法的权重值，可以根据实际需要对诊断方法进行灵活配置，可以识别各个监测数据通道的有效性，大大提高了故障诊断的有效性、准确性。

附图说明

图1是本发明具有自学习功能的电力变压器综合诊断方法的流程示意图；

图2是自学习模块的流程图；

图3是多源配置管理模块的流程图。

具体实施方式

下面根据说明书附图并结合具体实例对本发明的技术方案作进一步详细说明。

如图1所示为本发明的诊断方法示意图，具有自学习功能的电力变压器综合诊断方法具体包括如下步骤：

（1）将电力变压器的多源数据分为3个子类数据：实时监测数据，历史数据，运维数据；

实时监测数据是指通过N种测量、监测装置实时监测到的电力变压器的电气量和非电气量参数，其中N为不小于零的整数；

历史数据是指存储过的实时监测数据；

运维数据是指电力变压器的巡检记录、制造信息、产品家族信息、历史故障信息等日常运维信息；

（2）对步骤（1）中的每个子类数据，采用相对应的诊断方法对变压器运行状态进行诊断。如果子类数据不能直接量化，如制造信息、历史故障信息等，则先将子类数据进行量化。子类数据量化的方式采用模糊数学的方法，以制造信息为例，如下表所示：

制造年代	量化值	制造厂等级	量化值
				1990年之前	1	特级	9
1990～1995	3	一级	7
				1996～2000	5	二级	5
2001～2005	7	三级	3
				2005～2010	9	四级	1
2010～2015	11

上表中的量化值仅是示意，给出了一种方法的示例。

如果子类数据可以直接量化，则省去数据信息量化的过程。

所述诊断方法包括阈值法、人工神经网络法，模糊证据推理法等；

理论上，每个子类数据可以采用任一种诊断方法进行诊断。如对实时监测数据中的油中气体组分数据所采用的诊断方法，可以选阈值法，也可以选人工神经网络法。

（3）确定步骤（2）中诊断方法的权重值，该权重值也就是基于某一种数据得出的诊断结果的权重值。权重值的初始值可以读取默认配置，或者人为设定；

（4）根据步骤（3）中的基于某一子类数据得到的诊断结果的权重值和步骤（2）中的基于某一子类数据得到的诊断结果对变压器进行综合诊断。综合诊断方法和对任一子类数据采用的诊断方法，通过多源配置管理管理模块进行配置；其中对任一子类数据采用的诊断方法的配置包括诊断方法和诊断方法的权重值。综合诊断必须根据步骤2）的诊断结果和步骤3）中的权重值进行。多源配置管理模块可以对步骤3）中的权重值做调整，也可以对步骤2）的诊断结果做调整，也可以同时调整。默认情况下，在进行综合诊断后，如果综合诊断结果与某一种诊断算法的结果相近或者相似度高，则该种诊断算法的权重值增加；当需要人工干预时，可以修改指定诊断算法的权重值。当进行电力变压器进行维修后，经过对比诊断方法的诊断结果与变压器真实状态信息，就可以比较出诊断方法的有效程度，此时就可以修改指定诊断算法的权重值。

（5）将步骤（1）中的电力变压器数据、步骤（3）中的权重值、步骤（4）中的综合诊断结果，以及电力变压器的真实状态信息，都存储到知识库***中；如果当时无法获取电力变压器的真实状态信息，可以在未来进行补录；知识库***可以使用数据库，可以使用文件***，或者采用其他方式存储。电力变压器的真实状态信息是指变压器的实际状态，如将变压器停运解体后绕组是否存在短路，是否存在断线等信息。综合诊断的结果存入知识库***，或者直接输出。知识库***可以为文件***组织存储，或者数据库方式存储；知识库***包含诊断时间、所采用的诊断方法、诊断方法的权重值、诊断结果等信息。知识库***可以用手工录入的数据进行修改。

（6）自学习模块根据知识库***中的数据进行统计、分析、学习，重新生成步骤（3）

中的权重值，供下次诊断过程使用。自学习模块的实现方式为，先获取知识库***中的数据（诊断时间，诊断断面的实时监测数据，诊断结果，诊断方法，诊断方法的权重等），

统计、分析数据中的诊断结果与诊断方法的相关性，学习过程就是按照相关性的强度大小调整诊断方法的权重值成新的权重值。当有新的诊断结果后，自学习模块会根据学习结果重新生成各个诊断方法的权重值。

其中学习过程采用的自学习算法可为简单的排序法、模糊数学方法、人工神经网络方法等算法中的一种，本质是根据诊断方法旧的权重值求得诊断方法新的权重值。

排序法的示例，将诊断结果与诊断方法的相关性强度按照从大到小排序，并赋给权重值（如相关性强度最小的赋给1，相关性强度倒数第2小的赋给2，依次赋值），再将权重值做归一化处理，形成新的权重值。归一化处理的方式为，新的权重值等于旧的权重值除以所有旧的权重值之和，公式如下：

$W_{\mathrm{Ni}}=\frac{W_{\mathrm{Oi}}}{{\mathrm{\Σ}}_{i=1}^n{W}_{\mathrm{Oi}}}$

W_Oi,诊断方法的旧的权重值；

W_Ni，诊断方法的新的权重值；

诊断方法的旧的权重值之和，其中，n为参与诊断的诊断方法数量。

模糊数学方法、人工神经网络方法都是根据诊断方法旧的权重值和诊断方法的诊断结果、实时监测数据等的相关性，生成诊断方法的新的权重值。

（7）多源配置管理模块对监测源和对应的诊断方法进行管理，可以增加或者删除监测源，可以修改监测源对应的诊断方法，可以对诊断方法的权重值进行修改，并提供对诊断方法诊断结果的修改接口。对诊断方法的权重值进行修改后返回步骤（2）-（4）得到最终的变压器综合诊断结果。

多源配置管理模块的实现方式为，将监测源、诊断方法、诊断方法的权重值配置在文件中，通过对文件中各项数据的修改就能完成增加或者删除监测源，修改监测源对应的诊断方法和诊断方法的权重值；在将配置文件中的数据加载到内存后，提供修改内存数据的接口，内存数据的内容包括监测源、诊断方法、诊断方法的权重值、诊断结果；同时提供修改内存中诊断结果的接口。

如图2所示为自学习模块的算法流程图，自学习模块的算法具体包括如下步骤：先获取知识库***中的数据（诊断时间，诊断断面的实时监测数据，诊断结果，诊断方法，诊断方法的权重等），统计、分析数据中的诊断结果与诊断方法的相关性，学习过程就是按照相关性的强度大小调整诊断方法的权重值成新的权重值。当有新的诊断结果后，自学习模块会根据学习结果重新生成各个诊断方法的权重值。

其中学习过程采用的自学习算法可为简单的排序法、模糊数学方法、人工神经网络方法等算法中的一种，本质是根据诊断方法旧的权重值求得诊断方法新的权重值。

排序法的示例，将诊断结果与诊断方法的相关性强度按照从大到小排序，并赋给权重值（如相关性强度最小的赋给1，相关性强度倒数第2小的赋给2，依次赋值），再将权重值做归一化处理，形成新的权重值。归一化处理的方式为，新的权重值等于旧的权重值除以所有旧的权重值之和，公式如下：

$W_{\mathrm{Ni}}=\frac{W_{\mathrm{Oi}}}{{\mathrm{\Σ}}_{i=1}^n{W}_{\mathrm{Oi}}}$

W_Oi,诊断方法的旧的权重值；

W_Ni，诊断方法的新的权重值；

诊断方法的旧的权重值之和，其中，n为参与诊断的诊断方法数量。

模糊数学方法、人工神经网络方法都是根据诊断方法旧的权重值和诊断方法的诊断结果、实时监测数据等的相关性，生成诊断方法的新的权重值。

如图3所示为多源配置管理模块的算法流程图，多源配置管理模块的算法具体包括如下步骤：将监测源、诊断方法、诊断方法的权重值配置在文件中，通过对文件中各项数据的修改就能完成增加或者删除监测源，修改监测源对应的诊断方法和诊断方法的权重值；在将配置文件中的数据加载到内存后形成诊断算法列表、诊断算法权重值列表，数据采集通道列表，并提供修改内存数据的接口，内存数据的内容包括监测源、诊断方法、诊断方法的权重值、诊断结果；同时提供修改内存中诊断结果的接口。

下面通过一个具体实施例对前述的具有自学习功能的电力变压器综合诊断方法进行介绍：

步骤1：建立电力变压器模型

电力变压器的模型数据分为3大类：实时监测数据、历史数据、运维数据。实时监测数据包括：局部放电数据、油中气体组分数据、温度数据、其他电气量数据、其他非电气量数据。

局部放电数据包括：局部放电量q，放电发生时工频电压的相位,每秒放电次数n。

油中气体组分数据包括：的含量百分比。

温度数据包括：变压器油温，外表面温度，匝间绕组温度等。

其他电气量数据包括变压器油的颜色：

其他非电气量数据包括：振动位移。

历史数据的项目与实时监测数据相同。

运维数据包括：变压器的容量、过负荷次数等。

步骤2：选取数据源和诊断算法

根据现有的传感器装置或者在线监测设备选择数据源。例如，如果传感器可以采集到油温，则选中变压器油温为一个数据源。如果无法获取到匝间绕组温度数据，则不用该数据源。

选取数据源的目的是使电力变压器的状态数据进入诊断***中，以便进行分析这些数据，从而进一步进行诊断。

每种数据源都是电力变压器真实状态的不同角度的反映。数据源不同，所采取的诊断算法也不同。为每个数据源配置一个合适的诊断算法。

例如，对于局部放电数据q，，n采用指纹比对算法，即将q，，n生成三维谱图，计算三维谱图的特征值（如不对称度等）与知识库中的三维谱图进行比对，从而进行诊断。

例如，对于油中气体组分数据，采用故障树分析的方法进行诊断。也可以采用其他方法，如模糊证据推理。

步骤3：设置配置数据和权重值

多源配置管理模块为每个诊断算法设置不同的权重。权重值可以读取默认配置，也可以手工设定。如果不设置，自学习模块将在对知识库中的数据进行统计、分析、学习后，自动生成权重值。详细见多源配置管理模块的结构示意图。

步骤4：诊断过程

诊断开始后，由多源配置管理模块调用各个数据源的诊断算法，诊断出每个数据源的结果，根据每个算法的权重值，再进行多源信息融合，综合诊断出结果。多源信息融合综合诊断时，是要考虑步骤3）中各个诊断算法的权重值的。

例如，局部放电诊断算法的权重值为0.04，油中气体组分诊断算法的权重值为0.95，巡检记录的诊断算法的权重值为0.01，进行多源信息融合分析时，综合诊断结果将以油中气体组分的诊断算法的结果为主，其他诊断方法的结果将作为参考。

步骤5：诊断结果输出和信息存储

诊断结果的输出可以自定义。

例如，可以设置综合诊断结果为以下状态之一：正常、注意、异常、严重。这四种状态的定义如下：

正常状态：设备各状态量均处于稳定且在规程规定的警示值、注意值（以下简称标准限值）以内，可以正常运行。

注意状态：设备单项（或多项）状态量变化趋势朝接近标准限值方向发展，但未超过标准限值，仍可以继续运行，应加强运行中的监视。

异常状态：设备单项状态量变化较大，已接近或略微超过标准限值，应监视运行，并适时安排停电检修。

严重状态：设备单项重要状态量严重超过标准限值，需要尽快安排停电检修。

例如，可以对变压器的健康状态进行打分，分值取值范围：0～100。

例如，也可以增加变压器状态的详细描述信息。

诊断结果的输出，取决于综合诊断算法的输出。

在电力变压器发生故障后，或者进行检修后，允许将变压器的状态信息录入到知识库中，以便于自学习模块进行分析、学习，更新对应诊断算法的权重值。

步骤6：自学习过程

自学习过程由自学习模块执行。自学习模块分析知识库的数据、诊断方法、诊断结果、真实状态的关系，计算出诊断算法的权重值。

详细见自学习模块的结构示意图。

步骤7：维护管理

维护管理功能主要有：

（1）使用多源配置管理模块管理数据源，可以增加新的数据源，也可以删除已有的数据源，可以为已有的数据源重新配置诊断算法，可以重新设置诊断算法的权重值。

（2）增加知识库中的数据信息，或者更新知识库中的数据信息。为自学习模块提高统计分析的数据样本。

以上所述仅是发明的一种实施方式，应当指出：对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和调整，这些改进和调整均应视为本发明的保护范围。

最后要说明的是，此种具有自学习功能的电力变压器综合诊断方法，并不局限于电力变压器的诊断，也适用于其他电力设备的诊断，甚至适用于机械、建筑等诊断。该综合诊断方法的核心精神是自学习，自组织，具有开放性，可伸缩性，可扩展性，极具智能化的诊断方法。

Claims (6)

1.一种具有自学习功能的电力变压器综合诊断方法，其特征在于：所述综合诊断方法以电力变压器的实时监测数据为基础，同时对历史数据和运行维护数据进行分析，利用自学习功能识别各个不同数据源对诊断结果的影响程度，调整不同数据源在诊断算法的权重值，实现对变压器状态的综合诊断。

2.一种具有自学习功能的电力变压器综合诊断方法，其特征在于，所述综合诊断方法包括以下步骤：

（1）将电力变压器的多源数据分为3个子类数据：实时监测数据，历史数据，运维数据；

其中，实时监测数据是指通过N种测量、监测装置实时监测到的电力变压器的电气量和非电气量参数，其中N为不小于零的整数；

历史数据是指存储过的实时监测数据；

运维数据是指电力变压器的日常运维信息，包括巡检记录、制造信息、产品家族信息、历史故障信息等；

（2）对步骤（1）中的每个子类数据，采用预先配置在多源配置管理管理模块中的对应诊断方法对变压器运行状态进行诊断，所述诊断方法包括阈值法、人工神经网络法，模糊证据推理法等；

（3）确定步骤（2）中诊断方法的权重值，该权重值也是基于某一子类数据得出的诊断结果的权重值，权重值的初始值能够从多源配置管理管理模块中读取默认配置，或者人为设定；

（4）根据步骤（3）中的基于某一子类数据得到的诊断结果的权重值和步骤（2）中的基于某一子类数据得到的诊断结果利用预先配置在多源配置管理管理模块中的综合诊断方法对变压器进行综合诊断；

（5）将步骤（1）中的电力变压器数据、步骤（3）中的权重值、步骤（4）中的综合诊断结果，以及电力变压器的真实状态信息，都存储到知识库***中；其中，电力变压器的真实状态信息是指变压器的实际状态；

（6）自学习模块根据知识库***中的数据进行统计、分析、学习，重新生成各子类数据对应的诊断方法的权重值，供下次诊断过程使用；自学习模块获取知识库***中的数据，统计、分析数据中的诊断结果与诊断方法的相关性，根据自学习算法按照相关性的强度大小调整诊断方法的权重值成新的权重值；

（7）通过多源配置管理模块将步骤（6）重新生成的权重值配置给各子类数据对应的诊断方法，对监测源和对应的诊断方法进行管理，返回步骤（2）-（4）得到最终的变压器综合诊断结果。

3.根据权利要求2所述的电力变压器综合诊断方法，其特征在于：

在步骤（5）中，所述知识库***能够使用数据库，也能够使用文件***，或者采用其他存储方式。

4.根据权利要求2所述的电力变压器综合诊断方法，其特征在于：

在步骤（6）中，所述自学习算法为排序法或模糊数学方法或人工神经网络方法。

5.根据权利要求4所述的电力变压器综合诊断方法，其特征在于：

当采用排序法时，将诊断结果与诊断方法的相关性强度按照从大到小排序，并赋给权重值，再将权重值做归一化处理，形成新的权重值，归一化处理的方式为，新的权重值等于旧的权重值除以所有旧的权重值之和，公式如下：

$W_{\mathrm{Ni}}=\frac{W_{\mathrm{Oi}}}{{\mathrm{\Σ}}_{i=1}^n{W}_{\mathrm{Oi}}}$

W_Oi,诊断方法的旧的权重值；

W_Ni，诊断方法的新的权重值；

诊断方法的旧的权重值之和，其中，n为参与诊断的诊断方法数量。

6.根据权利要求2所述的电力变压器综合诊断方法，其特征在于：

在步骤（7）中，多源配置管理模块可以增加或者删除监测源，可以修改监测源对应的诊断方法，可以对诊断方法的权重值进行修改，并提供对诊断方法诊断结果的修改接口。