CN104535865A - 基于多参数的电力变压器运行故障综合诊断方法 - Google Patents

Abstract

本发明公开了一种基于多参数的电力变压器运行故障综合诊断方法，具体按照以下步骤实施：步骤1，对变压器的各项运行参数的数据采集与处理，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}；步骤2，利用单方面特征量对变压器进行初步状态评估，判断变压器是否故障或者正常运行老化；步骤3，进行综合故障诊断，若在步骤2中初步判断变压器异常，则采用基于ID3算法生成决策树利用多个参数对变压器进行故障综合诊断。本发明基于多参数的电力变压器运行故障综合诊断方法能够更加准确和快速的对变压器故障状态进行整体综合判定。

Description

基于多参数的电力变压器运行故障综合诊断方法

技术领域

本发明属于变压器在线监测技术领域，具体涉及一种基于多参数的电力变压器运行故障综合诊断方法。

背景技术

随着电网建设的高速发展，我国电网已从城市孤立电网，发展成为大区电网，西电东送，南北互供，全国联网的格局正在形成。电力***是一个由众多发、送、输、配、用电设备连接而成的大***，这些设备的可靠性及运行状况直接决定整个***的稳定和安全，也决定着供电质量和供电可靠性，变压器是电力***中担负电压变换、电能传输和终端分配的电力设备。其正常可靠运行是保证整个电网稳定运行的主要原因之一。但由于电力变压器结构复杂，而且电力变压器的故障往往由多种原因引起，不同故障所表现出的征兆有时具有相似性、随机性、人为的干扰因素以及诊断设备和手段存在的误差等因素，运行中的变压器面临着日益严重的如设备故障和绝缘老化问题，一旦发生事故造成设备资产及大面积停电等巨大损失。目前，传统变压器故障诊断方法存在编码不全，不能涵盖所有变压器可能出现的故障。单一智能故障诊断方法存在初始参数设定困难，泛化能力较差等问题，制约了故障诊断准确率的提升。因此，对电力变压器进行深入的故障诊断研究，对指导变压器的运行维护和状态检修具有重要的理论和实际意义。

发明内容

本发明的目的是提供一种基于多参数的电力变压器运行故障综合诊断方法，能够更加准确和快速的对变压器故障状态进行整体综合判定。

本发明的技术方案是，基于多参数的电力变压器运行故障综合诊断方法，具体按照以下步骤实施：

步骤1，对变压器的各项运行参数的数据采集与处理，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}；

步骤2，利用单方面特征量对变压器进行初步状态评估，判断变压器是否故障或者正常运行老化；

步骤3，进行综合故障诊断，若在步骤2中初步判断变压器异常，则采用基于ID3算法生成决策树利用多个参数对变压器进行故障综合诊断。

本发明的特点还在于，

其中，步骤1具体步骤如下：

步骤1.1，进行在线或离线数据的采集，通过各种在线监测得到在线数据或者通过变压器预防性试验、停电所做的一些常规试验得到定期或不定期的试验数据；

需要采集的数据包括：绕组直流电阻(X₁)，绕组绝缘电阻(X₂)，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，油中糠醛(X₆)，油中溶解气体组分含量(X₇)。

步骤1.2，参数计算，变压器运行状态的有些参数数据不能直接测得，需要用试验数据计算得到；

需要计算得到的参数数据包括：绕组吸收比(X₈)为在同一次试验中，60秒绝缘电阻值与15秒绝缘电阻值的比值；绕组极化指数(X₉)为绝缘电阻在10分钟时的值与在1分钟时的值的比值；绕组介质损耗因数(X₁₀)、电容型套管介质损耗因数(X₁₁)、油介质损耗因数(X₁₂)都等于被测试品的有功功率与无功功率值之比；

步骤1.3，参数换算，即将步骤1.1和步骤1.2中的部分试验数据或参数换算成同一环境温度下的数据，具体需要换算数据包括：

a)将不同温度下绕组直流电阻按进行修正，其中R₁和R₂分别为在温度t₁、t₂时的阻值；T_k为计算用常数，铜导线取235，铝导线取225；R₁对应步骤1.1中X₁，R2对应修正后的阻值X₁'；

b)将不同温度下绝缘电阻按进行换算；其中R₁和R₂分别为在温度t₁、t₂时的阻值；R₁对应步骤1.1中X₂，R2对应修正后的阻值X₂'。

c)不同温度下介质损耗因数按进行换算；其中tanδ₁和tanδ₂分别为在温度t₁、t₂时的介质损耗因数，步骤1.1中的X₁₀、X₁₁和X₁₂可对应tanδ₁，换算后的介质损耗因数X₁₀'、X₁₁'、X₁₂'对应tanδ₂。

d)按照min-max归一化方法将油中溶解气体含量归一化到[0,1]范围内。采用公式data_new＝(data_or-min)/(max-min)，其中，data_or是原始数据，min是原始数据中的最小值，max是原始数据中的最大值，data_new为归一化后的数据，范围为[0,1]。

最终，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}。

其中，步骤2具体按照以下步骤实施：

步骤2.1，电气监测量、油化特征量的比较与分析。将试验数据或换算后的数据与规程规定的标准试验数据以及各项指标比较；具体涉及到修正后的绕组直流电阻(X₁')，修正后的绕组绝缘电阻(X₂')、吸收比(X₈)和极化指数(X₉)，修正后的绕组介损(X₁₀')，修正后的电容型套管介损(X₁₁')，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，修正后的油介损(X₁₂')，油中糠醛(X₆)。将以上这些单方面特征量与DL/596-1996《电力设备预防性试验规程》、《设备状态检修规章制度和技术标准汇编》和Q/GDW169-2008《油浸式变压器(断路器)状态评价导则》中的相关设定值A进行对照，若不符合要求，即X_i＞A_i或X_i＜A_i，则变压器存在异常；得到阈值诊断结果：Y_a＝{Y₁,Y₂,Y₃,…,Y₁₂}；

步骤2.2，采用经典Adaboost的扩展算法进行油色谱监测量的分析，得到油色谱监测量的分析的结果Y_b；

步骤2.3，通过对步骤2.1中得到的Y_a论和步骤2.2中得到的Y_b进行判断，得出初步结论，具体为：若Y_a或Y_b中含有故障状态，则变压器异常，进入综合故障诊断环节，即转入步骤3；否则，继续检测变压器的状态变化，即返回到步骤1.1。

其中，步骤2.2具体按照以下步骤实施：

步骤2.2.1，选择BP神经网络作为弱分类器，由于要求弱分类器的输出是一个在[0,1]范围内的向量，故选用输出层传递函数为logsig的BP神经网络作为弱分类器，其中弱分类器BP神经网络输入层神经元个数由输入向量决定，输出层的节点数可根据待分类模式数来确定，一般采用3层网络结构，如图2所示，即为BP神经网络结构图。

步骤2.2.2，数据预处理，对原始变压器输入的特征向量，即，甲烷、乙烷、乙烯、乙炔、氢气的含量，进行归一化处理，归一化到[0,1]范围内作为神经网络的输入向量，并对训练样本及其所对应的故障类别进行顺序编码，比如，第一种类别编码为1，第二类编码为2，以此类推，从而生成N个训练样本集：

s＝{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…(x_n,y_n)}        (1)

其中，故障类标签y_i∈Y＝{1,2,…,b}，i为样本标号，b表示故障类别数，D为定义在样本上的分布，T为弱分类器个数，即迭代次数；

步骤2.2.3，对样本分布权值进行初始化，得出初始权值向量，对i＝1,…,N，置权值向量初始样本分布权值为D₁(i)＝1/N；

步骤2.2.4，对权值向量进行T次循环更新计算，同时得出β_t值；当第t(t＝1,2,…,T)次循环时进行，

具体按照如下步骤a～步骤e进行计算：

步骤a，令那么标签加权函数为

$q_t(i,y)=w_{i,y}^t/W_i^t---\left(2\right)$

其中y≠y_i，样本分布权值为

$D_i\left(i\right)=W_i^t/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_i^t---\left(3\right)$

其中，q_t(i,y)表示将样本i错误分类为y的可能性，它的值越大，表明样本i被错分为y的可能性越大，则该样本越需要重点学习，其初始值为1/(b-1)；D_t(i)表示当前样本权值和占所有样本权值和的总和比重，初始值为1/N；表示相对于整个样本集N，当前样本的非正确类(y≠y_i)各个错误类权值(共k-1个错误类)，初始值为1/N(b-1)。表示相对于整个样本集N，当前样本的各类权值总和，初始值为1/N；

步骤b，根据样本分布D_t(i)选择新样本训练BP神经网络，得到分类器h_t：X*Y→[0,1]；

步骤c，计算h_t的伪误差ε_t

${\mathrm{\ϵ}}_t=(1/2)\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{D}_t\left(i\right)(1-h_t(x_i,y_i)+\underset{y\≠y_i}{\mathrm{\Σ}}{q}_t(i,y)h_t(x_i,y))---\left(4\right)$

若ε_t≥0.5，跳转至步骤2.2.5；

步骤d，计算β_t＝ε_t/(1-ε_t)

步骤e，更新权值向量，

$w_{i,y}^{t+1}=w_{i,y}^t{\mathrm{\β}}_t^{(1/2)[1+h_t(x_i,y_i)-h_t(x_i,y)]}---\left(5\right);$

步骤2.2.5，T次循环结束后，输出最终的组合分类器H。

$H\left(x\right)={\arg }_{y\∈Y}\max \underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(\log \frac{1}{{\mathrm{\β}}_t}\right)h_t(x,y)---\left(6\right)$

上式表示该算法比较各类别在各弱分类器中输出的加权和的最大值，选出该最大值对应的类别号作为对应样本的输出，记为Y_b。

其中，步骤3具体按照以下步骤实施：

步骤3.1，建立决策树，对于变压器的N个标记样本，它们分别属于故障类别f_i，i＝1,2,3,…,f的模式集合，f包含了Y_a和Y_b中所有的故障模式，类别f_i中的样本个数为N_i，每个样本有K个属性，即每个样本中所包含的变压器监测项，本方案的样本(X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}中，K＝12，每个属性有J个值，J＝1,2,…,j，J表示每个监测项的不同状态；

步骤3.2，步骤3.2，采用ID3算法建立的决策树利用变多个参数对变压器运行故障进行综合诊断，得出最终诊断结果。

其中，步骤3.1具体按照以下步骤实施：

步骤3.1.1，计算***的初始熵，

$M\left(I\right)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}-\left(\frac{N_i}{N}\right)\ln \left(\frac{N_i}{N}\right)---\left(7\right)$

对于样本集而言，所有模式的故障类别是已知的，因此由N个标记模式构成了***的初始熵；

步骤3.1.2，选择决策树的根节点，具体的步骤如下：

步骤3.1.3，建立决策树的下一级，剔除被步骤1选到的属性，在剩下的属性中，重复步骤3.1.1至步骤3.1.3，得到二级决策树的根节点X_k1，作为这一级的节点，使在所有的分支上测试X_k之后，能得到信息量的最大熵降，这样就形成了二级决策树；

步骤3.1.4，重复步骤3.1.1至步骤3.1.3，递归的执行，直到所有的子模式样本集都只有一个类别，这时候***的熵为零，决策树建立完成。

其中，步骤3.1.2具体按照以下步骤实施：

1)针对每个属性X_k，k＝1,2,…,12，按照特征值X_k的J个x_ij值，把原始的模式分成第一级模式群；

2)对于每一个故障分类的n_ij个模式，属于类别y_i的模式数目是n_kj(i)，用下述的关系式(8)求出该分支的熵，

$M({I,X}_k,j)=\underset{i=1}{\overset{y}{\mathrm{\Σ}}}[-\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}]*\ln \left(\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}\right)---\left(8\right)$

然后在进一步求出该属性下的算数平均熵M(I,X_k)，

$M\left({I,X}_k\right)=\frac{1}{j}M({I,X}_k,j)---\left(9\right)$

3)按照关系式(10)计算由测试属性X_k引起的熵降，

ΔM(k)＝M(I)-M(I,X_k)                 (10)

4)选择产生最大熵降的属性X_k0，

ΔM(X_k0)＞ΔM(k)                   (11)

即当X_k0满足关系式(11)时，属性X_k0就是决策树的根节点。

步骤3.2具体按照以下步骤实施：

步骤3.2.1，在输入变量X＝{X₁,X₂,X₃,…,X₁₂}中寻找和决策树的根节点属性X_k相同的属性；

步骤3.2.2，按照已经生成的ID3决策树中的规则，判断输入变量中同根节点相同的属性值，寻找到下一子节点，进而继续进行属性匹配；

步骤3.2.3，通过决策树自顶向下，逐层查找，得出最终的变压器故障诊断结果类型，即得出故障类别Y_fin，Y_fin∈f。

本发明的有益效果是：本发明的方法以相关规程和准则为依据，对电气监测量、油化特征量以及附件运行状态进行判断，同时对油色谱特征量利用Adaboost算法对变压器油中溶解气体进行初步故障分析，此方法只需寻找若干个分类准确率比随机分类准确率略高(即正确率略大于50％)的弱分类器，采用BP神经网络作为弱分类器，通过对其进行迭代训练，得出一系列弱分类结果，再利用Adaboost的集成提升作用，对序列中分类精度高的弱分类器赋予较大的权重，由一个加权投票来产生分类结果，这个结果即为变压器初步故障的类型。利用ID3算法生成决策树，可以生成一些规则，有效的处理非数值量属性的模式，将所有的监测结果整合起来，通过故障征兆去寻找故障原因，从而实现变压器的故障综合诊断。

附图说明

图1是本发明的方法中变压器运行故障综合诊断流程图；

图2是本发明的方法中使用的BP神经网络结构示意图；

图3是本发明的方法中使用的Adaboost算法流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明先以相关规程和准则为依据，对电气监测量、油化特征量进行判断，同时利用Adaboost算法对变压器油中溶解气体进行初步故障分析；再利用基于ID3算法生成决策树对多参数的变压器进行综合故障诊断，针对多参数的变压器综合故障诊断流程如附图1，具体过程按照以下步骤实施：

步骤1，对变压器的各项运行参数的数据采集与处理，具体步骤如下：

步骤1.1，进行在线或离线数据的采集，通过各种在线监测得到在线数据或者通过变压器预防性试验、停电所做的一些常规试验得到定期或不定期的试验数据；

需要采集的数据包括：绕组直流电阻(X₁)，绕组绝缘电阻(X₂)，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，油中糠醛(X₆)，油中溶解气体组分含量(X₇)。

步骤1.2，参数计算，变压器运行状态的有些参数数据不能直接测得，需要用试验数据计算得到；

需要计算得到的参数数据包括：绕组吸收比(X₈)为在同一次试验中，60秒绝缘电阻值与15秒绝缘电阻值的比值；绕组极化指数(X₉)为绝缘电阻在10分钟时的值与在1分钟时的值的比值；绕组介质损耗因数(X₁₀)、电容型套管介质损耗因数(X₁₁)、油介质损耗因数(X₁₂)都等于被测试品的有功功率与无功功率值之比；

步骤1.3，参数换算，即将步骤1.1)和步骤1.2中的部分试验数据或参数换算成同一环境温度下的数据，具体需要换算数据包括：

a)将不同温度下绕组直流电阻按进行修正，其中R₁和R₂分别为在温度t₁、t₂时的阻值；T_k为计算用常数，铜导线取235，铝导线取225；R₁对应步骤1.1中X₁，R2对应修正后的阻值X₁'；

b)将不同温度下绝缘电阻按进行换算；其中R₁和R₂分别为在温度t₁、t₂时的阻值；R₁对应步骤1.1中X₂，R2对应修正后的阻值X₂'。

c)不同温度下介质损耗因数按进行换算；其中tanδ₁和tanδ₂分别为在温度t₁、t₂时的介质损耗因数，步骤1.1中的X₁₀、X₁₁和X₁₂可对应tanδ₁，换算后的介质损耗因数X₁₀'、X₁₁'、X₁₂'对应tanδ₂。

d)按照min-max归一化方法将油中溶解气体含量归一化到[0,1]范围内。采用公式data_new＝(data_or-min)/(max-min)，其中，data_or是原始数据，min是原始数据中的最小值，max是原始数据中的最大值，data_new为归一化后的数据，范围为[0,1]。

最终，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}。

步骤2，利用单方面特征量对变压器进行初步状态评估，判断变压器是否故障或者正常运行老化，具体过程如下：

步骤2.1，电气监测量、油化特征量的比较与分析。这一步根据单个参数对变压器状态进行初步判断，将试验数据或换算后的数据与规程规定的标准试验数据以及各项指标比较；具体涉及到修正后的绕组直流电阻(X₁')，修正后的绕组绝缘电阻(X₂')、吸收比(X₈)和极化指数(X₉)，修正后的绕组介损(X₁₀')，修正后的电容型套管介损(X₁₁')，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，修正后的油介损(X₁₂')，油中糠醛(X₆)。将以上这些单方面特征量与DL/596-1996《电力设备预防性试验规程》、《设备状态检修规章制度和技术标准汇编》和Q/GDW169-2008《油浸式变压器(断路器)状态评价导则》中的相关设定值(A)进行对照，若不符合要求(即：X_i＞A_i或X_i＜A_i)，则变压器存在异常。得到阈值诊断结果：Y_a＝{Y₁,Y₂,Y₃,…,Y₁₂}_。

步骤2.2，油色谱监测量的分析，采用一种经典Adaboost的扩展算法，具体算法步骤如下：

步骤2.2.1，选择BP神经网络作为弱分类器，由于要求弱分类器的输出是一个在[0,1]范围内的向量，故选用输出层传递函数为logsig的BP神经网络作为弱分类器，其中弱分类器BP神经网络输入层神经元个数由输入向量决定，输出层的节点数可根据待分类模式数来确定，一般采用3层网络结构，如图2所示，即为BP神经网络结构图。

步骤2.2.2，数据预处理，对原始变压器输入的特征向量(即，甲烷、乙烷、乙烯、乙炔、氢气含量)进行归一化处理，具体方法为：按照min-max归一化方法将油中溶解气体含量归一化到[0,1]范围内。采用公式data_new＝(data_or-min/)(ma-xmin，)其中，data_or是原始数据，min是原始数据中的最小值，max是原始数据中的最大值，data_new为归一化后的数据，归一化到[0,1]范围内作为神经网络的输入向量，并对训练样本及其所对应的故障类别进行顺序编码，比如，第一种类别编码为1，第二类编码为2，以此类推，从而生成N个训练样本集：

s＝{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…(x_n,y_n)}           (1)

其中，故障类标签y_i∈Y＝{1,2,…,b}，i为样本标号，b表示故障类别数，D为定义在样本上的分布，T为弱分类器个数，即迭代次数；

步骤2.2.3，对样本分布权值进行初始化，得出初始权值向量，对i＝1,…,N，置权值向量初始样本分布权值为D₁(i)＝1/N；

步骤2.2.4，对权值向量进行T次循环更新计算，同时得出β_t值；当第t(t＝1,2,…,T)次循环时进行，

具体按照如下步骤a～步骤e进行计算：

步骤a，令那么标签加权函数为

$q_t(i,y)=w_{i,y}^t/W_i^t---\left(2\right)$

其中y≠y_i，样本分布权值为

$D_i\left(i\right)=W_i^t/\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_i^t---\left(3\right)$

其中，q_t(i,y)表示将样本i错误分类为y的可能性，它的值越大，表明样本i被错分为y的可能性越大，则该样本越需要重点学习，其初始值为1/(b-1)；D_t(i)表示当前样本权值和占所有样本权值和的总和比重，初始值为1/N；表示相对于整个样本集N，当前样本的非正确类(y≠y_i)各个错误类权值(共k-1个错误类)，初始值为1/N(b-1)。表示相对于整个样本集N，当前样本的各类权值总和，初始值为1/N；

步骤b，根据样本分布D_t(i)选择新样本训练BP神经网络，得到分类器h_t：X*Y→[0,1]；

步骤c，计算h_t的伪误差ε_t

${\mathrm{\ϵ}}_t=(1/2)\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{D}_t\left(i\right)(1-h_t(x_i,y_i)+\underset{y\≠y_i}{\mathrm{\Σ}}{q}_t(i,y)h_t(x_i,y))---\left(4\right)$

若ε_t≥0.5，跳转至步骤2.2.5；

步骤d，计算β_t＝ε_t/(1-ε_t)

步骤e，更新权值向量，

$w_{i,y}^{t+1}=w_{i,y}^t{\mathrm{\β}}_t^{(1/2)[1+h_t(x_i,y_i)-h_t(x_i,y)]}---\left(5\right);$

步骤2.2.5，T次循环结束后，输出最终的组合分类器H。

$H\left(x\right)={\arg }_{y\∈Y}\max \underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(\log \frac{1}{{\mathrm{\β}}_t}\right)h_t(x,y)---\left(6\right)$

上式表示该算法比较各类别在各弱分类器中输出的加权和的最大值，选出该最大值对应的类别号作为对应样本的输出，记为Y_b；

步骤2.3，通过对步骤2.1中得到的Y_a论和步骤2.2中得到的Y_b进行判断，得出初步结论，具体为：若Y_a或Y_b中含有故障状态，则变压器异常，进入综合故障诊断环节，即转入步骤3；否则，继续检测变压器的状态变化，即返回到步骤1.1；

步骤3，进行综合故障诊断，若在步骤2.3中初步判断变压器异常，则采用基于ID3算法生成决策树利用多个参数对变压器进行故障综合诊断，具体按照以下的步骤实施：

步骤3.1，建立决策树，对于变压器的N个标记样本，它们分别属于故障类别f_i，i＝1,2,3,…,f的模式集合，f包含了Y_a和Y_b中所有的故障模式，类别f_i中的样本个数为N_i，每个样本有K个属性，即每个样本中所包含的变压器监测项，本方案的样本(X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}中，K＝12，每个属性有J个值，J＝1,2,…,j，J表示每个监测项的不同状态，

步骤3.1.1，计算***的初始熵

$M\left(I\right)=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}-\left(\frac{N_i}{N}\right)\ln \left(\frac{N_i}{N}\right)---\left(7\right)$

对于样本集而言，所有模式的故障类别是已知的，因此由N个标记模式构成了***的初始熵；

步骤3.1.2，选择决策树的根节点，具体的步骤如下：

1)针对每个属性X_k，k＝1,2,…,12，按照特征值X_k的J个x_ij值，把原始的模式分成第一级模式群；

2)对于每一个故障分类的n_ij个模式，属于类别y_i的模式数目是n_kj(i)，用下述的关系式(8)求出该分支的熵，

$M({I,X}_k,j)=\underset{i=1}{\overset{y}{\mathrm{\Σ}}}[-\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}]*\ln \left(\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}\right)---\left(8\right)$

然后在进一步求出该属性下的算数平均熵M(I,X_k)，

$M\left({I,X}_k\right)=\frac{1}{j}M({I,X}_k,j)---\left(9\right)$

3)按照关系式(10)计算由测试属性X_k引起的熵降，

ΔM(k)＝M(I)-M(I,X_k)               (10)

4)选择产生最大熵降的属性X_k0，

ΔM(X_k0)＞ΔM(k)                   (11)

即当X_k0满足关系式(11)时，属性X_k0就是决策树的根节点，

步骤3.1.3，建立决策树的下一级，剔除被步骤1选到的属性，在剩下的属性中，重复步骤3.1.1至步骤3.1.3，得到二级决策树的根节点X_k1，作为这一级的节点，使在所有的分支上测试X_k之后，能得到信息量的最大熵降，这样就形成了二级决策树；

步骤3.1.4，重复步骤3.1.1至步骤3.1.3，递归的执行，直到所有的子模式样本集都只有一个类别，这时候***的熵为零，决策树建立完成；

步骤3.2，采用ID3算法建立的决策树利用变多个参数对变压器运行故障进行综合诊断，得出最终诊断结果，具体的步骤如下：

步骤3.2.1，在输入变量X＝{X₁,X₂,X₃,…,X₁₂}中寻找和决策树的根节点属性X_k相同的属性；

步骤3.2.2，按照已经生成的ID3决策树中的规则，判断输入变量中同根节点相同的属性值，寻找到下一子节点，进而继续进行属性匹配；

步骤3.2.3，通过决策树自顶向下，逐层查找，得出最终的变压器故障诊断结果类型，即得出故障类别Y_fin，Y_fin∈f。

本发明的有益效果是：

(1)利用Adaboost算法可以构造出高精度的强分类器，其对弱分类器的要求低，只需子分类器的分类准确率略大于50％，通过集成弱学习算法，解决了强学习算法难以获得的问题，同时具有分类错误率上界随着训练增加而稳定下降，不会过拟合等优良的性质，实现应用都相对简单，为工程变压器故障诊断提供了一种新的思路。

(2)利用ID3算法生成决策树能够生成理解的规则，根据样本的不同，可以修订自身的判定规则，具有很好的自组织和自适应性，计算量相对来说不是很大，可以处理连续和种类字段，决策树可以清晰的显示哪些字段比较重要，使运行人员在纷杂的故障信息中把握主次，对变压器故障状态做出总体评价。

Claims (8)

1.基于多参数的电力变压器运行故障综合诊断方法，其特征在于，具体按照以下步骤实施：

步骤1，对变压器的各项运行参数的数据采集与处理，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}；

步骤2，利用单方面特征量对变压器进行初步状态评估，判断变压器是否故障或者正常运行老化；

步骤3，进行综合故障诊断，若在步骤2中初步判断变压器异常，则采用基于ID3算法生成决策树利用多个参数对变压器进行故障综合诊断。

2.根据权利要求1所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤1具体步骤如下：

步骤1.1，进行在线或离线数据的采集，通过各种在线监测得到在线数据或者通过变压器预防性试验、停电所做的一些常规试验得到定期或不定期的试验数据；

需要采集的数据包括：绕组直流电阻(X₁)，绕组绝缘电阻(X₂)，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，油中糠醛(X₆)，油中溶解气体组分含量(X₇)；

步骤1.2，参数计算，变压器运行状态的有些参数数据不能直接测得，需要用试验数据计算得到；

需要计算得到的参数数据包括：绕组吸收比(X₈)为在同一次试验中，60秒绝缘电阻值与15秒绝缘电阻值的比值；绕组极化指数(X₉)为绝缘电阻在10分钟时的值与在1分钟时的值的比值；绕组介质损耗因数(X₁₀)、电容型套管介质损耗因数(X₁₁)、油介质损耗因数(X₁₂)都等于被测试品的有功功率与无功功率值之比；

步骤1.3，参数换算，即将步骤1.1和步骤1.2中的部分试验数据或参数换算成同一环境温度下的数据，具体需要换算数据包括：

a)将不同温度下绕组直流电阻按进行修正，其中R₁和R₂分别为在温度t₁、t₂时的阻值；T_k为计算用常数，铜导线取235，铝导线取225；R₁对应步骤1.1中X₁，R2对应修正后的阻值X₁'；

b)将不同温度下绝缘电阻按进行换算；其中R₁和R₂分别为在温度t₁、t₂时的阻值；R₁对应步骤1.1中X₂，R2对应修正后的阻值X₂'；

c)不同温度下介质损耗因数按进行换算；其中tanδ₁和tanδ₂分别为在温度t₁、t₂时的介质损耗因数，步骤1.1中的X₁₀、X₁₁和X₁₂可对应tanδ₁，换算后的介质损耗因数X₁₀'、X₁₁'、X₁₂'对应tanδ₂；

d)按照min-max归一化方法将油中溶解气体含量归一化到[0,1]范围内；采用公式data_new＝(data_or-min)/(max-min)，其中，data_or是原始数据，min是原始数据中的最小值，max是原始数据中的最大值，data_new为归一化后的数据，范围为[0,1]；

最终，得到输入参数：X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}。

3.根据权利要求1所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤2具体按照以下步骤实施：

步骤2.1，电气监测量、油化特征量的比较与分析；将试验数据或换算后的数据与规程规定的标准试验数据以及各项指标比较；具体涉及到修正后的绕组直流电阻(X₁')，修正后的绕组绝缘电阻(X₂')、吸收比(X₈)和极化指数(X₉)，修正后的绕组介损(X₁₀')，修正后的电容型套管介损(X₁₁')，铁芯接地电流(X₃)，油击穿电压(X₄)，油中微水(X₅)，修正后的油介损(X₁₂')，油中糠醛(X₆)；将以上这些单方面特征量与DL/596-1996《电力设备预防性试验规程》、《设备状态检修规章制度和技术标准汇编》和Q/GDW169-2008《油浸式变压器(断路器)状态评价导则》中的相关设定值A进行对照，若不符合要求，即X_i>A_i或X_i<A_i，则变压器存在异常；得到阈值诊断结果：Y_a＝{Y₁,Y₂,Y₃,…,Y₁₂}；

步骤2.2，采用经典Adaboost的扩展算法进行油色谱监测量的分析，得到油色谱监测量的分析的结果Y_b；

步骤2.3，通过对步骤2.1中得到的Y_a论和步骤2.2中得到的Y_b进行判断，得出初步结论，具体为：若Y_a或Y_b中含有故障状态，则变压器异常，进入综合故障诊断环节，即转入步骤3；否则，继续检测变压器的状态变化，即返回到步骤1.1。

4.根据权利要求3所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤2.2具体按照以下步骤实施：

步骤2.2.1，选择BP神经网络作为弱分类器，由于要求弱分类器的输出是一个在[0,1]范围内的向量，故选用输出层传递函数为logsig的BP神经网络作为弱分类器，其中弱分类器BP神经网络输入层神经元个数由输入向量决定，输出层的节点数可根据待分类模式数来确定，一般采用3层网络结构，如图2所示，即为BP神经网络结构图；

步骤2.2.2，数据预处理，对原始变压器输入的特征向量，即，甲烷、乙烷、乙烯、乙炔、氢气的含量，进行归一化处理，归一化到[0,1]范围内作为神经网络的输入向量，并对训练样本及其所对应的故障类别进行顺序编码，比如，第一种类别编码为1，第二类编码为2，以此类推，从而生成N个训练样本集：

s＝{(x₁,y₁),(x₂,y₂),…,(x_i,y_i),…(x_n,y_n)}   (1)

其中，故障类标签y_i∈Y＝{1,2,…,b}，i为样本标号，b表示故障类别数，D为定义在样本上的分布，T为弱分类器个数，即迭代次数；

步骤2.2.3，对样本分布权值进行初始化，得出初始权值向量，对i＝1,…,N，置权值向量初始样本分布权值为D₁(i)＝1/N；

步骤2.2.4，对权值向量进行T次循环更新计算，同时得出β_t值；当第t(t＝1,2,…,T)次循环时进行，

具体按照如下步骤a～步骤e进行计算：

步骤a，令那么标签加权函数为

$q_t(i,y)=w_{i,y}^t/W_i^t---\left(2\right)$

其中y≠y_i，样本分布权值为

$D_t\left(i\right)=W_i^t/\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{W}_i^t---\left(3\right)$

其中，q_t(i,y)表示将样本i错误分类为y的可能性，它的值越大，表明样本i被错分为y的可能性越大，则该样本越需要重点学习，其初始值为1/(b-1)；D_t(i)表示当前样本权值和占所有样本权值和的总和比重，初始值为1/N；表示相对于整个样本集N，当前样本的非正确类(y≠y_i)各个错误类权值(共k-1个错误类)，初始值为1/N(b-1)；表示相对于整个样本集N，当前样本的各类权值总和，初始值为1/N；

步骤b，根据样本分布D_t(i)选择新样本训练BP神经网络，得到分类器h_t：X*Y→[0,1]；

步骤c，计算h_t的伪误差ε_t

${\mathrm{\&epsiv;}}_t=(1/2)\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{D}_t\left(i\right)(1-h_t(x_i,y_i)+\underset{y\&NotEqual;y_i}{\mathrm{\&Sigma;}}{q}_t(i,y)h_t(x_i,y))---\left(4\right)$

若ε_t≥0.5，跳转至步骤2.2.5；

步骤d，计算β_t＝ε_t/(1-ε_t)

步骤e，更新权值向量，

$w_{i,y}^{t+1}=w_{i,y}^t{\mathrm{\&beta;}}_t^{(1/2)[1+h_t(x_i,y_i)-h_t(x_i,y)]}---\left(5\right);$

步骤2.2.5，T次循环结束后，输出最终的组合分类器H；

$H\left(x\right)={\arg }_{y\&Element;Y}\max \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left(\log \frac{1}{{\mathrm{\&beta;}}_t}\right)h_t(x,y)---\left(6\right)$

上式表示该算法比较各类别在各弱分类器中输出的加权和的最大值，选出该最大值对应的类别号作为对应样本的输出，记为Y_b。

5.根据权利要求1所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤3具体按照以下步骤实施：

步骤3.1，建立决策树，对于变压器的N个标记样本，它们分别属于故障类别f_i，i＝1,2,3,…,f的模式集合，f包含了Y_a和Y_b中所有的故障模式，类别f_i中的样本个数为N_i，每个样本有K个属性，即每个样本中所包含的变压器监测项，本方案的样本(X'＝{X₁',X₂',X₃,…,X₁₀',X₁₁'X₁₂'}中，K＝12，每个属性有J个值，J＝1,2,…,j，J表示每个监测项的不同状态；

步骤3.2，步骤3.2，采用ID3算法建立的决策树利用变多个参数对变压器运行故障进行综合诊断，得出最终诊断结果。

6.根据权利要求5所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤3.1具体按照以下步骤实施：

步骤3.1.1，计算***的初始熵，

$M\left(I\right)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}-\left(\frac{N_i}{N}\right)\ln \left(\frac{N_i}{N}\right)---\left(7\right)$

对于样本集而言，所有模式的故障类别是已知的，因此由N个标记模式构成了***的初始熵；

步骤3.1.2，选择决策树的根节点，具体的步骤如下：

步骤3.1.3，建立决策树的下一级，剔除被步骤1选到的属性，在剩下的属性中，重复步骤3.1.1至步骤3.1.3，得到二级决策树的根节点X_k1，作为这一级的节点，使在所有的分支上测试X_k之后，能得到信息量的最大熵降，这样就形成了二级决策树；

步骤3.1.4，重复步骤3.1.1至步骤3.1.3，递归的执行，直到所有的子模式样本集都只有一个类别，这时候***的熵为零，决策树建立完成。

7.根据权利要求6所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤3.1.2具体按照以下步骤实施：

1)针对每个属性X_k，k＝1,2,…,12，按照特征值X_k的J个x_ij值，把原始的模式分成第一级模式群；

2)对于每一个故障分类的n_ij个模式，属于类别y_i的模式数目是n_kj(i)，用下述的关系式(8)求出该分支的熵，

$M(I,X_k,j)=\underset{i=1}{\overset{y}{\mathrm{\&Sigma;}}}[-\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}]*\ln \left(\frac{n_{\mathrm{kj}}\left(i\right)}{n_{\mathrm{kj}}}\right)---\left(8\right)$

然后在进一步求出该属性下的算数平均熵M(I,X_k)，

$M(I,X_k)=\frac{1}{j}M(I,X_k,j)---\left(9\right)$

3)按照关系式(10)计算由测试属性X_k引起的熵降，

ΔM(k)＝M(I)-M(I,X_k)   (10)

4)选择产生最大熵降的属性X_k0，

ΔM(X_k0)>ΔM(k)   (11)

即当X_k0满足关系式(11)时，属性X_k0就是决策树的根节点。

8.根据权利要求5所述的基于多参数的电力变压器运行故障综合诊断方法，其特征在于，所述的步骤3.2具体按照以下步骤实施：

步骤3.2.1，在输入变量X＝{X₁,X₂,X₃,…,X₁₂}中寻找和决策树的根节点属性X_k相同的属性；

步骤3.2.2，按照已经生成的ID3决策树中的规则，判断输入变量中同根节点相同的属性值，寻找到下一子节点，进而继续进行属性匹配；

步骤3.2.3，通过决策树自顶向下，逐层查找，得出最终的变压器故障诊断结果类型，即得出故障类别Y_fin，Y_fin∈f。