CN106596900A - 一种基于改进图的半监督分类的变压器故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于改进图的半监督分类的变压器故障诊断方法，包括以下步骤：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化；在每一类样本中选取有标签样本和未标签样本进行相似性学***衡样本集的变压器的故障诊断中，能获得较高的故障诊断精度。

Description

一种基于改进图的半监督分类的变压器故障诊断方法

技术领域

本发明属于变压器故障在线监测技术领域，具体涉及一种基于改进图的半监督分类的变压器故障诊断方法。

背景技术

电力变压器在电力***中承担着变换、分配和传输电能的任务，是电力***的重要设备之一，其运行状态直接影响着整个电力***的安全性、稳定性和可靠性。虽然电力***运行安全的水平在不断提高，电力变压器设计的机械性能和电气强度也不断提升，但是由于变压器长期运行在热、电以及外部破坏等恶劣环境中，变压器不可避免的会发生绝缘老化和材质劣化，从而引起故障。电力器一旦发生故障，会造成巨大的经济损失和安全隐患。因此，以电力变压器在线监测为手段，及时对其的运行状态进行诊断分析是非常必要的。

目前，电力变压器的故障诊断主要是基于油中溶解气体分析技术来实现的，通过变压器状态在线监测***实时采集变压器运行过程中油中溶解气体的含量、组分数据，构成诊断样本集，采用一些智能模式识别方法如神经网络、支持向量机、贝叶斯网络等实现变压器型的诊断。这些模式识别方法基于平衡样本集对变压器进行故障诊断，往往取得了良好的诊断效果，能比较精确地诊断出各个类型的故障。

然而，在变压器实际运行过程中，大部分的时间都处于正常运行的状态，只有极少部分时间处于故障状态，所以变压器在线监测***采集到的正常状态的样本往往远多于故障状态样本。由于数量上的严重倾斜，神经网络、支持向量机、贝叶斯网络等传统的分类器会对数量上占优势的多数类存在明显的偏好，对多数类样本仍能取得较高的分类精度，对少数类样本的分类性能较差，一些少数类样本往往会被误分成多数类。所以针对不平衡样本集的变压器故障诊断，这三种分类器的诊断精度往往较差。

发明内容

针对目前变压器故障诊断存在的问题，本发明提供一种基于改进图的半监督分类的变压器故障诊断方法。

本发明的思路是：将基于图的半监督分类方法应用变压器故障诊断中，该方法综合利用标签数据和无标签数据，能取得较好的学***衡数据集导致的各类标签数目出现不平衡的情况，采用标签矩阵规范化处理方法对初始标签矩阵规范化，保持每个类别的信息总量相等，从而提高样本集不平衡情况下的诊断精度。

本发明的具体技术方案包括以下步骤：

一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集。所述的归一化方法为：对于H₂气体的含量，其归一化值为H₂体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值。归一化公式如下：

X'＝{x₁/c₁,x₂/c₂,x₃/c₂,x₄/c₂,x₅/c₂}

步骤2：在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵，相似性近邻图的建立过程如下：

把所有样本点看作相似性近邻图上的顶点，图的边E＝{e_ij}用相邻样本间的相似性e_ij表示，两相邻样本x_i、x_j的相似性e_ij定义为：

e_ij＝exp(||x_i-x_j||²/σ²)

式中σ为高斯核参数。

把样本之间的相似性表示为权重矩阵W＝{w_ij}

若x_i∈knn(x_j)orx_j∈knn(x_i)

式中knn(x_j)表示x_j的K个近邻，knn(x_i)表示x_i的K个近邻。

步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵，其中，初始标签矩阵的构成规则如下：

初始标签矩阵记为Y^(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集XL＝{(x₁,y₁)，(x₂，y₂)，...，(x_l，y_l)}中的x_i，当y_i＝j，Y_ij＝1，否则，Y_ij＝0；对于无标签样本集X_L＝{(x_l+1,y_l+1)，(x_l+2，y_l+2)，...，(x_l+u，y_l+u)}，Y_ij＝0，j＝1，2，...c。

步骤4：对初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量，具体过程如下：定义平衡因子U，U为c×c维的对角矩阵，其对角元素为

其中Y_i ^T表示矩阵Y第i列的转置，

通过平衡因子U对标签矩阵进行规范化处理：Y＝Y·U

步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型，其中，半监督分类模型的训练步骤如下：

步骤5.1：根据权重矩阵计算标签概率转移矩阵P，n×n维的标签概率转移矩阵P＝{pij}的计算公式如下：

步骤5.2：不断更新标签矩阵，直至满足终止条件，得到最终的分类器。

步骤6：利用训练模型对无标签的样本分配类别标签，得到诊断结果，分配类别标签的规则为：标签矩阵中测试样本集所对应的各行元素中，根据最大值所在的列相应的分配类别标签。

在上述的一种基于改进图的半监督分类的变压器故障诊断方法，所述步骤5.2中，标签矩阵更新包括以下子步骤：

步骤5.2.1：设置循环变量t＝0，停止误差阈值ε；

步骤5.2.2：标签矩阵更新。t＝t+1，根据近邻标签传递规则，利用标签概率转移矩阵更新规范化后的标签矩阵Y’，Y’(m)＝P×Y’(m-1)；

步骤5.2.3：判断终止条件是否满足，若不满足，则继续执行步骤5.2.2，否则，学习过程结束。终止条件为||Y'^m-Y'^(m-1)||≤ε。

本发明的有益效果为，以变压器状态在线监测数据为基础，公开了一种基于改进图的半监督分类的变压器故障诊断方法，该方法在图的半监督学***衡的初始标签矩阵矩阵进行规范化，能有效解决变压器实际故障诊断中故障样本少引起的故障状态误诊断的情况，大大地提高了故障诊断的准确率，在保持变压器安全、可靠的运行方面具有重要意义。

附图说明

图1为本发明所述基于改进图的半监督分类的变压器故障诊断方法的流程图。

具体实施方式

下面结合附图和实际案例详细说明本发明方法的实施过程。应当强调，下述说明仅仅是示例性的，而不是为了限制本发明的使用范围。

一、首先介绍以下本发明的具体方法步骤，包括：

步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集。所述的归一化方法为：对于H₂气体的含量，其归一化值为H₂体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值。归一化公式如下：

X'＝{x₁/c₁,x₂/c₂,x₃/c₂,x₄/c₂,x₅/c₂}

步骤2：在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵，相似性近邻图的建立过程如下：

把所有样本点看作相似性近邻图上的顶点，图的边E＝{e_ij}用相邻样本间的相似性e_ij表示，两相邻样本x_i、x_j的相似性e_ij定义为：

e_ij＝exp(||x_i-x_j||²/σ²)

式中σ为高斯核参数。

把样本之间的相似性表示为权重矩阵W＝{w_ij}

若x_i∈knn(x_j)orx_j∈knn(x_i)

式中knn(x_j)表示x_j的K个近邻，knn(x_i)表示x_i的K个近邻。

步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵，其中，初始标签矩阵的构成规则如下：

初始标签矩阵记为Y^(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集XL＝{(x₁,y₁)，(x₂，y₂)，...，(x_l，y_l)}中的x_i，当y_i＝j，Y_ij＝1，否则，Y_ij＝0；对于无标签样本集X_L＝{(x_l+1,y_l+1)，(x_l+2，y_l+2)，...，(x_l+u，y_l+u)}，Y_ij＝0，j＝1，2，...c。

步骤4：对初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量，具体过程如下：定义平衡因子U，U为c×c维的对角矩阵，其对角元素为

其中Y_i ^T表示矩阵Y第i列的转置，

通过平衡因子U对标签矩阵进行规范化处理：Y＝Y·U

步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型，其中，半监督分类模型的训练步骤如下：

步骤5.1：根据权重矩阵计算标签概率转移矩阵P，n×n维的标签概率转移矩阵P＝{pij}的计算公式如下：

步骤5.2：不断更新标签矩阵，直至满足终止条件，得到最终的分类器。标签矩阵更新包括以下子步骤：

步骤5.2.1：设置循环变量t＝0，停止误差阈值ε；

步骤5.2.2：标签矩阵更新。t＝t+1，根据近邻标签传递规则，利用标签概率转移矩阵更新规范化后的标签矩阵Y’，Y’(m)＝P×Y’(m-1)；

步骤5.2.3：判断终止条件是否满足，若不满足，则继续执行步骤5.2.2。

步骤6：利用训练模型对无标签的样本分配类别标签，得到诊断结果，分配类别标签的规则为：标签矩阵中测试样本集所对应的各行元素中，根据最大值所在的列相应的分配类别标签。

否则，学习过程结束。终止条件为||Y'^m-Y'^(m-1)||≤ε。

二、以下为采用上述方法的实际案例。

应用此发明方法对贵州某一地区供电局型号为SZ11-100000的220KV变压器进行故障诊断，详细步骤如下：

步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化。

该变压器的故障类型有四种，中低温过热、高温过热、低能放电、高能放电，选取正常运行状态和各种故障状态下H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种特征气体的含量作为故障诊断样本的属性变量，并把五种运行状态作为故障诊断的类别变量。通过在线监测***采集到该变压器365组样本，不平衡样本集分布如下：

对这些样本进行归一化，归一化公式如下：

X'＝{x₁/c₁,x₂/c₂,x₃/c₂,x₄/c₂,x₅/c₂}

式中x1、x2、x3、x4、x5分别表示H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种特征气体的含量。

步骤2：在各类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵。

各类样本的签样本和未标签样本数目如下表：

从正常样本集中选取50个样本作为标签样本，从各类故障样本中选择1/3的样本作为标签样本，构成不平衡标签样本集。

步骤2中相似性近邻图的建立过程为：把所有标签样本点和无标签样本点看作相似性近邻图上的顶点，把相邻样本点之间的相似性作为图的边，相邻样本之间的相似性计算公式如下：

e_ij＝exp(||x_i-x_j||²/σ²)

式中σ为高斯核参数，在本次计算中取为0.9。

根据相邻样本之间的相似性计算权重矩阵W＝{w_ij}，其计算公式

若x_i∈knn(x_j)orx_j∈knn(x_i)

步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵。

标签矩阵的构成规则如下：

初始标签矩阵表示为Y^(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集X_L＝{(x₁,y₁)，(x₂，y₂)，...，(x_l，y_l)}中的x_i，当y_i＝j，Y_ij＝1，否则，Y_ij＝0；对于无标签样本集X_L＝{(x_l+1,y_l+1)，(x_l+2，y_l+2)，...，(x_l+u，y_l+u)}，Y_ij＝0，j＝1，2，...c。

在本实例中，变压器的运行状态有五类，根据初始标签构成规则，正常样本的标签向量为[1 0 0 0 0]，中低温过热状态的标签向量为[0 1 0 0 0]，高温过热状态的标签向量为[0 0 1 0 0]，低能放电状态的标签向量为[0 0 0 1 0]，高能放电状态的标签向量为[0 0 0 0 1]，最终构成初始标签矩阵Y。

步骤4：对标签数目不平衡的初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量

对初始标签矩阵Y，引入“平衡因子”U对其规范化，过程如下：

(1)计算“平衡因子”U，U为c×c维的对角矩阵，其对角元素为

其中Y_i ^T表示矩阵Y第i列的转置，

(2)使用矩阵U对标签矩阵进行规范化处理：

Y'＝Y·U

Y’为平衡因子作用后的标签矩阵。

步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型。

标签传递的详细步骤如下：

步骤5.2.1：设置循环变量t＝0，停止误差阈值ε；

步骤5.2.2：标签矩阵更新。t＝t+1，根据近邻标签传递规则，利用标签概率转移矩阵更新规范化后的标签矩阵Y’，Y’^(m)＝P×Y’^(m-1)；

步骤5.2.3：判断终止条件是否满足，若不满足，则继续执行步骤5.2.2，否则，学习过程结束。终止条件为||Y'^m-Y'^(m-1)||≤ε。

步骤6：利用训练模型对无标签样本分配类别标签，得到诊断结果。在本实例中根据最终的标签矩阵，为无标签样本分配标签，得到最终的故障诊断结果。各个类型故障诊断准确率如下表：

从故障诊断结果可以看出，即使样本数据集不平衡，本发明方法对作为少数类的各种故障类型仍有较高的诊断准确率。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集；所述的归一化方法为：对于H₂气体的含量，其归一化值为H₂体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值；归一化公式如下：

$c_1=\underset{i=1}{\overset{5}{\Σ}}{x}_i,c_2=\underset{i=2}{\overset{5}{\Σ}}{x}_i$

X'＝{x₁/c₁,x₂/c₂,x₃/c₂,x₄/c₂,x₅/c₂}

步骤2：在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵，相似性近邻图的建立过程如下：

把所有样本点看作相似性近邻图上的顶点，图的边E＝{e_ij}用相邻样本间的相似性e_ij表示，两相邻样本x_i、x_j的相似性e_ij定义为：

e_ij＝exp(||x_i-x_j||²/σ²)

式中σ为高斯核参数；

把样本之间的相似性表示为权重矩阵W＝{w_ij}

若x_i∈knn(x_j)orx_j∈knn(x_i)

式中knn(x_j)表示x_j的K个近邻，knn(x_i)表示x_i的K个近邻；

步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵，其中，初始标签矩阵的构成规则如下：

初始标签矩阵记为Y^(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集XL＝{(x₁,y₁)，(x₂，y₂)，...，(x_l，y_l)}中的x_i，当y_i＝j，Y_ij＝1，否则，Y_ij＝0；对于无标签样本集X_L＝{(x_l+1,y_l+1)，(x_l+2，y_l+2)，...，(x_l+u，y_l+u)}，Y_ij＝0，j＝1，2，...c；

步骤4：对初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量，具体过程如下：定义平衡因子U，U为c×c维的对角矩阵，其对角元素为

$u_{ii}=1/Y_i^T\stackrel{\→}{1}$

其中Y_i ^T表示矩阵Y第i列的转置，

通过平衡因子U对标签矩阵进行规范化处理：Y＝Y·U

步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型，其中，半监督分类模型的训练步骤如下：

步骤5.1：根据权重矩阵计算标签概率转移矩阵P，n×n维的标签概率转移矩阵P＝{pij}的计算公式如下：

$p_{ij}=p(i\→j)=\left\{\begin{array}{cc}{w}_{ij}/\underset{x_j\∈N\left(x_i\right)}{\Σ}{w}_{ij},& x_j\∈N\left(x_i\right)\\ 0,& x_j\∉N\left(x_i\right)\end{array}\right.$

步骤5.2：不断更新标签矩阵，直至满足终止条件，得到最终的分类器；

步骤6：利用训练模型对无标签的样本分配类别标签，得到诊断结果，分配类别标签的规则为：标签矩阵中测试样本集所对应的各行元素中，根据最大值所在的列相应的分配类别标签。

2.根据权利要求1所述的一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，所述步骤5.2中，标签矩阵更新包括以下子步骤：

步骤5.2.1：设置循环变量t＝0，停止误差阈值ε；

步骤5.2.2：标签矩阵更新；t＝t+1，根据近邻标签传递规则，利用标签概率转移矩阵更新规范化后的标签矩阵Y’，Y’(m)＝P×Y’(m-1)；

步骤5.2.3：判断终止条件是否满足，若不满足，则继续执行步骤5.2.2，否则，学习过程结束；终止条件为||Y^'m-Y^'(m-1)||≤ε。