CN108491503A - 一种基于数据分析确定变压器的故障类型的方法及*** - Google Patents

Abstract

本发明公开了一种基于数据分析确定变压器的故障类型的方法及***，包括：获取与多个变压器相关联的历史故障数据，并进行数据格式转换，以生成多个标准数据样本；在所述多个标准数据样本中确定中心样本，并确定每个标准数据样本中每个特征气体的隶属度；根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵；据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构；从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据；将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

Description

一种基于数据分析确定变压器的故障类型的方法及***

技术领域

本发明涉及变压器故障诊断技术领域，并且更具体地，涉及一种基于数据分析确定变压器的故障类型的方法及***。

背景技术

由于变压器的故障分类本身存在模糊性，在三比值编码边界模糊的比值区间内的故障，往往容易误判，如误判低能放电和高能放电，而且当有多种故障出现时，可能在找不到相对应的比值。而基于神经网络的故障诊断方法，例如：BPNN和RBFNN，由于经验风险最小化原理的不足，需要大量的训练样本支撑才能得到较好的诊断结果。实际的故障进行诊断时，即使采用非常详细的定量表示，传统的基于油中溶解气体的故障诊断方法仍难确切地诊断出设备故障的情况，诊断出的结论较为单一。

由于大型变压器故障诊断缺乏明确因果模型、需要大量经验，实际的故障案例往往能比一组分类规则提供更多的信息，并且案例的获取相对比规则的获取要容易，因此研究基于案例推理的变压器故障诊断方法是非常有价值的。因此，需要一种基于案例数据分析的变压器故障诊断的方法对变压器故障进行诊断。

发明内容

本发明提供了一种基于数据分析确定变压器的故障类型的方法及***，以解决如何准确、有效地对变压器的故障进行诊断的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种基于数据分析确定变压器的故障类型的方法，所述方法包括：

获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量；

在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度；

根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵；

根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型；

从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据；

将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

优选地，其中所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、 C₂H₂、C₂H₄和C₂H₆。

优选地，其中所述对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、 P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

优选地，其中所述在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i 个标准数据样本中第j个特征气体的隶属度。

优选地，其中所述根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

优选地，其中所述根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：

产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于 1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

优选地，其中所述方法还包括：

利用ISODATA动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

优选地，其中所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

优选地，其中所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。

根据本发明的另一个方面，提供了一种基于数据分析确定变压器的故障类型的***，所述***包括：

标准数据样本确定单元，用于获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量；

隶属度确定单元，用于在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度；

相似度矩阵确定单元，用于根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵；

故障诊断结构确定单元，用于根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型；

特征气体数据获取单元，用于从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据；

故障类型确定单元，用于将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

优选地，其中所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、 C₂H₂、C₂H₄和C₂H₆。

优选地，其中所述标准数据样本确定单元，对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、 P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

优选地，其中所述隶属度确定单元，在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i 个标准数据样本中第j个特征气体的隶属度。

优选地，其中所述相似度矩阵确定单元，根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

优选地，其中所述故障诊断结构确定单元，根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：

产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于 1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

优选地，其中所述述故障诊断结构确定单元，还包括：

利用ISODATA动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

优选地，其中所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

优选地，其中所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。

本发明提供了一种基于数据分析确定变压器的故障类型的方法及***，以实际的变压器故障案例为基础，进行推理，由于气体分析和电气试验数据最能反映变压器的绝缘情况及故障征兆，因此主要以气体分析和电气试验数据的分析诊断方法为主来确定变压器的故障类型。本发明的与多个变压器相关联的历史故障数据的从存在的案例历史、修理记录或其他资料中获取，通过对历史故障数据进行分析，能够快速、准确地诊断出变压器的故障类型，并且基于数据分析可以对已确定的诊断结果进行复用，而无须再次重新推测，极大地提高了对新问题的分析效率。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明实施方式的基于数据分析确定变压器的故障类型的方法100的流程图；以及

图2为根据本发明实施方式的基于数据分析确定变压器的故障类型的***200的结构示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明实施方式的基于数据分析确定变压器的故障类型的方法100的流程图。如图1所示，本发明的实施方式提供的基于数据分析确定变压器的故障类型的方法，以实际的变压器故障案例为基础，进行推理，由于气体分析和电气试验数据最能反映变压器的绝缘情况及故障征兆，因此主要以气体分析和电气试验数据的分析诊断方法为主来确定变压器的故障类型。本发明的与多个变压器相关联的历史故障数据的从存在的案例历史、修理记录或其他资料中获取，通过对历史故障数据进行分析，能够快速、准确地诊断出变压器的故障类型，并且基于数据分析可以对已确定的诊断结果进行复用，而无须再次重新推测，极大地提高了对新问题的分析效率。本发明的实施方式提供的基于数据分析确定变压器的故障类型的方法100从步骤101处开始，在步骤101获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量。

优选地，其中所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、 C₂H₂、C₂H₄和C₂H₆。

优选地，其中所述对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、 P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

优选地，在步骤102在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度。

优选地，其中所述在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i 个标准数据样本中第j个特征气体的隶属度。

在故障诊断这一类模式识别问题中，数据的处理是将数据相差较小的被分为一类，而相差较大的则分在不同的类，让同一类中的样本向其中心样本靠近，而在某一距离外的样本则进一步远离中心，形成一种“马太”效应。基于这一考虑，加上模糊处理中归一化的要求，在本发明的实施方式中提出了一种“双余弦”型隶属函数求原始数据的隶属度。具体步骤如下：

Step1：计算总烃值Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4。

Step2：计算转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。其中，计算公式为：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

PH2＝CH2/(Num+CH2)，

在后面的计算中，特征气体C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量将转换后的比值取代。

Step3：设置故障类中心样本，设所述故障类中样本数为N个，并按照如下公式计算中心样本中第j个特征气体的平均分量：

Step4：第四步：利用如下公式基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度：

在经过这一变换后，中心样本的隶属度为0.5，而其附近的数据经变换后差距进一步缩小，而较远的样本则进一步远离中心。作为隶属函数两端再度平缓的原因是考虑到归一化的需要，且两端的数据将会在子类的中心形成时分离。

优选地，在步骤103根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵。

优选地，其中所述根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

优选地，在步骤104根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型。

优选地，其中所述根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：

产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于 1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

优选地，其中所述方法还包括：

利用ISODATA动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

在本发明的实施方式中，针对变压器油中溶解气体色谱分析数据，提出的聚类算法结合了模糊聚类算法与动态聚类算法的技术。

对于模糊相似关系矩阵R，即相似度矩阵，模糊相似关系矩阵R中的元素rij表示样本i与样本j在某种相似度概念中的相似程度。因此选择好相似度定义对于相似关系矩阵R重大意义。本发明选用加权欧氏距离贴近度作为样本间的相似性度量。

r_ij＝1-cN_ij 1≤c≤1.5，

其中，c为一常量，ωk是第k个分量的权重，它与该类样本中第k个分量的均分误差成正比。设第i个故障类中有ni组样本，此时ωik可由下面的公式计算：

求取模糊相似关系矩阵R的传递闭包t(R)的步骤为：

3)令k＝k–1如果k>0令rij＝r’ij(i＝1～N，j＝1～N) l转到2)

4)令t(R)＝R’，结束。

动态分类，求取最优分类结构的步骤为：

1)令截值λ＝0.99，模糊统计量m_Fuzzycount＝0作为初始变量。

2)求等价闭包的λ截矩阵(t(R))λ

if(r’_ij≥λ)

then t_ij＝1

else t_ij＝0)

3)产生分类节点，每一个分类节点对应于一故障类。在这一过程中，首先验证第一个元素i是否已被归入到前面的类中，如果不是，则将它作为新故障类的第一个样本数据，再看下面行j中第i列是否等于1，如果是，则归于这一类。到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组。

4)计算临时模糊统计量tmp_Fuzzycount，设N个样本已、被分为w 类，每一子类的样本数为ni(i＝1～w)，则：

5)令λ＝λ-0.01，判断λ是否大于0.5，如果是，则转到2)；否则进入下一步。

6)分类求精阶级，此时借鉴ISODATA动态聚类法的思想对前面的分类结果进一步求精。求精的过程是将每一组样本与前面求得的各子故障类的标准样本间的加权欧氏距离求得，距离最小的类将成为该样本的新的归宿类。这样得到一组新的子故障类，按上述公式求新的模糊统计量，当它与前面的模糊统计量间的差小于某个常量时，求精过程结束，否则进入新一轮求精。求精后的结果作为最优分类保存在子类数组中，至此模糊聚类过程全部结束。

本发明的故障诊断方法的一大特点就是故障冗余分类结构。这种结构充分肯定了变压器绝缘故障诊断中的模糊性的存在，在进行故障诊断时，根据特征气体含量而找到了某一放电或发热的故障表现的强弱程度后，对导致这一现象的故障原因只能借鉴以往的故障样本(样本群已经缩小到一个较小范围)，再作具有针对性的检查工作才能对真实故障加以确认。

优选地，在步骤105从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据。

优选地，在步骤106将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

优选地，其中所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

优选地，其中所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。

在本发明的实施方式中，模糊故障诊断是一个在前面的分类结果中寻找最相似类的过程，这一过程有两条途径完成：其一是从根节点开始，在根节点的下一层节点中寻找最匹配节点作为第一步解，然后再将这一最匹配节点作为根节点作下一轮搜索，如此不断迭代，直到最后的匹配节点无下一层节点时迭代结束，最后的节点即为诊断结果；其二是直接搜索所有的叶节点，将全部叶节点作为同一层，此时最匹配的节点就是诊断结果。

例如，500kV平果变电站#2主变C相曾出现总烃含量超标情况，经分析为变压器低温过热故障。表4-4所示为油色谱跟踪情况。

表4-4主变低温过热故障故障油色谱数据

利用本发明的故障诊断方法对上述案例进行分析，可见分析结果与实际情况相符。

第一组：

贴近度1：值：193.77诊断结果：低温过热

贴近度2：值：203.22诊断结果：过热

贴近度3：值：222.17诊断结果：低压引线焊脱烧损

最终诊断结果：低温过热

第二组：

贴近度1：值：137.72诊断结果：低温过热

贴近度2：值：153.172诊断结果：过热

贴近度3：值：176.1诊断结果：悬浮电位体连续火花放电或固体材料间油击穿

最终诊断结果：低温过热

图2为根据本发明实施方式的基于数据分析确定变压器的故障类型的***200的结构示意图。如图2所示，本发明实施方式的基于数据分析确定变压器的故障类型的***200包括：标准数据样本确定单元201、隶属度确定单元202、相似度矩阵确定单元203、故障诊断结构确定单元204、特征气体数据获取单元205和故障类型确定单元206。优选地，在所述优选地，在所述标准数据样本确定单元201，获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量。

优选地，其中所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、 C₂H₂、C₂H₄和C₂H₆。

优选地，其中所述标准数据样本确定单元，对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、 P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

优选地，在所述隶属度确定单元202，在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度。

优选地，其中所述隶属度确定单元，在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i 个标准数据样本中第j个特征气体的隶属度。

优选地，在所述相似度矩阵确定单元203，根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵。

优选地，其中所述相似度矩阵确定单元，根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

优选地，在所述故障诊断结构确定单元204，根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型。

优选地，其中所述故障诊断结构确定单元，根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于 1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

优选地，其中所述述故障诊断结构确定单元，还包括：利用ISODATA 动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

优选地，在所述特征气体数据获取单元205，从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据。

优选地，在所述故障类型确定单元206，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

优选地，其中所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

优选地，其中所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。

本发明的实施例的基于数据分析确定变压器的故障类型的***200与本发明的另一个实施例的基于数据分析确定变压器的故障类型的方法100 相对应，在此不再赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该 [装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (18)

1.一种基于数据分析确定变压器的故障类型的方法，其特征在于，所述方法包括：

获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量；

在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度；

根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵；

根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型；

从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据；

将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

2.根据权利要求1所述的方法，其特征在于，所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、C₂H₂、C₂H₄和C₂H₆。

3.根据权利要求2所述的方法，其特征在于，所述对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

4.根据权利要求1所述的方法，其特征在于，所述在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i个标准数据样本中第j个特征气体的隶属度。

5.根据权利要求1所述的方法，其特征在于，所述根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

6.根据权利要求5所述的方法，其特征在于，所述根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：

产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

利用ISODATA动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

8.根据权利要求1所述的方法，其特征在于，所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

9.根据权利要求1所述的方法，其特征在于，所述将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。

10.一种基于数据分析确定变压器的故障类型的***，其特征在于，所述***包括：

标准数据样本确定单元，用于获取与多个变压器相关联的历史故障数据，并对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本，其中每个故障样本数据包括：故障类型和对应的多种特征气体的含量；

隶属度确定单元，用于在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度；

相似度矩阵确定单元，用于根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵；

故障诊断结构确定单元，用于根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，其中每个分类节点对应于单个故障类型；

特征气体数据获取单元，用于从监测节点获取与待监测的多个变压器中每个变压器内的特征气体数据；

故障类型确定单元，用于将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型。

11.根据权利要求10所述的***，其特征在于，所述特征气体为变压器油中溶解气体，包括：H₂、CH₄、C₂H₂、C₂H₄和C₂H₆。

12.根据权利要求11所述的***，其特征在于，所述标准数据样本确定单元，对所述历史故障数据中的每个故障样本数据进行数据格式转换，以生成多个标准数据样本,包括：

P_C2H2＝C_C2H2/Num，

P_C2H4＝C_C2H4/Num，

P_C2H6＝C_C2H6/Num，

P_CH4＝C_CH4/Num，

P_H2＝C_H2/(Num+C_H2)，

Num＝C_C2H2+C_C2H4+C_C2H6+C_CH4，

其中，C_C2H2为每个故障样本数据中C₂H₂的烃值；C_C2H4为每个故障样本数据中C₂H₄的烃值；C_C2H6为每个故障样本数据中C₂H₆的烃值；C_CH4为每个故障样本数据中CH₄的烃值；NUM为每个故障样本数据的总烃值；P_C2H2、P_C2H4、P_C2H6、P_CH4和P_H2分别为转换后的标准数据样本中C₂H₂、C₂H₄、C₂H₆、CH₄和H₂的含量。

13.根据权利要求10所述的***，其特征在于，所述隶属度确定单元，在所述多个标准数据样本中确定中心样本，并且基于所述中心样本确定每个标准数据样本中每个特征气体的隶属度，包括：

其中，为中心样本中第j个特征气体的平均分量；N为标准数据样本的个数；x_ij为第i个标准数据样本中第j个特征气体的含量；μ_ij为第i个标准数据样本中第j个特征气体的隶属度。

14.根据权利要求10所述的***，其特征在于，所述相似度矩阵确定单元，根据所述每个标准数据样本中每个特征气体的隶属度确定多个数据样本中任意两个标准数据样本之间的相似度，以生成相似度矩阵，包括：

r_ij＝1-cN_ij 1≤c≤1.5，

其中，第i个故障类中有ni组样本，r_ij表示样本i与样本j之间的相似度；c为常量，ωk是第k个特征气体的权重，它与该类样本中第k个特征气体的均分误差成正比。

15.根据权利要求14所述的***，其特征在于，所述故障诊断结构确定单元，根据所述相似度矩阵对所述多个标准数据样本进行分类，以生成包括多个分类节点的故障诊断结构，包括：

产生分类节点，每一个分类节点对应于一个故障类，在这一过程中，首先验证第一个故障数据样本i是否已被归入到前面的类中，如果不是，则将它作为新的故障类的第一个样本数据，再确定第j行第i列是否等于1，如果是，则归于这一类，到最后，产生的故障类被编入一个数组中，成为当前故障类的子故障类数组，生成包括多个分类节点的故障诊断结构。

16.根据权利要求15所述的***，其特征在于，所述述故障诊断结构确定单元，还包括：

利用ISODATA动态聚类法的思想对分类结果进一步求精，包括：计算每一组标准数据样本与已确定的子故障类的标准样本间的相似度，选取相似度最小的类作为新的子故障类，按照如下公式计算新的模糊统计量：

其中，tmp_Fuzzycount为模糊统计量；

当模糊统计量与前面的模糊统计量间的差小于某个常量时，结束；否则，重新进行求精计算，求精后的结果作为最优分类保存在子类数组中。

17.根据权利要求10所述的***，其特征在于，所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

从根节点开始，在根节点的下一层节点中寻找最匹配节点，然后再将所述最匹配节点作为根节点进行迭代，直至匹配节点无下一层节点时迭代结束，最后的节点即为变压器的故障类型。

18.根据权利要求10所述的***，其特征在于，所述故障类型确定单元，将所述特征气体数据与所述多个分类节点中的每个分类节点进行匹配，根据匹配结果确定变压器的故障类型，包括：

直接搜索所有的叶节点，将全部叶节点作为同一层，选取最匹配的节点为变压器的故障类型。