[发明专利]基于极限学习机的电力变压器故障诊断方法

说明书

技术领域

本发明涉及一种电力变压器故障诊断的方法，属于电力设备故障诊断的技术领域。 

背景技术

变压器是电力系统的重要设备，其运行状态直接影响系统的安全水平。目前出现了包括油色谱监/检测（油中气体含量分析DGA）、局部放电监/检测（脉冲电流、超高频UHF和超声波方法等）、接地电流的宽频带在线监测等多种监/检测装置或系统。大量的监/检测数据靠人工分析是难以完成的，必须寻找快速的自动的故障诊断方法嵌入到监/检测装置或系统中，以便及时发现潜在故障以及故障类型，为变压器的状态维修提供依据。 

现有变压器故障诊断方法中，贝叶斯网络诊断方法需要大量样本数据，特征变量为离散变量，然而离散阀值选取没有理论依据，且离散过程会造成变压器状态信息的丢失；支持向量机诊断方法规则化参数和核函数参数确定困难，此外变压器故障诊断本质为多分类问题，而支持向量机为二分类算法，需要通过“一对多”、“一对一”或“二叉树”等方法将其转化为多分类，存在分类重叠和不可分类、需要构建较多分类器、误差累计等问题；神经网络诊断方法需要求解的网络参数多，且需要在训练过程中迭代确定，搜索空间和计算量很大，必须选取合适的学习速率与输入权值初值，才能取得理想的结果，此外可能陷入局部最优。 

发明内容

本发明的目的在于提供一种电力变压器故障智能诊断方法，可应用于变压器监/检测装置或系统。在监/检测装置或系统所采集的数据基础上提取故障特征，并选取变压器状态样本进行变压器的极限学习机故障诊断模型学习，进而实现对变压器的故障诊断。 

为了达到上述目的，本发明的技术方案是提供一种基于极限学习机的电力变压器故障诊断方法，其包括下列步骤： 

步骤1：依据研究问题的特点划分变压器的运行状态。若研究变压器的总体运行状态，可将变压器的运行状态划分为正常状态和低能放电、高能放电、中低温过热、高温过热、局部放电五种故障状态。若要进一步研究变压器的局部放电的放电类型，可将变压器的运行状态划分为针尖放电、气泡放电、悬浮放电、沿面放电四种放电类型。

步骤2：选取蕴含变压器运行状态的在线或离线的监/检测数据作为数据源。油色谱监/检测（油中气体含量分析DGA）、局部放电（脉冲电流、超高频UHF和超声波方法等）等监/检测装置或系统的监/检数据均可作为数据源。 

步骤3：对变压器数据源进行特征提取，确定特征变量，特征变量既可以是离散变量也可以是连续变量。若选用油色谱监/检测数据作为数据源，特征变量可选用氢气（H₂）、甲烷（CH₄）、乙烷（C₂H₆）、乙烯（C₂H₄）、乙炔（C₂H₂）五种特征气体含量，或氢气（H₂）占总气体含量的比值，甲烷（CH₄）、乙烷（C₂H₆）、乙烯（C₂H₄）、乙炔（C₂H₂）占总烃量的比值。若选用超高频法局部放电监/检测数据作为数据源，特征变量可选用由放电图谱提取的偏斜度、突出度、局部峰个数、放电不对称度、相位不对称度、互相关因子和相位中值等宏观统计量，以及脉冲上升时间、脉冲下降时间、脉冲宽度、脉冲持续时间、10%幅值脉冲持续时间等微观特征量。 

步骤4：确定变压器各种运行状态下的极限学习机的目标向量表达方式，通常采用0-1向量表达方式。 

步骤5：选取变压器在各种运行状态下的样本数据。按照代表性、广泛性和紧凑性的原则选取样本数据，此外为避免数据偏斜问题，各种运行状态下选取的样本数据所占的比例应相近，若样本数据特征变量的特征值差异比较大，需对样本数据进行标准化处理。 

步骤6：将样本数据按一定的比例分为训练样本数据和测试样本数据。训练样本数据用于学习变压器的极限学习机故障诊断模型，测试样本数据用于验证变压器的极限学习机故障诊断模型。 

步骤7：确定变压器的极限学习机故障诊断模型的输入层节点数、隐层节点数、输出层节点数，选取变压器的极限学习机故障诊断模型的激励函数。 

步骤8：以训练样本数据作为极限学习机的输入，进行变压器的极限学习机故障诊断模型的学习。 

步骤9：采用测试样本数据对步骤8得到的极限学习机变压器故障诊断模型进行验证。 

其中，所述步骤8进一步包括下列步骤：