[发明专利]基于耦合隐马尔可夫模型的变压器故障诊断方法

说明书

技术领域

本发明属于电力设备状态监测与故障诊断技术领域，具体涉及一种基于变压器油色谱数据的变压器故障诊断方法。

背景技术

大型电力变压器是电力系统中重要的电气设备，其运行状态的好坏直接影响着电力系统的安全稳定运行，特别是对于需要长期运行的电力变压器而言，可靠性问题至关重要，一旦发生故障将会造成巨大的经济损失。随着现代电力系统朝着大容量、超特高压方向发展，对供电可靠性有了更高的要求，因此，对变压器进行故障诊断监测有着非常重要的意义。

油中溶解气体分析(Dissolved Gases Analysis，DGA)对发现变压器内部的潜伏性故障相当有效。当变压器内部发生故障或潜在故障时，将导致变压器的绝缘油中化学键发生变化而生成多种特征气体，包括碳水化合物气体和氢气(如氢气、甲烷、乙烷、乙烯和乙炔)等特征气体。当变压器运行于故障状态时，其油温会升高，根据热力动力学原理，随着温度的不同，将导致不同特征气体的容量不同，油中溶解气体分析方法就是根据这种原理来对变压器内部故障进行诊断。我国在1996年修订的《电力设备预防性试验规程》中，已将DGA列在对电力变压器预防性试验的首位。目前主要应用在DGA的标准主要有：IEEE C57.104-1991、Doernenberg’s Method(Doernenberg四比值法)、IEC60599导则、Daval三角形法等。

油色谱监测作为变压器DGA监测技术中最为成熟的技术之一，不仅效率达到85％以上，而且能够及时掌握变压器运行状况，尽早发现变压器内部存在的故障隐患，目前已被广泛应用于实际工程中。近年来国内外专家学者对此展开了大量的研究工作。

传统方法有基于注意值的判别，有基于比值法的判别，如上述的IEC60599导则，也有上述的Daval三角形法等图解法。智能技术和统计学习方法也广泛应用于DGA的分析，智能技术研究较多的有人工神经网络、模糊逻辑、专家系统、遗传算法、决策树、多元统计分析等，尤以人工神经网络方向的研究最为活跃，统计学习方法主要有隐马尔可夫模型、支持向量机和支持向量数据描述等。

隐马尔可夫模型(Hidden Markov Model，HMM)是一种统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程(隐马尔可夫过程)。隐马尔可夫模型创立于20世纪70年代，80年代得到了传播和发展，成为信号处理的一个重要方向，现已成功地用于语音识别，行为识别，文字识别以及故障诊断等领域。

隐马尔可夫模型中的隐马尔可夫过程是一个双重随机过程，不仅状态之间的转移是随机的，而且各状态下产生的观测值也是随机的。一个具有离散观测值的HMM可以由下列参数描述：

(1)N，模型的状态数目。记N个状态为S₁,S₂,…,S_N，t时刻模型所处的状态为q_t。显然，q_t∈(S₁,S₂,…,S_N)；

(2)M，每个状态下可能的观测值数目。记M个观测值为V₁,V₂,…,V_M；

(3)π，初始状态概率向量，π＝{π_i}，其中：π_i＝P(q_t＝S_i)1≤i≤N；

(4)A，状态转移概率矩阵，A＝{a_ij}，其中：a_ij＝P(q_t+1＝S_j,q_t＝S_i)1≤i,j≤N；

(5)B，观测值概率矩阵，B＝{b_j(k)}，其中：b_j(k)＝P(o_t＝v_k|q_t＝S_j)1≤j≤N,1≤k≤M。

一个HMM可以由参数N、M、π、A和B描述。为了简便，HMM简记为λ＝(π,A,B)。

耦合隐马尔可夫模型(Coupled Hidden Markov Model，CHMM)可以看作是多个HMM通过在它们的状态序列之间引入条件概率而得到的一种多HMM链模型。一个含有两条链的CHMM可以由下列参数描述(记c为链的序号，c＝1，2)：