[发明专利]一种基于改进图的半监督分类的变压器故障诊断方法

说明书

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

电力变压器在电力系统中承担着变换、分配和传输电能的任务，是电力系统的重要设备之一，其运行状态直接影响着整个电力系统的安全性、稳定性和可靠性。虽然电力系统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系统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系统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，能取得较好的学习效果。针对半监督学习过程中，由于不平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)