[发明专利]基于高斯混合模型的变压器设备健康状态判别方法

权利要求书

1.一种基于高斯混合模型的变压器设备健康状态判别方法，包括以下步骤：

(1)利用故障变压器设备与正常变压器设备的油中溶解气体历史浓度数据对高斯混合模型进行训练，得到健康状态模型M_m,s与正常状态模型M，其中，m代表变压器设备的故障类型，s代表变压器设备的规格型号；

(2)利用健康状态模型M_m,s与正常状态模型M，找到与预处理后的待测变压器的油中溶解气体浓度数据相匹配的模型M′，并根据模型M′的参数计算得到变压器当前时刻的健康状态；

所述步骤(2)的具体步骤为：

(2-1)采集待测变压器设备当前时刻的油中溶解气体浓度数据，并对其进行线性插值处理，得到待检测样本X＝(X₁…X₆)；

(2-2)利用待检测样本X＝(X₁…X₆)、健康状态模型M_m,s及其最优参数正常状态模型M及其最优参数计算似然函数值f，计算得似然函数值序列f₁,f₂,…,f_d×h,f_d×h+1，MAX(f₁,f₂,…,f_d×h,f_d×h+1)所对应的模型为待检测数据O′匹配的模型M′其中，d为变压器设备故障类型的总个数，h为变压器设备规格型号的总个数，似然函数f为：

其中，φ_i为设备在第i种健康状态时气体数据的概率密度函数；

(2-3)利用待检测样本X＝(X₁…X₆)、匹配模型M′及其最优参数计算待检测变压器设备在不同健康状态下的概率，具体计算公式为：

概率最大的健康状态为待检测变压器设备当前时刻的健康状态；

其中，分别对应第i种健康状态气体数据的均值、协方差矩阵以及训练样本中第i种健康状态出现的概率。

2.如权利要求1所述的基于高斯混合模型的变压器设备健康状态判别方法，其特征在于，所述的步骤(1)的具体过程为：

(1-1)采集故障变压器设备与正常变压器设备的油中溶解气体历史浓度数据，并对其进行预处理，得到故障变压器设备数据库与正常变压器设备的数据库；

(1-2)对故障变压器设备数据库中的数据按照数据所属变压器设备的故障类型进行分类，得到针对不同故障类型的数据集C_m，代表变压器设备的故障类型，然后对数据集C_m中的数据按照其所属的规格型号进行分类，得到数据集C_m,s；

(1-3)将数据集C_m,s作为高斯混合模型的训练样本，利用高斯混合模型对数据集C_m,s进行聚类分析，聚类数目设置为3，对应设备正常、亚健康、故障异常三种状态，并以似然函数L收敛为目标，确定高斯混合模型模型的最优参数得到健康状态模型M_m,s；

(1-4)将正常变压器设备的数据库作为高斯混合模型的训练样本，利用高斯混合模型对该数据库进行聚类分析，以最大似然函数L收敛为目标，确定高斯混合模型模型的最优参数得到正常状态模型M；

其中，分别对应第i种健康状态气体数据的均值、协方差矩阵以及训练样本中第i种健康状态出现的概率。

3.如权利要求2所述的基于高斯混合模型的变压器设备健康状态判别方法，其特征在于，所述对油中溶解气体历史浓度数据进行预处理采用线性插值方法，具体过程为：

以1天为单位，对所有设备案例库中每台变压器的溶解气体浓度数据进行线性插值处理，补全数据中的缺失值，得到时间间隔为1天的气体浓度数据插值序列；再按照事先设定的时间间隔对气体浓度数据插值序列进行等间隔取样，使得所有设备案例库中的变压器的溶解气体浓度数据的时间间隔相同。

4.如权利要求2所述的基于高斯混合模型的变压器设备健康状态判别方法，其特征在于，所述的似然函数为：

其中，n表示第n台变压器设备，N表示变压器设备的总个数，t表示时刻，时间长度为T，为算法迭代前的初始参数，π′_i,μ′_i,Σ′_i为算法迭代后的更新参数，更新目标为最大化似然函数值L，表示设备在第i种健康状态时气体数据为x_nt的概率，由计算所得，φ_i为设备在第i种健康状态时气体数据的概率密度函数。