[发明专利]一种电力变压器最优集总分类故障诊断方法

说明书

技术领域

本发明属于变压器状态评估与故障诊断领域，具体涉及一种电力变压器最优集总分类故障诊断方法。

背景技术

随着电网的不断发展，电力公司逐渐通过采取智能检修和降低运行成本的方式向客户提供高品质服务。其中，电力变压器作为电力公司最重要的资产类别，其故障风险随着老化加剧而不断增加。电力变压器故障通常会导致严重的电网事故，其故障后更换代价也非常昂贵，交付时间也较为漫长。因此，如何高效地实施电力变压器检修对于电力公司至关重要，迫切地需要新的技术手段，如智能故障诊断算法，来降低运行成本和资产故障率。

目前，大部分电力公司依靠经验技术来收集分析电力变压器运行数据，并依托传统方法根据变压器运行状态进行决策诊断，但当有效经验技术不足时诊断过程将难以进行。此外，传统方法有时无法得到可靠的决策诊断结果。

对于电力变压器而言，溶解气体分析(DGA)是目前应用最广泛、最重要的状态检测技术。多种基于DGA技术的传统故障诊断方法和标准规程被用于电力变压器数据分析过程，如基于遗传算法(GA)、粒子群优化算法(PSO)对核参数进行寻优的单层/多层支持向量机分层支持向量机，在中短时间尺度范围提供了有效的故障率诊断评估信息来增强电力变压器的可靠性；基于时变加速系数混合差分进化粒子群优化、多分层感知技术的人工神经网络(MEPSO-TVAC-ANN)，通过改进粒子群优化算法并采用有效的交叉验证方法来实现更好的全局搜索性能；以及在此基础上，融合模糊逻辑规则、人工智能算法与专家系统的混合故障诊断方法，通过专家系统实现特征提取，并采用层次分析对正常/异常状态与异常状态分类进行分层聚焦处理。尽管上述智能算法能够在一定程度上实现有效的故障诊断和状态评估，但其主要基于单一分类学习算法，并且诊断评估结果的有效性和不确定性问题仍然非常突出，其结果可靠性与电力变压器类型以及环境、技术条件等密切相关。

因此，尽管可以通过有效的算法训练实现上述单目标框架下的电力变压器的故障诊断，但上述方法仍然存在以下问题：(1)如何实现诊断算法泛化以避免类别非均衡数据集过拟合问题；(2)如何在框架实现过程中选择精度最高的分类算法。

上述问题的解决对于改善既有传统电力变压器故障诊断不确定性和可靠性，提高电力变压器故障诊断智能化具有至关重要的意义。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种电力变压器最优集总分类故障诊断方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种电力变压器最优集总分类故障诊断方法，具体包括以下步骤：

步骤1：进行DGA样本数据进行归一化以及自适应样本过采样融合处理、对测试集合与非测试集合进行划分，以及对非测试集合中训练集合和验证集合进行划分；

步骤2：对每种电力变压器的正常/故障类型，以最小化故障分类误差和最小特征数量为目标，基于特征指标进行最优子集选择并对最优特征指标数量进行优化，构造Pareto最优空间上的非支配特征向量可行解集；

步骤3：对每种电力变压器的正常/故障类型，构造通过单一分类算法筛选得到的分类器集合，基于非支配特征向量可行解集，对每一可行解以误分类率最小和算法分类差异性最大为目标，结合训练集合对分类器集合中的分类器性能参数进行优化训练，并基于参数优化后的分类器集合对Pareto最优空间上的非支配特征向量可行解集的最优特征子集进行求解；

步骤4：通过验证集合得到非支配特征向量可行解集对应的分类器集合的性能验证，结合此性能验证，搜索综合性能最优的分类器集合可行解，将其作为最优分类器集合向量，并结合测试集合对最优特征向量以及最优分类器集合的综合性能进行测试验证；

步骤5：对每种电力变压器的正常/故障类型对应的优化训练并测试验证后的最优分类器集合的输出故障类型概率结果进行信息融合，得到对应电力变压器正常/故障类型的综合分类结果，将其作为最终决策结果。

优选地，特征指标为变压器油中溶解气体成分及其比率。

优选地，在步骤1中，自适应样本过采样融合过程，具体包括以下步骤：