[发明专利]一种变压器故障早期诊断预警方法和系统

说明书

本发明公开一种变压器故障早期诊断预警方法和系统，包括：S1，获取变压器当前监测数据，以及已知故障类型的历史监测数据；S2，对获取到的数据进行标准化处理；S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算；S4，将聚类结果中相似度较高的类和离群点进行合并，作为最终聚类结果；S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；S6，输出故障类型判断结果。本发明基于聚类算法对变压器故障气体特征数据进行动态分析，以准确判断设备的健康状况，对设备故障进行早期预警。

技术领域

本发明涉及变压器故障诊断技术领域，特别是一种变压器故障早期诊断预警方法和系统。

背景技术

随着我国电力行业的迅速发展，对电力的需求也呈现出快速增长的趋势，2009年以来国家电网公司提出了智能电网的发展战略，确保智能化变电站的安全可靠运行是实现整个智能电网稳定运行的主要条件之一，而智能化电力变压器又是智能化变电站的重要组成部分，因此及时可靠地对智能化电力变压器潜在的故障进行诊断，以确保电网的安全、稳定、经济的运行。

目前基于各种聚类算法的故障诊断方法被应用到了变压器故障诊断中，在对机组的状态进行预测评估的过程中，模糊聚类算法(FCM)得到了更多的应用。FCM聚类算法是比较典型的聚类算法，它要解决的问题是为一个事件或者数据对象分类，可以根据输入的类的数目不同(即K值得不同)，对数据集进行自动归类。近些年随着人工智能在各个领域的广泛应用，更多的基于人工智能的聚类算法开始应用到了变压器的故障诊断中，应用比较多的有，神经网络算法，遗传算法，蚁群聚类算法等。

FCM聚类算法虽然理论上很成熟，使用起来也比较容易，但它也有一个很明显的缺点，那就是用户必须事先给出要生成的簇的数目K，很多时候，我们所面对的变压器故障数据是一种动态的数据集，簇的数目并非一成不变的，所以FCM在监测数据处理及分析中遇到了瓶颈。

传统蚁群聚类算法存在另外一个比较棘手的问题--离群点问题，形成原因主要是因为在算法结束时，有一些游离的数据对象没有指定到某个类中，包括算法结束时蚂蚁放下的背负着的数据对象和某些算法迭代过程中被迫放下的数据对象。

发明内容

本发明的目的是提供一种变压器故障早期诊断预警方法和系统，基于聚类算法对变压器故障气体特征数据进行动态分析，以准确判断设备的健康状况，对设备故障进行早期预警。

本发明采取的技术方案为：一种变压器故障早期诊断预警方法，包括：

S1，获取变压器监测数据，所述变压器监测数据包括当前监测数据，以及已知故障类型的历史监测数据；

S2，对获取到的数据进行标准化处理，得到变压器监测数据的标准化特征值；

S3，利用经典蚁群聚类算法对标准化特征值进行聚类计算，得到包含离群点的聚类结果；

S4，将S3得到的聚类结果中相似度较高的类和离群点进行合并，将合并后的类作为最终聚类结果；

S5，查找当前监测数据所在的簇位置，根据相应簇中大部分故障数据所属的故障类型，判断当前监测数据对应的故障类型；

S6，输出故障类型判断结果。

S1中，历史监测数据为从公开发表的期刊中搜集已经确定故障类型的161组变压器特征气体数据，本发明对当前监测数据进行标注以区分便于后续分析操作。

优选的，S2包括：

S21，计算监测数据的平均绝对偏差值s_f：

其中，x_1f,···,x_nf是n个特征值，m_f是n个特征值的平均值，为：