[发明专利]一种基于多特征融合共同向量的变压器故障诊断方法

说明书

本发明公开一种基于多特征融合共同向量的变压器故障诊断方法，利用变压器油中的溶解气体浓度数据，设计出一种可靠且准确性高的、容易实施的、不受模型参数影响的变压器故障诊断方法。具体来讲，本发明方法首先对溶解气体浓度数据进行统计特征和比值特征的双重构造。其次，本发明方法针对原溶解气体浓度数据、统计特征数据、和比值特征数据的多特征融合数据建立基于共同特征向量的分类模型。最后，针对变压器故障状态下的溶解气体分析数据识别变压器的故障类型。本发明方法基本上不涉及复杂的变换或数学计算，且操作简单，非常易于实施。此外，本发明方法在实施过程中不需要人为主观的确定某些模型参数，这极大了避免了参数选择的难题。

技术领域

本发明涉及一种变压器故障诊断方法，特别涉及一种基于多特征融合共同向量的变压器故障诊断方法。

背景技术

现代设备技术水平和复杂度不断提高，设备故障对生产的影响也显著增加。因此，要保证设备可靠有效的运行，必须对设备的状态进行实时监测。从这点上讲，故障诊断技术必不可少。变压器做为供配电系统的关键设备，其健康正常的运行对保证稳定的电力输送是具有重要研究意义的。因此，对变压器的运行状态进行监测并诊断故障类型以及时修复设备是一类必不可少的技术。通常解决变压器故障诊断问题的常用思路是对变压器油中溶解的气体(包括二氧化碳、氢气、甲烷、乙烷、乙烯、和乙炔)进行分析。我国目前大量使用的是改良三比值法，该方法存在编码缺损和临界值判据缺损两方面的不足。近年来兴起的变压器故障诊断方法则利用溶解气体分析数据进行故障分类，从而实现对变压器故障的诊断。

判别分析和神经网络是最为常见的模式分类技术，可应用于解决变压器故障分类诊断问题。然而，基于神经网络的变压器故障诊断模型的分类准确率会直接受到网络参数的影响。换句话讲，神经网络参数会直接影响到诊断的准确率。此外，判别分析是一类线性的分类诊断策略，无法有效的适应变压器溶解气体分析数据的多变性与非线性特征。最为重要的一点是，这些用于分类诊断的方法都需要尽可能多的样本数据进行训练，且未能从溶解气体分析数据的多尺度角度来分类诊断故障类型。

数据驱动的变压器故障诊断是直接依赖于变压器油中的溶解气体浓度数据，气体浓度数据能够反映出不同的故障类型。然而，从可靠而精准的变压器故障诊断任务要求角度出发，单独直接依赖于溶解气体的分析数据是很难实现的，需要再溶解气体分析数据的基础上更进一步的挖掘其变化特征，使用更多的特征数据实施变压器的故障诊断。然而，在现有的科研文献与专利材料中，鲜有涉及这方面的研究成果，一般都是直接使用溶解气体分析数据进行故障分类诊断的研究。

可以说，利用溶解气体分析数据实施变压器的故障诊断需要一个可靠的、容易实施的、不受分类模型参数影响的方法技术。从这个任务要求来看，神经网络模型因受参数影响甚大，不适宜研究解决此类问题。此外，还需要基于溶解气体分析数据做进一步的特征挖掘，从而使用更多的衍生特征数据来提高变压器分类诊断的准确性。

发明内容

本发明所要解决的主要技术问题是：利用变压器油中溶解气体分析数据，设计出一种可靠且准确性高的、容易实施的、不受模型参数影响的变压器故障诊断方法。具体来讲，本发明方法首先对溶解气体分析数据进行统计特征和比值特征的双重构造。其次，本发明方法针对原溶解气体分析数据、统计特征数据、和比值特征数据的多特征融合数据建立简单实用的分类模型，采用的是共同特征向量分类方法。最后，针对变压器故障状态下的溶解气体分析数据识别变压器的故障类型。

本发明方法解决上述问题所采用的技术方案为：一种基于多特征融合共同向量的变压器故障诊断方法，包括以下所示步骤：