[发明专利]一种基于二维张量的变压器故障诊断方法

说明书

本发明涉及变压器故障诊断方法技术领域，且公开了一种基于二维张量的变压器故障诊断方法，包括以下步骤，收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；将数据集中的数据气体含量不同特征空间数据信息融合，对气体含量原始数据进行特征工程处理，与各气体含量比的数据共同作为融合特征信息；对处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，同时对数据集故障类别进行编码，分成训练样本和测试样本；将处理好的数据集输入到1DCNN网络模型中进行学习，并对测试数据进行准确率验证，本发明设计新颖，具有能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的优点。

技术领域

本发明涉及变压器故障诊断方法技术领域，具体为一种基于二维张量的变压器故障诊断方法。

背景技术

变压器是电力系统中重要的电气设备之一，其运行状态直接影响系统的安全性水平。因此，研究变压器故障诊断技术、提高变压器的运行维护水平具有非常重要的意义。现有技术中，常用的故障诊断方法较多，其中变压器油中溶解气体分析被公认为是一种探测变压器初期故障和进行绝缘寿命估计的有效手段，它为间接了解变压器内部的一般隐患提供了重要依据。

如中国专利公告号为：CN101587155B的专利，其公开了一种油浸式变压器的故障诊断方法，该方法首先获取样本，对样本中的5种气体浓度数据进行归一化处理，形成训练样本集和测试样本集；确定基本核函数的个数及每个基核的参数，使用交叉验证的方法确定最优的惩罚参数；根据最优惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型；利用训练好的分类模型对验证集中的待测试样本进行故障诊断。

这种方法虽然能够保证很高的诊断准确率，具有很好的实用性和推广性，但仍然存在有一定的不足之处，比如，仅仅依据反映变压器运行状态的单一特征信息，往往很难对电力变压器状态做出正确辨识，即使将不同特征空间数据结合起来作为输入，但是其本身还是一维张量(向量)。作为输入时，不同特征空间数据之间存在一定影响，而在传统的机器学习模型训练过程中又难以把多种特征数据的影响减小。

基于此，我们提出了一种基于二维张量的变压器故障诊断方法，希冀解决现有技术中的不足之处。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于二维张量的变压器故障诊断方法，具备能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的优点。

(二)技术方案

为实现上述能够减小不同特征空间数据的不良影响、模型精度高、诊断准确率高的目的，本发明提供如下技术方案：一种基于二维张量的变压器故障诊断方法，包括以下步骤：

S1：收集油浸式变压器特征气体在不同故障和非故障时的气体含量数据，构成数据集；

S2：将数据集中的数据气体含量不同特征空间数据信息融合，对气体含量原始数据进行特征工程处理，与各气体含量比的数据共同作为融合特征信息；

S3：对步骤S2中处理后的数据特征信息作进一步处理，使作为模型输入时不同特征信息不良影响减小，同时对数据集故障类别进行编码，将其分为训练样本和测试样本；

S4：将处理好的数据集输入到1DCNN网络模型中进行学习，并对测试数据进行准确率验证。

作为本发明的一种优选技术方案，所述步骤S2中还包括对数据集中不同特征气体对应的数据分别进行特征工程，不同气体对应的数据分别进行归一化，其公式如下：

式中，为训练样本中j样本特征气体i的原始含量值，分别为训练样本中各气体i含量的最小值与最大值，此外，需要保存训练集中与的值，在测试时之前利用该值对测试集样本进行归一化处理。