[发明专利]诱导有序加权证据推理的变压器故障诊断方法及系统

权利要求书

1.一种诱导有序加权证据推理的变压器故障诊断方法，其特征在于，包括：

(1)加载变压器FRA的典型数据样本，将诊断标签设置为识别框架；

(2)加载待诊断设备的检测数据；

(3)计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配，构建信度决策矩阵；

(4)根据待诊断设备的检测数据样本来源，计算诱导有序加权平均算子及其诱导向量；

(5)计算指标权重向量；

(6)通过诱导有序加权的证据理论融合所有证据，计算综合评价信度，从而确定诊断结果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中加载的变压器FRA的典型数据样本包括以下类型：实测样本：该设备的历史检测数据或是厂商检测数据，该数据样本类型是最准确的参考数据；同型号设备样本：其他同型号设备的检测数据，该数据是较准确的参考数据；精确仿真样本：针对该设备建立详细仿真模型后得到各类标签的样本；快速仿真样本：考虑到硬件、时效性的各种限制，针对该设备建立简化模型，并通过仿真获取各类标签的样本。

3.根据权利要求1所述的方法，其特征在于，在步骤(1)中，将诊断标签设置为识别框架的具体方法为：对于诊断的第一阶段，首先将待检测数据划分为健康、不健康两种诊断类型，则识别框架为Θ＝{健康，不健康}，或是划分为不同的健康等级；若诊断结果为不健康状态，并且需要进一步检测故障类型，此时进入诊断的第二阶段，故障类型为F_i(i＝1,2,…)，则设置识别框架为Θ＝{F₁,F₂,...,F_i，...}；同样的，若诊断结果为不健康状态，并且需要进一步检测故障位置，此时进入诊断的第三阶段，故障位置为L_j(j＝1,2,…)，则设置识别框架为Θ＝{L₁,L₂,...,L_j,...}，其中，为了统一描述，将识别框架中的所有元素记为Θ＝{H₁,H₂,...,H_l,...,H_N}，其中，l表示识别框架中子集的编号，N表示识别框架中所有子集的数量。

4.根据权利要求3所述的方法，其特征在于，在步骤(3)中，计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配的具体方法为：

将待诊断设备的检测数据曲线与识别框架内的特征数据曲线都按照相同方式划分为N_SEC段，有X_0k表示划分后的第k段，X_lk表示识别框架中的第l条曲线划分后的第k段，k＝1,2,…N_SEC；

通过曲线相似性算法计算待诊断设备的检测数据曲线的各段与识别框架内所有特征数据曲线的各段的距离P_k,l，并将各曲线距离转换为信度β_k,l。

5.根据权利要求4所述的方法，其特征在于，在步骤(3)中，构建信度决策矩阵的具体方法为：

定义分布式评估向量S为：S(X_k(A_t))＝{(H_l,β_k,l(A_t)),l＝1,…,N}，其表示被评价对象A_t的属性X_k被评估为等级H_l信度为β_k,l，则T个被评价对象(t＝1，2，…，T)的N_SEC个基本属性的评价结果可以表示为信度决策矩阵：其中，X_k表示被评价对象A_t划分后对应的第k段曲线。