[发明专利]一种基于改进灰色关联分析的油浸式变压器故障诊断方法

说明书

本发明公开了一种基于改进灰色关联分析的油浸式变压器故障诊断方法，包括以下步骤：S1、收集并整理油浸式变压器多类型故障样本，构建特征集合FS1和故障样本集合D1；S2、通过两种特征选择方法计算特征集合FS1的特征权重，并建立低维特征子集FS21、FS22，进而建立低维度故障样本集合D21、D22；S3、使用模糊聚类算法求解低维度故障样本集合D21、D22的聚类中心C1、C2，并将求得的聚类中心C1、C2作为改进灰色关联分析中的两组参考序列；将低维特征子集FS21、FS22对应特征权重进行归一化处理，基于马氏距离和动态辨识系数计算对应关联度值，计算平均值后选取最大关联度值对应故障类型为待测样本诊断结果。本发明所建立的油浸式变压器故障诊断方法具有结构简单、计算效率高、诊断性能好等优点。

技术领域

本发明属于电气设备技术领域，特别是涉及一种基于改进灰色关联分析的油浸式变压器故障诊断方法。

背景技术

油浸式变压器作为高压电力系统中昂贵且重要组成设备，承担电压变换与电能分配的功能，对电力系统可靠运行起到尤为重要的作用。由于油浸式变压器运行环境恶劣，不可避免地出现各类缺陷及故障，对电力系统可靠运行带来安全隐患；当油浸式变压器遭受故障时，将导致电力生产部门面临巨大经济损失，因此及早发现与处理变压器的故障，建立高效、可靠的故障诊断系统具有重要的意义。

目前，油浸式变压器故障诊断方法中，油中溶解气分析方法(Dissolved GasAnalysis，DGA)是最为简便、应用最广的方法之一。然而基于DGA的比值法具有编码边界绝对、编码种类有限、诊断正确率不高及诊断性能不一致等缺陷；近些年，国内外专家学者采用机器学习、数据挖掘等技术理论建立众多基于油中溶解气的智能故障诊断模型，并取得积极效果，但同时也存在诊断模型复杂、存在冗余特征、诊断精度低、诊断效率低等问题。目前基于灰色关联分析的油浸式变压器故障诊断方法中存在特征冗余、特征权重难以确定及无法体现分辨结果间的相互影响等问题。因此，建立结构简单、准确、高效、便捷的诊断油浸式变压器潜在故障的模型，及时掌握电力变压器工作状态，对减少变压器检修、缩短停电时间、提高设备及电网可靠性具有重要意义。

发明内容

本发明的目的在于提供一种基于改进灰色关联分析的油浸式变压器故障诊断方法，解决现有的油浸式变压器故障诊断方法诊断模型复杂、存在冗余特征、诊断精度低、诊断效率低的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

一种基于改进灰色关联分析的油浸式变压器故障诊断方法，所述诊断方法包括如下步骤：

S1、收集油浸式变压器并整理多类型故障样本，依据油中溶解的常规气体组分值及其组合，构建特征集合FS1；基于油浸式变压器油中溶解的气体样本和特征集合FS1共同建立故障样本集合D1；

S2、通过采用两种不同特征选择方法计算特征集合FS1的特征权重并依据大小值排序，保留权重值满足预设阈值要求的特征并建立低维特征子集FS21和FS22，进而建立低维度故障样本集合D21和D22；

S3、使用模糊聚类算法求解低维度故障样本集合D21、D22的聚类中心C1和C2，并将求得的聚类中心分别作为改进灰色关联分析中的参考序列；将低维特征子集FS21、FS22对应特征权重进行归一化处理，进而依据权重值及参考序列分别计算待测样本的关联系数与关联度；计算两组关联度平均值，输出平均关联度最大值对应故障类型为待测样本诊断结果。

优选地，所述步骤S1中，特征集合FS1的特征为9种故障类型的油色谱样本，油色谱样本由5种特征气体的含量特征构成，5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)；

其中，每种特征气体的含量特征由绝对含量、相对含量及相互比值三个特征组成；