[发明专利]一种适用于电力变压器故障的特征提取与诊断方法

说明书

本发明公开了一种适用于电力变压器故障的特征提取与诊断方法，该方法通过搜集典型变压器故障样本，分成训练集和测试集；首先采用互信息对变量进行评分排序，保留部分特征参量；使用遗传算法优化分类器进行特征选择，将特征参量和分类器超参数混合编码，最后得到最优特征集合和训练好的故障诊断模型；使用测试集测试故障诊断模型，得到诊断结果。由于本发明提出的适用于变压器故障的特征提取和诊断方法能够可以提取出变压器故障的有效特征参量，移除冗余特征以及无关特征，提高变压器故障诊断方法的准确率，提升整个模型的泛化能力。

技术领域

本发明属于电气工程、高电压技术领域，具体涉及一种适用于电力变压器故障的特征提取与诊断方法。

背景技术

油浸式电力变压器是电网的核心设备之一，肩负着电压等级转换和电功率传输的重任。变压器如果发生故障，不仅可能会导致大规模的电力供应中断，还可能导致巨额的经济损失，危害社会秩序。因此，通过一系列故障诊断手段，监测变压器的运行状态，是十分必要的。目前，变压器油中溶解气体分析也是应用较广，效果较好的变压器故障诊断方法之一。电力变压器工作在持续的高温度高电压的作用下，绝缘材料如绝缘油或绝缘纸发生分解时，会生成相应的混合气体，最终溶解在变压器油中。油中溶解气体的组分和浓度都与变压器的故障类型之前存在较高的相关性，这部分气体也被称为特征气体。因此，通过油中溶解气体分析可以预先确定变压器的早期故障，把握故障演变规律，及时进行制定策略，对故障变压器进行检修处理。

传统的故障诊断方法如国标三比值，大卫三角形等都属于线性分类器，诊断精度较低，而且三比值存在缺码，在某些情况下，不能给出相应的故障诊断结果。随着机器学习及人工智能的发展，目前使用较多的结合机器学习的诊断方法。特征参量是决定故障诊断模型效果的最重要的因素，特征选择是机器学习领域的重点。有效的特征可以帮助模型更好的实现诊断与识别，提升诊断精度；而冗余或无效的特征不仅会浪费诊断模型训练时间，还可能影响诊断效果。目前，国内外研究者采用不同的特征参量作为诊断模型的输入，尚无统一的标准，且诊断效果也相差甚远。

发明内容

针对目前存在的特征参量不一，诊断方法精度低的现状，本发明旨在提供一种适用于电力变压器故障的特征提取与诊断方法。

本发明采用如下技术方案来实现的：

一种适用于电力变压器故障的特征提取与诊断方法，包括步骤：

A)收集确诊的各类典型故障的电力变压器的油中溶解气体浓度数据，关联故障类别标签，构建原始数据集M；

B)由原始数据集M衍生出待选择特征参量集F0，将每个样本原始气体数据转化成新的特征参量值，进行数据归一化处理，并关联故障标签，形成新的样本集T；将样本集T划分为训练集T1和测试集T2；

C)对特征参量进行预评估，采用互信息对训练集T1的特征参量进行打分并排序；移除低于分数阈值S的特征集，保留高于分数阈值S的特征，分数阈值S可自行设定；也可以按固定比例K保留得分较高的前N个特征参量，保留比例K可自行设定；设经过预评估后的特征集合为F1；

D)采用遗传算法对于特征参量集合F1进行特征选择，同时优化分类器的超参数，建立变压器故障诊断模型；遗传算法的染色体采用二进制编码，第一段代表特征变量，第二至M段代表M-1个分类器超参数；

E)按照步骤D)的编码方式，随机初始化种群；

F)计算种群中每个个体的适应度；

G)对个体进行选择、交叉、变异操作；

H)对每个个体进行排序，保留适应度最高的前二分之一的个体；

I)判断是否满足终止条件，若不满足终止条件，则返回步骤F)；在满足终止条件后，输出优选的最终特征集合即F2，同时获得最优故障诊断模型；

J)使用测试集T2对故障诊断模型进行预测。