一种油浸式变压器故障诊断方法

1.本发明涉及一种油浸式变压器故障诊断方法，属于电力系统技术领域。


背景技术：

2.油浸式变压器是电力系统的重要设备之一，具有容量大、允许工作负载大、散热性能好等优点，被广泛应用于电力系统的配变电阶段。但是大部分油浸式变压器运行年限较长，存在绝缘劣化等故障隐患，如果不能及时发现变压器的故障隐患，将会影响到电网的正常供电。
3.目前油浸式变压器的故障诊断主要是油中溶解气体分析方法，例如专利公布号为cn111612036a的中国专利中，公开了一种基于粒子群寻优xgboost的油浸式变压器故障诊断方法，通过收集油浸式变压器故障数据，进行预处理，建立cart弱分类器模型，并对其进行训练获得能够识别变压器故障的分类模型，实现变压器故障的快速识别。该方法虽然能够对油浸式变压器进行故障诊断，但是粒子群优化算法对离散的优化问题处理不佳，而且对遗传算子的选择比较麻烦，会导致变压器故障诊断的准确率不高，诊断时间偏长，不利于电力系统的平稳运行。


技术实现要素：

4.本发明的目的是提供一种油浸式变压器故障诊断方法，以解决目前故障诊断过程存在的准确率低、诊断时间长的问题。
5.本发明为解决上述技术问题而提供一种油浸式变压器故障诊断方法，该故障诊断方法包括以下步骤：
6.1)采集油浸式变压器的故障数据，对采集到的数据进行预处理，所述的故障数据为油浸式变压器中气体的溶解量以及对应的故障类型；
7.2)将预处理后的气体数据分为n个维度的特征，根据故障类型制定变压器故障状态编码，并将由得到的特征和对应故障状态编码形成的数据划分为训练集和测试集；
8.3)构建分类回归树弱分类器模型，利用训练集对弱分类器模型进行训练；
9.4)在训练过程使用麻雀搜索算法对分类器模型中的参数进行优化，得到油浸式变压器的xgboost故障诊断模型；
10.5)利用得到的油浸式变压器的xgboost故障诊断模型对待测数据进行预测，得到故障诊断结果。
11.本发明首先对采集到的油浸式变压器的故障数据进行处理并划分，然后制定变压器故障状态编码，构建分类回归树弱分类器模型并用训练集训练弱分类器模型，通过使用麻雀搜索算法对分类器模型中的参数进行优化得到油浸式变压器的xgboost故障诊断模型，对待测数据进行预测得到故障诊断结果。本发明使用麻雀搜索算法优化xgboost模型，结构简单、易于实现，具有较好的全局探索和局部开发能力，在加速xgboost模型训练的同时，提升了变压器故障诊断的准确性，使维修部门能够及时准确的维护变压器，显著降低油
浸式变压器故障的频率，保证了电力系统安全稳定的运行。
12.进一步地，所述步骤4)判断是否达到最大迭代次数，若达到则将此时的参数设置为模型的最优参数，否则继续使用麻雀搜索算法进行参数寻优，直到分类器在测试集上的预测精度达到预设标准，得到油浸式变压器的故障诊断模型。
13.进一步地，所述的麻雀搜索算法对分类器模型中的参数进行优化的参数包括分类回归树的数量n，学习率η，决策树的最大深度d
max
，控制复杂度的正则化参数γ和λ。
14.进一步地，所述步骤1)预处理是指对采集到的油浸式变压器故障数据进行归一化处理。
15.进一步地，预处理还包括对归一化后的数据去除离群点。
16.进一步地，预处理还包括对归一化后的数据进行扩充。
17.发现和剔除离群点能够提高分类的准确性，并对数据进行扩增，保证xgboost模型能够得到足够多的训练数据，提升变压器故障诊断的准确率。
18.进一步地，所述步骤1)采集的油浸式变压器中溶解的气体包括h2、ch4、c2h6、c2h4、c2h2五种气体。
19.进一步地，所述步骤2)采用无编码比值法将油浸式变压器中溶解五种气体生成包含9个维度的特征：
20.c(ch4)/c(h2),c(c2h4)/c(c2h2),c(c2h2)/c(c2h6),(c(ch4)+c(c2h4))/(c1+c2),
21.c(h2)/(c(h2)+c1+c2),c(c2h4)/(c1+c2),c(ch4)/(c1+c2),c(c2h6)/(c1+c2),c(c2h2)/(c1+c2),
22.其中，c(
·
)表示某一类气体的溶解量，c1为ch4所代表的一阶碳氢化合物的浓度，c2为c2h6等所代表的二阶碳氢化合物的浓度。
23.不同故障导致变压器油老化析出的气体成分不同，通过跟踪气体成分的比例，能够更加准确的判断变压器油主要析出的气体成分，进而推断出相应的故障。
24.进一步地，所述的变压器故障状态分为：正常状态、低温过热，中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热和高能放电兼过热。
25.八种故障类型能够全面的反映变压器的各种故障，提高监测结果的参考价值。
26.进一步地，所述步骤3)采用加法学习方式训练弱分类器模型。
27.通过加法训练方法，提高分类器训练的效率，进而提高故障诊断的效率。
附图说明
28.图1是本发明油浸式变压器故障诊断方法的流程图；
29.图2是本发明实施例中具有相似特征样本寻找近邻样本的过程图；
30.图3是本发明实施例中具有相似特征样本生成新样本的过程图；
31.图4是本发明实施例中cart加法学习过程图；
32.图5是本发明油浸式变压器故障诊断方法参数优化过程图。
具体实施方式
33.下面结合附图对本发明的具体实施方式作进一步地说明。
34.油浸式变压器故障诊断方法的实施例
35.本发明首先采集油浸式变压器传感器的故障数据并对采集到的数据进行预处理；然后采用无编码比值法，将预处理后的气体数据分为九个维度的特征，制定变压器故障状态编码，并且将数据划分为训练集和测试集；构建分类回归树弱分类器模型，采用加法学习方式训练弱分类器；再使用麻雀搜索算法对分类器参数进行优化，并判断是否达到最大迭代次数，若达到则将此时的参数设置为模型的最优参数，否则继续使用麻雀搜索算法进行参数寻优，直到分类器在测试集上的预测精度达到预设标准，得到油浸式变压器xgboost故障诊断模型；最后利用变压器xgboost故障诊断模型对待测数据进行预测，得到故障诊断结果。该方法的实现流程如图1所示，下面结合具体的实例来进行说明。
36.1.采集油浸式变压器传感器的故障数据，对采集到的数据进行预处理，故障数据为油浸式变压器中气体的溶解量以及对应的故障类型。
37.本发明利用气体传感器采集油浸式变压器中h2、ch4、c2h6、c2h4、c2h2五种气体的溶解量，并将油浸式变压器分为低温过热，中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热和高能放电兼过热八种故障类型。
38.(1)对采集到的油浸式变压器故障数据进行归一化处理：
[0039][0040]
其中，x
ij
是第i个样本中第j个特征气体含量，x
′
ij
为归一化后的第i个样本中第j个特征气体含量，为第i个样本中5种气体含量的总和。
[0041]
(2)对归一化后的数据采用lof算法，去除离群点。
[0042]
考虑到采集过程中存在误差导致出现异常值，需要将故障数据中的异常值去除。
[0043]
对于m维的数据，数据点x和y之间的欧式距离d(x,y)为：
[0044][0045]
数据点x的第n距离dn(x)为：
[0046]dn
(x)＝d(x,yn)
[0047]
其中，yn为距离数据点x第n远的数据点。
[0048]
数据点x到数据点y的第n可达距离rn(x,y)为：
[0049]rn
(x,y)＝max{dn(x),d(x,y)}
[0050]
数据点的局部可达密度lrdn(x)为：
[0051][0052]
其中，nn(x)为数据点x的第n邻域，nn(x)为数据点x的第n邻域内数据点总数。
[0053]
数据点x的局部离群因子lofn(x)为：
[0054][0055]
局部离群因子lofn(x)过大表示数据点x的局部可达密度相对较低，可能为离群点，需要去除。
[0056]
(3)去除离群点后可能造成样本类别不平衡，采用smote算法为某一类样本补充数据，smote算法具有相似特征样本寻找近邻样本的过程如图2所示，具有相似特征样本生成新样本的过程如图3所示，新数据生成过程为：
[0057]
x
new
＝x1+rand(0,1)
·
(x
2-x1)
[0058]
以欧式距离为判断依据，选择与x1近邻的数据点x2，从而生成新数据点x
new
；rand(0,1)表示随机生成的范围在(0,1)区间内的随机数。
[0059]
2.将预处理后的气体数据分为n个维度的特征，根据故障类型制定变压器故障状态编码，并将数据划分为训练集和测试集。
[0060]
(1)采用无编码比值法对油浸式变压器中溶解的h2、ch4、c2h6、c2h4、c2h2五种气体生成包含9个维度的特征：
[0061]
c(ch4)/c(h2),c(c2h4)/c(c2h2),c(c2h2)/c(c2h6),(c(ch4)+c(c2h4))/(c1+c2),c(h2)/(c(h2)+c1+c2),c(c2h4)/(c1+c2),c(ch4)/(c1+c2),c(c2h6)/(c1+c2),c(c2h2)/(c1+c2)，其中，c(
·
)表示某一类气体的溶解量，c1为ch4所代表的一阶碳氢化合物的浓度，c2为c2h6等所代表的二阶碳氢化合物的浓度。
[0062]
(2)制定变压器故障状态编码，将油浸式变压器分为八种故障类型，具体编码方式如下表：
[0063][0064][0065]
(3)将数据集按照8:2的比例划分为训练集和验证集。
[0066]
3.构建分类回归树(cart)弱分类器模型，cart生成过程如图4所示，并采用加法学习方式训练弱分类器模型。
[0067]
(1)对于已经构建的k棵cart，第i个样本的最终预测值为：
[0068][0069]
其中，xi是样本特征，fk(xi)是用第k棵树对样本的预测值，f为cart对应的集合，将结果加在一起就得到了最终的预测值而样本的真实值是yi。
[0070]
(2)产生的损失函数与衡量模型复杂度的函数结合即可得到下一棵cart需要学习的目标函数l(φ)：
[0071][0072][0073]
其中，φ为模型中的函数集合，为损失函数、t为cart中叶子节点的个数，ω为cart中每个叶子节点的权重，γ、λ为控制模型的复杂度的正则化参数。
[0074]
(3)采用加法学习的方式训练，初始阶段从一个常数预测开始，每次向模型中加入一个新的目标函数，过程如下：
[0075][0076]
其中，第t次训练中的预测值等于第t-1次训练中的预测值与第t次cart的输出结果f
t
(xi)之和，因此目标函数可以简化为：
[0077][0078]
为了便于优化参数，对目标函数l
(t)
进行二阶泰勒展开：
[0079]
ij＝{i|q(xi)＝j}
[0080][0081]
其中，ij表示属于叶子节点j的样本集合，q(xi)为xi对应的叶子标签值，gi和hi分别为目标函数的一阶、二阶梯度。
[0082]
参考一元二次方程寻找最优点的方法，将ωj看作自变量x，则叶子节点j的最优权重为：
[0083][0084]
其中，为最优权重点。
[0085]
最优权重对应的最优目标函数为：
[0086][0087]
其中，为最优权目标函数。
[0088]
4.使用麻雀搜索算法对分类器参数进行优化，得到油浸式变压器的xgboost故障诊断模型。
[0089]
(1)利用麻雀搜索算法对cart的数量n，学习率η，决策树的最大深度d
max
，控制复杂度的正则化参数γ、λ这5个超参数进行优化，麻雀搜索算法过程如图5所示。
[0090]
(2)包含n只麻雀的种群及其适应度为：
[0091][0092][0093]
将xgboost的每一组参数看作一只麻雀，x为参数矩阵，其中每一行代表一组需要优化的参数即一只麻雀，每一只麻雀包含5个参数，每个种群包含20只麻雀，f
x
为适应度矩阵，适应度高的个体作为发现者，适应度低的个体作为加入者。
[0094]
确定发现者位置，当觅食区域周围没有捕食者时，发现者搜索觅食区域，为加入者提供觅食区域与方向，发现者位置更新如下：
[0095][0096]
其中，t为当前迭代次数，max为最大迭代次数，表示第i个麻雀的第j维信息，α为(0,1]之间的一个随机数，r为[0,1]之间的预警值，st为[0.5,1]之间的安全值，q为服从正态分布的随机数，l为全为1的一行五列矩阵。
[0097]
确定加入者位置，种群种处于较差觅食位置的加入者可能会飞往其他地方觅食，同时加入者会一直监视发现者，争夺食物资源，加入者位置更新如下：
[0098][0099]
其中，x
p
是目前发现者找到的最佳位置，xw为全局最差位置，a为每个元素随机赋值为1或-1的一行五列矩阵，a
+
＝a
t
(aa
t
)-1
。
[0100]
确定警示者位置，警示者占种群数量的10％-20％，当意识到危险时种群边缘的麻雀会迅速向安全区移动，位于种群中间的麻雀会随机走动，靠近其他麻雀，警示者位置更新如下：
[0101][0102]
其中，xb是当前全局最优位置，β为服从标准正态分布的随机数，k为[-1,1]内的随机数，fi是第i个麻雀的适应度值，fg和fw分别为全局最佳和最差适应度值，ε为偏置项。
[0103]
(3)判断是否达到最大迭代次数，若达到则将此时的参数设置为模型的最优的参数，否则继续使用麻雀搜索算法进行参数寻优，直到分类器在测试集上的预测精度达到预设标准，得到油浸式变压器的xgboost故障诊断模型。
[0104]
5.利用得到的油浸式变压器的xgboost故障诊断模型对待测数据进行预测，得到故障诊断结果。

技术特征：
1.一种油浸式变压器故障诊断方法，其特征在于，该诊断方法包括以下步骤：1)采集油浸式变压器的故障数据，对采集到的数据进行预处理，所述的故障数据为油浸式变压器中气体的溶解量以及对应的故障类型；2)将预处理后的气体数据分为n个维度的特征，根据故障类型制定变压器故障状态编码，并将由得到的特征和对应故障状态编码形成的数据划分为训练集和测试集；3)构建分类回归树弱分类器模型，利用训练集对弱分类器模型进行训练；4)在训练过程使用麻雀搜索算法对分类器模型中的参数进行优化，得到油浸式变压器的xgboost故障诊断模型；5)利用得到的油浸式变压器的xgboost故障诊断模型对待测数据进行预测，得到故障诊断结果。2.根据权利要求1所述的油浸式变压器故障诊断方法，其特征在于，所述步骤4)判断是否达到最大迭代次数，若达到则将此时的参数设置为模型的最优参数，否则继续使用麻雀搜索算法进行参数寻优，直到分类器在测试集上的预测精度达到预设标准，得到油浸式变压器的故障诊断模型。3.根据权利要求1所述的油浸式变压器故障诊断方法，其特征在于，所述的麻雀搜索算法对分类器模型中的参数进行优化的参数包括分类回归树的数量n，学习率η，决策树的最大深度d
max
，控制复杂度的正则化参数γ和λ。4.根据权利要求1-3中任一项所述的油浸式变压器故障诊断方法，其特征在于，所述步骤1)预处理是指对采集到的油浸式变压器故障数据进行归一化处理。5.根据权利要求4所述的油浸式变压器故障诊断方法，其特征在于，预处理还包括对归一化后的数据去除离群点。6.根据权利要求4所述的油浸式变压器故障诊断方法，其特征在于，预处理还包括对归一化后的数据进行扩充。7.根据权利要求1-3中任一项所述的油浸式变压器故障诊断方法，其特征在于，所述步骤1)采集的油浸式变压器中溶解的气体包括h2、ch4、c2h6、c2h4、c2h2五种气体。8.根据权利要求7所述的油浸式变压器故障诊断方法，其特征在于，所述步骤2)采用无编码比值法将油浸式变压器中溶解五种气体生成包含9个维度的特征：c(ch4)/c(h2),c(c2h4)/c(c2h2),c(c2h2)/c(c2h6),(c(ch4)+c(c2h4))/(c1+c2),c(h2)/(c(h2)+c1+c2),c(c2h4)/(c1+c2),c(ch4)/(c1+c2),c(c2h6)/(c1+c2),c(c2h2)/(c1+c2),其中，c(
·
)表示某一类气体的溶解量，c1为ch4所代表的一阶碳氢化合物的浓度，c2为c2h6等所代表的二阶碳氢化合物的浓度。9.根据权利要求1所述的油浸式变压器故障诊断方法，其特征在于，所述的变压器故障状态分为：正常状态、低温过热，中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热和高能放电兼过热。10.根据权利要求1所述的油浸式变压器故障诊断方法，其特征在于，所述步骤3)采用加法学习方式训练弱分类器模型。

技术总结
本发明涉及一种油浸式变压器故障诊断方法，属于电力系统技术领域。本发明首先对采集到的油浸式变压器的故障数据进行处理并划分，然后制定变压器故障状态编码，构建分类回归树弱分类器模型并用加法学习方式训练弱分类器模型，通过使用麻雀搜索算法对分类器参数进行优化得到油浸式变压器的XGBoost故障诊断模型，对待测数据进行预测得到故障诊断结果。本发明使用麻雀搜索算法优化XGBoost模型，结构简单、易于实现，具有较好的全局探索和局部开发能力，在加速XGBoost模型训练的同时，提升了变压器故障诊断的准确性，使维修部门能够及时准确的维护变压器，显著降低油浸式变压器故障的频率，保证了电力系统安全稳定的运行。保证了电力系统安全稳定的运行。保证了电力系统安全稳定的运行。


技术研发人员：周凯 陈斌 杨荆宜 程龙 王勇杰 洪叶 温皓澜 邱红叶 翁一潇 张红跃 崔敏 王明 郭宝圣 梅华威 曹旺斌
受保护的技术使用者：许继电气股份有限公司 华北电力大学
技术研发日：2023.06.29
技术公布日：2023/10/11