[发明专利]电力变压器故障诊断模型的建立方法

说明书

技术领域

本发明涉及电力变压器技术领域，特别涉及一种电力变压器故障诊断模型的建立方法。

背景技术

电力变压器是电力系统中关键、昂贵的枢纽设备。电力变压器连接不同电压等级线路，在电能传输、分配中起到变换电压及分配电能的重要作用。电力变压器的正常、可靠运行是保证电力系统安全和稳定运行的重要前提。实际上，电力变压器运行环境恶劣，承受电、热、机械、环境等多方面的各类应力，同时材料、工艺、制造、运输、安装等方面存在的缺陷都将导致变压器出现各类故障，因此提早发现与排除变压器故障是维持电力系统可靠供电的重要途径，具有重要的现实意义。

相关技术中，国内电力系统主要使用油浸式变压器，采用绝缘油对内部系统进行绝缘与散热，故变压器故障诊断领域使用最为广泛、方便快捷的方法是基于油中溶解气分析方法(Dissolved Gas Analysis，DGA)。当变压器处于不同的运行状态时，绝缘油中溶解气组份、浓度有所区别，因此通过采样与对比分析油中溶解气推断变压器当前运行状态及潜伏性故障。但由于故障类型多样，气体组份、浓度与故障间关系复杂；此外，传统的诊断方法比值数有限，存在潜在、有效的新特征未使用的可能性，同时比值编码不完备，且故障诊断精度有待进一步提高。人工智能、机器学习等新技术、新方法被引入到变压器故障诊断领域并取得了显著的进展。但是各种智能方法均存在一定的适用要求和不足，有必要进一步开展研究以改进、完善方法性能。

其中，支持向量机(Support Vector Machine，SVM)是一种基于结构风险最小原则的智能分类器，由于其在小样本条件下具有优秀的分类及泛化能力，同时避免了局部最小和维度灾问题，已广泛的应用于变压器故障诊断领域。尽管如此，但由于变压器故障诊断数据间的非线性关系，需要通过非线性变换映射到高维空间求取最优分类超平面。当选用大量交叉试验、逐一验证以确定各类核函数的关键参数不仅计算量大、耗时，且参数存在局部最优的可能性。

此外，由于上述方式扩展了基于DGA故障诊断的原有特征集，导致现有特征数量众多，特征间潜在冗余、不相关等问题。而这些问题不仅将严重影响故障诊断精度，同时也会导致诊断模型训练耗时、诊断模型复杂难以理解。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种电力变压器故障诊断模型的建立方法。该电力变压器故障诊断模型的建立方法可以建立准确率高的电力变压器故障诊断模型，以达到对未知的油中溶解气的故障类型进行诊断的目的。

本发明的另一个目的在于提出一种计算机程序产品。

为了实现上述目的，本发明的第一方面公开了一种电力变压器故障诊断模型的建立方法，包括以下步骤：S1：基于故障类型明确的油中溶解气样本建立数据集，并根据所述故障类型明确的油中溶解气样本数据集建立对应的扩展特征集D，其中，所述扩展特征集D包括多个特征项；S2：规范化所述扩展特征集D，采用Relief F算法对所述多个特征项求解特征权重并排序筛选，建立特征子集D1；S3：根据Pearson积矩相关系数，对所述特征子集D1求解相关系数并筛选，构成特征子集D2；S4：根据改进遗传算法，基于所述特征子集D2综合求解最优故障诊断模型参数，建立电力变压器故障诊断模型。

根据本发明的电力变压器故障诊断模型的建立方法，通过基于已知的油中溶解气的特征集合发现潜在的有效新特征，利用Relief F算法和Pearson相关系数选择重要的特征项，剔除冗余的特征项，降低特征维度，并通过改进遗传算法快速、准确的获得径向基核支持向量机最优关键参数(C_best,γ_best)，建立准确率高的电力变压器故障诊断模型，以达到对未知的油中溶解气的故障类型进行诊断的目的。

另外，根据本发明上述实施例的电力变压器故障诊断模型的建立方法还可以具有如下附加的技术特征：

进一步地，步骤S4具体包括：选择基于径向基核函数的支持向量机作为电力变压器故障诊断分类器，存在众多关键参数组合(C,γ)，其中，所述分类器的输入项来自特征子集D2，对应故障类型作为所述分类器的输出项；根据改进遗传算法优化所述多个关键参数组合(C,γ)，得到故障诊断模型最优参数组合(C_best,γ_best)；根据故障诊断模型最优参数组合(C_best,γ_best)，得到电力变压器故障诊断模型。