[发明专利]一种变压器故障诊断方法、装置及存储介质

说明书

本发明提供了变压器故障诊断方法、装置及存储介质。所述方法包括：获取变压器油色谱故障历史数据，并对所述变压器油色谱故障历史数据进行属性划分；利用Relief‑F算法计算各个属性的权重，进行特征选取；采用K‑means算法对选取出的特征进行聚类分析，生成变压器故障诊断模型；获取变压器油色谱故障实时数据，将所述变压器油色谱故障实时数据输入到所述变压器故障诊断模型中，利用K‑means算法得到对变压器故障的实时诊断结果。本发明构建一种变压器故障诊断模型，利用油中特征气体的特点及时发现变压器内部的潜伏性故障，实现了变压器故障的智能诊断，保障了设备和电网的安全运行。

技术领域

本发明涉及电力领域，尤其涉及一种变压器故障诊断方法、装置及存储介质。

背景技术

变压器是电力系统的重要设备，它的好坏直接影响着电力系统的安全可靠运行。油浸式变压器采用油纸绝缘结构，其主要绝缘材料包括油、绝缘纸和绝缘纸板，当变压器内部发生潜伏性故障时，在热和电的作用下，变压器油和固体绝缘材料将逐渐老化和分解，产生各种低分子烃类及CO、CO₂等气体，故障点产生气体的组分和含量取决于故障类型、故障部位和故障能量级别。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

本发明提出一种变压器故障诊断方法、装置及存储介质，以实现对变压器故障的诊断。

为了达到上述目的，本发明实施例提供一种变压器故障诊断方法，包括：获取变压器油色谱故障历史数据，并对所述变压器油色谱故障历史数据进行属性划分；利用Relief-F算法计算各个属性的权重，进行特征选取；采用K-means算法对选取出的特征进行聚类分析，生成变压器故障诊断模型；获取变压器油色谱故障实时数据，将所述变压器油色谱故障实时数据输入到所述变压器故障诊断模型中，利用K-means算法得到对变压器故障的实时诊断结果。

进一步地，在一实施例中，所述获取变压器油色谱故障历史数据，并对所述变压器油色谱故障历史数据进行属性划分，具体包括：将变压器发生故障时生成的特征气体作为划分的属性，所述特征气体包括H₂、CH₄、C₂H₆、C₂H₄、C₂H₂，一种属性表示一种气体。

进一步地，在一实施例中，所述利用Relief-F算法计算各个属性的权重，进行特征选取，具体包括：根据各个属性和变压器故障类别的相关性赋予特征不同的权重，赋予和变压器故障类别相关性高的特征较高的权重，而权重小于某个阈值的特征将被移除；所述变压器故障类型包括正常、放电、过热、放电兼过热。

进一步地，在一实施例中，所述采用K-means算法对选取出的特征进行聚类分析，生成变压器故障诊断模型，具体包括：初始随机给定多个聚类中心初始点，按照最邻近原则把所述各个属性构成的向量分到各个聚类中，然后按平均法重新计算各个聚类中心，一直迭代，直到聚类中心的移动距离小于给定的阈值；经过聚类分析后，生成对所述变压器油色谱故障历史数据中的分类结果，得到所述变压器故障诊断模型。

为了达到上述目的，本发明实施例还提供一种变压器故障诊断装置，包括：历史数据获取模块，用于获取变压器油色谱故障历史数据，并对所述变压器油色谱故障历史数据进行属性划分；特征选取模块，用于利用Relief-F算法计算各个属性的权重，进行特征选取；聚类分析模块，用于采用K-means算法对选取出的特征进行聚类分析，生成变压器故障诊断模型；诊断结果生成模块，用于获取变压器油色谱故障实时数据，将所述变压器油色谱故障实时数据输入到所述变压器故障诊断模型中，利用K-means算法得到对变压器故障的实时诊断结果。