[发明专利]基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统

说明书

本发明公开了一种基于近邻成分分析和k近邻学习融合的变压器故障诊断方法：(a)构建近邻成分分析模型并对其进行训练，包括步骤：(1)采集不同故障类型变压器油色谱样本数据(2)对变压器油色谱样本数据进行预处理(3)分别计算各故障类型变压器油色谱样本数据的关联规则支持度，得到初始度量矩阵Msubgt;0/subgt;(4)将初始度量矩阵Msubgt;0/subgt;和经过预处理的变压器油色谱样本数据输入经过超参数调优的近邻成分分析模型，进行训练，近邻成分分析模型输出度量矩阵M(5)采用度量矩阵M对各故障类型变压器油色谱样本数据进行映射，得到经过训练的近邻成分分析模型(b)将实测变压器油色谱样本数据输入经过训练的近邻成分分析模型，进而输出变压器故障类型。

技术领域

本发明涉及一种故障诊断方法和系统，尤其涉及一种变压器故障诊断方法和系统。

背景技术

变压器是电力系统中最为重要的设备之一，其是保证电力系统安全、可靠、经济、优质运行的关键。但是，需要说明的是，绝缘自然老化、环境条件恶劣和运行负荷过高等多种因素都可诱发电力变压器的故障，进而造成严重的社会经济损失。

基于已有的变压器故障案例的特征参量进行故障诊断的研究，有利于利用不同故障类型在指标属性上的差异化表现，准确识别故障类型，进而对于投运中的变压器的维护、制定合适的检修策略等具有重要的指导意义。

在实践过程中，基于油色谱的变压器状态分析方法，具有支持带电检测，不受电、磁信号场影响以及操作方式简单等优点，其在生产实践中得到了广泛应用，是油浸式变压器健康状态评估和故障诊断的最有效、最可靠手段之一，至今仍是研究热点。研究者在初期建立了IEC三比值(International Electro technical Commission,IEC)、Rogers比值、大卫三角形等流程简单的基础方法体系，但受到编码缺失、阈值绝对等限制，这些方法现只用于变压器故障诊断的辅助手段。随着机器学习理论和深度学习框架硬件的发展，基于人工智能的变压器故障诊断方法以其较高的分类准确率，成为了学界热门的研究课题，如支持向量机(Support Vector Ma-chine,SVM)、神经网络、贝叶斯网络、决策树、深度信念网络等。不过，上述方法也有其自身固有的缺点：第一，每一轮有监督地训练模型都需消耗较多的时间；第二，需要花费大量的时间调节超参数以训练出一个优秀的模型；第三，在最大化全体分类准确率的目标过程中，易偏向多数类样本的参数更新而忽略少数类样本的正确分类。

需要说明的是，由Cover和Hart于1968年提出的k近邻(k-Nearest Neighbors,kNN)模型是一个懒惰学习模型，没有训练过程，它根据临近点类型判断样本点的类别，无需花费大量时间进行模型的训练。kNN模型原理简单，易于理解和实现，分类性能稳定，但该算法在样本不平衡和样本维数过多时分类效果和运行效率表现不佳。对此，不少研究者对其算法或者数据进行了改进。如将K-means与遗传算法相结合，提出了基于GAK-kNN的新权重分配系统模型，在一定程度上克服了数据分布不均衡的缺陷，但存在聚类数目难以确定，且数据预处理时间大大增加的问题；利用Bagging算法从训练集中抽取多个子分类集，再对各个子分类集用kNN算法进行分类，用投票方式获得最后分类结果，这在一定程度提高了kNN的运行效率，但没有考虑不平衡数据的分布情况，分类精度提升较低；提出基于密度的kNN分类器训练样本裁剪方法，将待测样本附近的多数类训练样本进行裁剪，保留少数类训练样本，这种方法加快了kNN的计算速度并减小了样本的不平衡性，但对分类精度产生了影响。

综上所述，现有技术中这些方法对kNN算法的优化主要侧重于单个方面，缺少对算法的运行效率、性能优化、不平衡数据集训练问题的综合分析，评价方式比较单一。

发明内容

本发明的目的之一是提供一种基于近邻成分分析和k近邻学习融合的变压器故障诊断方法，该方法可以准确有效的诊断变压器故障，其算法运行效率高，在保证整体分类性能及运行效率的同时，对少数类故障样本亦具有良好的识别诊断能力。