[发明专利]一种电力变压器故障分类方法及系统

说明书

本发明属于电力变压器故障分类领域，提供了一种电力变压器故障分类方法及系统。其中，电力变压器故障分类方法，包括获取电力变压器内溶解气体分析数据；利用改进模糊c均值‑多类支持向量机模型预测出故障类别；其中，改进模糊c均值‑多类支持向量机模型的训练数据集获取过程为：采用C‑set方法将原始样本集按照故障类型进行不重复的多组划分，得到多个训练数据集；原始样本集中的样本为电力变压器内溶解气体分析数据。

技术领域

本发明属于电力变压器故障分类领域，尤其涉及一种电力变压器故障分类 方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。

变压器被认为是电力输配电系统中最重要、最昂贵的设备。这些由连续操 作和负载切换产生的机械、化学和热应力带来的缺陷会导致变压器内部绕组、 铁芯层压、接头和分接头等部件的损坏。因此在变压器油中会以一定的比例产 生氢(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)、二氧化碳(CO₂)和 一氧化碳(CO)。这些气体的浓度水平取决于温度变化、变压器负载和发生故障 类型等不同的因素。目前有许多技术如溶解气体分析(DGA)、聚合度测定法 (DPM)、气相色谱法(GC)、质谱法(MC)被用于变压器绝缘状况的监测和故障检 测^[3]。在以往的技术中，DGA是最被广泛认可的一种方法，它可以频繁地用于监测变压器的整体状态，并为出现的故障提供报警。DGA数据展示可采用关键 气体法、图形法、比值法等方法。

这些技术的工作原理是设置一个预定义的标准后，从各种气体数据中提取 特征。但是，传统方法采集到的气体浓度水平和比例可能不完整或不符合预定 义的边界。这可能导致在分析相同的DGA数据记录时产生不同的判断。此外， 传统的诊断方法不能对同时发生的热、放电等多类型故障提供正确的诊断。发 明人发现，这些多类型故障的无法诊断是由于客观的不确定性，即变压器故障 的因果关系与试验数据样本的主观边界有关。这种不确定性降低了这些方法的 准确性和诊断效率。另外，传统的方法对相似的变压器油样本进行分析诊断， 往往会带来分类错误和结果不稳定的后果。因此，可靠的故障诊断系统需要解 决上述的缺陷。也正是由于传统方法有一定的缺陷，科学家们将注意力转移到 专家系统，人工神经网络，模糊理论，灰色聚类分析法，近端支持向量机(PSVM)， 感知系统(CS)，自适应神经网络和极限学习(ELM)等人工智能(AI)技术上面。 这些技术应用于故障分析中，具有高精度和高效率的巨大优势。然而，发明人 发现，这些方法也有一定的局限性，如从数据集获取知识比较复杂，需要大量 完整的数据样本才能获得较高的准确性和可靠的性能。其中一些方法对参数选 择很敏感，并且需要大量的时间和内存空间来模拟操作和训练。所以，这些方 法的数据获取和参数训练的复杂性使得它们在实际应用中非常困难。

发明内容

为了解决上述问题，本发明提供一种电力变压器故障分类方法及系统，其 能够提高故障识别的精度，缩短故障诊断的时间。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种电力变压器故障分类方法。

一种电力变压器故障分类方法，包括：

获取电力变压器内溶解气体分析数据；

利用改进模糊c均值-多类支持向量机模型预测出故障类别；

其中，改进模糊c均值-多类支持向量机模型的训练数据集获取过程为：

采用C-set方法将原始样本集按照故障类型进行不重复的多组划分，得到多 个训练数据集；原始样本集中的样本为电力变压器内溶解气体分析数据。