一种基于特征选择的油侵式变压器故障诊断方法

本发明涉及一种变压器故障诊断方法，特别涉及一种基于特征选择的油侵式变压器故障诊断方法。

随着电力需求的日益增长，变压器已成为电力输送系统中必不可少的电力设备。而做为供配电的关键环节，变压器的运行性能会直接影响到整个电力系统的运行。任何变压器故障类型都会导致电力浪费甚至更严重的经济损失，因此变压器设备的故障诊断对避免潜在电力或其他经济损失是具有重要研究意义的。由于供配电系统中所使用的变压器一般都是油浸式变压器，实施变压器故障诊断的常用思路是对变压器油中溶解的气体(氢气、甲烷、乙烷、乙烯、和乙炔)进行分析。我国目前大量使用的是改良三比值法，该方法存在编码缺损和临界值判据缺损两方面的不足。近年来兴起的变压器故障诊断方法皆是利用溶解气体浓度数据进行故障分类，从而实现对变压器故障的诊断。

判别分析和神经网络是最为常见的模式分类技术，可应用于解决变压器故障分类诊断问题。然而，基于神经网络的变压器故障诊断模型的分类准确率会直接受到网络输入参数或变量的影响。换句话讲，神经网络的输入变量或参数会直接影响到诊断的准确率。此外，判别分析是一类线性的分类诊断策略，无法有效的适应变压器溶解气体浓度数据的多变性与非线性特征。最为重要的一点是，这些用于分类诊断的方法都需要尽可能多的样本数据进行训练，且未能选择最适合诊断故障的特征来建立分类诊断故障类型。

数据驱动的变压器故障诊断是直接依赖于变压器油中的溶解气体浓度数据，溶解气体浓度数据能够反映出不同的故障类型。然而，从可靠而精准的变压器故障诊断任务要求角度出发，单独直接依赖于溶解气体的浓度数据是很难实现的，需要在溶解气体浓度数据的基础上更进一步的挖掘其变化特征，使用更多的特征数据实施变压器的故障诊断。然而，在现有的科研文献与专利材料中，鲜有涉及这方面的研究成果，一般都是直接使用溶解气体浓度数据进行故障分类诊断的研究。

此外，由于油侵式变压器中的溶解气体浓度数据所能展现出的类别特征有限，三比值法就摒弃直接使用溶解气体浓度数据，而采用溶解气体浓度之间的比值做进一步的分类诊断。因此，对溶解气体浓度数据进行进一步特征扩展与选择，对于故障诊断是有积极作用的。可以说，利用溶解气体浓度数据实施变压器的故障诊断需要一个能应对小样本问题，且能从最优特征选择的故障诊断方法技术。

本发明所要解决的主要技术问题是：利用油侵式变压器油中的溶解气体浓度数据，实施特征扩展与分类特征选择，并利用选择后的特征建立概率神经网络模型，从而实施变压器故障诊断。具体来讲，本发明方法首先对溶解气体浓度数据进行统计特征和比值特征的双重构造。其次，本发明方法利用近邻成分分析(Neighborhood，Component Analysis，缩写：NCA)算法选择最适合故障分类诊断的特征变量。最后，利用选择的特征变量建立概率神经网络模型实施变压器故障诊断。

本发明方法解决上述问题所采用的技术方案为：一种基于特征选择的油侵式变压器故障诊断方法，包括以下所示步骤：

步骤(1)：对油侵式变压器运行在7种不同工作状态下的溶解气体浓度数据进行特征扩展，从而得到健康工作状态下的N0个特征向量局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量具体的实施过程包括如下所示步骤(1.1)至步骤(1.5)。

步骤(1.1)：变压器油中溶解气体分析数据具体包括：氢气浓度甲烷浓度乙烷浓度乙烯浓度和乙炔浓度这5个浓度数据，可组建溶解气体浓度向量其中，k表示样本编号，上标号c∈{0，1，2，3，4，5，6}分别指代健康工作状态，局部放电故障状态，火花放电故障状态，电弧放电故障状态，中温过热故障状态，低温过热故障状态，和高温过热故障状态。

步骤(1.2)：根据如下所示公式分别计算各个溶解气体浓度向量的均值标准差峰度偏度均方根峰值因子形状因子脉冲因子边缘因子最大对数

其中，b∈{1，2，3，4，5}，样本编号k∈{1，2，…，Nc}，表示计算中元素的最大值。

步骤(1.3)：根据如下所示公式计算各个溶解气体浓度向量的比值系数

上式中，d∈{1，2，…，15}。

步骤(1.4)：根据构造多特征融合向量其中R25×1表示25×1维的实数向量，上标号T表示矩阵或向量的转置符号。

步骤(1.5)：重复上述步骤(1.2)至步骤(1.4)从而分别得到油侵式变压器运行在7种不同工作状态下的多特征融合向量。

步骤(2)：组建特征矩阵组建类标号向量y＝[y0，y1，…，y6]T∈RN×1；其中，N＝N0+N1+…+N6，RN×1表示N×1维的实数向量，向量中所有元素都等于0，向量中所有元素都等于1，向量中所有元素都等于2，向量中所有元素都等于3，向量中所有元素都等于4，向量中所有元素都等于5，向量中所有元素都等于6。

步骤(3)：对特征矩阵X∈RN×25实施标准化处理后，再利用近邻成分分析算法得到特征权重向量w∈R1×25。

步骤(4)：从特征权重向量w中出最大的f个元素，将这f个元素所在的位置记录为位置集合φ，并对应的从特征矩阵X中选取相同位置的列向量，组建新特征矩阵其中，RN×f表示N×f维的实数矩阵。

步骤(5)：以中各个行向量做为输入数据，以类标号向量y中相应行的元素做为输出数据，建立概率神经网络模型。

步骤(6)：新测量得到油侵式变压器中的溶解气体浓度数据，具体包括氢气浓度，甲烷浓度，乙烷浓度，乙烯浓度，和乙炔浓度这5个浓度数据

步骤(7)：对步骤(6)中的5个浓度数据进行特征扩展，从而得到特征向量xnew∈R1×25，具体的实施过程与上述步骤(1.1)至步骤(1.4)相同，再根据步骤(4)中记录的位置集合从特征向量xnew中选择相应位置的元素，组建新特征向量其中，R1×f表示1×f维的实数向量。

步骤(8)：以新特征向量做为输入数据，利用步骤(5)中建立的概率神经网络模型，计算得到输出估计值ynew，并根据输出估计值ynew确定出油侵式变压器的当前工作状态。

通过以上所述实施步骤，本发明方法的优势介绍如下。

首先，本发明方法基本上不涉及复杂的变换或数学计算，且操作简单，非常易于实施。其次，本发明方法先通过特征扩展再进行特征优选，极大的保证了分类模型的精度。最后，在具体实施案例中，通过案例实施结果的对比充分的说明了本发明方法的可靠性与优越性。

图1为本发明方法的实施流程示意图。

下面结合附图和具体实施方式对本发明进行详细说明。

本发明公开了一种基于特征选择的油侵式变压器故障诊断方法，下面结合如图1所示的实施流程示意图来说明本发明方法的具体实施方式。

在本实施案例中，油侵式变压器在健康工作状态下有N0＝50组溶解气体浓度数据，局部放电故障状态下有N1＝21组数据，火花放电故障状态下有N2＝16组数据，电弧放电故障状态下有N3＝18组数据，中温过热故障状态下有N4＝23组数据，低温过热故障状态下有N5＝23组数据，高温过热故障状态下有N6＝24组数据。利用这些数据建立变压器的故障诊断模型并实施在线故障诊断，具体包括如下所示步骤。

步骤(1)：按照前述步骤(1.1)至步骤(1.5)对油侵式变压器运行在7种不同工作状态下的溶解气体浓度数据进行特征扩展，从而得到健康工作状态下的N0个特征向量局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量

步骤(2)：组建特征矩阵组建类标号向量y＝[y0，y1，…，y6]T∈RN×1。

步骤(3)：对特征矩阵X∈RN×25实施标准化处理后得到矩阵再利用近邻成分分析算法得到特征权重向量w∈R1×25，具体的实施过程如下所示：

①初始化梯度步长α＝1、初始化目标函数值F0(w)＝-106、以及初始化权重系数向量w＝[1，1，…，1]∈R1×25。

②计算在当前权重系数向量w条件下的目标函数值F(w)：

其中，正确分类概率pi可按照如下所示公式计算：

上式中，pij的计算公式如下所示：

其中，与分别表示矩阵中的第i行与第j行向量，当且仅当与归属同一类时(即：类标号向量y中第i个元素与第j个元素相等时)，yij＝1，其他情况yij＝0；距离Dw(xi，xj)的计算方式如下所示：

其中，i＝1，2，…，N，j＝1，2，…，N，符号|| ||表示计算向量的长度，diag(w)表示将向量w转变成对角矩阵。

③判断是否满足收敛条件|F(w)-F0(w)|＜10-6；若是，则输出权重系数向量w；若否，则继续实施④。

④设置F0(w)＝F(w)后计算梯度值Δf，并根据公式w＝w+αΔf更新权重系数向量；其中，梯度值Δf的计算方式如下所示：

⑤根据上述公式计算目标函数值F(w)，并判断是否满足条件F(w)＞F0(w)？若是，则根据公式α＝1.01α更新梯度步长α；若否，则根据公式α＝0.4α更新梯度步长α。

⑥返回步骤③继续下一次迭代优化，直至满足③中的收敛条件。

步骤(4)：从特征权重向量w中出最大的f个元素，将这f个元素在w中的位置记录为位置集合φ，并对应的从特征矩阵X中选取相同位置的列向量，组建新特征矩阵

步骤(5)：以中各个行向量做为输入数据，以类标号向量y中相应行的元素做为输出数据，建立概率神经网络模型。

步骤(6)：新测量得到油侵式变压器中的溶解气体浓度数据，具体包括氢气浓度，甲烷浓度，乙烷浓度，乙烯浓度，和乙炔浓度这5个浓度数据。

步骤(7)：对步骤(6)中的5个浓度数据进行特征扩展，从而得到特征向量xnew∈R1×25，具体的实施过程与上述步骤(1.1)至步骤(1.4)相同，再根据步骤(4)中记录的位置集合φ从特征向量xnew中选择相应位置的元素，组建新特征向量

步骤(8)：以新特征向量做为输入数据，利用步骤(5)中建立的概率神经网络模型，计算得到输出估计值ynew，并根据输出估计值ynew确定出油侵式变压器的当前工作状态。

具体来讲，若ynew＝0，则表示变压器运行在健康工作状态；若ynew＝1，则表示变压器运行在局部放电故障状态；若ynew＝2，则表示火花放电故障状态，若ynew＝3，则表示电弧放电故障状态；若ynew＝4，则表示中温过热故障状态，若ynew＝5，则表示低温过热故障状态；若ynew＝6，则表示高温过热故障状态。