一种基于机器学习的变压器故障诊断方法和系统与流程

1.本发明属于变压器故障诊断技术领域，具体涉及一种基于机器学习的变压器故障诊断方法和系统。


背景技术：

2.变压器是电力系统中最为关键的设备之一，其主要功能包括电压变换、电流变换、阻抗变换、隔离、稳压等。变压器对于电力安全和系统稳定性至关重要，一旦发生故障将带来巨大的损失，因此需要快速精准地对变压器故障进行诊断分析，防止缺陷或故障扩大化、严重化。
3.目前常用的变压器检测方式为局部放电检测和油色谱分析。其中局部放电检测方式包括脉冲电流检测法、气相色谱法、超声波检测法等，脉冲电流检测法最为灵敏，但易受电信号干扰，难以测量，气相色谱法和超声波检测法受到干扰少，但灵敏度低。而油色谱分析主要是根据实时数据进行比值运算进而判断故障类型，没有综合考虑运用变压器的各类运行数据，对历史数据的分析较少，故障识别率仅有80％。
4.有鉴于此，本发明提供一种基于机器学习的变压器故障诊断方法和系统，以解决现有技术存在的不足，是非常有必要的。


技术实现要素：

5.针对现有技术存在的不足，本发明提供一种基于机器学习的变压器故障诊断方法和系统，对变压器的运行数据进行数据挖掘和数据分析，利用机器学习中的分类算法构造故障类型识别模型，对变压器运行数据进行分析进而判断故障类型，有效提高变压器故障诊断的准确率。
6.为实现上述目的，本发明给出以下技术方案：
7.一种基于机器学习的变压器故障诊断方法，包括以下步骤：
8.获取变压器监测数据；
9.对数据进行清洗；
10.使用不同的分类算法分别进行建模得到多个分类模型；
11.对分类模型进行验证评估，得到各分类模型的故障识别准确率；
12.将各分类模型的故障识别准确率进行排序，从中选择故障识别准确率最高的n个分类模型，采用投票机制集成一个新的故障诊断识别模型。
13.作为优选，所述方法还包括以下步骤：
14.将集成的故障诊断识别模型封装成微信小程序。
15.通过微信小程序对故障诊断识别模型进行封装，便于随时随地使用，具有较高的灵活性。
16.作为优选，获取变压器监测数据包括以下步骤：
17.获取zf800变电站综合在线监测系统中的变压器监测数据；
18.获取trom-600/trom-600s油色谱在线监测系统中的监测数据；
19.作为优选，对数据进行清洗包括以下步骤：
20.进行数据类型转换，将故障类型字符型数据转换为数值型数据；
21.进行属性过滤，将trom-600/trom-600s油色谱在线监测系统的油中溶解气体数据中的甲烷、乙烯、乙烷、乙炔、氢气五种气体数据作为故障的特征信息，进行故障诊断识别；
22.进行数据设置，将甲烷、乙烯、乙烷、乙炔、氢气五种气体数据设置为自变量，故障类型设置为因变量；
23.进行缺失值和异常值处理，将缺失值进行删除或填补，将数据中的异常值进行删除。
24.通过数据清洗保证数据的准确性和完整性，提高数据质量，便于后续进行数据分析和建模。
25.作为优选，使用不同的分类算法分别进行建模得到多个分类模型包括以下步骤：
26.使用逻辑回归分类算法进行建模，得到逻辑回归分类模型；
27.使用朴素贝叶斯分类算法进行建模，得到朴素贝叶斯分类模型；
28.使用贝叶斯网络分类算法进行建模，得到贝叶斯网络分类模型；
29.使用神经网络分类算法进行建模，得到神经网络分类模型；
30.使用随机森林分类算法进行建模，得到随机森林分类模型；
31.使用支持向量机分类算法进行建模，得到支持向量机分类模型；
32.使用cart决策树分类算法进行建模，得到cart决策树分类模型；
33.使用id3决策树分类算法进行建模，得到id3决策树分类模型；
34.使用c45决策树分类算法进行建模，得到c45决策树分类模型；
35.使用梯度提升决策树分类算法进行建模，得到梯度提升决策树分类模型；
36.采用不同的分类算法分别进行建模，便于进行对比选出故障识别准确率较高的分类模型进行集成。
37.作为优选，采用投票机制集成一个新的故障诊断识别模型包括以下步骤：
38.将每个分类模型均设置为投票者，将故障类型设置为竞争者；
39.基于各分类模型的预测结果进行投票；
40.根据n个分类模型的投票结果确定故障类型。
41.投票机制是一种遵循少数服从多数原则的集成学习方法，通过多个模型的集成能够降低方差，提高模型的鲁棒性，经过投票机制集成得到的故障诊断识别模型预测效果优于单一分类模型的预测效果。
42.本发明还提供一种基于机器学习的变压器故障诊断系统，包括数据获取模块、数据清洗模块、数据建模模块、模型验证模块、模型优化模块；
43.数据获取模块，用于获取变压器监测数据；
44.数据清洗模块，用于对数据进行清洗；
45.数据建模模块，用于设置不同的分类算法分别进行建模得到多个分类模型；
46.模型验证模块，用于对分类模型进行验证评估，得到各分类模型的故障识别准确率；
47.模型优化模块，用于将各分类模型的故障识别准确率进行排序，从中选择故障识
别准确率最高的n个分类模型，采用投票机制集成一个新的故障诊断识别模型。
48.作为优选，所述数据获取模块包括第一获取单元和第二获取单元；
49.第一获取单元，用于获取zf800变电站综合在线监测系统中的变压器监测数据；
50.第二获取单元，用于获取trom-600/trom-600s油色谱在线监测系统中的监测数据。
51.作为优选，所述数据清洗模块包括类型转换单元、属性过滤单元、数据设置单元、数据处理单元；
52.类型转换单元，用于将故障类型字符型数据转换为数值型数据；
53.属性过滤单元，用于将trom-600/trom-600s油色谱在线监测系统的油中溶解气体数据中的甲烷、乙烯、乙烷、乙炔、氢气五种气体数据作为故障的特征信息，进行故障诊断识别；
54.数据设置单元，用于将甲烷、乙烯、乙烷、乙炔、氢气五种气体数据设置为自变量，故障类型设置为因变量；
55.数据处理单元，用于进行缺失值和异常值处理，将缺失值进行删除或填补，将数据中的异常值进行删除。
56.通过数据清洗模块保证数据的准确性和完整性，提高数据质量，便于后续进行数据分析和建模。
57.作为优选，所述数据建模模块包括第一建模单元、第二建模单元、第三建模单元、第四建模单元、第五建模单元、第六建模单元、第七建模单元、第八建模单元、第九建模单元、第十建模单元；
58.第一建模单元，使用逻辑回归分类算法进行建模，得到逻辑回归分类模型；
59.第二建模单元，使用朴素贝叶斯分类算法进行建模，得到朴素贝叶斯分类模型；
60.第三建模单元，使用贝叶斯网络分类算法进行建模，得到贝叶斯网络分类模型；
61.第四建模单元，使用神经网络分类算法进行建模，得到神经网络分类模型；
62.第五建模单元，使用随机森林分类算法进行建模，得到随机森林分类模型；
63.第六建模单元，使用支持向量机分类算法进行建模，得到支持向量机分类模型；
64.第七建模单元，使用cart决策树分类算法进行建模，得到cart决策树分类模型；
65.第八建模单元，使用id3决策树分类算法进行建模，得到id3决策树分类模型；
66.第九建模单元，使用c45决策树分类算法进行建模，得到c45决策树分类模型；
67.第十建模单元，使用梯度提升决策树分类算法进行建模，得到梯度提升决策树分类模型；
68.数据建模模块采用不同的分类算法分别进行建模，便于进行对比选出故障识别准确率较高的分类模型进行集成。
69.本发明的有益效果在于，结合了大数据分析和机器学习的应用，能够对变压器的运行数据进行数据挖掘和数据分析，通过机器学习中的分类算法构造故障诊断识别模型并进行集成优化，通过模型对实际运行中的变压器数据诊断分析，减少人工维护成本，提高变压器故障诊断准确率，本发明的故障诊断识别模型预测准确率能够达到90％以上。此外，通过微信小程序对故障诊断识别模型进行封装，便于随时随地使用，具有较高的灵活性。
附图说明
70.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
71.图1是本发明实施例1提供的基于机器学习的变压器故障诊断方法的流程图。
72.图2是本发明实施例2提供的基于机器学习的变压器故障诊断系统的原理框图。
73.其中，数据获取模块，2-数据清洗模块，3-数据建模模块，4-模型验证模块，5-模型优化模块。
具体实施方式
74.为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
75.实施例1：
76.如图1所示，本实施例提供一种基于机器学习的变压器故障诊断方法，包括以下步骤：
77.s1.获取变压器监测数据，具体包括以下步骤：
78.获取zf800变电站综合在线监测系统中的变压器监测数据；
79.获取trom-600/trom-600s油色谱在线监测系统中的监测数据。
80.s2.对数据进行清洗，具体包括以下步骤：
81.进行数据类型转换，将故障类型字符型数据转换为数值型数据；变压器的运行状况主要包括正常、中低温过热、高温过热、低能量放电和高能量放电五种，分别用0、1、2、3、4表示；
82.进行属性过滤，将trom-600/trom-600s油色谱在线监测系统的油中溶解气体数据中的甲烷、乙烯、乙烷、乙炔、氢气五种气体数据作为故障的特征信息，进行故障诊断识别；
83.进行数据设置，将甲烷、乙烯、乙烷、乙炔、氢气五种气体数据设置为自变量，故障类型设置为因变量；
84.进行缺失值和异常值处理，将缺失值进行删除或填补，将数据中的异常值进行删除。
85.通过数据清洗保证数据的准确性和完整性，提高数据质量，便于后续进行数据分析和建模。
86.s3.使用不同的分类算法分别进行建模得到多个分类模型，具体包括以下步骤：
87.使用逻辑回归分类算法进行建模，得到逻辑回归分类模型；
88.使用朴素贝叶斯分类算法进行建模，得到朴素贝叶斯分类模型；
89.使用贝叶斯网络分类算法进行建模，得到贝叶斯网络分类模型；
90.使用神经网络分类算法进行建模，得到神经网络分类模型；
91.使用随机森林分类算法进行建模，得到随机森林分类模型；
92.使用支持向量机分类算法进行建模，得到支持向量机分类模型；
93.使用cart决策树分类算法进行建模，得到cart决策树分类模型；
94.使用id3决策树分类算法进行建模，得到id3决策树分类模型；
95.使用c45决策树分类算法进行建模，得到c45决策树分类模型；
96.使用梯度提升决策树分类算法进行建模，得到梯度提升决策树分类模型；
97.采用不同的分类算法分别进行建模，便于进行对比选出故障识别准确率较高的分类模型进行集成。
98.s4.利用测试数据对分类模型进行验证评估，得到各分类模型的故障识别准确率；利用65组测试数据对上述10个分类模型进行验证评估得到逻辑回归分类模型故障识别准确率为87.69％，朴素贝叶斯分类模型故障识别准确率为83.08％，贝叶斯网络分类模型故障识别准确率为87.69％，神经网络分类模型故障识别准确率为40.00％，随机森林分类模型故障识别准确率为90.77％，支持向量机分类模型故障识别准确率为89.23％，cart决策树分类模型故障识别准确率为84.62％，id3决策树分类模型故障识别准确率为81.54％，c45决策树分类模型故障识别准确率为86.15％，梯度提升决策树分类模型故障识别准确率为86.15％。
99.s5.将各分类模型的故障识别准确率进行排序，从中选择故障识别准确率最高的4个分类模型，包括逻辑回归分类模型、贝叶斯网络分类模型、随机森林分类模型、支持向量机分类模型，采用投票机制集成一个新的故障诊断识别模型；
100.其中采用投票机制集成一个新的故障诊断识别模型包括以下步骤：
101.将每个分类模型均设置为投票者，将故障类型设置为竞争者；
102.基于各分类模型的预测结果进行投票；
103.根据n个分类模型的投票结果确定故障类型。
104.投票机制是一种遵循少数服从多数原则的集成学习方法，通过多个模型的集成能够降低方差，提高模型的鲁棒性，经过投票机制集成得到的故障诊断识别模型预测效果优于单一分类模型的预测效果。
105.最后将集成的故障诊断识别模型封装成微信小程序，便于随时随地使用，具有较高的灵活性。
106.使用时，打开微信小程序搜索变压器故障大数据诊断器或扫描二维码，进入程序；然后将系统采集的数据输入到工具栏中不同的气体数据框，点击诊断按钮将出现可视化结果，显示不同时刻的气体含量和故障类型。
107.实施例2：
108.如图2所示，本实施例提供一种基于机器学习的变压器故障诊断系统，包括数据获取模块1、数据清洗模块2、数据建模模块3、模型验证模块4、模型优化模块5；
109.数据获取模块1，用于获取变压器监测数据；
110.所述数据获取模块1包括第一获取单元和第二获取单元；
111.第一获取单元，用于获取zf800变电站综合在线监测系统中的变压器监测数据；
112.第二获取单元，用于获取trom-600/trom-600s油色谱在线监测系统中的监测数据。
113.数据清洗模块2，用于对数据进行清洗；
114.所述数据清洗模块2包括类型转换单元、属性过滤单元、数据设置单元、数据处理单元；
115.类型转换单元，用于将故障类型字符型数据转换为数值型数据；变压器的运行状况主要包括正常、中低温过热、高温过热、低能量放电和高能量放电五种，分别用0、1、2、3、4表示；
116.属性过滤单元，用于将trom-600/trom-600s油色谱在线监测系统的油中溶解气体数据中的甲烷、乙烯、乙烷、乙炔、氢气五种气体数据作为故障的特征信息，进行故障诊断识别；
117.数据设置单元，用于将甲烷、乙烯、乙烷、乙炔、氢气五种气体数据设置为自变量，故障类型设置为因变量；
118.数据处理单元，用于进行缺失值和异常值处理，将缺失值进行删除或填补，将数据中的异常值进行删除。
119.通过数据清洗模块2保证数据的准确性和完整性，提高数据质量，便于后续进行数据分析和建模。
120.数据建模模块3，用于设置不同的分类算法分别进行建模得到多个分类模型；
121.所述数据建模模块3包括第一建模单元、第二建模单元、第三建模单元、第四建模单元、第五建模单元、第六建模单元、第七建模单元、第八建模单元、第九建模单元、第十建模单元；
122.第一建模单元，使用逻辑回归分类算法进行建模，得到逻辑回归分类模型；
123.第二建模单元，使用朴素贝叶斯分类算法进行建模，得到朴素贝叶斯分类模型；
124.第三建模单元，使用贝叶斯网络分类算法进行建模，得到贝叶斯网络分类模型；
125.第四建模单元，使用神经网络分类算法进行建模，得到神经网络分类模型；
126.第五建模单元，使用随机森林分类算法进行建模，得到随机森林分类模型；
127.第六建模单元，使用支持向量机分类算法进行建模，得到支持向量机分类模型；
128.第七建模单元，使用cart决策树分类算法进行建模，得到cart决策树分类模型；
129.第八建模单元，使用id3决策树分类算法进行建模，得到id3决策树分类模型；
130.第九建模单元，使用c45决策树分类算法进行建模，得到c45决策树分类模型；
131.第十建模单元，使用梯度提升决策树分类算法进行建模，得到梯度提升决策树分类模型；
132.数据建模模块3采用不同的分类算法分别进行建模，便于进行对比选出故障识别准确率较高的分类模型进行集成。
133.模型验证模块4，用于对分类模型进行验证评估，得到各分类模型的故障识别准确率；
134.模型优化模块5，用于将各分类模型的故障识别准确率进行排序，从中选择故障识别准确率最高的n个分类模型，采用投票机制集成一个新的故障诊断识别模型；
135.投票机制是一种遵循少数服从多数原则的集成学习方法，通过多个模型的集成能够降低方差，提高模型的鲁棒性，经过投票机制集成得到的故障诊断识别模型预测效果优于单一分类模型的预测效果。
136.尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明
并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。