改良油中溶解气体的诊断算法模型的制作方法

本发明涉及电力变压器内部故障诊断领域，具体来说涉及一种改良油中溶解气体的诊断算法模型。

背景技术：

电力变压器内部故障点周围的油绝缘和固体绝缘都会因为电性或热性故障引起绝缘材料分解从而产生不同类型的特征气体，这些气体包括：h2、ch4、c2h4、c2h2、c2h6、co、co2等，这些气体大部分可以溶解于绝缘油中。在我国使用的dl/t722-2000《变压器油中溶解气体分析和判断导则》归纳了多种类型的故障所产生的特征气体。油中溶解气体分析法(dga)的数据采样可以做到无需停电、成本低廉、受电磁环境的干扰影响小、技术相对成熟和数据精度高等优点，同时又符合国家电网当下倡导推行的状态检修，并且又可以实现在线监测电力变压器到的状态，目前被普遍的应用于油浸式电力变压器的定期试验检查、在线监测与故障诊断中。现有的改良三比值诊断算法存在故障编码缺失和在故障编码边界存在模糊性。

技术实现要素：

本发明所要解决的技术问题是提供一种改良油中溶解气体的诊断算法模型，能有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。

为实现上述目的，本发明提供以下的技术方案：该改良油中溶解气体的诊断算法模型包括如下三部分：

(1)第一部分：通过在线监测传感器采集特征气体进行筛选，选出符合故障诊断要求的参数；

(2)第二部分：通过两个互补的数学诊断模型(模糊综合评判法和rbf神经网络法)计算出一组初步诊断的结果参数；

(3)第三部分：将先前初步诊断的结果参数归一化后乘以可靠系数再配上不确定因素形成一组故障概率分配(mass函数)，再将两组故障概率分配通过d-s证据理论融合形成全新的故障概率分配，通过最大隶属度法确认故障种类。

采用以上技术方案的有益效果是：该改良油中溶解气体的诊断算法模型可以提高故障诊断的正确率，减少变压器停电的次数，减轻人力劳动量。该改良油中溶解气体的诊断算法模型有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的描述。

图1是本发明改良油中溶解气体的诊断算法模型的结构图。

图2是诊断算法模型中的数据筛选模块的结构图。

图3是rbf神经网络与模糊综合评判组成初步诊断模块的结构图。

图4是mass函数计算与证据合成诊断模块的结构图。

图5是故障诊断模型诊断结果的故障类型图。

具体实施方式

下面结合附图详细说明本发明改良油中溶解气体的诊断算法模型的优选实施方式。

图1出示本发明改良油中溶解气体的诊断算法模型的具体实施方式：

该改良油中溶解气体的诊断算法模型包括如下三部分：

(1)第一部分：通过在线监测传感器采集特征气体进行筛选，选出符合故障诊断要求的参数；

(2)第二部分：通过两个互补的数学诊断模型(模糊综合评判法和rbf神经网络法)计算出一组初步诊断的结果参数；

(3)第三部分：将先前初步诊断的结果参数归一化后乘以可靠系数再配上不确定因素形成一组故障概率分配(mass函数)，再将两组故障概率分配通过d-s证据理论融合形成全新的故障概率分配，通过最大隶属度法确认故障种类。

如图1所示，多种理论融合系统主要有3大模块组成：参数筛选模块，rbf神经网络与模糊综合评判组成初步诊断模块，mass函数计算与证据合成诊断模块。

首先由数据筛选模块筛选出不合格的气体参数，然后将这些气体参数送入rbf神经网络与模糊综合评判初步诊断模块进行初步诊断，其输出的结果经过mass函数计算模块计算出mass函数值，最后经过证据合成诊断模块将初步诊断的结果经过d-s合成法则进行数据整合得到电力变压器故障诊断结论。具体各个模块处理细节如下：

1、据筛选模块

如图2所示基于改良三比值法和特征气体法，变压器在线监测装置需要采集五组气体浓度，分别为h2、ch4、c2h4、c2h2、c2h6。当被测气体浓度或者产气速率(相对或者绝对的产气速率)达到注意值后，此时这一组五种气体的浓度将作为输入量传入rbf神经网络与模糊综合评判初步诊断模块。特别注意的是变压器在线监测装置实时监测变压器油中的数据，其数值会根据变压器运行状态的变化而改变。当数据波动在正常范围内不上报数据，只有数据波动超过正常值(特征气体注意值)时或者某个气体产气速率超过正常值时上报数据。

2、初步诊断模块

如图3所示一组超过注意值的五种气体的浓度将作为输入量传入rbf神经网络与模糊综合评判初步诊断模块。其中模糊综合评判法是将五个气体按照改良三比值法算出三组比值后将其模糊化，计算得出权重向量后带入公式b＝aοr计算出结果。rbf神经网络将五组气体分别占五组总气体含量百分比作为输入，使得五组输入都在区间(0，1)中，并通过神经网络计算得出结果。两个数学模型计算得结果都是一组5个数字，故障定性如图5。

3、mass函数计算与证据合成诊断模块

如图4将先前初步诊断的结果参数归一化后乘以可靠系数(模糊综合评判0.85，rbf神经网络0.87)，再配上不确定度(模糊综合评判0.15，rbf神经网络0.13)形成两个故障概率分配(mass函数)，再将mass(1)函数与mass(2)函数通过d-s证据理论合成规则融合成全新的故障概率分配(mass函数)，最后通过最大隶属度法确认故障种类，故障定性见图5.。

以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

技术特征：

技术总结
本发明公开了一种改良油中溶解气体的诊断算法模型，涉及电力变压器内部故障诊断领域，该改良油中溶解气体的诊断算法模型可以提高故障诊断的正确率，减少变压器停电的次数，减轻人力劳动量。该改良油中溶解气体的诊断算法模型有效避免改良三比值法中存在故障编码缺失和在故障编码边界存在模糊性的问题。

技术研发人员：许寅卿
受保护的技术使用者：许寅卿
技术研发日：2017.07.07
技术公布日：2017.10.20