诱导有序加权证据推理的变压器故障诊断方法及系统

1.本发明属于变压器故障诊断领域，更具体地，涉及一种将诱导有序加权证据推理的多源信息融合理论运用于变压器fra的故障诊断方法及系统。


背景技术：

2.电力变压器是电力系统最重要的设备之一，其结构复杂，在实际运行中面临着各种类型的危险。其中绕组机械故障造成的损坏是最常见的电力变压器故障原因。具体来说，短路电流与电磁力的作用可能会导致机械轴向/径向位移变形。机械故障检测中使用最广泛的方法是频率响应分析(frequence response analysis，fra)，其思路是获取变压器的传递函数，并与该设备的标准值进行比对来辨识故障。然而，进行比较的过程与结果解释都要取决于专家经验的判断，目前尚无统一的故障辨别标准。专家经验与研究专长的差异可能导致分析结果的不准确，这是基于fra方法的共同缺点。常见方法是通过研究计算出扫频响应曲线的统计指标，并设置一定范围的设备健康阈值，但该方法的适应性较差，设定好的指标只针对特定设备有效。目前的研究还尝试采用机器学习的分类算法实现扫频响应曲线的故障辨识，但该方法所需数据量较大，在部分实践场景中可能较难实现。


技术实现要素：

3.针对现有技术的以上缺陷或改进需求，本发明提出了一种诱导有序加权证据推理的变压器故障诊断方法及系统，其目的是为提高电力设备故障诊断方法的智能化程度及诊断准确率，并能够适用于数据信息不完全、故障样本缺乏及样本来源可靠性多样化的情形。
4.为实现上述目的，按照本发明的一个方面，提供了一种诱导有序加权证据推理的变压器故障诊断方法，包括：
5.(1)加载变压器fra的典型数据样本，将诊断标签设置为识别框架；
6.(2)加载待诊断设备的检测数据；
7.(3)计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配，构建信度决策矩阵；
8.(4)根据待诊断设备的检测数据样本来源，计算诱导有序加权平均算子及其诱导向量；
9.(5)计算指标权重向量；
10.(6)通过诱导有序加权的证据理论融合所有证据，计算综合评价信度，从而确定诊断结果。
11.在一些可选的实施方案中，步骤(1)中加载的变压器fra的典型数据样本包括以下类型：实测样本：该设备的历史检测数据或是厂商检测数据，该数据样本类型是最准确的参考数据；同型号设备样本：其他同型号设备的检测数据，该数据是较准确的参考数据；精确仿真样本：针对该设备建立详细仿真模型后得到各类标签的样本；快速仿真样本：考虑到硬件、时效性的各种限制，针对该设备建立简化模型，并通过仿真获取各类标签的样本。
12.在一些可选的实施方案中，在步骤(1)中，将诊断标签设置为识别框架的具体方法为：对于诊断的第一阶段，首先将待检测数据划分为健康、不健康两种诊断类型，则识别框架为θ＝{健康，不健康}，或是划分为不同的健康等级；若诊断结果为不健康状态，并且需要进一步检测故障类型，此时进入诊断的第二阶段，故障类型为f
i
(i＝1,2,
…
)，则设置识别框架为θ＝{f1,f2,...,f
i
，...}；同样的，若诊断结果为不健康状态，并且需要进一步检测故障位置，此时进入诊断的第三阶段，故障位置为l
j
(j＝1,2,
…
)，则设置识别框架为θ＝{l1,l2,...,l
j
,...}，其中，为了统一描述，将识别框架中的所有元素记为θ＝{h1,h2,...,h
l
,...,h
n
}，其中，l表示识别框架中子集的编号，n表示识别框架中所有子集的数量。
13.在一些可选的实施方案中，在步骤(3)中，计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配的具体方法为：
14.将待诊断设备的检测数据曲线与识别框架内的特征数据曲线都按照相同方式划分为n
sec
段，有段，有段，有x
0k
表示划分后的第k段，x
lk
表示识别框架中的第l条曲线划分后的第k段，k＝1,2,
…
n
sec
；
15.通过曲线相似性算法计算待诊断设备的检测数据曲线的各段与识别框架内所有特征数据曲线的各段的距离p
k,l
，并将各曲线距离转换为信度β
k,l
。
16.在一些可选的实施方案中，在步骤(3)中，构建信度决策矩阵的具体方法为：
17.定义分布式评估向量s为：s(x
k
(a
t
))＝{(h
l
,β
k,l
(a
t
)),l＝1,...,n}，其表示被评价对象a
t
的属性x
k
被评估为等级h
l
信度为β
k,l
，则t个被评价对象(t＝1，2，
…
，t)的n
sec
个基本属性的评价结果可以表示为信度决策矩阵：其中，x
k
表示被评价对象a
t
划分后对应的第k段曲线。
18.在一些可选的实施方案中，在步骤(4)中，计算诱导有序加权平均算子及其诱导向量的具体方法为：
19.确定待诊断设备的诱导变量u
k
，并通过前面步骤初步计算出来的数据给诱导变量赋值；
20.定义有序加权平均算子f满足：其中，是加权向量，ω
k
∈[0,1]，<u
k
,a
k
>称为owa对，b
k
是按照降序/升序排列的第k个元素所对应owa对中的第二个分量a
k
，并且称<u
k
,a
k
>中的第一个分量u
k
为诱导分量，第二个分量a
k
为数值分量，如果出现u
k1
＝u
k2
，则在owa对的集结过程中将a
k1
和a
k2
平分：其中，k1
和k2表示k的两种不同取值，u
k1
和u
k2
表示u
k
的两个不同取值，a
k1
和a
k2
表示a
k
的数值分量。
[0021]
在一些可选的实施方案中，在步骤(5)中，计算指标权重向量的具体方法为：
[0022]
采用平均分配，针对属性x
k
划分的不同权重划分的不同权重
[0023]
或者，采用客观权重分配方法计算各自的权重然后根据诱导分量进行调整，最终确定权重值诱导向量若最终权重需要根据owa算子f进行优化，设目标函数为γ(ω)，则有：最终求得各项属性的权重向量
[0024]
在一些可选的实施方案中，步骤(6)的具体实现方法为：
[0025]
将不同属性x
k
的信息归入同一识别框架θ下，计算基本可信度分配m：
[0026]
m
k,l
＝m
k
(h
l
)＝ω
k
β
k,l
[0027][0028][0029][0030]
合成可信度分配：
[0031][0032]
[0033][0034][0035]
归一化处理，得到综合诊断结果：
[0036][0037][0038]
则对于识别框架的各个状态θ＝{h1,h2,...,h
l
,...,h
n
,h
θ
}，最终的诊断结果为：{β1,β2,
…
,β
l
,
…
,β
n
,β
θ
}，其中，β
θ
表示不确定度。
[0039]
按照本发明的另一方面，提供了一种诱导有序加权证据推理的变压器故障诊断系统，包括：
[0040]
预处理模块，用于加载变压器fra的典型数据样本，将诊断标签设置为识别框架；
[0041]
待检测数据获取模块，用于加载待诊断设备的检测数据；
[0042]
信度构建模块，用于计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配，构建信度决策矩阵；
[0043]
诱导有序加权计算模块，用于根据待诊断设备的检测数据样本来源，计算诱导有序加权平均算子及其诱导向量；
[0044]
权重计算模块，用于计算指标权重向量；
[0045]
诊断模块，用于通过诱导有序加权的证据理论融合所有证据，计算综合评价信度，从而确定诊断结果。
[0046]
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
[0047]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0048]
本发明将多源信息融合理论运用到扫频响应分析的故障诊断情形中，结合了指标分析法的客观性与人工智能证据理论的自适应性这两者的优点。通过诱导有序加权(induced ordered weighted，iow)因子，考虑不同场景信息，从而实现权重的优化，灵活的改变诊断的重点，从而提高诊断结果的针对性。此外，证据推理理论可以处理不完全信息，在实际诊断过程中常存在着的数据缺失或样本类型不全问题，该方法通过引入“不确定”状态h
θ
或模糊的状态区间，实现对不完全信息的处理。
附图说明
[0049]
图1是本发明实施例提供的一种基于诱导有序加权证据推理的变压器故障诊断方法的流程示意图；
[0050]
图2是本发明实施例提供的一种曲线分段与距离计算方法示意图。
具体实施方式
[0051]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0052]
证据理论方法是一种可以表达不确定性的推理理论，通常用于融合多源不确定信息，例如多传感器、多位专家的意见等，从而提高单一来源信息的准确性。本发明将多源信息融合理论运用到扫频响应分析的故障诊断情形，结合了指标分析法的客观性与人工智能推理理论的自适应性这两者优点，且能够适用包含不确定信息的场景。这是因为在实际诊断过程中往往存在着数据的缺失或样本类型不全的问题。此外，本发明通过引入诱导有序加权因子，可以灵活的改变诊断的着重点，提高诊断结果的针对性。
[0053]
如图1所示是本发明实施例提供的一种诱导有序加权证据推理的变压器故障诊断方法的流程示意图，在图1所示的方法中包括以下步骤：
[0054]
s1：加载变压器fra的典型数据样本，将诊断标签设置为识别框架；
[0055]
s2：加载待诊断设备的检测数据；
[0056]
s3：计算待诊断设备的检测数据曲线与识别框架内所有特征数据曲线的基本可信度分配(basic probability assignment，bpa)，构建信度决策矩阵；
[0057]
s4：根据待诊断设备的检测数据样本来源(可构建指标：设备来源、时间、修正因子)，计算诱导有序加权平均算子及其诱导向量；
[0058]
s5：计算指标权重向量；
[0059]
s6：通过诱导有序加权的证据理论融合所有证据，计算综合评价信度，从而确定诊断结果；
[0060]
s7：若还需进一步判断，则更改识别框架，返回步骤s1。
[0061]
进一步地，步骤s1中加载的典型数据样本包括以下类型：a)实测样本：该设备的历史检测数据或是厂商检测数据，该数据样本类型是最准确的参考数据；b)同型号设备样本：其他同型号设备的检测数据，该数据是较准确的参考数据；c)精确仿真样本：针对该设备建立详细仿真模型后得到各类标签的样本；d)快速仿真样本：考虑到硬件、时效性等限制，针对该设备建立简化模型，并通过仿真获取各类标签的样本。
[0062]
其中，当存在多个同样标签的数据时，一般选择可靠性最高的数据。
[0063]
进一步地，步骤s1中将诊断标签设置为识别框架的具体方法为：对于诊断的第一阶段，首先将待检测数据划分为健康、不健康两种诊断类型，则识别框架为θ＝{健康，不健康}，或是划分为不同的健康等级；若诊断结果为“不健康”状态，并且需要进一步检测故障类型，则需要返回步骤s1，此时即诊断的第二阶段，故障类型为f
i
(i＝1,2,
…
)，则设置识别框架为θ＝{f1,f2,...,f
i
，...}；同样的，若诊断结果为“不健康”状态，并且需要进一步检测故障位置，则需要返回步骤s1，此时即诊断的第三阶段，故障位置为l
j
(j＝1,2,
…
)，则设置识别框架为θ＝{l1,l2,...,l
j
,...}。
[0064]
为了统一描述，将识别框架中的所有元素记为θ＝{h1,h2,...,h
l
,...,h
n
}，其中l
表示识别框架中子集的编号，n表示识别框架中所有子集的数量。对于诊断的第一阶段：l＝1或2，h1＝健康，h2＝不健康，n＝2；对于诊断的第二阶段：l即故障类型i，有l＝i；对于诊断的第三阶段：l即故障位置j，有l＝j。
[0065]
其中，在实际运用中，可能不需要进行故障类型的判别，只需要进行故障定位，则此时的故障位置检测过程属于诊断的第二阶段。
[0066]
进一步地，步骤s3中计算基本可信度分配的步骤为：
[0067]
s3.1：首先将待诊断设备的检测数据曲线与识别框架内的对比曲线都按照相同方式划分为n
sec
段，有段，有段，有其中x
lk
表示识别框架l曲线的第k段。
[0068]
其中，对于同样隶属于识别框架中相同元素的多条曲线，则选取数据来源可信度较高的曲线作为研究对象。
[0069]
s3.2：通过曲线相似性算法(例如欧氏距离、动态时间规整、弗雷歇距离或多线位置距离等)，计算待诊断设备的检测数据曲线的各段与识别框架内所有特征数据曲线的各段的距离p
k,l
；
[0070]
s3.3：然后将各曲线距离转换为信度β
k,l
；
[0071]
其中，该距离
‑
信度转换公式可以有多种方式，例如：
①②
softmax公式等，需要满足：
[0072]
例如，假设对于某一段曲线x
k
，识别框架为θ＝{h1,h2,...,h
l
,...,h
n
}＝{故障1，故障2，故障3}，则此时的l＝i＝1,2,3，n＝3。若求得曲线距离p
k,1
＝12，p
k,2
＝8.8，p
k,3
＝14.2，根据距离
‑
信度转换公式
①
可得：[β
k,1
,β
k,2
,β
k,3
]＝[0.312,0.425,0.263]，根据
②
softmax公式可得：[β
k,1
,β
k,2
,β
k,3
]＝[0.039,0.957,0.004]，它们均满足β
k,1
+β
k,2
+β
k,3
＝1的要求，
①
和
②
的区别在于对偏差的灵敏度不同。
[0073]
进一步地，步骤s3中信度决策矩阵的构建方法为：
[0074]
定义分布式评估向量s为：s(x
k
(a
t
))＝{(h
l
,β
k,l
(a
t
)),l＝1,...,n}，它表示被评价对象a
t
的属性x
k
(表示曲线划分后的第k段)被评估为等级h
l
信度为β
k,l
(基本可信度分配)。则t个被评价对象(t＝1，2，
…
，t)的n
sec
个基本属性的评价结果可以表示为信度决策矩阵：一般情况下，被评价对象只有一个，此时s(x
k
)＝{(h
l
,β
k,l
),l＝1,...,n}，并且由于s是向量，可以展开成一行，即
[0075]
其中，被评价对象a
t
一般表示检测时间(即检测周期)。当检测时间不唯一时，该诊断过程是动态的。此外，对于由于数据缺失、检测故障、错误信息等导致的不完全信息，将缺失的状态值表示为区间，如([h2,h3],1)。
[0076]
进一步地，步骤s4中计算诱导有序加权平均算子的方法为：
[0077]
s4.1：首先确定待诊断设备的诱导变量u
k
，通常是通过上述步骤初步计算得到的数据，并根据该数据给诱导变量赋值；
[0078]
其中，诱导变量u
k
的具体定义方法根据实际诊断需要确定。例如，强调设备劣化信息时，可以将诱导向量设置为诊断的健康程度，越不健康的设备其诱导分量越高；如果需要重点强调某种类型的故障，则将该故障类型的支持度设置为诱导分量，对该类型故障支持度较高的诱导分量也较大。
[0079]
s4.2：计算有序加权平均(ordered weighted averaging,owa)算子，定义owa算子f满足：其中是加权向量，ω
k
∈[0,1]，<u
k
,a
k
>称为owa对，b
k
是按照降序/升序排列的第k个元素所对应owa对中的第二个分量a
k
，并且称<u
k
,a
k
>中的第一个分量u
k
为诱导分量，第二个分量a
k
为数值分量。例如，将诱导分量u
k
设置为故障类型1(即h1)的信度β
k,1
，对应的数值分量则为所有故障类型的信度值β
k,l
。如果出现u
k1
＝u
k2
，则在owa对的集结过程中将a
k1
和a
k2
平分：平分：其中的k1和k2表示k的两种不同取值，则u
k1
和u
k2
表示u
k
的两个不同取值，a
k1
和a
k2
表示它们的数值分量。
[0080]
进一步地，步骤s5中指标权重向量的计算方法为：一般先平均分配，即针对属性x
k
划分的不同权重划分的不同权重或是可以采用客观权重分配方法，例如层次分析法、德尔菲法、信息熵法或粗糙集法等计算各自的权重然后根据诱导分量进行调整，最终确定权重值。例如：诱导向量则有：如果最终权重需要根据owa算子f进行优化，设目标函数为γ(ω)，则有：最终求得各项属性的权重向量
[0081]
进一步地，步骤s6通过证据融合计算诊断结果的方法为：
[0082]
s6.1：将不同属性x
k
的信息归入同一识别框架θ下，计算基本可信度分配m：
[0083]
m
k,l
＝m
k
(h
l
)＝ω
k
β
k,l
[0084][0085][0086][0087]
s6.2：合成可信度分配：
[0088][0089][0090][0091][0092]
s6.3：归一化处理，得到综合诊断结果：
[0093][0094][0095]
则对于识别框架的各个状态θ＝{h1,h2,...,h
l
,...,h
n
,h
θ
}，最终的诊断结果可以写作：{β1,β2,
…
,β
l
,
…
,β
n
,β
θ
}，其中的β
θ
表示不确定度。
[0096]
进一步地，步骤s7通过更改识别框架，返回步骤s1进一步诊断定位，从而实现降低复杂度的目的。通常根据实际需求，按照健康状况、故障类型、故障位置的层次依次辨识。如果不需要进行故障类型判断，则按照健康状况、故障位置进行辨识。
[0097]
以下结合具体实例对本发明进行详细说明。本发明不仅适用于变压器绕组扫频响应分析的故障诊断中，还可以推广至其他设备诊断领域。
[0098]
流程图如图1所示，根据步骤s1，首先加载变压器fra的测试指纹数据历史故障数据模拟测试数据以及仿真数据本实施例已知存在故障，故跳过诊断的第一阶段，直接进行故障诊断。然后加载变压器fra待检测数据设识别框架为：θ
＝{绕组短路h1，纵向形变h2，轴向形变h3，不确定h
θ
}。将加载的数据根据类型、标签等信息归类。如表1所示：
[0099]
表1 加载数据概况
[0100][0101]
上表中的数据属于健康状态的指纹数据，此处的识别框架不包含健康状态，故将其剔除。对于相同标签，根据数据来源剔除可靠性低的数据。数据与的标签相同，故保留可靠性较高的模拟测试数据删除可靠性较低的仿真数据
[0102]
然后根据步骤s3，计算基本可信度分配，构建信度决策矩阵。首先将待诊断曲线与对比曲线分为7段，如图2所示。其中的n
sec
＝7，有k＝1,2,...,7；然后通过欧氏距离计算分别与的每一段之间的距离p
k,l
，计算公式为：
[0103][0104]
其中x
i
与y
i
分别表示线段x与y中的任意一点。
[0105]
将曲线距离转换为信度β
k,l
：同时实现归一化。
[0106]
然后计算信度决策矩阵：结果如表2所示。
[0107]
表2 变压器fra故障诊断信度决策矩阵
[0108][0109]
注：“*”表示不确定量，可能由于数据缺失、损坏等造成的不确定性结果，其概率平均分配。
[0110]
在本实施例中，需要重点关注绕组短路这一故障类型(h1)，因此可以通过信度决策矩阵中h1列的信度值{β
k,1
}来定义诱导向量，即诱导向量}来定义诱导向量，即诱导向量}来定义诱导向量，即诱导向量从而有诱导向量从而有诱导向量
[0111]
然后根据步骤s5，计算权重因子。对于不同的故障类型，其初始权重相同：ω’＝(ω
’1,ω
’2,
…
,ω
’7)，结合诱导向量后诱导向量不变，即ω＝u。
[0112]
接下来执行步骤s6，通过诱导有序加权的证据理论融合所有证据，计算综合评价信度，得到：β
l
＝(19.8％,21.6％,43.0％,15.6％)。因此，该待诊断设备的状态为故障类型3，即轴向形变(识别框架h3)。针对该设备进行仔细检查后发现，设备绕组存在轴向的变形，从而说明了该方法的有效性。
[0113]
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现方法实施例中的诱导有序加权证据推理的变压器故障诊断方法。
[0114]
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0115]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。