一种基于云模型和改进DS证据理论的变压器故障诊断方法

一种基于云模型和改进ds证据理论的变压器故障诊断方法
技术领域
1.本发明涉及电气设备技术领域，尤其涉及一种基于云模型和改进ds证据理论的变压器故障诊断方法。


背景技术：

2.在油浸式变压器故障诊断中，油中溶解气分析法是目前常用的方法之一，基于油中溶解气分析法的传统诊断方法，如iec比值法、改良三比值法、duval三角法等，上述方法使用简单、诊断快速，经常运用于工程现场，但是存在编码不完备、诊断边界过于绝对化的问题，导致其识别率不高。
3.随着人工智能在电网中广泛应用，学者们将智能诊断方法引入变压器故障诊断领域。由于变压器故障与其特征之间对应关系存在模糊性的问题，所以常规智能诊断方法应用在变压器故障诊断上效果不明显。支持向量机、相关向量机和神经网络等不能表示除诊断结果以为的故障信息，因此上述方法在表达变压器各个故障的模糊性和不确定性存在不足。


技术实现要素：

4.本发明所要解决的技术问题在于，提供一种基于云模型和改进ds证据理论的变压器故障诊断方法，以解决由于变压器故障与其特征之间对应关系存在模糊性，而导致变压器智能诊断方法准确率不高的问题。
5.为了解决上述技术问题，本发明提供了一种基于云模型和改进ds证据理论的变压器故障诊断方法，包括：
6.步骤1、获取变压器油中溶解气故障样本，建立变压器的故障样本集d；
7.步骤2、采用所述故障样本集d建立各类型故障的故障标准云模型；
8.步骤3、计算待诊断样本与所述故障标准云模型间的最终隶属度矩阵；
9.步骤4、根据所述最终隶属度矩阵确定不同故障下的基本概率分配；
10.步骤5、利用pignistic概率距离构建相似度sim并对所述基本概率分配进行修正，引入平均支持度加权优化证据融合规则，并使用改进d-s证据理论对所述基本概率分配进行融合，以得到最终融合结果；
11.步骤6、在所述最终融合结果中，选取基本概率最大值对应的变压器状态作为诊断结果。
12.在一些实施方式中，所述故障样本集d包含有多种变压器故障类型的油色谱样本，所述油色谱样本由多种特征气体的含量特征构成。
13.在一些实施方式中，所述步骤2包括：
14.步骤21、针对所述故障样本集d，对原始数据进行归一化处理；
15.步骤22、通过分析所述故障样本集d计算变压器各状态下，各故障特征值的期望e
x
、标准差en和离散程度he，进而构建所述故障标准云模型。
16.在一些实施方式中，所述步骤3包括：
17.步骤31、根据故障特征值的期望e
x
、标准差en和离散程度he，计算所述待诊断样本的第i个故障特征下第j类故障的隶属度μ
ij
；
18.步骤32、所述待诊断样本的各特征与故障标准云模型间的隶属度值构建隶属度矩阵μ
ij
＝[μ
i1
,μ
i2
,
…
,μ
in
]，其中n为变压器故障类型总数；
[0019]
步骤33、计算第i个故障特征对应的不确定性隶属度φi＝1-max(μ
ij
)；计算所述待诊断样本的所有特征下各类故障的隶属度和对应的不确定隶属度，构建最终隶属度矩阵μm×
(n+1)
。
[0020]
在一些实施方式中，所述步骤4包括：
[0021]
步骤41、将所述最终隶属度矩阵每一行进行归一化处理，得到所述待诊断样本的所述基本概率分配tm×
(n+1)
。
[0022]
在一些实施方式中，所述步骤5包括：
[0023]
步骤51、基于pignistic概率函数构建相似度sim，并将所述基本概率分配tm×
(n+1)
与对应的所述相似度sim相乘，以对所述基本概率分配进行修正；
[0024]
步骤52、基于平均支持度加权方法对d-s证据理论dempster融合规则进行优化；
[0025]
步骤53、使用优化后的融合规则对修正后的所述基本概率分配进行信息融合，得到所述最终融合结果。
[0026]
在一些实施方式中，所述步骤6包括：
[0027]
步骤61、采用最大值规则来确定最终融合结果，即是选择最大基本概率分配函数值作为决策结果。
[0028]
在一些实施方式中，所述多种特征气体为氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)和乙炔(c2h2)，所述多种变压器故障类型包括正状态(n)、低温过热(t1)、中温过热(t2)、高温过热(t3)、局部放电(pd)、低能放电(d1)和高能放电(d2)。
[0029]
在一些实施方式中，所述步骤21中采用百分比归一化方法，计算公式如下所示：
[0030][0031]
式中，xi表示第i个特征气体占所有特征气体的百分比；xi表示第i个特征气体含量；thc表示总烃气体含量；h2表示氢气气体含量。
[0032]
在一些实施方式中，所述步骤22中各故障特征值的期望e
x
、标准差en和离散程度he，具体计算方法如下：
[0033]
设x
ijk
为某一变压器故障状态下的油中溶解气数据，表示在第i个特征的第j类故障，有k个样本，则第i个特征的第j类故障下期望e
x
，计算公式如下所示：
[0034][0035]
则第i个特征的第j类故障下标准差en，计算公式如下所示：
[0036][0037]
离散程度he取值0.01。
[0038]
在一些实施方式中，所述步骤31中隶属度μ
ij
计算方法，如下所示：
[0039][0040]
式中，e
nij
′
是en和he产生的一个正态随机数。
[0041]
在一些实施方式中，所述步骤51中相似度sim计算方法如下：
[0042]
取多种变压器故障类型为辨识框架u，取m表示识别框架u中的基本概率分配函数，pignistic概率函数betpm(ω)是从u到[0,1]的映射关联函数，计算公式如下所示：
[0043][0044]
式中，|a|表示子集a的基数；
[0045]
基于pignistic概率函数betpm(ω)计算事件a的两证据体m1和m2之间的差值矩阵dif
bet
，计算公式如下所示：
[0046][0047]
基本概率分配函数值在[0,1]上，且dif
bet
可表示证据体m1和m2之间差异性，所以定义两证据体m1和m2之间相似度sim，计算公式如下所示：
[0048][0049]
通过基本概率分配tm×
(n+1)
与相应相似度sim相乘，完成对所述基本概率分配的修正。
[0050]
在一些实施方式中，所述步骤52中优化证据理论融合规则，计算方法如下：
[0051]
采用证据之间的平均支持度加权值进行融合规则优化，融合规则如下所示：
[0052][0053][0054]
式中，f(a)为平均支持度加权值，计算公式所示：
[0055]
f(a)＝k
×
q(a)
[0056][0057]
式中，k为dempster规则中的证据冲突，计算公式如下所示：
[0058][0059]
本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明一种基于云模型和改进ds证据理论的变压器故障诊断方法可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：
[0060]
本发明的一种基于云模型和改进d-s证据理论的变压器故障诊断方法，利用云模型表示变压器故障类型与其对应故障特征之间的关系，再使用改进d-s证据理论得出决策结果。云模型能有效解决存在模糊性和随机性的问题；证据理论在处理不确定信息时具有明显优势，两者结合在解决变压器故障类型与其对应故障特征之间的模糊性问题具有明显效果。同时，该方法相比支持向量机和神经网络等方法不需要预设初始参数，解决了无法寻
找最优初始参数的问题。
[0061]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0062]
图1示出了本发明一实施例的基于云模型和改进ds证据理论的变压器故障诊断方法的流程示意图。
具体实施方式
[0063]
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种基于云模型和改进ds证据理论的变压器故障诊断方法的具体实施方式及其功效，详细说明如后。
[0064]
本发明实施例提供了一种基于云模型和改进ds证据理论的变压器故障诊断方法，请参阅图1所示：本发明为一种基于云模型和改进d-s证据理论的变压器故障诊断方法，诊断方法包括以下步骤：
[0065]
步骤1、收集并整理变压器油中溶解气故障样本，建立变压器的故障样本集d；
[0066]
步骤2、利用故障样本集d建立各类型故障的标准云模型；
[0067]
步骤3、计算待诊断样本与故障标准云模型间的最终隶属度矩阵；
[0068]
步骤4、根据最终隶属度矩阵确定不同故障下的基本概率分配；
[0069]
步骤5、利用pignistic概率距离构建相似度sim并对基本概率分配进行修正，再引入平均支持度加权优化证据融合规则，并通过改进d-s证据理论对基本概率分配进行融合，以得到最终融合结果；
[0070]
步骤6、在最终融合结果中，选取基本概率最大值对应的变压器状态作为诊断结果。
[0071]
在一实施例中，步骤1中故障样本集d包括多种变压器故障类型的油色谱样本，油色谱样本由多种特征气体含量组成。
[0072]
优选地，变压器故障类型为7种，特征气体为5种。其中，5种特征气体为氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)和乙炔(c2h2)，7种变压器故障类型包括正状态(n)、低温过热(t1)、中温过热(t2)、高温过热(t3)、局部放电(pd)、低能放电(d1)和高能放电(d2)。
[0073]
在一实施例中，步骤2包括以下步骤：
[0074]
步骤21、针对所建立的故障样本集d，对原始数据进行归一化处理，其目的是消除样本之间量纲不一致的影响。
[0075]
进一步地，步骤21中采用的百分比归一方法，计算公式如下所示：
[0076][0077]
式中，xi表示第i个特征气体占所有特征气体的百分比；xi表示第i个特征气体含量；thc表示总烃气体含量；h2表示氢气气体含量。
[0078]
步骤22、通过分析故障样本集d计算变压器各状态下，各故障特征值的期望e
x
、标
准差en和离散程度he，进而构建起故障标准云模型。
[0079]
进一步地，步骤22中各故障特征值的期望e
x
、标准差en和离散程度he，具体计算方法如下：
[0080]
设x
ijk
为某一变压器故障状态下的油中溶解气数据，表示在第i个特征的第j类故障，有k个样本。则第i个特征的第j类故障下期望e
x
，计算公式如下所示：
[0081][0082]
则第i个特征的第j类故障下标准差en，计算公式如下：
[0083][0084]
根据相关学术期刊离散程度he通常取值0.01。
[0085]
在一实施例中，步骤3包括以下步骤：
[0086]
步骤31、根据故障特征值的期望e
x
、标准差en和离散程度he，计算待诊断样本的第i个故障特征下第j类故障的隶属度μ
ij
。
[0087]
进一步地，其中，步骤31中隶属度μ
ij
计算方法如下所示：
[0088][0089]
式中，e
nij
′
是en和he产生的一个正态随机数。
[0090]
步骤32、待诊断样本的各特征与故障标准云间的隶属度值构建隶属度矩阵μ
ij
＝[μ
i1
,μ
i2
,
…
,μ
in
]，其中n为变压器故障类型总数；
[0091]
步骤33、计算第i个故障特征对应的不确定性隶属度φi＝1-max(μ
ij
)，其中不确定性隶属度表示诊断过程中的数据误差、外界干扰等原因，引起的不确定性。计算待诊断样本所有特征下各类故障的隶属度和对应的不确定隶属度后，最终隶属度矩阵μm×
(n+1)
，如下所示：
[0092][0093]
式中，m为待诊断样本的特征总数。最终隶属度矩阵μm×
(n+1)
中每行分别表示变压器的各个故障特征，每列表示各个故障状态。
[0094]
在一实施例中，步骤4包括以下步骤：
[0095]
步骤41、将隶属度矩阵每一行进行归一化处理，得到待诊断样本的基本概率分配tm×
(n+1)
，如下所示：
[0096][0097]
在一实施例中，步骤5包括以下步骤：
[0098]
步骤51、基于pignistic概率函数构建相似度sim，并使用基本概率分配tm×
(n+1)
与对应相似度sim相乘，完成对基本概率分配修正。
[0099]
进一步地，步骤51中相似度sim计算方法如下：
[0100]
取7种变压器故障类型为辨识框架u，取m表示识别框架u中的基本概率分配函数，pignistic概率函数betpm(ω)是从u到[0,1]的映射关联函数，计算公式如下所示：
[0101][0102]
式中，|a|表示子集a的基数。
[0103]
基于pignistic概率函数betpm(ω)计算事件a的两证据体m1和m2之间的差值矩阵dif
bet
，计算公式如下所示：
[0104][0105]
因为基本概率分配函数值在[0,1]上，且dif
bet
可表示证据体m1和m2之间差异性，所以定义两证据体m1和m2之间相似度sim，计算公式如下所示：
[0106][0107]
通过基本概率分配tm×
(n+1)
与相应相似度sim相乘，完成对基本概率分配修正。
[0108]
步骤52、基于平均支持度加权方法对d-s证据理论dempster融合规则进行优化。
[0109]
进一步地，步骤52中优化证据理论融合规则，计算方法如下：
[0110]
由于经典证据理论的融合规则是dempster规则，在高冲突的情况下会导致出现有悖常理的决策结果，因此为得到合理的决策结果，本方法采用证据之间的平均支持度加权值进行融合规则优化，融合规则如下所示：
[0111][0112][0113]
式中，f(a)为平均支持度加权值，计算公式所示：
[0114]
f(a)＝k
×
q(a)
[0115][0116]
式中k为dempster规则中的证据冲突，计算公式如下所示：
[0117][0118]
在一实施例中，步骤6包括以下步骤：
[0119]
步骤61、采用最大值规则来确定最终融合结果，即是选择最大基本概率分配函数值作为决策结果。
[0120]
通过上述步骤，即可完成对变压器故障样本的诊断，为检修人员提供可靠的诊断信息，减少变压器检修的盲目性。
[0121]
在一具体实施例中，以变压器低温过热故障(t1)的油中溶解气样本进行说明。
[0122]
步骤10、收集并整理变压器故障样本集d共1400条，其中7种变压器故障类型每类200条样本。实际待测样本x＝[141.19，199.39，40.38，21.96，0]，其中x的数值依次代表h2、ch4、c2h6、c2h4和c2h2的故障气体含量，单位是ppm；已知其故障类型为t1。
[0123]
步骤20、基于已建立的变压器故障样本集合d，随机选取1260条样本(每类样本180条)作为训练集，实际待测样本x为测试集。根据训练集建立各类型故障的标准云参数，即计算各故障特征值的期望e
x
、标准差en和离散程度he，其中离散程度he＝0.01，不同变压器状态下的标准云参数，如表1所示。
[0124]
表1 不同变压器状态下的标准云参数
[0125][0126][0127]
步骤30、根据待诊断样本s计算所有特征下各类故障的隶属度(包括不确定度隶属度)，如表2所示：
[0128]
表2 各个故障特征的隶属度矩阵
[0129][0130]
步骤40、将隶属度矩阵(即最终隶属度矩阵)每一行进行归一化处理，得到待诊断样本的基本概率分配，如表3所示：
[0131]
表3 各个故障特征的基本概率分配
[0132][0133]
步骤50、基于pignistic概率函数构建相似度sim并对所建立的基本概率分配进行修正。其中，各个故障特征的相似度sim，如表4所示；基本概率分配tm×
(n+1)
与对应相似度sim相乘后，得到修正后各个故障特征的基本概率分配，如表5所示。
[0134]
表4 各个故障特征的相似度sim
[0135][0136]
表5 修正后各个故障特征的基本概率分配
[0137][0138]
步骤60、最终融合结果如表6所示，选取基本概率最大值0.219对应的变压器状态t1作为诊断结果，与该待诊断样本固有标签一致。
[0139]
表6 样本s的故障诊断融合结果
[0140][0141]
本发明的一种基于云模型和改进d-s证据理论的变压器故障诊断方法，利用云模型表示变压器故障类型与其对应故障特征之间的关系，再使用改进d-s证据理论得出决策结果。云模型能有效解决存在模糊性和随机性的问题；证据理论在处理不确定信息时具有明显优势，两者结合在解决变压器故障类型与其对应故障特征之间的模糊性问题具有明显效果。同时，该方法相比支持向量机和神经网络等方法不需要预设初始参数，解决了无法寻找最优初始参数的问题。
[0142]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。