[发明专利]一种电力变压器潜在故障诊断方法

说明书

本发明是一种电力变压器潜在故障诊断方法，针对待测的数据样本，首先利用无编码四比值法和特征气体法对其进行预处理，产生两组相应的特征矢量；然后利用“一对一”多类支持向量机SVM后验概率估计为证据理论提供基本概率分配BPA；最后构建出一个多级综合诊断系统，对电力变压器的潜在故障进行诊断。在保证在有限的故障样本情况下也能建立较强推广能力的模型，同时克服了支持向量机SVM硬判决的缺点，提供概率输出，保证了后续BPA赋值的客观性；基于后验概率支持向量机的证据融合增加了系统的可分析性，有效地提高故障模式的识别能力。

技术领域

本发明是一种用于电力变压器的潜在故障诊断的方法，涉及后验概率支持向量机、证据理论算法，属于电工技术领域。

背景技术

电力变压器属于电力系统中的重要设备，一旦发生故障，将产生巨大的经济损失。因此，电力变压器的故障诊断在电力系统的安全运行中起着十分重要的作用。由于电力变压器的结构较为复杂，故障涉及的不确定因素较多，传统的特征信号(例如，油色谱、介质损耗、铁芯接地电流、局部放电等)反应出的故障存在较大的局限性，因此亟需研究一些新的智能算法应用于电力变压器的故障诊断中。

多年来，油中溶解气体分析技术(DGA)因其适用于电力变压器的在线监测，同时具有分析效果良好的优点，经常结合各种人工智能技术(例如，粗糙集、灰色理论、模糊聚类等)，使其获得了在电力变压器故障诊断中的广泛应用。用于DGA诊断的依据主要包括有改良三比值法、大卫三角形法、特征气体法等。但是在电力变压器的故障诊断中，通常同一故障模式会以不同的特征形式表现出来，而同一故障特征又可能是由不同故障模式引起的。面对故障模式及故障特征之间不确定的映射关系以及诊断过程中各种环境因素的干扰，单一DGA诊断依据已不满足诊断需求，需要用多种判据进行综合诊断。

为了提高故障诊断的精度和可靠性，相关研究已利用证据理论的信息融合方法，将空间或时间上的冗余信息和互补信息通过组合规则进行融合，以获得被测对象的一致性描述，从而对故障的类型做出更加精确的判断。但是，证据体基本概率分配BPA的合理构造是证据理论应用于变压器故障诊断中的难题。目前存在有两种具体的解决方案：一是专家经验赋值，二是人工智能算法构造。但是，若直接赋值BPA，主观性太重；若将经过处理后的神经网络输出结果赋值为BPA，其中的可靠性系数仍是经验取值。上述提到的方法都存在一定的局限性，通过专家经验确定BPA的方法缺乏客观性。

故障诊断实质上是一种故障信息的识别与分类问题，而故障诊断的核心算法是故障信息的识别和分类问题。随着对电力系统的安全性与可靠性提出了越来越高的要求，如何发明一种具有较高可靠性的新的电力变压器故障诊断算法成为亟需解决的课题。

发明内容

技术问题：本发明的目的是提供一种电力变压器潜在故障诊断方法，本发明能够充分利用色谱数据的冗余、互补信息，克服了故障模式与故障特征之间的不确定性问题；同时可以增加系统的可分析性，有效提高了故障模式的识别能力，诊断结果的准确性和可靠性比以往的诊断结果可以有明显的提高。

技术方案：由于充油电力变压器的故障特征与故障模式之间存在不确定的映射关系，传统的单一油中溶解气体分析技术(DGA)诊断依据已不满足诊断的需求，需要用多种判据进行综合诊断，得到可靠性较高的结果。

本发明的一种电力变压器潜在故障诊断方法，针对待测的数据样本，首先利用无编码四比值法和特征气体法对其进行预处理，产生两组相应的特征矢量；然后利用“一对一”多类支持向量机SVM后验概率估计为证据理论提供基本概率分配BPA；最后构建出一个多级综合诊断系统，对电力变压器的潜在故障进行诊断。

该故障诊断方法具体包括以下几个步骤：

步骤1、利用无编码四比值法和特征气体法对测试样本进行预处理，得到两组相应的特征矢量；