[发明专利]电力变压器故障诊断方法与电力变压器故障诊断装置

说明书

本发明涉及一种电力变压器故障诊断方法与电力变压器故障诊断装置，电力变压器故障诊断方法包括以下步骤：根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；采用所述变压器故障诊断模型对测试数据进行诊断。这样，能够快速准确地识别出电力变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

技术领域

本发明涉及电力系统，特别是涉及电力变压器故障诊断方法与电力变压器故障诊断装置。

背景技术

电力变压器是电力系统中至关重要的设备之一，其运行状况直接关系到电力系统的安全稳定运行。目前，油中溶解气体分析(dissolved gas analysis，DGA)是变压器故障诊断的重要方法之一，它能有效提早发现变压器潜伏性故障，并随时在线监视故障发展情况。传统的变压器故障诊断方法主要包括基于DGA的IEC三比值法、气体图形法和特征气体法等，这些方法具有原理简单、操作简便的优点，但是受变压器故障特征复杂的限制，此类方法在实际应用上存在较大的局限性。随着人工智能的发展，各种智能方法如人工神经网络、模糊理论和支持向量机等，逐渐被引入变压器故障诊断研究中。这些智能诊断方法在一定程度上提高了故障诊断的应用准确率与实用性。但是，各种智能方法应用于复杂的变压器故障诊断中存在效率不高的缺点。

发明内容

基于此，有必要提供一种电力变压器故障诊断方法与电力变压器故障诊断装置。

一种电力变压器故障诊断方法，其包括以下步骤：

根据电力变压器油中溶解气体分析得到的特征气体组分体积分数的原始数据，提取特征向量，输入待诊断数据样本数目和特征变量数目，建立原始数据矩阵，作为故障诊断数据库；

将原始数据矩阵中的样本数据作去噪处理和标准化处理，得到标准化矩阵；

根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型；

采用所述变压器故障诊断模型对测试数据进行诊断。

上述电力变压器故障诊断方法以油中溶解气体特征量为输入变量，以变压器故障类型为输出，在自适应模糊神经推理系统的基础上，运用改进量子粒子群算法对自适应模糊神经推理系统进行优化，提升了算法的寻优精度和计算效率，能够快速准确地识别出电力变压器故障类别，提高了变压器故障诊断的智能化程度和可靠性，具有更高效及更准确的诊断效率。

在其中一个实施例中，所述去噪处理包括高斯滤波去噪处理。

在其中一个实施例中，所述将原始数据矩阵中的样本数据作去噪处理和标准化处理，包括：先将原始数据矩阵中的样本数据作去噪处理，然后再对去噪处理后的数据矩阵进行标准化处理。

在其中一个实施例中，所述根据所述标准化矩阵，运用改进量子粒子群算法训练和调整自适应模糊神经推理系统的系统参数，建立变压器故障诊断模型，包括步骤：

S1，对改进量子粒子群的每一粒子进行编码，生成初始种群，粒子向量由自适应模糊神经推理系统的系统参数组成，所述系统参数包括前件参数和后件参数；

S2，根据所述标准化矩阵计算初始种群中每个粒子的适应度函数，记录个体历史最优值与种群全局最优值；

S3，判断当前迭代次数是否大于最大设定迭代次数，是则执行步骤S4，否则执行步骤S5；