[发明专利]一种基于改进灰色关联分析的油浸式变压器故障诊断方法

权利要求书

1.一种基于改进灰色关联分析的油浸式变压器故障诊断方法，其特征在于，所述诊断方法包括如下步骤：

S1、收集并整理油浸式变压器多类型故障样本，依据油中溶解的常规气体组分值及其组合，构建特征集合FS1；基于油浸式变压器油中溶解的气体样本和特征集合FS1共同建立故障样本集合D1；

S2、通过采用两种不同特征选择方法计算特征集合FS1的特征权重并依据大小值排序，保留权重值满足预设阈值要求的特征并建立低维特征子集FS21和FS22，进而建立低维度故障样本集合D21和D22；

S3、使用模糊聚类算法求解低维度故障样本集合D21、D22的聚类中心C1和C2，并将求得的聚类中心分别作为改进灰色关联分析中的参考序列；将低维特征子集FS21、FS22对应特征权重进行归一化处理，进而依据权重值及参考序列分别计算待测样本的关联系数与关联度；计算两组关联度平均值，输出平均关联度最大值对应故障类型为待测样本诊断结果；

其中，所述步骤S1中，特征集合FS1的特征为9种故障类型的油色谱样本，油色谱样本由5种特征气体的含量特征构成，5种特征气体为甲烷(CH4)、氢气(H2)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)；

其中，每种特征气体的含量特征由绝对含量、相对含量及相互比值三个特征组成；

其中，9种故障类型包括无故障(NF)、局部放电(PD)、低能放电(LD)、高能放电(HD)、低温过热(LT)、中温过热(MT)、高温过热(HT)、低能放电兼过热(LTD)和高能放电兼过热(HTD)；

从特征集合FS1中提取所含特征值，从而构建故障样本集合D1；

其中，所述步骤S2中，包括如下步骤：

S21、针对所建立的故障样本集合D1，将其中的80％故障样本用作建立故障诊断模型，20％故障样本作为测试模型诊断性能；为了消除不同样本之间的量纲不一致性，对原始故障数据集数据进行归一化处理，采用的极值标准化公式如下：

其中：x_ik为第i个样本中第k个特征数据，而x_ikmax和x_ikmin分别表示第k个特征的最大值与最小值；

S22、基于步骤S21中归一化后的特征集合FS1，使用特征选择方法分别为Fisher Score法和Relief F法，计算特征集合FS1中的特征权重值，其中权重值越大，表示该特征越重要，反之表示该特征对故障分类不敏感；

其中，使用Fisher Scoer法计算特征权重值w₁(f_i)的计算方法如下：

假设数据集包含c类样本，n_k为第k类样本的总数，f_j,i是第i个特征中第j个样本值；u_i表示第i个特征下f_i的平均值，u_ik代表第i个特征下第k个类中的平均值，x_i,k_j为第k类样本中第j个样本在第i个特征f_i下的取值，则第i个特征的得分F(f_i)及权重w₁(f_i)可按下式计算：

其中，使用Relief F法计算特征权重值w₂(f_i)的计算方法如下：

首先，设定所有特征权重为0；接着，从数据集D中寻找与随机样本R属于同类的样本的k个近邻样本集，以及k个与R不同类的样本，更新各特征权重w₂(f_i)；

其中，diff(f_i,R_i,H_j)表示样本R与H_j在特征f_i上的差，H_j是与R同类的第j个最邻近样本；C是与样本R不同的类总数，class(R_i)表示样本R所在的类，P(C)表示第C类的概率，diff(f_i,R_i,M_j(C))为样本R与样本M_j(C)在特征f_i上的差，M_j(C)表示类C中与样本R的第j个最近邻样本；其中diff(f_i,R_i,H_j)可如下计算：

上式中，R[f_i]、H_j[f_i]分别表示样本R和H_i在特征f_i下的样本值；其中，分值F(f_i)越高或权重ω(f_i)越大，表示该特征具有越强的区分不同类别的能力；反之表示该特征对故障分类不敏感；

S23、基于步骤S22中计算得到的特征权重值，依据权重值大小进行排序，预设特征权重阈值w_ρ；当特征f_i的权重值ω₁(f_i)、ω₂(f_i)大于阈值w_ρ时，则保留该特征，否则作为不重要特征剔除；使用保留的特征分别建立低维特征子集FS21和FS2，进而建立对应的低维度故障样本集合D21和D22；

其中，所述步骤S2中的特征选择方法为Fisher Score特征选择方法和Relief F特征选择方法；

低维特征子集FS21、F22的维度均低于特征子集FS；

其中，所述步骤S3中，包括以下步骤：

S31、采用模糊C均值聚类方法求解低维度故障样本集合D21和D22的聚类中心，并将求得的聚类中心作为改进灰色关联分析中的参考序列X₀₁和X₀₂；

S32、将低维特征子集FS21和FS22对应的特征权重值分别进行归一化处理，进而得到权重向量ω₀₁(k)和ω₀₂(k)；

S33、基于步骤S31中得到的低维度故障样本集合D21、低维特征子集FS21以及参考序列X₀₁，计算待测样本与参考序列中各个特征点的关联系数；其中，对于某特征点k，关联系数ξ_{k-fisherscore}的计算公式如下：

式中，x₀(k)为参考序列X₀在第k个特征处的值；x_i(k)为第i个待测序列在第k个特征处的值；Δmax、Δmin则表征故障标准序列x0和待测序列xi对应特征差的最大、最小值；Δ_oi(k)是待测序列与参考序列间的差异；为了更准确、更明显的描述序列间的差异，采用Mahalanobis距离(MD)；Cov为不同维度变量之间的协方差矩阵，ρ为分辨系数，反映对Δmax的重视程度及特征对关联度的间接影响；为了提高诊断精度，采用动态分辨系数，其计算方法如下式所示：

其中，ε(i)＝Δv(i)/Δ_max；

S34、基于步骤S22和步骤S33中得到的权重向量ω₀₁(f_i)和关联系数ξ_{k-fisherscore}，计算待测样本与参考序列间的关联度γ_{i-fisherscoer}；其中，关联度计算公式如下：

其中，ξ_k为某特征点k的关联系数；w₀₁为基于Fisher Score法求解并归一化处理后的特征权重值；n为关键特征的数量；m为参考序列中故障类型总数；

S35、基于步骤S31中得到的低维度故障样本集合D22、低维特征子集FS22以及参考序列X₀₂，计算待测样本与参考序列中各个特征点的关联系数；计算步骤可重复S33、S34，进而求出第二组γ_i-ReliefF；

S36、基于步骤S34、步骤S35中分别求出的关联度值大小γ_{i-FisherScoer}和γ_i-ReliefF，求取其平均关联度值大小，其计算公式如下所示：

根据计算值，输出最大关联度值对应故障类型为待测样本诊断结果。