[发明专利]一种电力变压器故障诊断方法

说明书

本发明的目的是提供一种电力变压器故障诊断方法，将深度学习中的DBN、SAE网络与D‑S证据推理相结合，将待测数据经过DBN、SAE网络得到的网络输出结果视为两个不同的证据，并将其视为变压器类别的概率结果，将该结果转换成对应的基本概率假设函数后再进行D‑S证据融合，从而确定故障的部位和原因。以解决现有故障诊断方法中依赖专家经验和历史数据、适应性差、无法做到实时高效的问题。

【技术领域】

本发明属于变压器技术领域，具体涉及一种电力变压器故障诊断方法。

【背景技术】

电力变压器是整个电网正常稳定运行必不可少的设备之一，处于电网中输配电系统的核心位置，其运行状态直接影响着电力系统的生产安全与经济效益，由于电力变压器工作在较为恶劣的环境，再加上其复杂的内部构造等因素，发生故障的几率较大，及时准确地定位故障发生的部位，了解故障发生的原因，进而进行维修是确保电力变压器安全稳定运行的关键，故障诊断方法的研究与应用则为其提供了重要的基础和保障。

目前，电力变压器故障诊断方法的研究还存在不足与局限，比如1.考虑因素较为单一，并未充分利用电力变压器的检修历史、缺陷信息、家族质量史以及全面运行工况等状态信息；2.数据监测技术的局限性以及知识的不精确性等原因致使信息具有模糊性、随机性等特征，进而导致电力变压器故障诊断的准确性和时效性未达到实际应用的要求；3.现有研究方法主要有人工神经网络、模糊理论、支持向量机等，这些方法弥补了传统DGA方法的不足，但都属于浅层机器学习的一种，有部分学者将深度学习引入到故障诊断中，但是单单依靠DBN网络和历史经验数据很难做到高准确率、高适应性，这个方法对历史经验数据有很大的依赖性，且需要相关专家经验才能得到相应结果，很难得到准确快速的结果。

【发明内容】

本发明的目的是提供一种电力变压器故障诊断方法，以解决现有故障诊断方法中依赖专家经验和历史数据、适应性差、无法做到实时高效的问题。

本发明采用以下技术方案：一种电力变压器故障诊断方法，按照以下步骤实施：

步骤1、第一层融合：对第一训练数据进行预处理、归一化，分别构建第一DBN网络和第一SAE网络，并对两个网络进行训练，分别得到第一DBN网络和第一SAE网络训练好的第一训练参数；

其中，第一训练数据为变压器的历史故障部位数据样本集，包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与运行参数相对应的电力变压器的故障部位的标签数据集，包括绕组故障、油纸绝缘故障、铁芯故障三种故障；

步骤2、基于两个所述第一训练参数，将第一待测数据分别经过第一DBN网络和第一SAE网络计算得到两个第一网络输出结果；

其中，第一待测数据为电力变压器的九种运行参数真实值的数据矩阵m×9，第一网络输出结果为对应第一待测数据的三种故障部位的数据矩阵m×3；m为待测数据的个数；

步骤3、将两个所述第一网络输出结果、视为电力变压器故障部位的类别概率，将这两个类别概率作为两个不同证据用于D-S证据理论的融合，最后根据融合后得到的新的证据的基本概率分配函数的最大值，判定得到第一待测数据中所有数据对应的故障部位；

步骤4、对步骤3中确定出的每个故障部位分别进行第二层融合：

选取第二训练数据进行预处理、归一化，分别构建第二DBN网络和第二SAE网络，分别构建第二DBN网络和第二SAE网络，并对两个网络进行训练，分别得到第二DBN网络和第二SAE网络训练好的第二训练参数；

其中，第二训练数据包括两类：一是油中溶解的气体体积分数、局部放电量、套管介质耗损因数九组影响电力变压器运行的运行参数；二是与故障部位相对应的故障原因的标签数据集；

步骤5，基于两个所述第二训练参数，将第二待测数据分别经过第二DBN网络和第二SAE网络计算得到两个第二网络输出结果；