[发明专利]一种基于模糊评判及DSmT的变压器本体状态评估方法

说明书

本发明提供了一种基于模糊评判及DSmT的变压器本体状态评估方法，该方法包括：获取指标参数，对指标参数进行相对劣化度转化，得到相对劣化度值，计算各类指标参数对其试验模块的单指标权重及各个试验模块的权重，搭建模糊评判模型，将相对劣化度值输入模糊评判模型中，得到单指标状态等级隶属度，基于DSmT对单指标状态等级隶属度、单指标权重及试验模块的权重进行两次融合，得到变压器本体状态等级隶属度，根据等级隶属度，得到变压器本体状态等级结果。本发明提供的基于模糊评判及DSmT的变压器本体状态评估方法，克服了等级边界绝对化的局限性，有效地解决变压器状态评估中存在的不确定性问题，能够整体地反映变压器本体的绝缘状态。

技术领域

本发明涉及变压器技术领域，特别是涉及一种基于模糊评判及DSmT的变压器本体状态评估方法。

背景技术

电力变压器作为电力系统的关键枢纽设备，担负着电能的传输、分配及电压的变换等功能，其运行状况与电力系统的安全运行息息相关。长期以来，国内大多数变电站对变压器健康状态水平的监测与评估主要依靠预防性试验和定期检修。由于该方式并不能及时的掌握变压器的状态信息，存在过维修与欠维修两种弊端的可能性。随着电力系统的快速发展，对于电力变压器的故障诊断和状态评估技术的研究显得愈发重要。目前国内外大型电力变压器故障诊断方法大多数基于油中溶解气体分析(Dissolved Gas Analysis，DGA)技术，其对于发现变压器内部故障及其发展趋势是很有效的。基于油中溶解气体分析的诊断方法最早沿用的是IEC的三比值法，慢慢的发展到改良三比值法。随着信息与计算机等科技水平的不断提高，电力变压器故障诊断的方法已经不仅仅局限于单独的应用传统比值方法。近些年研究者陆续提出了人工智能诊断算法如人工神经网络、粗糙集理论、支持向量机、正态云模型等算法。随着变压器在线监测数据量与试验数据量的增长，浅层机器学习方法在数据挖掘方面的能力略显薄弱，并由于本身算法存在的局限性导致变压器故障诊断的正确率降低。近几年深度学习作为机器学习领域的一种新兴方法，以其强大的自动特征提取能力在图像、语音识别等领域已经取得了辉煌的成果。

在变压器的状态评估方面，其评估方法从传统的评估方法如阈值评估方法，逐渐地发展为人工智能状态评估方法。例如基于关联规则的变压器状态评估方法、基于贝叶斯的变压器状态评估方法等等。然而目前大多数变压器状态评估方法主要针对变压器整体的状态评价，无法体现变压器各个部件的状态趋势。且通过“正常、注意、异常、严重”四个状态标签对变压器的状态来描述过于泛泛，不能体现变压器的具体劣化类型与缺陷发展趋势。由于变压器内部构造的复杂性及老化的非线性问题，导致了变压器状态评估中的不确定性，其主要分为变压器状态信息的随机性与变压器状态评估结果的模糊性，传统算法中的变压器状态等级区间分类与分界过于绝对化，可能导致评估模型的失效。因此，设计一种基于模糊评判及DSmT的变压器本体状态评估方法是十分有必要的。

发明内容

本发明的目的是提供一种基于模糊评判及DSmT的变压器本体状态评估方法，克服了等级边界绝对化的局限性，有效地解决变压器状态评估中存在的不确定性问题，能够整体地反映变压器本体的绝缘状态，为变压器的状态评价和下一步维修决策提供了一定的指导意义。

为实现上述目的，本发明提供了如下方案：

一种基于模糊评判及DSmT的变压器本体状态评估方法，包括如下步骤：

步骤1：获取变压器本体各个试验模块的各类指标参数；

步骤2：对指标参数进行相对劣化度转化，得到相对劣化度值；

步骤3：基于均值法计算各类指标参数对其试验模块的单指标权重，基于均值法计算各个试验模块的权重；

步骤4：搭建模糊评判模型，设置模糊评判模型的隶属函数为正余弦函数，并将相对劣化度值输入模糊评判模型中，得到单指标状态等级隶属度；