一種變壓器設備故障的辨識方法
【專利摘要】本發(fā)明公布了一種變壓器設備故障的辨識方法，其特征在于，具體步驟如下：（1）數(shù)據(jù)預處理；（2）常見故障模式的判斷；（3）故障模式的診斷：使用狀態(tài)量關聯(lián)規(guī)則分析方法，對被挖掘的主變壓器設備的若干個故障異常狀態(tài)量的組合、被挖掘的主變壓器設備故障異常狀態(tài)量不同表征進行提取與合并、故障異常狀態(tài)量之間的相互影響程度進行分析，最后進行故障模式的診斷；所述聚類分析方法包括凝聚層次聚類法或k?Means聚類方法；所述狀態(tài)量關聯(lián)規(guī)則分析方法為Apriori關聯(lián)規(guī)則算法。本發(fā)明能夠充分合理的挖掘可能影響主變壓器設備狀態(tài)的多種有效信息進行狀態(tài)評價，為主變壓器設備的狀態(tài)評價提供了新的思路和方法。
【專利說明】
一種變壓器設備故障的辨識方法
技術領域
[0001] 本發(fā)明屬于輸變電狀態(tài)評價與故障診斷技術領域，特別涉及一種變壓器設備故障 的辨識方法，具體是一種基于k-Means聚類算法和相關性分析的主變壓器設備故障的辨識 方法。
【背景技術】
[0002] 輸變電設備的安全是電網(wǎng)安全、可靠、穩(wěn)定運行的基礎，對電網(wǎng)意義重大。對設備 狀態(tài)進行有效、準確的評估、診斷和預測，可顯著提高供電可靠性，并將提升電網(wǎng)運行智能 化水平。
[0003] 國外開展高壓電力設備狀態(tài)監(jiān)測、評估與故障診斷技術研究較早，早在1951年，美 國西屋公司的工程人員便針對正在正常運行中的發(fā)電機由于線槽放電而導致電機損壞的 現(xiàn)象進行了監(jiān)測和診斷；20世紀70年代前，蘇聯(lián)、日本、美國、德國、加拿大等發(fā)達國家在輸 變電設備帶電、在線監(jiān)測方面進行了較多的探索，首先開拓了在線監(jiān)測技術研究領域，研制 了變壓器油中溶解氣體，變壓器、GIS等的局部放電；20世紀90年代后，隨著傳感器、計算機、 網(wǎng)絡通信等技術的發(fā)展，設備狀態(tài)監(jiān)測和診斷技術發(fā)展迅猛，測量方法也不斷改進，監(jiān)測對 象從變電設備逐漸擴展到輸電設備，狀態(tài)信息也日益豐富，同時還出現(xiàn)一些其他通過非電 量測量來反映設備狀況的測試儀器，如超高頻局部放電檢測、氣相色譜傳感器、光纖溫度在 線測量、紅外裝置、超聲裝置等。
[0004] 我國電力系統(tǒng)設備的狀態(tài)監(jiān)測和評估研究開始于20世紀70-80年代，上世紀80年 代開始，在線監(jiān)測技術的研究奠定了我國發(fā)展狀態(tài)評估技術的基礎;近10年來，國內(nèi)一次設 備的帶電檢測和在線監(jiān)測系統(tǒng)應用較為廣泛，尤其隨著智能電網(wǎng)的建設和發(fā)展，在線監(jiān)測 技術得到迅速的推廣和應用;近年來，我國的電網(wǎng)企業(yè)在設備運行維護領域進行了大量的 探索和嘗試，逐步認識到準確掌握設備狀態(tài)信息的重要價值，并已經(jīng)開始推廣以狀態(tài)評價 為基礎的檢修管理策略。
[0005] 目前我國電網(wǎng)公司使用較為廣泛的輸變電設備狀態(tài)評價方法包括設備狀態(tài)打分 制方法、專家系統(tǒng)方法、基于傳統(tǒng)機器學習的多維度設備狀態(tài)評價方法以及引入遠程專家 意見的樣本訓練方法等;然而，近年來隨著智能監(jiān)測設備的發(fā)展，輸變電設備的狀態(tài)參量數(shù) 據(jù)量呈指數(shù)級上升;且設備狀態(tài)數(shù)據(jù)來源于多個不同系統(tǒng);傳統(tǒng)的狀態(tài)評價方法無法處理 此類多源異構的海量數(shù)據(jù)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明針對以上問題，本發(fā)明目的是提供一種基于k-Means聚類算法和相關性分 析的主變壓器設備故障的辨識方法，以充分合理的挖掘可能影響主變壓器設備狀態(tài)的多種 有效信息進行狀態(tài)評價，為主變壓器設備的狀態(tài)評價提供了新的思路和方法。
[0007] 為了達到上述目的，本發(fā)明是這樣實現(xiàn)的：
[0008] -種變壓器設備故障的辨識方法，具體步驟如下：
[0009] (1)數(shù)據(jù)預處理:將待挖掘主變壓器設備的故障異常狀態(tài)數(shù)據(jù)進行收集，根據(jù)故障 異常狀態(tài)數(shù)據(jù)的不同表征對故障異常狀態(tài)量參量賦值；
[0010] 所述故障異常狀態(tài)數(shù)據(jù)的不同表征為油位指示情況、滲漏油檢查情況、瓷套爬電 情況或者外絕緣配置瓷質(zhì)絕緣破損情況；
[0011] (2)常見故障模式的判斷:基于步驟（1)中的故障異常狀態(tài)數(shù)據(jù)收集的總和，再通 過聚類分析方法去挖掘主變壓器設備常見的故障模式；
[0012] (3)故障模式的診斷:使用狀態(tài)量關聯(lián)規(guī)則分析方法，對被挖掘的主變壓器設備的 若干個故障異常狀態(tài)量的組合、被挖掘的主變壓器設備故障異常狀態(tài)量不同表征進行提取 與合并、故障異常狀態(tài)量之間的相互影響程度進行分析，最后進行故障模式的診斷；
[0013] 所述聚類分析方法包括凝聚層次聚類法或k-Means聚類方法;所述狀態(tài)量關聯(lián)規(guī) 則分析方法為Apr i or i關聯(lián)規(guī)則算法。
[0014] 在本發(fā)明中，進一步地，所述狀態(tài)量參量賦值為:異常狀態(tài)量參量賦值為1，將異常 狀態(tài)量參量賦值為1以外的其他異常狀態(tài)量參量或正常狀態(tài)參量賦則取值為〇。
[0015] 在本發(fā)明中，進一步地，所述k-Means聚類方法的具體步驟如下：
[0016] 步驟一:首先設p和p'分別為故障模式的種類匕和故障模式的種類Q的對象，則|p_ P' I為對象P和P'間的距離，m和如分別是故障模式的種類匕和故障模式的種類Cj中對象的 數(shù)目，則平均距離定義為：
[0018] 步驟二:計算整體輪廓系數(shù)：
[0019] 對于故障模式的種類內(nèi)的凝聚度的度量，方式是計算故障模式的種類內(nèi)第i個元 素與故障模式的種類內(nèi)其他元素間的距離平均值，記作a 1;
[0020] 對于故障模式的種類之間分離度的量化，方式是&1所處故障模式的種類之外的一 個故障模式的種類b，計算該元素與b中所有元素的距離的平均值，接著計算上述元素與所 有對非該元素所在故障模式的種類中元素的距離，并找到該元素與其他故障模式的種類間 距離的最小值，記作bi;
[0021] 對于該元素，計算的輪廓系數(shù)公式為：
[0023] 上式中，11^1(31，1^)表示31，1^兩者之間的大值，
[0024] 最后，計算所有故障模式的種類中所有元素的輪廓系數(shù)，并求出每個元素輪廓系 數(shù)的平均值作為當前聚類的整體輪廓系數(shù)。
[0025] 步驟三:根據(jù)常見的故障模式類型初步選取K，然后與按照步驟二來計算得到的當 前聚類的整體輪廓系數(shù)進行比較，選取當前聚類的整體輪廓系數(shù)的最大值，以確定K;
[0026]在本發(fā)明中，進一步地，所述步驟三中K代表故障模式的種類數(shù)，KG[4,8]。
[0027]在本發(fā)明中，進一步地，所述Apriori關聯(lián)規(guī)則算法的具體步驟如下：首先通過掃 描待挖掘主變壓器設備的故障異常狀態(tài)數(shù)據(jù)庫，找出一個狀態(tài)參量的頻繁集合，記為頻繁1 項集，再使用頻繁1項集的集合去找兩個狀態(tài)參量的頻繁集合，記為頻繁2項集，再使用頻繁 2項集的集合去找三個狀態(tài)參量的頻繁集合，記為頻繁3項集，依此方式進行，直到已不能再 找到新的頻繁項集，最后根據(jù)用戶設定的最小支持度和置信度閾值，從頻繁項集中輸出滿 足條件的關聯(lián)規(guī)則；
[0028]其中，關聯(lián)規(guī)則的待挖掘庫為主變壓器設備的故障異常狀態(tài)數(shù)據(jù)收集總和D，事務 T是故障數(shù)據(jù)的合集，若有n組故障數(shù)據(jù)，則D= {Ti，T2，…，Tn}，對于每個事務，則由m個狀態(tài) 參量所組成，T={ll，l2，'"，Im};
[0029]對于項集A，支持度的定義為：
[0031]而對于A = >B的關聯(lián)規(guī)則，其支持度為：
[0033]上式中所描述的支持度反映了 A、B兩個項集同時出現(xiàn)的概率;該支持度與頻繁集 的支持度相等；
[0034]同理，對于A = >B的關聯(lián)規(guī)則，其可信度為：
[0036] 在本發(fā)明中，進一步地，所述最小支持度的范圍為0.05-0.2,所述置信度閾值為 0?5_0?9 〇
[0037] 在本發(fā)明中，進一步地，所述故障模式的診斷具體步驟如下：
[0038] ①首先求得變壓器故障模式與變壓器設備各故障模式的相關系數(shù)，然后得到故障 模式診斷的診斷矩陣R;
[0039] 其中，診斷矩陣R如下公式：
[0041]上式中，i表示所述的通過k-means聚類得到的故障模式的種類，j表示所述的變壓 器設備狀態(tài)參量的種類，其中i G [ 1，k]，j G [ 1，m];
[0042]設BDi表示變壓器設備第i種故障模式，Vj表示第j種狀態(tài)參量，則Rij表示在第i種 變壓器設備故障模式BDi在第j種狀態(tài)參量Vj下的相關系數(shù)；
[0043]其中，相關系數(shù)是采用皮爾遜相關性系數(shù)進行計算，將兩個變量與各自變量的 平均值的離差為基礎，按積差方法進行計算，再將兩個離差相乘，使用其積表示兩變量之間 相關程度；
[0044] 其中，皮爾遜相關系數(shù)的取值范圍為-1到1;
[0045] ②通過上述方法求得診斷矩陣R后，然后通過變壓器設備故障診斷的相關系數(shù)公 式(II)對故障模式進行診斷，最后通過公式(III)得到故障模式診斷結果向量，向量中的每 個元素的值表征該故障案例在各故障模式下的隸屬程度;在最終確診最可能的故障模式 時，選取隸屬程度最大的故障模式，作為最終的結果；
[0046]所述變壓器設備故障診斷的相關系數(shù)如下公式：
[0048] 其中，X表示某種故障模式的故障數(shù)據(jù)，Y表示某種狀態(tài)參量的故障數(shù)據(jù)，i表示所 述通過k-means聚類得到的故障模式的種類；
[0049] 所述故障模式診斷結果向量表達式如下公式：
[0050] F = R ? U (III)
[0051 ]其中，式中，U表示各種狀態(tài)參量的狀態(tài)裂化水平；
[0052] R表示變壓器設備故障診斷的相關系數(shù)；
[0053] ^
[0054] FBDj表不第j種故障分類，j G [1，m];
[0055] F表示故障模式診斷結果向量，向量中的每個元素的值表征該故障案例在各故障 模式下的隸屬程度;在最終確診最可能的故障模式時，選擇隸屬程度最大的故障模式，作為 最終的結果。
[0056]在本發(fā)明中，進一步地，所述凝聚層次聚類法為基于平均距離法的凝聚層次聚類 法。
[0057]與現(xiàn)有技術相比，本發(fā)明的有益效果為：
[0058]與現(xiàn)有技術相比，本發(fā)明的基于k-Means聚類算法和相關性分析的主變壓器設備 故障的辨識方法，采用基于相關性系數(shù)矩陣的數(shù)學函數(shù)，可以融合氣象環(huán)境、社會經(jīng)濟等各 種外部因素;采用多源、多時間尺度、多時空維度的全序列數(shù)據(jù)，動態(tài)計算相關性系數(shù)矩陣， 可不斷回歸修正，不存在模型固化問題;適用于評估預測任意參數(shù)指標，包括設備健康、負 載能力等等;該種方法可以基于時序平移后各種狀態(tài)參量、缺陷/故障之間的相關性進行預 測，可以融合氣象環(huán)境、社會經(jīng)濟等各種外部影響因素，可以有效排除各種暫時性因素影 響；大數(shù)據(jù)分析方法采用映射-規(guī)約(MapReduce)和基于內(nèi)存計算（Spark)的并行大數(shù)據(jù)計 算模型，可對日益增長的多源、異構的海量輸變電設備狀態(tài)信息進行梳理和建模分析，獲取 主變壓器設備狀態(tài)檢測量與設備缺陷及故障之間的關聯(lián)關系，從而實現(xiàn)主變壓器設備狀態(tài) 的精細化評價。
【附圖說明】
[0059]圖1是本發(fā)明的故障案例歐氏距離熱力圖；
[0060] 圖2是本發(fā)明的在不同k值下的輪廓系數(shù)曲線圖；
[0061] 圖3是本發(fā)明的關聯(lián)規(guī)則圖；
[0062 ]圖4是本發(fā)明的油浸式變壓器套管設備缺陷圖譜。
【具體實施方式】
[0063]下面結合附圖和具體實施例對本發(fā)明做進一步說明，但本發(fā)明的保護范圍不限于 實施例。
[0064] 實施例1:
[0065] 本發(fā)明的基于k-Means聚類算法和相關性分析的主變壓器設備故障的辨識方法， 以某電網(wǎng)公司500kV油浸式變壓器套管近十年中的故障案例為數(shù)據(jù)挖掘?qū)ο?，進行基于大 數(shù)據(jù)挖掘的主變壓器設備故障辨識研究。
[0066] (1)數(shù)據(jù)預處理：
[0067] 首先，收集待挖掘設備的狀態(tài)異常數(shù)據(jù)，重點包括故障、缺陷的案例數(shù)據(jù)，在收集 故障、缺陷案例后，首先根據(jù)故障異常狀態(tài)數(shù)據(jù)的不同表征對故障異常狀態(tài)量參量賦值;故 障異常狀態(tài)數(shù)據(jù)的不同表征可以是油位指示情況、滲漏油檢查情況、瓷套爬電情況或者外 絕緣配置瓷質(zhì)絕緣破損情況;然后進行狀態(tài)量賦值，由于知識圖譜構建僅是對狀態(tài)參量或 是設備異常案例本身進行挖掘分析，僅需知道一個狀態(tài)量是否異常，不涉及設備狀態(tài)等級 或是狀態(tài)量劣化程度，因此僅進行二元量化;在進行賦值時，案例中提及的異常狀態(tài)量賦值 為1，而未提及的或正常狀態(tài)參量則取值為〇;根據(jù)嚴重程度，缺陷可分為緊急缺陷、重大缺 陷和一般缺陷;異常情況賦值為1代表出現(xiàn)故障或重大、緊急缺陷，〇則代表正?；騼H出現(xiàn)一 般缺陷；
[0068] (2)故障案例聚類分析：
[0069] 首先，選取34組原始數(shù)據(jù)中的22組故障數(shù)據(jù)進行層次聚類，計算故障案例間的歐 氏距離，并通過熱力圖呈現(xiàn)故障案例間的初步關系，如圖1所示，
[0070] 通過圖1所示熱力圖的色塊可以初步認定，挖掘分析所用的變壓器套管故障案例 數(shù)據(jù)，可大致通過聚類分為4~6類故障模式，但通過色塊判斷具體分為幾類，并沒有明顯的 界限，而在使用k-Means算法進行進一步的故障模式聚類時，k參數(shù)至關重要，將不同的故障 模式的種類k帶入k-Means算法，其聚類的效果可通過輪廓系數(shù)進行比較，通過比較，并結合 實際物理背景，可以選出最為合適的聚類故障模式的種類數(shù)k;分別選取k為4、5、6、7、8，并 通過計算整體輪廓系數(shù)，進行聚類效果的比較，結果如圖2所示；
[0071 ]由圖2可見k = 6，即將故障模式分為6類時聚類結果最為理想，使用k-Means對故障 案例數(shù)據(jù)進行聚類，其結果如表1所示；
[0072] (3)設備狀態(tài)參量相關性分析：
[0073]當故障、缺陷在發(fā)生時，往往并不會只有一個狀態(tài)量出現(xiàn)異常，而是多個狀態(tài)量伴 隨發(fā)生，因此，通過關聯(lián)規(guī)則挖掘狀態(tài)量間的關聯(lián)關系，有助于了解狀態(tài)量之間的關系，甚 至可以幫助了解一些隱藏著的潛在的關聯(lián)關系；
[0074]關聯(lián)規(guī)則分析中，對置信度和支持度的確定是至關重要的，只有合理的置信度和 支持度閾值才能較好的挖掘出比較價值的關聯(lián)規(guī)則，由于狀態(tài)量種類繁多，因此支持度的 閾值不宜設置過大，在發(fā)明中support設定為0.1，而為了獲取較高可信度的關聯(lián)規(guī)則， confidence設定為0 ? 8;
[0075] 通過Apriori關聯(lián)規(guī)則的挖掘分析，共得到了 21條高置信度的關聯(lián)規(guī)則，21條關聯(lián) 規(guī)則基于關聯(lián)關系的可視化效果如圖3所示；
[0076] 在圖3中，可以看到高支持度的關聯(lián)規(guī)則，后項主要集中在末屏介損及電容量 (V10)和末屏絕緣電阻(V12)，這一方面說明末屏是變壓器套管比較容易出現(xiàn)問題的部件， 也說明末屏介損及電容量和末屏絕緣電阻具有較高的伴隨其他異常狀態(tài)共同出現(xiàn)的可能 性；
[0077] 回歸套管的故障模式，主要是由于套管相對而言，容易發(fā)生絕緣受潮故障;究其原 因，主要因素往往是生產(chǎn)質(zhì)量不合格或是老化以及人為因素是導致套管密封不良造成的， 因此，當出現(xiàn)主絕緣介損或末屏介損異常時，往往也會帶來末屏絕緣電阻嚴重下降的后果， 這是符合現(xiàn)場實際情況的相關關系；
[0078] 將上述設備缺陷信息，使用弦圖進行知識圖譜可視化，如圖4所示;其中，1、2、3、4、 5和6分別代表末屏放電、連接不良、絕緣油受潮、嚴重滲漏油、嚴重積污和外絕緣受潮共六 種故障模式;各個弦所連接的故障模式和狀態(tài)參量，代表的是該故障模式下所出現(xiàn)過的異 常狀態(tài)參量，并且越粗的弦代表Tanimoto相似性系數(shù)越高，即相關關系越強；黑色7的弦代 表狀態(tài)參量之間的關系，是通過關聯(lián)規(guī)則支持度進行度量的，弦越粗代表兩者間的關聯(lián)規(guī) 則支持度越高;需要說明的是圓圈上部為末屏放電、連接不良、絕緣油受潮、嚴重滲漏油、嚴 重積污和外絕緣受潮6種故障模式，其余為狀態(tài)參量
[0079] (4)狀態(tài)評價故障診斷：
[0080] 通過聚類分析方法分析后，挖掘出了油浸式變壓器套管的六種故障模式，對油浸 式變壓器套管來說，故障模式數(shù)m = 6，關鍵參量共計16項，狀態(tài)參量數(shù)n= 16，將關鍵狀態(tài)參 量從1至16重新編號，對于末屏放電故障模式，其異常狀態(tài)向量S5為：
[0081] (4,0,0,0,0,0,0,4,0,0,0,0,0,4,0,0,0,
[0082] 0,4,0,0,0,0,0)
[0083] 計算末屏放電故障模式下各狀態(tài)參量的相關系數(shù)，例如，對狀態(tài)參量V13油中溶解 氣體分析狀態(tài)參量有
[0084] (4,0,4,0,0,0,0,2,0,0,0,0,0,4,0,0,0,
[0085] 0,2,0,0,4,0,0)
[0086] 因此，對應公式（II)中父=35八=?打3，恥, 13的計算如下式：
[0088]同理，可計算R中其余元素，計算所得的相關系數(shù)矩陣為：
分別取一次油浸式變壓器套管設備狀態(tài)評價結果為嚴重和異常的案例進行算例驗證， 在結果為嚴重的狀態(tài)評價案例中，套管接線、末屏引出線及紅外測溫狀態(tài)參量出現(xiàn)了異常； 在結果為異常的狀態(tài)評價案例中，瓷質(zhì)絕緣破損、油位指示及滲漏油檢查狀態(tài)參量出現(xiàn)了 異常;將其狀態(tài)量評估情況用劣化水平量化，如下式所示
[0090] Ui= (0，0,0,0,0,2，3,4，0,0,0，0,0,0,0)
[0091] U2= (0,0,2,3,4,0,0,0,0,0,0,0,0,0,0)
[0092] 代入公式F = R ? U中，所得結果如表2所示；
[0093]取其診斷隸屬值最高的故障模式作為診斷結果，則評價結果為嚴重的樣本診斷結 果為連接不良；評價結果為異常的樣本診斷結果為嚴重滲漏油;經(jīng)過相關運維人員的現(xiàn)場 故障診斷，前者是由于套管末屏螺紋未擰緊導致的異常情況，而后者他通過油位鏡觀察不 到油位，經(jīng)檢查是由于長時間未補油及套管正常老化滲油導致的少油缺油故障。
[0094]表1實施例1中故障案例數(shù)據(jù)進行聚類的結果表
[0096]表2實施例1中故障模式診斷結果向量表
[0098]以上實施方式只為說明本發(fā)明的技術構思及特點，其目的在于讓熟悉此項技術的 人了解本
【發(fā)明內(nèi)容】
并加以實施，并不能以此限制本發(fā)明的保護范圍，凡根據(jù)本發(fā)明精神實 質(zhì)所做的等效變化或修飾等的改變，都應涵蓋在本發(fā)明的保護范圍內(nèi)。
【主權項】
1. 一種變壓器設備故障的辨識方法，其特征在于，具體步驟如下： (1) 數(shù)據(jù)預處理:將待挖掘主變壓器設備的故障異常狀態(tài)數(shù)據(jù)進行收集，根據(jù)故障異常 狀態(tài)數(shù)據(jù)的不同表征對故障異常狀態(tài)量參量賦值； 所述故障異常狀態(tài)數(shù)據(jù)的不同表征為油位指示情況、滲漏油檢查情況、瓷套爬電情況 或者外絕緣配置瓷質(zhì)絕緣破損情況； (2) 常見故障模式的判斷：基于步驟（1)中的故障異常狀態(tài)數(shù)據(jù)收集的總和，再通過聚 類分析方法去挖掘主變壓器設備常見的故障模式； (3) 故障模式的診斷:使用狀態(tài)量關聯(lián)規(guī)則分析方法，對被挖掘的主變壓器設備的若干 個故障異常狀態(tài)量的組合、被挖掘的主變壓器設備故障異常狀態(tài)量不同表征進行提取與合 并、故障異常狀態(tài)量之間的相互影響程度進行分析，最后進行故障模式的診斷； 所述聚類分析方法包括凝聚層次聚類法或k-Means聚類方法;所述狀態(tài)量關聯(lián)規(guī)則分 析方法為Apr i or i關聯(lián)規(guī)則算法。2. 根據(jù)權利要求1所述的一種變壓器設備故障的辨識方法，其特征在于，所述狀態(tài)量參 量賦值為:異常狀態(tài)量參量賦值為1，將異常狀態(tài)量參量賦值為1以外的其他異常狀態(tài)量參 量或正常狀態(tài)參量賦則取值為0。3. 根據(jù)權利要求1所述的一種變壓器設備故障的辨識方法，其特征在于，所述k-Means 聚類方法的具體步驟如下： 步驟一:首先設P和P '分別為故障模式的種類匕和故障模式的種類Cj的對象，見 為 對象P和P'間的距離，m和分別是故障模式的種類匕和故障模式的種類Cj中對象的數(shù)目， 則平均距離定義為：步驟二:計算整體輪廓系數(shù)： 對于故障模式的種類內(nèi)的凝聚度的度量，方式是計算故障模式的種類內(nèi)第i個元素與 故障模式的種類內(nèi)其他元素間的距離平均值，記作a1; 對于故障模式的種類之間分離度的量化，方式是&1所處故障模式的種類之外的一個故 障模式的種類b，計算該元素與b中所有元素的距離的平均值，接著計算上述元素與所有對 非該元素所在故障模式的種類中元素的距離，并找到該元素與其他故障模式的種類間距離 的最小值，記作bi; 對于該元素，計算的輪廓系數(shù)公式為：上式中，11^^，1^)表示31，1^兩者之間的大值， 最后，計算所有故障模式的種類中所有元素的輪廓系數(shù)，并求出每個元素輪廓系數(shù)的 平均值作為當前聚類的整體輪廓系數(shù)； 步驟三:根據(jù)常見的故障模式類型初步選取K，然后與按照步驟二來計算得到的當前聚 類的整體輪廓系數(shù)進行比較，選取當前聚類的整體輪廓系數(shù)的最大值，以確定K。4. 根據(jù)權利要求3所述的一種變壓器設備故障的辨識方法，其特征在于，所述步驟三中 K代表故障模式的種類數(shù)，K e [ 4，8 ]。5. 根據(jù)權利要求1所述的一種變壓器設備故障的辨識方法，其特征在于，所述Apriori 關聯(lián)規(guī)則算法的具體步驟如下：首先通過掃描待挖掘主變壓器設備的故障異常狀態(tài)數(shù)據(jù) 庫，找出一個狀態(tài)參量的頻繁集合，記為頻繁1項集，再使用頻繁1項集的集合去找兩個狀態(tài) 參量的頻繁集合，記為頻繁2項集，再使用頻繁2項集的集合去找三個狀態(tài)參量的頻繁集合， 記為頻繁3項集，依此方式進行，直到已不能再找到新的頻繁項集，最后根據(jù)用戶設定的最 小支持度和置信度閾值，從頻繁項集中輸出滿足條件的關聯(lián)規(guī)則； 其中，關聯(lián)規(guī)則的待挖掘庫為主變壓器設備的故障異常狀態(tài)數(shù)據(jù)收集總和D，事務T是 故障數(shù)據(jù)的合隼，若有η纟目故瞳數(shù)據(jù)，則：，對于每個事務，則由m個狀態(tài)參 量所組好對于項集A，支持度的定義為：而對于A=>B的關聯(lián)規(guī)則，其支持度為：上式中所描述的支持度反映了A、B兩個項集同時出現(xiàn)的概率;該支持度與頻繁集的支 持度相等； 同理，對干A=>B的關聯(lián)規(guī)則，其可信度為：6. 根據(jù)權利要求5所述的一種變壓器設備故障的辨識方法，其特征在于，所述最小支持 度的范圍為0.05-0.2,所述置信度閾值為0.5-0.9。7. 根據(jù)權利要求1所述的一種變壓器設備故障的辨識方法，其特征在于，所述故障模式 的診斷具體步驟如下： 傷首先求得變壓器故障模式與變壓器設備各故障模式的相關系數(shù)，然后得到故障模式 診斷的診斷矩陣R; 其中，診斷矩陣R如下公式：上式干，1衣不所還的通]Skieans眾關侍到的取陣模式的種類，j表示所述的變壓器設 備狀態(tài)參量的種類，其中ie[l，k]，je[l，m]; 設BD1表示變壓器設備第i種故障模式，Vj表示第j種狀態(tài)參量，則Rlj表示在第i種變壓器 設備故障模式BDi在第j種狀態(tài)參量Vj下的相關系數(shù)； 其中，Ru相關系數(shù)是采用皮爾遜相關性系數(shù)進行計算，將兩個變量與各自變量的平均 值的離差為基礎，按積差方法進行計算，再將兩個離差相乘，使用其積表示兩變量之間相關 程度； 其中，皮爾遜相關系數(shù)的取值范圍為-1到1; _通過上述方法求得診斷矩陣R后，然后通過變壓器設備故障診斷的相關系數(shù)公式(羅） 對故障模式進行診斷，最后通過公式Cffi)得到故障模式診斷結果向量，向量中的每個元素 的值表征該故障案例在各故障模式下的隸屬程度;在最終確診最可能的故障模式時，選取 隸屬程度最大的故障模式，作為最終的結果； 所述變壓器設備故障診斷的相關系數(shù)如下公式：其中，X表示某種故障模式的故障數(shù)據(jù)，Y表示某種狀態(tài)參量的故障數(shù)據(jù)，i表示所述通 過k-means聚類得到的故障模式的種類； 所怵故瞳槌忒詮斷結里向量表達式如下公式：其中，式中，U表示各種狀態(tài)參量的狀態(tài)裂化水平； R表示變壓器設備故障診斷的相關系數(shù)；FBDj表示第j種故障分類，j e [ I，m]; F表示故障模式診斷結果向量，向量中的每個元素的值表征該故障案例在各故障模式 下的隸屬程度;在最終確診最可能的故障模式時，選擇隸屬程度最大的故障模式，作為最終 的結果。8.根據(jù)權利要求1所述的一種變壓器設備故障的辨識方法，其特征在于，所述凝聚層次 聚類法為基于平均距離法的凝聚層次聚類法。
【文檔編號】G01R31/00GK105891629SQ201610200416
【公開日】2016年8月24日
【申請日】2016年3月31日
【發(fā)明人】郭麗娟, 尹立群, 張玉波, 胡軍, 陶松梅, 莊池杰, 張煒, 陳翔宇, 黃志都, 段煉, 黃金劍, 吳秋莉
【申請人】廣西電網(wǎng)有限責任公司電力科學研究院, 清華大學