一種基於化學反應算法的RVM變壓器故障診斷方法與流程
2023-08-13 05:27:46
本發明涉及變壓器故障診斷技術，具體涉及一種基於化學反應算法的RVM變壓器故障診斷方法，用於針對油浸式變壓器，通過對其使用過程中油箱內的氣體含量比值進行分析，結合相關向量機(RVM)以及化學反應(CRO)算法對變壓器進行智能診斷。
背景技術：
電力變壓器對於電力系統的正常運轉至關重要，其運行狀態正常與否直接關係到電力系統的安全水平。儘管變壓器的結構十分穩定，經過多年的發展改進其機械性能以及電氣強度都已經達到較高的水平，然而由於製造時局部缺陷難以完全杜絕，再加上變壓器在長期運行過程中，由於自身的熱、電條件變化再加上複雜的外部運行環境影響，容易出現絕緣老化以及材質劣化的現象，進而引發故障。所以有必要對變壓器的故障進行有效監測，及時應對。
目前大型電力變壓器主要是油浸式電力變壓器，實踐證明變壓器油中溶解氣體的組分和含量可以在很大程度上變壓器的運行狀態，並且由於油中氣體的檢測不受電磁波的幹擾，檢測結果具有復現性和可靠性。所以在現行的《電力設備預防性試驗規程》中已經將變壓器油中氣相色譜分析方法放在首要的位置。基於DGA數據的變壓器故障診斷方法能及時發現變壓器潛在故障,可在變壓器運行過程中進行故障分析,並能發現電氣試驗方法很難發現的故障基於DGA數據的變壓器故障診斷方法已成為變壓器故障診斷的一種有效方法,形成了特徵氣體組分法、特徵氣體含量法、特徵氣體含量比值法等傳統診斷方法。電力變壓器故障產氣機理複雜,油中氣體含量之間的分布特性很難推測,油中溶解氣體含量及含量比值與故障類型之間的映射關係複雜，僅靠人為試驗總結難以歸納出故障徵兆與故障類型之間的關係。於是支持向量機、人工神經網絡和貝葉斯分類器等人工智慧方法被引入變壓器故障診斷,並取得了較好的效果。儘管上述幾種人工智慧診斷方法，相對於傳統診斷方式已經有了極大的提高，但是各項技術診斷都還存在不足，靈敏度和準確度要求都差強人意。人工神經網絡、支持向量機和貝葉斯分類器的變壓器故障診斷方法都是通過搜集到的變壓器樣本數據進行模型學習,從而確定故障徵兆與故障類別之間的映射關係。這些診斷方法的特徵變量通常都是選用特徵氣體含量或特徵氣體含量比值。三種診斷方法都以全局診斷正確率最高為目標,默認故障誤診為正常和正常誤診為故障、高危故障誤診為低危故障和低危故障誤診為高危故障等各種誤診造成的損失代價相同。
相關向量機(Relevance vector machine,RVM)具有支持向量機可有效解決小樣本、高維、非線性分類問題等優點,克服了貝葉斯分類器需要大量樣本數據,支持向量機規則化係數確定困難、核函數受Mercer條件限制的問題；RVM還兼有貝葉斯分類器可以以概率的形式輸出診斷結果的優點,克服了支持向量機和神經網絡診斷輸出為硬分類間隔的問題。RVM已在電力系統暫態穩定評估、電力負荷預測齒輪早期故障智能診斷、軸承故障檢測等預測和分類領域並取得了很好的應用效果。故此，針對變壓器可訓練數據少的特點，將其引入變壓器故障診斷領域，可使得在相同的診斷時間下，診斷的準確率有了明顯的提升。
技術實現要素：
本發明要解決的技術問題：針對現有技術的上述問題，提供一種能夠有效提升變壓器故障診斷準確率，所需數據少、診斷速度快的基於化學反應算法的RVM變壓器故障診斷方法。
為了解決上述技術問題，本發明採用的技術方案為：
一種基於化學反應算法的RVM變壓器故障診斷方法，步驟包括：
1)從待診斷變壓器的DGA原始特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建訓練輸入向量，得到訓練樣本；
2)建立基於RVM的二叉樹多分類模型；
3)採用化學反應算法對所述基於RVM的二叉樹多分類模型進行參數尋優，得到基於RVM的二叉樹多分類模型的最佳核函數參數；
4)利用訓練樣本訓練基於RVM的二叉樹多分類模型；
5)將待診斷變壓器的DGA測試特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建測試輸入向量，將測試輸入向量輸入訓練好的基於RVM的二叉樹多分類模型，得到待診斷變壓器的故障診斷結果。
優選地，所述步驟1)中的DGA故障特徵氣體包括H2、CH4、C2H4、C2H6及C2H2五種氣體；所述步驟5)中的故障診斷結果包括中低溫過熱狀態、高溫過熱狀態、低能放電狀態、高能放電狀態、正常狀態共五種結果。
優選地，所述步驟1)中進行歸一化處理的函數表達式如式(1)所示；
式(1)中，xi′代表DGA故障特徵氣體的歸一化處理後的數據，xi代表DGA故障特徵氣體的濃度值原始數據，xmin代表DGA故障特徵氣體的濃度值最小值，xmax代表DGA故障特徵氣體的濃度值最大值。
優選地，所述步驟2)中基於RVM的二叉樹多分類模型包括RVM分類器RVM1～RVM4，其中RVM分類器RVM1的分類結果包括正常狀態和故障狀態，故障狀態對應分類器RVM2，RVM分類器RVM2的分類結果包括過熱故障和放電故障，過熱故障對應分類器RVM3，RVM分類器RVM3的分類結果包括中低溫過熱狀態和高溫過熱狀態，放電故障對應分類器RVM4，RVM分類器RVM4的分類結果包括低能放電狀態和高能放電狀態。
優選地，所述步驟2)中基於RVM的二叉樹多分類模型的核函數採用如式(2)所示徑向基核函數；
式(2)中，K(x,y)表示核函數的值，σ表示核函數的高寬參數。
優選地，所述步驟3)的詳細步驟包括：
3.1)初始化基於RVM的二叉樹多分類模型的核函數參數作為化學反應算法的分子，確定目標函數，所述目標函數為實際輸出和期望輸出的誤差平均值，計算各個分子動能及勢能的初始值；
3.2)判斷是否存在分子間碰撞，如果存在分子間碰撞，則跳轉執行步驟3.3)，否則跳轉步驟3.4)；
3.3)選中分子，且被選中的分子數量為多個，判斷選中的多個分子是否滿足合成條件，如果不滿足合成條件，則發生分子間碰撞，跳轉執行步驟3.2)；否則，將選中的多個分子合成，跳轉執行步驟3.5)；
3.4)選中分子，且被選中的分子數量為一個，判斷選中的分子是否滿足分解條件，如果不滿足分解條件，則發生分子間碰撞，跳轉執行步驟3.5)；否則，將選中的多個分子分解，跳轉執行步驟3.2)；
3.5)計算分子的勢能，選取勢能PE最小的分子；
3.6)判斷勢能PE最小的分子是否滿足化學反應算法預設的停止條件，如果不滿足化學反應算法的停止條件，則跳轉執行步驟3.2)；否則，將勢能PE最小的分子對應的核函數參數作為基於RVM的二叉樹多分類模型的最佳核函數參數。
本發明基於化學反應算法的RVM變壓器故障診斷方法具有下述優點：本發明通過從待診斷變壓器的DGA原始特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建訓練輸入向量，得到訓練樣本，建立基於RVM的二叉樹多分類模型，採用化學反應算法對所述基於RVM的二叉樹多分類模型進行參數尋優，得到基於RVM的二叉樹多分類模型的最佳核函數參數，利用訓練樣本訓練基於RVM的二叉樹多分類模型，將待診斷變壓器的DGA測試特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建測試輸入向量，將測試輸入向量輸入訓練好的基於RVM的二叉樹多分類模型，得到待診斷變壓器的故障診斷結果，解決了基於DGA採用傳統的三比值法進行變壓器故障診斷時由於故障與故障特徵數據之間的對應關係存在模糊性，判斷時容易出現誤判的問題，本發明使用RVM這種人工智慧診斷模式，可以避免出現三比值法編碼缺失或者是判斷標準過於絕對的問題，同時由於化學反應算法的引入，可以有效優化參數，提升故障診斷準確率，基於RVM的二叉樹多分類模型對於小樣本泛化能力優越，所得診斷結果契合實際，對於變壓器故障診斷有著極高的實用價值，能夠及時的診斷並修復變壓器故障，具有能夠有效提升變壓器故障診斷準確率，所需數據少、診斷速度快的優點，對於提升電網的系統運行經濟性和可靠性都有著極大的意義。
附圖說明
圖1為本發明實施例方法的基本流程示意圖。
圖2為本發明實施例中得到的基於RVM的二叉樹多分類模型的示意圖。
具體實施方式
如圖1所示，本實施例基於化學反應算法的RVM變壓器故障診斷方法的步驟包括：
1)從待診斷變壓器的DGA原始特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建訓練輸入向量，得到訓練樣本；
2)建立基於RVM的二叉樹多分類模型；
3)採用化學反應算法對基於RVM的二叉樹多分類模型進行參數尋優，得到基於RVM的二叉樹多分類模型的最佳核函數參數；
4)利用訓練樣本訓練基於RVM的二叉樹多分類模型；
5)將待診斷變壓器的DGA測試特徵數據中選擇能夠反應故障類型的多種DGA故障特徵氣體的濃度值進行歸一化處理後構建測試輸入向量，將測試輸入向量輸入訓練好的基於RVM的二叉樹多分類模型，得到待診斷變壓器的故障診斷結果。
變壓器的主要故障可以分為過熱故障以及放電故障兩類，其中過熱故障又可以進一步分為中低溫過熱(T1)和高溫過熱(T2)，放電故障可進一步分為低能放電(PD1)和高能放電(PD2)。本實施例中，步驟1)中的DGA故障特徵氣體包括H2、CH4、C2H4、C2H6及C2H2五種氣體；步驟5)中的故障診斷結果包括中低溫過熱狀態、高溫過熱狀態、低能放電狀態、高能放電狀態、正常狀態共五種結果。
本實施例中，步驟1)中進行歸一化處理的函數表達式如式(1)所示；
式(1)中，xi′代表DGA故障特徵氣體的歸一化處理後的數據，xi代表DGA故障特徵氣體的濃度值原始數據，xmin代表DGA故障特徵氣體的濃度值最小值，xmax代表DGA故障特徵氣體的濃度值最大值。結合電工操作實際情況，我們選擇以大型配電變壓器的DGA數據作為故障診斷依據。具體來說是從中擇取了比較能反應故障類型的5種溶解氣體H2、CH4、C2H4、C2H6以及C2H2的濃度值作為輸入向量，由於各種氣體溶解在油中的基數值是不一樣的，為了抹平由這種差異所造成的影響，需要按公式(1)對其進行歸一化處理。將所得原始樣本數據進行歸一化處理後便得到可以用於測試以及訓練的樣本集。
對於RVM(相關向量機)這種機器學習分類系統而言，其存在多種可供選擇的核函數，比如線性核函數、多項式核函數以及徑向基核函數(簡稱為RBF)。本實施例中，步驟2)中基於RVM的二叉樹多分類模型的核函數採用如式(2)所示徑向基核函數；
式(2)中，K(x,y)表示核函數的值，σ表示核函數的高寬參數。
由於單一RVM主要針對的是二分類問題，本實施例中針對變壓器所具備的多種故障類型特點，構建起基於RVM的二叉樹多分類模型。如圖2所示，步驟2)中基於RVM的二叉樹多分類模型包括RVM分類器RVM1～RVM4，其中RVM分類器RVM1的分類結果包括正常狀態和故障狀態，故障狀態對應分類器RVM2，RVM分類器RVM2的分類結果包括過熱故障和放電故障，過熱故障對應分類器RVM3，RVM分類器RVM3的分類結果包括中低溫過熱狀態和高溫過熱狀態，放電故障對應分類器RVM4，RVM分類器RVM4的分類結果包括低能放電狀態和高能放電狀態。由於基於RVM的二叉樹多分類模型的準確性與各層RVM分類器的參數選擇有很大的關聯，本實施例基於化學反應優化算法對基於RVM的二叉樹多分類模型進行參數尋優，提升診斷準確率以及診斷速度。對於RVM分類器而言，其核函數的高寬參數σ值取得是否恰當，直接關係繫到分類效果。本實施例共用到了RVM分類器RVM1～RVM4共4個RVM分類器，那麼各自的核函數參數可以構成一個四維向量。
由於上述基於RVM的二叉樹多分類模型的準確性與各層RVM分類器的參數選擇有很大的關聯，本實施例基於化學反應算法對RVM分類模型進行參數尋優，提升診斷準確率以及診斷速度。參見圖1，本實施例步驟3)的詳細步驟包括：
3.1)初始化基於RVM的二叉樹多分類模型的核函數參數作為化學反應算法的分子，確定目標函數，目標函數為實際輸出和期望輸出的誤差平均值，計算各個分子動能及勢能的初始值；
3.2)判斷是否存在分子間碰撞，如果存在分子間碰撞，則跳轉執行步驟3.3)，否則跳轉步驟3.4)；
3.3)選中分子，且被選中的分子數量為多個，判斷選中的多個分子是否滿足合成條件，如果不滿足合成條件，則發生分子間碰撞，跳轉執行步驟3.2)；否則，將選中的多個分子合成，跳轉執行步驟3.5)；
3.4)選中分子，且被選中的分子數量為一個，判斷選中的分子是否滿足分解條件，如果不滿足分解條件，則發生分子間碰撞，跳轉執行步驟3.5)；否則，將選中的多個分子分解，跳轉執行步驟3.2)；
3.5)計算分子的勢能，選取勢能PE最小的分子；
3.6)判斷勢能PE最小的分子是否滿足化學反應算法預設的停止條件，如果不滿足化學反應算法的停止條件，則跳轉執行步驟3.2)；否則，將勢能PE最小的分子對應的核函數參數作為基於RVM的二叉樹多分類模型的最佳核函數參數。
化學反應算法(CRO)乃是近幾年發展起來的一種元啟發式算法，其基本原理是通過對化學反應過程中的能量以及運動過程進行模擬，由於反應過程中反應勢能乃是遞減的，所以化學反應算法的優化過程，簡言之即搜索系統勢能達到最小的過程。化學反應算法存在兩個基本運算單元即分子(ω)以及容器壁(buffer)，勢能(PE)以及動能(KE)是分子所具備的兩種能量。在化學反應算法的執行過程中，動能(KE)參數的作用是判斷系統是否發生分子反應，而勢能(PE)則是化學反應停止與否的最終衡量標準，對於實際問題而言，即目標函數。本實施例採用化學反應算法對核函數的高寬參數σ進行尋優，化學反應算法擁有四種基本反應算子，依次分別是單分子碰撞算子、單分子分解算子以及分子間碰撞算子和分子合成算子。其中單分子分解算子針對範圍問題擁有較強的局部搜索能力，而分子合成算子則對化學反應算法的全局搜索能力進行了改善。1)首先初始化化學反應算法算法；2)確定目標函數，在這裡我們選用實際輸出與期望輸出的誤差平均值作為目標函數f；3)計算分子動能以及勢能的初始值；4)進行迭代尋優；5)終止算法。當所得到的勢能PE值取最小時，所得結果極為全局最優解。將所得到的核函數的高寬參數σ的值代入，最終得到合適的變壓器故障診斷模型。接下來進一步結合由歸一化特徵氣體訓練樣本數據對模型進行訓練以及測試，得到最終的基於RVM的二叉樹多分類模型。為了對本實施例基於化學反應算法的RVM變壓器故障診斷方法進行進一步的驗證，本實施例中將歸一化的樣本數據分成兩組，一組用於基於RVM的二叉樹多分類模型的訓練，另一組用於測試。通過與其他診斷方法進行對比，可以發現本實施例基於化學反應算法的RVM變壓器故障診斷方法中所提出的油浸式變壓器故障診斷模型在診斷時間相同的情況下，有著更高的診斷準確率，並且相比於傳統DGA智能診斷模型而言，有著更好的泛化能力以及適用性。
以上所述僅是本發明的優選實施方式，本發明的保護範圍並不僅局限於上述實施例，凡屬於本發明思路下的技術方案均屬於本發明的保護範圍。應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理前提下的若干改進和潤飾，這些改進和潤飾也應視為本發明的保護範圍。