一种基于改进图的半监督分类的变压器故障诊断方法技术

本发明专利技术涉及一种基于改进图的半监督分类的变压器故障诊断方法，包括以下步骤：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化；在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵；构建初始标签矩阵；规范化初始标签矩阵；根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型；利用训练模型对无标签的测试样本分配类别标签，得到诊断结果。本发明专利技术方法应用于不平衡样本集的变压器的故障诊断中，能获得较高的故障诊断精度。

【技术实现步骤摘要】

本专利技术属于变压器故障在线监测
，具体涉及一种基于改进图的半监督分类的变压器故障诊断方法。
技术介绍
电力变压器在电力系统中承担着变换、分配和传输电能的任务，是电力系统的重要设备之一，其运行状态直接影响着整个电力系统的安全性、稳定性和可靠性。虽然电力系统运行安全的水平在不断提高，电力变压器设计的机械性能和电气强度也不断提升，但是由于变压器长期运行在热、电以及外部破坏等恶劣环境中，变压器不可避免的会发生绝缘老化和材质劣化，从而引起故障。电力器一旦发生故障，会造成巨大的经济损失和安全隐患。因此，以电力变压器在线监测为手段，及时对其的运行状态进行诊断分析是非常必要的。目前，电力变压器的故障诊断主要是基于油中溶解气体分析技术来实现的，通过变压器状态在线监测系统实时采集变压器运行过程中油中溶解气体的含量、组分数据，构成诊断样本集，采用一些智能模式识别方法如神经网络、支持向量机、贝叶斯网络等实现变压器型的诊断。这些模式识别方法基于平衡样本集对变压器进行故障诊断，往往取得了良好的诊断效果，能比较精确地诊断出各个类型的故障。然而，在变压器实际运行过程中，大部分的时间都处于正常运行的状态，只有极少部分时间处于故障状态，所以变压器在线监测系统采集到的正常状态的样本往往远多于故障状态样本。由于数量上的严重倾斜，神经网络、支持向量机、贝叶斯网络等传统的分类器会对数量上占优势的多数类存在明显的偏好，对多数类样本仍能取得较高的分类精度，对少数类样本的分类性能较差，一些少数类样本往往会被误分成多数类。所以针对不平衡样本集的变压器故障诊断，这三种分类器的诊断精度往往较差。专利技术内容针对目前变压器故障诊断存在的问题，本专利技术提供一种基于改进图的半监督分类的变压器故障诊断方法。本专利技术的思路是：将基于图的半监督分类方法应用变压器故障诊断中，该方法综合利用标签数据和无标签数据，能取得较好的学习效果。针对半监督学习过程中，由于不平衡数据集导致的各类标签数目出现不平衡的情况，采用标签矩阵规范化处理方法对初始标签矩阵规范化，保持每个类别的信息总量相等，从而提高样本集不平衡情况下的诊断精度。本专利技术的具体技术方案包括以下步骤：一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H2、CH4、C2H6、C2H4、C2H2作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集。所述的归一化方法为：对于H2气体的含量，其归一化值为H2体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值。归一化公式如下：X'＝{x1/c1,x2/c2,x3/c2,x4/c2,x5/c2本文档来自技高网...

【技术保护点】
一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H2、CH4、C2H6、C2H4、C2H2作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集；所述的归一化方法为：对于H2气体的含量，其归一化值为H2体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值；归一化公式如下：c1=Σi=15xi,c2=Σi=25xi]]>X'＝{x1/c1,x2/c2,x3/c2,x4/c2,x5/c2}步骤2：在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵，相似性近邻图的建立过程如下：把所有样本点看作相似性近邻图上的顶点，图的边E＝{eij}用相邻样本间的相似性eij表示，两相邻样本xi、xj的相似性eij定义为：eij＝exp(||xi‑xj||2/σ2)式中σ为高斯核参数；把样本之间的相似性表示为权重矩阵W＝{wij}若xi∈knn(xj)orxj∈knn(xi)式中knn(xj)表示xj的K个近邻，knn(xi)表示xi的K个近邻；步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵，其中，初始标签矩阵的构成规则如下：初始标签矩阵记为Y(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集XL＝{(x1,y1)，(x2，y2)，...，(xl，yl)}中的xi，当yi＝j，Yij＝1，否则，Yij＝0；对于无标签样本集XL＝{(xl+1,yl+1)，(xl+2，yl+2)，...，(xl+u，yl+u)}，Yij＝0，j＝1，2，...c；步骤4：对初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量，具体过程如下：定义平衡因子U，U为c×c维的对角矩阵，其对角元素为uii=1/YiT1→]]>其中YiT表示矩阵Y第i列的转置，通过平衡因子U对标签矩阵进行规范化处理：Y＝Y·U步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型，其中，半监督分类模型的训练步骤如下：步骤5.1：根据权重矩阵计算标签概率转移矩阵P，n×n维的标签概率转移矩阵P＝{pij}的计算公式如下：pij=p(i→j)=wij/Σxj∈N(xi)wij,xj∈N(xi)0,xj∉N(xi)]]>步骤5.2：不断更新标签矩阵，直至满足终止条件，得到最终的分类器；步骤6：利用训练模型对无标签的样本分配类别标签，得到诊断结果，分配类别标签的规则为：标签矩阵中测试样本集所对应的各行元素中，根据最大值所在的列相应的分配类别标签。...

【技术特征摘要】
1.一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H2、CH4、C2H6、C2H4、C2H2作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集；所述的归...

【专利技术属性】
技术研发人员：刘君，赵立进，黄良，曾华荣，张迅，彭辉，陈欢，龙嘉文，王家华，张凯，
申请(专利权)人：贵州电网有限责任公司电力科学研究院，
类型：发明
国别省市：贵州;52