基于DKPCA和KFDA的变压器故障检测及分类方法技术

本发明专利技术公开了一种DKPCA和KFDA的变压器故障检测及分类方法，首先采集变压器正常工况下变压器运行数据，对采集数据做预处理；然后建立时滞增广矩阵保留数据的相关性，通过核函数的非线性映射提取原始数据的特性信息；通过提取的得分向量建立SPE和T2统计量检测故障的发生；计算过程中每个变量对两个统计量的贡献RBC，确定导致故障的变量；最后利用KFDA评估故障变量，确定故障类别。该方法将DKPCA方法引入到变压器故障诊断方法中，在保留测量变量自相关特性的同时，精准的提取非线性特征信息，提高了故障检测的准确率；引入KFDA对故障变量的贡献统计量进行训练学习，提高了变压器故障诊断精度。断精度。断精度。

【技术实现步骤摘要】
基于DKPCA和KFDA的变压器故障检测及分类方法


[0001]本专利技术属于配电网电力变压器故障诊断
，涉及一种基于DKPCA和KFDA的变压器故障检测及分类方法，特别涉及一种基于DKPCA和KFDA算法的配电网低压变压器故障检测与分类方法。

技术介绍

[0002]电力变压器用于转换电力系统中的不同电压等级，是电力系统可靠性的重要保证。为确保电网的可靠性和安全性，维修人员需要定期采集变压器的运行状态参数，通过这些参数分析变压器的运行状况。但是人工检修依赖人工经验，工作效率低下主观性偏重，也增加了变压器故障发生的风险。因此在人工智能的背景下，开发智能变压器故障检测及诊断方法具有重要的现实意义。
[0003]目前变压器油中溶解气体分析(DGA)方法已经成为电力系统判断变压器内部故障性质的主要方法。在DGA法中最为常见的是三比值判断法则存在故障判别准确率不高，现有基于机器学习的故障检测方法难以挖掘测量数据之间的时序关系，并且故障的发生前后是一个非线性过程，常规的机器学习方法在变压器故障诊断中的可靠性有待提高。
[0004]动态核主元分析(DKPCA)作为一种新颖的数据驱动技术，可以很好的处理动态非线性数据。其基本思想是通过构造时滞矩阵获取数据间的动态特性，然后利用核矩阵的非线性映射将数据映射到高维空间，使得原始数据的时序相关性被保留的同时，难以分离的数据也在高维空间被分离。基于此，原始数据的特征信息被提取，且保留数据的时序相关性特征。
[0005]核Fisher判别分析(KFDA)是根据样本数据的特征和判别指标确定样本类别，为了解决故障贡献统计量非线性分类的问题，输入数据通过核函数非线性映射，在高维空间利用Fisher线性判别，提高了故障诊断的精度。
[0006]综上所述，本专利技术提出一种基于DKPCA和KFDA的变压器故障检测及分类方法，该方法可有效提高变压器故障检测及分类精度，提高变压器的运行可靠性。

技术实现思路

[0007]综上所述，为了提高电力变压器的故障分类精度，本专利技术提出一种基于DKPCA和KFDA的变压器故障检测及分类方法。首先通过动态核主元分析从海量冗余的变压器状态信息中提取包含动态特性的特征变量，利用T2和SPE统计量检测故障是否发生；最后计算故障统计量对应的贡献RBC,根据KFDA分类器判断故障类别。
[0008]为达到上述目的，本专利技术所采用的技术方案是：
[0009]一种基于DKPCA和KFDA的变压器故障检测及分类方法，包括以下步骤：
[0010]步骤1，采集变压器运行数据，采用Z
‑
score方法对采集数据做归一化处理，使得处理后的数据均值为零，方差为1；
[0011]步骤2，在每个变量后叠加t时刻前s个时刻的向量构成时滞增广矩阵X(s)以反映
变量之间的动态关系；
[0012]步骤3，找到由特征向量v定义的最优超球面，建立动态核矩阵分离故障变量，根据定义的动态核主元目标函数，使得最大方差信息得以保留，通过提取的得分向量建立SPE和T2统计量检测故障的发生；
[0013]步骤4，分别计算过程中每个变量对T2统计量的贡献对SPE统计量的贡献并绘制工作贡献直方图，根据故障贡献图中的最大贡献度判断导致故障的变量；
[0014]步骤5，根据KFDA判别结果确定变压器故障类别。
[0015]进一步地，所述步骤1中还包括：
[0016]所述采集变压器运行数据包括采集变压器正常工况下的变压器油中溶解气体数据、变压器电气试验数据和变压器绝缘油特性试验数据作为训练样本集；将所述采集数据作为训练样本集x∈R
n
×
m
，其中n是测量样本数，每个样本包含m个观测值；采用Z
‑
score方法对所述采集数据进行归一化处理，公式为：
[0017][0018]计算采集数据的均值μ和标准差σ后，通过上式使得处理后的数据均值为0，方差为1。
[0019]进一步地，所述变压器油中溶解气体数据包括H2、C2H2、CH4、C2H6、C2H4及总烃的含量；还包括总烃的产气速率以及CO2级CO气体含量的比值；所述变压器电气试验数据包括变压器介质损耗因素、绕组泄漏电流、绝缘电阻和绕组直流电阻相间差；所述变压器绝缘油特性试验数据包括绝缘油介损、油中含水量和糖醛含量。
[0020]进一步地，所述步骤2中还包括：
[0021]在归一化处理后的每个变量后叠加t时刻前s个时刻的向量建立时滞增广矩阵X(s)以反映变量之间的动态关系，建立动态核矩阵分离故障变量
[0022][0023]式中：x
t
表示在时刻t采集的样本，s表示时滞，n是样本的数量。
[0024]进一步地，所述步骤3中还包括：
[0025]选取核函数为径向基核函数K＝exp(
‑
||x
‑
y||2/2σ2)，将测量样本映射到高维特征空间，时滞增广矩阵X(s)映射为Φ(s)，然后在特征空间下建立数据协方差矩阵
[0026][0027]式中：Φ
i
(t:t
‑
s)是映射后的动态数据增广矩阵；
[0028]对协方差矩阵进行特征矢量分解，找到由特征向量v定义的最优超球面
[0029][0030]式中：α
i
是系数向量，v是特征向量；
[0031]计算动态核矩阵
[0032]K＝<Φ
i
(t:t
‑
s),Φ
j
(t:t
‑
s)>
[0033]在特征空间下进行中心化处理，使得核矩阵中心化为式中：I
n
是单位矩阵；
[0034]由动态核主元的目标函数
[0035][0036]式中：K是动态核矩阵；
[0037]求解得分向量其中保留的主元个数使用累计方差贡献率准则确定(R
CPV
＞95％)；
[0038]基于提取的得分向量，建立平方预测误差(SPE)和Hotelling
’
s T2统计量确定故障的控制限：
[0039]T2＝[t1,t2,
…
,t
k
]Λ
‑1[t1,t2,
…
,t
k
]T
[0040][0041]式中：Λ
‑1表示主元特征值组成的对角矩阵的逆矩阵。
[0042]进一步地，所述步骤4中还包括：
[0043]计算T2统计量的贡献和SPE统计量的贡献
[0044][0045][0046]式中：v
i
是第i个特征向量，x
new
是新样本。
[0047]进一步地，所述步骤5中还包括：
[0048]将变压器故障分为C类，故障变量数为N，记为r＝{r1,r2,...,r本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DKPCA和KFDA的变压器故障检测及分类方法，其特征在于：步骤1，采集变压器运行数据，采用Z
‑
score方法对采集数据做归一化处理，使得处理后的数据均值为零，方差为1；步骤2，在每个变量后叠加t时刻前s个时刻的向量构成时滞增广矩阵X(s)以反映变量之间的动态关系；步骤3，找到由特征向量v定义的最优超球面，建立动态核矩阵分离故障变量，根据定义的动态核主元目标函数，使得最大方差信息得以保留，通过提取的得分向量建立SPE和T2统计量检测故障的发生；步骤4，分别计算过程中每个变量对T2统计量的贡献对SPE统计量的贡献并绘制工作贡献直方图，根据故障贡献图中的最大贡献度判断导致故障的变量；步骤5，根据KFDA判别结果确定变压器故障类别。2.根据权利要求1所述的变压器故障检测及分类方法，其特征在于，所述步骤1中还包括：所述采集变压器运行数据包括采集变压器正常工况下的变压器油中溶解气体数据、变压器电气试验数据和变压器绝缘油特性试验数据作为训练样本集；将所述采集数据作为训练样本集x∈R
n
×
m
，其中n是测量样本数，每个样本包含m个观测值；采用Z
‑
score方法对所述采集数据进行归一化处理，公式为：计算采集数据的均值μ和标准差σ后，通过上式使得处理后的数据均值为0，方差为1。3.根据权利要求2所述的变压器故障检测及分类方法，其特征在于，所述步骤2中还包括：在归一化处理后的每个变量后叠加t时刻前s个时刻的向量建立时滞增广矩阵X(s)以反映变量之间的动态关系，建立动态核矩阵分离故障变量式中：x
t
表示在时刻t采集的样本，s表示时滞，n是样本的数量。4.根据权利要求3所述的变压器故障检测及分类方法，其特征在于，所述步骤3中还包括：选取核函数为径向基核函数K＝exp(
‑
||x
‑
y||2/2σ2)，将测量样本映射到高维特征空间，时滞增广矩阵X(s)映射为Φ(s)，然后在特征空间下建立数据协方差矩阵式中：Φ
i
(t:t
‑
s)是映射后的动态数据增广矩阵；对协方差矩阵进行特征矢量分解，找到由特征向量v定义的最优超球面
式中：α
i
是系数向量，v是特征向量；计算动态核矩阵K＝<Φ
i
(t:t
‑
s),Φ
j
(t:t
‑
s)>在特征空间下进行中心化处理，使得核矩阵中心化为式中：I
n
是单位矩阵；由动态核主元的目标函数s.t.α
T
Kα＝1式中：...

【专利技术属性】
技术研发人员：李鹏，张起，郎恂，高莲，
申请(专利权)人：云南大学，
类型：发明
国别省市：