【技术实现步骤摘要】
本专利技术涉及变压器故障诊断，具体涉及一种变压器故障智能诊断方法及系统。
技术介绍
1、变压器是一种重要的电力设备，变压器一旦发生故障不仅不利于人们日常生活，甚至会对人身安全造成威胁。因此需要预测、检测和诊断变压器的故障，从而提高电力系统的可靠性和安全性。
2、变压器的故障诊断可以通过对变压器电压的异常检测来完成，现有技术在采用局部离群因子算法（local outlier factor，lof）对异常数据进行检测时，通常设定固定k值来确定邻域大小，故不能准确反映数据的分布情况，从而不能准确筛选出异常数据，影响变压器故障诊断的准确度。
技术实现思路
1、为了解决现有技术采用lof算法对异常数据检测时，采用固定k值确定邻域大小不能够准确反映数据的分布情况，导致不能准确筛选出异常数据，从而影响变压器故障诊断的准确度的技术问题，本专利技术的目的在于提供一种变压器故障智能诊断方法及系统，所采用的技术方案具体如下：
2、获取预设范围内所有变压器的三相电压时序数据，并将任意一相电压时序数据作为目标电压数据，将任意一个变压器作为目标变压器，将目标变压器的目标电压数据作为待测数据；
3、根据三相电压中三相平衡的性质获得待测数据中每个采样点的异常权重；基于预设时段对所述待测数据进行划分，获得电压数据段；根据每个所述电压数据段中数据值的波动情况和采样点的异常权重，获得每个采样点对应的波动特征值；
4、根据待测数据中所有电压数据段之间的数据值的变化情况以及异
5、根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况，获得所述待测数据中每个采样点的异常可信度；根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值；
6、在所述待测数据中，根据每个采样点的最终异常值调整预设k值，获得每个采样点的自适应k值；根据所有采样点的所述自适应k值对采样点进行异常检测，判断目标变压器是否出现故障。
7、进一步地，所述异常权重的公式模型为：
8、；其中，表示待测数据中第个采样点的异常权重，表示待测数据中第个采样点对应的三相电压的代数和，表示以自然常数为底的指数函数，表示归一化函数，表示预设正整数。
9、进一步地，所述波动特征值的公式模型为：
10、；其中，表示待测数据中第个电压数据段中第个采样点对应的波动特征值，表示待测数据中第个电压数据段中第个采样点的数据值，表示待测数据中第个电压数据段中除第个采样点外的第个采样点的数据值，表示待测数据中第个电压数据段中除第个采样点外的第个采样点的异常权重，表示待测数据中第个电压数据段中的采样点总数，表示归一化函数。
11、进一步地，所述根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况，获得每个电压数据段对应的波动权重，包括：
12、在所述待测数据中，将每个电压数据段中所有采样点的数据值的均值作为电压均值，将每个电压数据段中所有采样点的异常权重的均值作为异常因子；
13、将所述待测数据中任意一个电压数据段作为目标数据段，将所述目标数据段与其他每个电压数据段之间的电压均值的差异作为电压差异，将所述目标数据段与其他每个电压数据段之间的异常因子的差异进行负相关映射并归一化后的值，作为影响差异；根据所述目标数据段与其他每个电压数据段的电压差异和影响差异获得约束值，所述电压差异以及影响差异均与所述约束值呈正相关；
14、将所述目标数据段与其他所有电压数据段的约束值的均值进行归一化后的值，作为目标数据段的所述波动权重。
15、进一步地，所述根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值，包括：
16、将每个所述电压数据段中每个采样点对应的波动特征值和波动权重的乘积作为每个采样点的初始异常值。
17、进一步地，所述根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况，获得所述待测数据中每个采样点的异常可信度，包括：
18、将所述预设范围内所有变压器的目标电压数据中每个采样点与其距离最近的极值点之间的距离作为每个采样点对应的间隔距离；
19、将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔距离的差异进行负相关映射并归一化后的值，作为间隔相似值；将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点的数据值的差异，作为幅值差异；
20、将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔相似值与幅值差异相乘，获得待测数据中每个采样点的可信度因子；
21、将所述待测数据中每个采样点的所有可信度因子的均值进行归一化后的值，作为待测数据中每个采样点的异常可信度。
22、进一步地，所述根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值，包括：
23、在所述待测数据中，根据每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值，所述初始异常值和所述异常可信度均与所述最终异常值呈正相关。
24、进一步地，所述在所述待测数据中，根据每个采样点的最终异常值调整预设k值，获得每个采样点的自适应k值，包括：
25、将每个采样点的最终异常值进行归一化并负相关映射后的值，作为调整系数，将所述调整系数与预设k值相乘后并向上取整，获得每个采样点的自适应k值。
26、进一步地，所述根据所有采样点的所述自适应k值对采样点进行异常检测，判断目标变压器是否出现故障，包括：
27、基于lof算法根据待测数据中所有采样点的所述自适应k值对采样点进行异常检测，获得每个采样点的局部异常因子；
28、将局部异常因子大于预设异常阈值的采样点作为异常点，在异常点对应的时刻，目标变压器存在故障；
29、将局部异常因子小于或等于预设异常阈值的采样点作为正常点，在正常点对应的时刻，目标变压器正常工作。
30、本专利技术还提出了一种变压器故障智能诊断系统，所述系统包括：
31、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
32、本专利技术具有如下有益效果：
33、本专利技术首先获取预设范围内所有变压器的三相电压时序数据，由于仅对单相电压进行分析会存在一定偏差，故通过三相电压中三相平衡的性质获得异常权重，由此在分析单相电压时，能够消除偏差；由于变压器异常时，电压数据会存在较大波动，故对单项电压数据进行局部分析，划分电压数据段，然后根据数据段中电压数据值的波动情况，结合异常权重，获得每个采样本文档来自技高网...
【技术保护点】
1.一种变压器故障智能诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述异常权重的公式模型为：
3.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述波动特征值的公式模型为：
4.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况，获得每个电压数据段对应的波动权重，包括：
5.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值，包括：
6.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况，获得所述待测数据中每个采样点的异常可信度，包括：
7.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的
8.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述在所述待测数据中，根据每个采样点的最终异常值调整预设K值，获得每个采样点的自适应K值，包括：
9.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据所有采样点的所述自适应K值对采样点进行异常检测，判断目标变压器是否出现故障，包括：
10.一种变压器故障智能诊断系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
...【技术特征摘要】
1.一种变压器故障智能诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述异常权重的公式模型为：
3.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述波动特征值的公式模型为：
4.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况，获得每个电压数据段对应的波动权重，包括：
5.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值，包括：
6.根据权利要求1所述的一种变压器故障智能诊断方法，其特征在于，所述根据所述预设范围内所有变压器的目标电压数据中数据值之间的...
【专利技术属性】
技术研发人员：高创业，龚长鸿，高盛嘉，
申请(专利权)人：东莞市郡嘉电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。