【技术实现步骤摘要】
本专利技术属于变压器故障概率计算领域，涉及一种基于相关性分析的变压器故障概率计算方法。
技术介绍
1、变压器是电力系统中至关重要的设备，变压器的故障会对电力系统的稳定性和运行造成严重威胁。实时评估变压器发生故障的概率，可以尽早发现问题，避免更大的事故。现有的变压器故障概率计算方法多依赖于人工选择参数来进行监测和分析，这种基于主观选择的方法存在一些不足，如可能忽略潜在的重要特征，难以处理大量数据，以及容易受到主观因素的影响等。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于相关性分析的变压器故障概率计算方法，自动识别变压器监测数据中的关键特征，并计算出设备的故障概率，实时了解设备风险程度，有助于在故障之前采取适当的维护措施，降低停电风险并延长设备寿命。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于相关性分析的变压器故障概率计算方法，包括以下步骤：
4、s1：将变压器特征数据集划分为正常组和故障组；采用相关性分析量化每个特征与故障变量之间的相关性，识别和定位主要的故障特征，并为每个特征设置权重，构建特征权重表；
5、s2：为每个特征构造训练数据集，进行聚类分析，构造特征故障参数模型；
6、s3：利用特征故障参数模型计算各特征的故障参数，结合特征权重表，计算变压器设备的综合故障概率。
7、进一步，步骤s1中，使用点二列相关系数来量化每个特征与故障变量之间的相关性，识别和定位主要的故障特
8、s11：首先将故障变量编码：用一个二元的数值变量，表示变压器是否发生了故障，其中1表示发生故障，0表示正常；
9、s12：计算均值：计算每个特征在故障组(1)和正常组(0)中的平均值；
10、s13：计算标准差：计算每个特征在故障组和正常组中的标准差；
11、s14：计算点二列相关系数rpb，计算公式如式(1)所示：
12、
13、其中，和分别是特征在故障组和正常组中的均值，s12和s02分别是特征在故障组和正常组中的方差；
14、点二列相关系数的值介于-1和1之间；如果rpb＝1，表示完全正相关；如果rpb＝-1，表示完全负相关；如果rpb＝0，表示无相关性；正值表示正相关，负值表示负相关；绝对值高的相关性系数的绝对值越高，表示特征与故障变量的相关性越强；根据点二列相关系数的绝对值大小排序，选取|rpb|＞0且排名靠前的特征进行后续分析计算。
15、进一步，步骤s1中所述为每个特征设置权重，具体包括：用wi表示第i个特征的权重，各特征的权重根据各特征所对应的|rpb|的比例设置，各特征权重之和为1，计算公式如下：
16、
17、其中n表示特征总数，j表示第j个特征，|rpb|i和|rpb|j分别表示第i个特征和第j个特征的点二列相关系数的绝对值。
18、进一步，步骤s2具体包括以下步骤：
19、s21：对正常组中的每一个特征，构造训练数据集di＝{di1，di2，...，din}，di表示第i个特征的训练数据集，din表示第i个特征的第n个数据，使用k-means算法对特征的训练集di进行聚类，将每个特征的数据集分为正常状态和异常状态两类；
20、s22：对于故障组中的每一个特征，用同样的方式构造出训练集，然后依次和正常组中相应特征的聚类结果进行合并，并得到最新的簇中心；
21、s23：构造特征故障参数模型。
22、进一步，步骤s21中所述使用k-means算法对特征的训练集di进行聚类，具体步骤如下：
23、s211：随机选择两个数据点作为初始聚类中心，然后将每个数据点分配给与其最近的聚类中心所属的簇；
24、s212：重新计算每个簇的中心，即该簇内所有数据点的平均值；
25、s213：循环执行前两个步骤，直到聚类中心不再发生显著变化，或者达到预定的迭代次数；
26、s214：最终每个数据点都被分配到某一个簇，形成聚类结果，其中每个簇都有一个中心点代表该簇的特征；
27、s215：聚类将样本分为两簇，若其中一簇的样本量远大于另一类，标记样本量多的簇为正常状态，样本量少的一簇为异常状态。
28、进一步，步骤s22中，对某一特征，合并方式如下：
29、s221：保留之前对正常组中的k-means聚类得到的已有的聚类中心以及它们的簇标签；
30、s222：将故障组中构造出的新训练集与已有数据集合并，形成一个扩展后的数据集；
31、s223：对于新加入的数据点，计算它们与已有的聚类中心之间的距离，并将它们分配到距离最近的簇中，使用之前得到的簇标签来表示所属簇；
32、s224：对于每个簇，根据该簇内所有数据点的平均值来更新中心点；
33、s225：重复迭代，执行步骤s223和步骤s224，直到所有数据点都被分配到一个簇。
34、进一步，步骤s23所述构造特征故障参数模型，具体包括：
35、用mui_nor和mui_abn分别表示第i个特征的正常状态簇的中心点和异常状态簇的中心点，令vi表示待诊断设备的第i个特征的值；
36、首先计算vi到正常状态簇的中心点和异常状态簇的中心点的距离，计算公式如下：
37、lennor＝|vi-mui_nor|
38、lenabn＝|vi-mui_abn|
39、然后根据特征故障参数模型计算出特征的故障参数，特征故障参数模型如下：
40、
41、式中，pi表示第i个特征的故障参数，ratio的计算公式如下：
42、
43、据此，分别得到每个特征的故障参数：p1，p2，...，pn。
44、进一步，步骤s3中，综合故障概率计算表达式如下：
45、
46、p表示设备的第1，2，...，n个特征的故障参数分别为p1，p2，...，pn时的设备故障概率，wi表示特征i的权重。
47、本专利技术的有益效果在于：
48、①利用相关性分析自动确定与变压器故障相关的特征，可以更准确地捕捉故障和各种参数之间的关系，提高了故障概率计算的精度。
49、②综合分析重要特征的权重，建立故障概率模型，从而提前发现潜在问题，减少停电风险，降低维护成本。
50、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于相关性分析的变压器故障概率计算方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S1中，使用点二列相关系数来量化每个特征与故障变量之间的相关性，识别和定位主要的故障特征，具体包括以下步骤：
3.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S1中所述为每个特征设置权重，具体包括：用wi表示第i个特征的权重，各特征的权重根据各特征所对应的|rpb|的比例设置，各特征权重之和为1，计算公式如下：
4.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S2具体包括以下步骤：
5.根据权利要求4所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S21中所述使用K-Means算法对特征的训练集Di进行聚类，具体步骤如下：
6.根据权利要求4所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S22中，对某一特征，合并方式如下：
7.根据权利要求4所述的基于相关性分析的
8.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤S3中，综合故障概率计算表达式如下：
...【技术特征摘要】
1.一种基于相关性分析的变压器故障概率计算方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤s1中，使用点二列相关系数来量化每个特征与故障变量之间的相关性，识别和定位主要的故障特征，具体包括以下步骤：
3.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其特征在于：步骤s1中所述为每个特征设置权重，具体包括：用wi表示第i个特征的权重，各特征的权重根据各特征所对应的|rpb|的比例设置，各特征权重之和为1，计算公式如下：
4.根据权利要求1所述的基于相关性分析的变压器故障概率计算方法，其...
【专利技术属性】
技术研发人员：何小红，周有为，高忠江，钟雨哲，冉薇，吴丹，秦香玲，范与舟，
申请(专利权)人：中冶赛迪电气技术有限公司，
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。