申请/专利权人：宁波大学

申请日：2020-08-24

公开（公告）日：2020-12-11

公开（公告）号：CN112067052A

主分类号：G01D21/02(20060101)

分类号：G01D21/02(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2022.07.08#发明专利申请公布后的撤回;2020.12.29#实质审查的生效;2020.12.11#公开

摘要：本发明公开一种基于特征选择的油侵式变压器故障诊断方法，利用变压器油中的溶解气体浓度数据，实施特征扩展与分类特征选择，并利用选择后的特征建立概率神经网络模型，从而实施变压器故障诊断。具体来讲，本发明方法首先对溶解气体浓度数据进行统计特征和比值特征的双重构造。其次，本发明方法利用近邻成分分析算法选择最适合故障分类诊断的特征变量。最后，利用选择的特征变量建立概率神经网络模型实施变压器故障诊断。本发明方法的优势在于：首先本发明方法先通过特征扩展再进行特征优选，极大的保证了分类模型的精度；其次，本发明方法操作简单，非常易于实施。

主权项：1.一种基于特征选择的油侵式变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：对油侵式变压器运行在7种不同工作状态下的溶解气体浓度数据进行特征扩展，从而得到健康工作状态下的N0个特征向量局部放电故障状态下的N1个特征向量火花放电故障状态下的N2个特征向量电弧放电故障状态下的N3个特征向量中温过热故障状态下的N4个特征向量低温过热故障状态下的N5个特征向量和高温过热故障状态下的N6个特征向量具体的实施过程包括如下所示步骤1.1至步骤1.5；步骤1.1：变压器油中的溶解气体浓度数据具体包括：氢气浓度甲烷浓度乙烷浓度乙烯浓度和乙炔浓度这5个浓度数据，可组建溶解气体浓度向量其中，k表示样本编号，上标号c∈{0，1，2，3，4，5，6}分别指代健康工作状态，局部放电故障状态，火花放电故障状态，电弧放电故障状态，中温过热故障状态，低温过热故障状态，和高温过热故障状态；步骤1.2：根据如下所示公式分别计算各个溶解气体浓度向量的均值标准差峰度偏度均方根峰值因子形状因子脉冲因子边缘因子最大对数 其中，b∈{1，2，3，4，5}，表示计算中元素的最大值；步骤1.3：根据如下所示公式计算各个溶解气体浓度向量的比值系数 上式中，d∈{1，2，…，15}；步骤1.4：根据构造特征向量其中，上标号T表示矩阵或向量的转置符号；步骤1.5：重复上述步骤1.2至步骤1.4从而分别得到油侵式变压器运行在7种不同工作状态下的特征向量；步骤2：组建特征矩阵组建类标号向量y＝[y0，y1，…，y6]T∈RN×1；其中，N＝N0+N1+…+N6，RN×1表示N×1维的实数向量，向量中所有元素都等于0，向量中所有元素都等于1，向量中所有元素都等于2，向量中所有元素都等于3，向量中所有元素都等于4，向量中所有元素都等于5，向量中所有元素都等于6；步骤3：对特征矩阵X∈RN×25实施标准化处理后，再利用近邻成分分析算法得到特征权重向量w∈R1×25；步骤4：从特征权重向量w中找出最大的f个元素，将这f个元素在w中的位置记录为位置集合φ，并对应的从特征矩阵X中选取相同位置的列向量，组建新特征矩阵其中，RN×f表示N×f维的实数矩阵；步骤5：以中各个行向量做为输入数据，以类标号向量y中相应行的元素做为输出数据，建立概率神经网络模型；步骤6：新测量得到油侵式变压器中的溶解气体浓度数据，具体包括氢气浓度，甲烷浓度，乙烷浓度，乙烯浓度，和乙炔浓度这5个浓度数据；步骤7：对步骤6中的5个浓度数据进行特征扩展，从而得到特征向量xnew∈R1×25，具体的实施过程与上述步骤1.1至步骤1.4相同，再根据步骤4中记录的位置集合φ从特征向量xnew中选择相应位置的元素，组建新特征向量步骤8：以新特征向量做为输入数据，利用步骤5中建立的概率神经网络模型，计算得到输出估计值ynew，并根据输出估计值ynew确定出油侵式变压器的当前工作状态。

全文数据：

权利要求：

百度查询： 宁波大学 一种基于特征选择的油侵式变压器故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD