基于最大相关最小冗余准则的变压器故障诊断特征选择.pdf

第37卷第7期
电工电能新技术
2018年7月
Advanced Technology of Electrical Engineering and Energy
Jul.2018
基于最大相关最小冗余准则的变压器故障
诊斷特征选择
辜超,杨祎,张晓星2,金森2,周思远2
(1.国网山东省电力公司电力科学研究院,山东济南25000
2.武汉大学电气エ程学院,湖北武汉430072)
摘要:电力变压器油中溶解气体分析(DGA)技术广泛应用于变压器内典型故障诊断,其中基于
DGA数据的人工智能诊断方法在变压器故障诊断颌域具有较高的识别率,但该类方法在选择故障
特征量时尚无统一的标准。鉴于此,本文尝试引入最大相关最小冗余算法(mRMR),以互信息理论
为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系,通过分析大量的DGA
在线监测数据挖掘出最优的变压器故暲特征量集,并采用支持向量机(SVM)分类器对比优选特征
量集和传统的特征量集合在变压器故障诊断的效率。最后,通过与SVM智能分类、IEC推荐的三
比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案,故障识别效率
高于新型的人工智能诊断方案,更适合于现场的工程应用及推广。
关键词:电力变压器;故障诊断;溶解气体分析;最大相关最小冗余
DOI:10.12067/ ATEEE1709056
文章编号:1003-3076(2018)07-0084-06
中图分类号:TM4
1引言
结合的变压器故障诊断方案,关注智能分类器的训
练效率,引入ん近邻综合决策法提高故障识別率。
电力变乐器作为输变电系统中最为核心的设备文献[9]提出的改进人工鱼群优化粗糙集算法对故
之一,其故障诊断与状态评估技术的研究一直是电障样本输人特征维度进行约简,有效地简化了变压
力行业关注的焦点。油中溶解气体分析(Dis-器的诊断工作
solved Gas Analysis,DGA)是目前应用最广泛的电力
然而,日前变压器智能诊断方法的输入故障特
变压器运行状态诊断技术2?。
征量普遍采用H2、CH4、C2H6、C2H4、C2H2等主要特
以山东省电网为例,几乎所有110kV电压等级征气体及部分比值,在选择特征量中并没有充足的
以上的电力变压器都配有DCA监测系统,利用检测依据,因此,如何选择与故障类型更加紧密的故障特
到的DCA气体数据与IFC推荐的改良三比值法,工征量是目前变压器故障智能诊断中忽略的一个问
作人员能有效诊断变压器故障,然而该方法在现场题。由 Peng Hanchuan提出的最大相关最小冗余
应用中存在编码不全或者编码过界等缺陷。为此,准则,基于互.信息理论,通过挖掘特征变量之问的关
国内外研究人员开发了以人工神经网络( Artficial联关系,获取与日标类别相关度最大的特征参量集
Neural Network,ANV)、支持向量机( Support Vec-合,成为」备受关注的经典有效的选择特征方法,已
Lor Machine,SVM)模糊理论(FCM)?、灰色关联在人工智能算法、医学疾病诊断、生物工
度?、聚类算法等智能方法为基础的故障诊断方程、电力工程等应用领域得到了广泛认可
案,为变斥器故障诊断提供新的技术支持。文献
本文针对变压器内DGA数据(H,、CH4、C2
8]提出的遗传支持向量机与灰色人工免疫算法相C2H1、C2H2),构建完备的变压器放障特征比偵全
收稿日期:2017-09-2
基金项目:国家高技术研究发展计划(863计划)项目(2015AA050402)
作者简介:辜超(1971-),男,四川籍,高级工程师,研究方向为输变电设备状态评估;
杨布(1986-),女,山东籍,工程师,倾士,研究方向为输变电设备状态监测和状态评估。
辜超,杨袆,张晓星,等.基于最大相关最小冗余准则的变压器故障诊断特征选择[J.电工电能新技术,2018,37(7):84-89.
85
集,引人最大相关最小冗余算法对故障特征全集进原则实现最优特征集S。的选取,现假定已经获取了
行数据挖掘分析,优选出与故障类型相关度最大的mー1个特征所组成的特征集Sn1,则第m个特征
故障特征作为输入达到原始数据中的故障特征信息可通过式(5)中的算子来进行搜索?
的最大化表达,并采用SVM分类器对优选故障特征
集的故障诊断效果进行测试,确定最优的故障特征,
max V WID, VWD=max1(f,, c
∑)}
最后通过不同的故障分类方法对比验证本文提出方
max V MTO y
∑(0
法的有效性
2最大相关最小冗余(mRMR)算法模型
式中,f为原始特征集中不包含Sn1中特征量的其
2.1最大相关最小冗余基本原理
他特征。
最大相关最小冗余准则以互信息リ为衡量变
量之问相关度的基础标准,通过最大相关最小冗於3基于mRMR的变压器故障特征量优选
的准则进行特征优选。
3.1变压器内故障类型
(1)互信息理论
变压器内的故障类型主要为过热故障和放电故
互信息是mRMR算法中相关度与冗余度的计障,故障出现后变压器内的绝缘油和绝缘纸会分解
算基础,其理论定义如下
出与故障类型相关的故障特征气体,如目前检测到
给定的两个随机变量x和y,它们的概率密度的N2、02、H2、CH4、C2H2、C2H4、C2H。、CO、CO2等气
与联合概率密度定为p(x)、p(y)、p(x,y),则两个体,这些故障气体与故障类型之问存在着密切的关
变量之间的互信息、1的公式定义为:
系,通过分析油中浴解气体可以辦识出变压器内发
(ェ,y)=『p(x,y)log
生的故障。
p(p(y
本文故障诊断研究主要针对日前変压器内存在
(2)最大相关原则
的五种典型故障类型,故障类型及其相关说明如表
该准则要求所选的特征集与目标类別有最大的1所
依赖性,其衡量式为
表1油浸式变压器内典型故障类型
maxD(S,),D=T∑
Tab. I Typical fault types in oil-immersed transformer
类型典型故障类型
故障描述
式中,S为特往子集:S为特征量的个数为第。m中低温过热、交压器过负荷运行或者油流阻容
个特征;c为目标类别
(低于700℃)
(3)最小冗余准则
高温过热
T2(高于700℃
变压器铁心内硅钢片发生短路
该准灲要求所选的特征集中各特征间的相关性
等原因引起的高温过热
最小,其衡量标准用特征间的互信息最小化来定
连接不良形成的不同电位或悬浮
义
低能放电电位等原因引起的诸如变压器套管
与箱壁等部件之间的低能放电
min R(S), R
∑()(3)
变压器套管与箱体、变压器内线圈
14
高能放电
短路等原因引起的沿面放电
2.2mRMR算法搜索规则
电弧等高能放电
mMRM算法结合最大相关和最小冗余准则,分
15局部放电
变压器内浸渍不完全、变压器纸
別定义了算子1:信息差( Mulual Informalion Differ
湿度过高等原因引起的局部放电