技术领域
[0001] 本发明属于电力设备故障检测技术领域，具体涉及一种变压器故障诊断方法。
相关背景技术
[0002] 变压器是电力系统的一个重要部件，可靠运行对电力系统的安全性影响巨大，其故障诊断一直受到国内外学术界与工程界人员的广泛重视。近年来，国内外学者提出了多种变压器故障诊断的方法，如人工神经网络、贝叶斯网络、专家系统和支持向量机等。公茂法等提出了一种基于BP网络算法优化模糊Petri网的电力变压器故障诊断方法，提高了故障诊断正确率。针对变压器故障诊断中的信息具有随机性和不确定性的特点，宋功益等提出了一种基于模糊贝叶斯网络的变压器故障诊断方法。师瑞峰等提出了一种可扩展的油中溶解气体成分的电力变压器故障诊断系统，该系统具有较好的操作性和判别准确率。郑含博等针对变压器油中溶解气体，提出了一种多分类最小二乘支持向量机和改进粒子群优化相结合的电力变压器故障诊断方法。但上述诊断方法和系统主要以数据分析为主，对变压器运行状态量之间的关联性和内在联系分析不足，变压器故障诊断存在误差。因此，我们迫切需要一种准确判断变压器故障诊断的方法。
具体实施方式
[0033] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0034] 参见图1，一种变压器故障诊断方法，包括如下步骤：
[0035] 1)、收集280个变压器现场故障诊断的案例，并对案例进行整理归类；整理归类是对原始数据进行核实验证，按故障类别对数据进行归类；
[0036] 2)、建立故障诊断规则库
[0037] 将280个变压器现场故障诊断的案例进行离散化，对状态量与故障模式进行编号，建立状态量与故障模式之间的因果关系，从而形成故障诊断规则库；其步骤为：将原始数据进行离散化，按在线监测、带电检测、停电试验和巡检建立变压器的状态量，对于同时存在在线监测、带电检测、停电试验的状态量值，按停电试验、带电检测、在线监测的先后顺序进行赋值，这种依据数据的可靠性取值，保证了状态量值的准确和有效；
[0038] 状态量的取值根据状态量的特征进行取值，例如对于巡检中0代表正常，1代表异常；油色谱按最常使用的改良三比值法进行取值；绕组频率响应按严重程度取0、1、2、3分别对应绕组正常、轻微、明显、严重变形等；
[0039] 280个变压器现场故障诊断的案例中变压器故障诊断状态量有104个，故障模式有32个，编码表如表1所示；
[0040] 表1状态量编码
[0041]编号 状态量 状态值
M1 油色谱 改良三比值
M2 绕组直流电组 0：正常；1：异常
M3 绕组频率响应 0：正常；1：轻度变形；2：中度变形；3：严重变形
M4 绕组变比 0：正常；1：偏高异常；-1：偏低异常
M5 局部放电 0：正常；1：异常
M6 铁芯接地电流 0：正常；1：异常
M7 瓦斯继电器保护动作 0：正常；1：异常
M8 红外测温 0：正常；1：异常
M9 顶层油温 0：正常；1：异常
... ... ...
M104 油箱渗漏油 0：正常；1：异常
[0042] 表2故障模式编码
[0043]
[0044] 根据收集的280个变压器现场故障诊断的案例，结合行业内权威专家的经验，形成80条知识规则，表3中*表示状态量与故障模式不相关；
[0045] 表3故障诊断知识规则库
[0046]
[0047] 每条知识规则由变压器故障案例抽象出来，每条规则库包含了若干条实际的案例。这些案例包括详细的故障处理措施、设备信息、气象、图片和视频等信息，通过查看这些案例，能指导用户进行故障的处理和分析；本发明的知识规则库随着专家现场诊断经验的积累而不断的丰富，规则库还具有自学习功能，能将确诊的案例自动抽象为故障诊断的知识规则，并添加到故障诊断规则库中；
[0048] 3)、根据变压器状态进行故障诊断
[0049] 输入变压器相关的状态量；
[0050] 对N＝80条故障规则进行遍历；
[0051] 以16核的服务器为例,将N＝80条故障诊断规则分成L＝16个推理机，每个推理机实现的知识规则条数K＝5；
[0052] 每个推理机作为单独的函数，输入变压器相关的状态量，L＝16个故障推理机由OpenMP并行执行，每个推理机找出与输入的状态量相匹配的故障诊断结果，将每个推理机诊断的结果进行合并，以匹配最佳的规则为变压器故障诊断结果；
[0053] 4)、通过WebService接口输出变压器故障诊断结果。
[0054] 参见图1，程序开始时只有一个主线程，输入变压器相关的状态量,16个故障推理机由OpenMP并行执行，每个推理机诊断的结果由主程序进行合并，作为最终的诊断结果输出。
[0055] 为了验证本发明方法的有效性和可行性，通过收集的案例库进行验证。实验环境如下：CPU：Intel(R)Xeon(R)E7-4830 2.13GHz 2.93GHz，共16个核；内存：64G；运行环境：Visual Studio 2013和MyEclipse 2014。变压器规则推理的服务在Windows环境下采用C++编写，服务调用在Linux环境下采用Java编写。利用神经网络、贝叶斯网络和本发明方法对收集的280个案例进行故障诊断，诊断结果的比较如表4所示。
[0056] 表4三种方法的比较结果
[0057]方法 平均运行时间(ms) 准确率
神经网络 7324 83.93％
贝叶斯网络 5243 81.79％
本发明方法 1263 93.93％
[0058] 本发明方法进行故障诊断的时间短，准确率高，相比其他两种方法更加有效，更加适合对变压器故障进行诊断。
[0059] 用本方法对某台10kV变压器进行故障诊断，该变压器异常的状态数据如下：油温偏高，红外带电检测发现套管发热，套管表面有裂纹现象。采用本发明方法进行故障诊断的结果为：故障模式为套管绝缘受潮劣化。通过摇表检查瓷套管与地间的绝缘电阻，确认了系统自动诊断的结果与实际情况一致，本方法对现场的运维人员有很好的指导意义。
[0060] 本发明提出了一种基于规则推理的变压器并行故障诊断服务，通过OpenMP对基于规则推理的变压器故障诊断算法进行多核并行加速，采用WebService方式封装该算法，并对外提供服务；实现了不同平台不同语言间的算法调用，接口清晰灵活，故障诊断准确率高，运行时间短，非常适合对各个电压等级的变压器进行故障诊断。
[0061] 应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
