一種基于gep算法的智能電網在線故障診斷方法
【專利摘要】本發明公開了一種基于GEP算法的智能電網在線故障診斷方法，它包括基于GEP算法的變壓器的故障診斷方法以及基于該診斷方法的故障診斷設備。該變壓器的故障診斷方法包括對氣體濃度數據進行歸一化處理，利用7個GEP分類器，對變壓器的5種常見狀態進行分類，以判斷變壓器是否故障以及具體地故障類型。該方法可以在有限的訓練樣本下得到較為準確的結果，提高了故障診斷的準確率。
【專利說明】-種基于GEP算法的智能電網在線故障診斷方法

【技術領域】
[0001] 本發明涉及電力變壓器故障診斷領域，特別涉及一種基于GEP算法的智能電網在 線故障診斷方法。

【背景技術】
[0002] 安全、穩定的供電系統是國民經濟發展的重要基礎，是現代工業社會和諧發展的 必要條件。電力變壓器是電力系統中的重要樞紐設備，其運行的可靠性直接關系到電力系 統的安全性與穩定性。目前大型變壓器在運行中出現異常現象的情況時有發生，對電網的 安全運行造成了嚴重威脅。
[0003] 國內電力系統中大多數電力變壓器采用絕緣油對內部系統進行散熱和絕緣，而變 壓器處于不同運行狀態時，其絕緣油中溶解氣體組分和濃度各不相同，對油中溶解氣體進 行采樣和分析，即可推斷出變壓器的運行狀態，可以有效地對變壓器進行故障診斷。然而變 壓器結構的復雜性以及故障原因、故障現象和故障機理的多樣性、隨機性和模糊性，使得其 絕緣故障診斷存在許多困難。利用油中溶解氣體分析（DGA，Dissolved Gas Analysis)方 法，檢測油浸變壓器內部故障，已成為對其進行絕緣監督的重要手段。但是故障特征氣體與 故障之間存在復雜的非線性關系，傳統的IEC三比值法和無編碼比值法判斷過于簡單化， 且存在比值盲區問題，往往不能對故障進行準確的診斷。
[0004] 近年來，眾多人工智能方法被單獨或交叉應用于DGA故障診斷表的建立中，且不 同程度的改善了故障表的適應性。基因表達式程序設計（GEP)分類方法無需人為選擇數學 模型，能夠根據與問題有關的終結點集和函數集，自動生成與訓練數據相擬合的函數表達 式，從而對變壓器油色譜數據進行精確分類，為變壓器故障的診斷技術的發展開拓了新的 途徑。GEP算法具有優良的逼近任意非線性映射的能力，以及優秀的自適應性，在有限的訓 練樣本下可以得到較為準確的結果。
[0005] 基因表達式程序設計（GEP)是由葡萄牙科學家C. Ferreira發明的一種基于基因 模型和表現型的新型遺傳算法，其從遺傳算法(簡稱GAs)和遺傳程序設計(簡稱GP)中發 展而來，在吸收了二者優點的同時，又克服了二者的不足之處，其顯著特點就是可以利用 簡單編碼解決復雜問題。個體構成需要兩類符號，即終結符和函數符。染色體由一個基因 (Gene)或多個基因通過連接函數連接構成。基因由頭部和尾部構成。基因的頭部（Head) 由終結符集和函數符集共同構成。基因的尾部（Tail)僅由終結符集構成。


【發明內容】

[0006] 本發明所解決的技術問題克服上面所述目前存在的技術缺陷，提供一種基于GEP 算法的智能電網在線故障診斷方法，以提高小訓練樣本下，系統的自適應能力，提高故障診 斷的準確性。
[0007] 本發明提供了一種基于GEP算法的智能電網在線故障診斷方法，該方法包括以下 步驟： (1) 采集特征氣體濃度數據； (2) 對數據進行預處理； (3) 判斷是否存在故障以及故障種類，采用7個GEP訓練的分類器GEPl-GEP7,其中 GEPl用于判斷變壓器的正常狀態與低能放電狀態，GEP2用于判斷變壓器的正常狀態與高 能放電狀態，GEP3用于判斷變壓器的正常狀態與過熱狀態，GEP4用于判斷變壓器的過熱狀 態與低能放電狀態，GEP5用于判斷變壓器的過熱狀態與高能放電狀態，GEP6用于判斷變壓 器的低能放電狀態與高能放電狀態，GEP7用于判斷變壓器的中低溫過熱與高溫過熱； (4) 顯示故障信息。
[0008] 本發明中所提取的特征氣體包括H2, CH4, C2H6, C2H4，C2H2, C3H4中的至少5種。
[0009] 其中，對數據的預處理包括歸一化處理，使得濃度數據限制在[0, 1]范圍內，歸一 值的表達式為di=l-l/exp (2 (Xi/Ti) 2) (i=l，2,…，5)，其中，Xi為每種氣體原始值，Ti為該 氣體關注值。該關注值為根據專家經驗給出的危險警報值。
[0010] 本發明還提供一種利用權利要求1所述方法診斷變壓器故障的變壓器故障診斷 裝置，其包括檢測模塊、控制模塊，判斷模塊、顯示模塊以及接口模塊，其中檢測模塊獲得特 征氣體的濃度數據，控制模塊存儲經過訓練的GEP模型，包括分類器GEP1-GEP7 ;判斷模塊 基于檢測模塊獲得的氣體濃度數據，調用控制模塊的GEP分類器以判斷故障種類。

【專利附圖】

【附圖說明】
[0011] 圖1示出了本發明的7個GEP分類器進行判斷的判斷路徑。

【具體實施方式】
[0012] 本發明基于GEP算法的變壓器故障診斷方法的具體方法結合實施例進行說明。
[0013] 數據采集：選擇H2、CH4、C2H6、C2H4和C2H2作為屬性變量，采用氣相色譜分析法 以固定抽樣頻率對變壓器絕緣油中這五種故障特征氣體進行濃度檢測，然后將濃度數據實 時送至數據預處理部分。為了建立GEP模型，定義如表1所示的條件屬性及其數據類型。
[0014] 表1屬性及其數據類型

【權利要求】
1. 一種基于GEP算法的智能電網在線故障診斷方法，它包括基于GEP算法的變壓器的 故障診斷方法，該方法包括以下步驟： (1) 采集特征氣體濃度數據； (2) 對數據進行預處理； (3) 判斷是否存在故障以及故障種類，采用7個GEP訓練的分類器GEP1-GEP7,其中 GEP1用于判斷變壓器的正常狀態與低能放電狀態，GEP2用于判斷變壓器的正常狀態與高 能放電狀態，GEP3用于判斷變壓器的正常狀態與過熱狀態，GEP4用于判斷變壓器的過熱狀 態與低能放電狀態，GEP5用于判斷變壓器的過熱狀態與高能放電狀態，GEP6用于判斷變壓 器的低能放電狀態與高能放電狀態，GEP7用于判斷變壓器的中低溫過熱與高溫過熱； (4) 顯示故障信息。
2. 如權利要求1所述的基于GEP算法的智能電網在線故障診斷方法，其中特征氣體包 括 H2, CH4, C2H6, C2H4，C2H2, C3H4 中的至少 5 種。
3. 如權利要求1所述的基于GEP算法的智能電網在線故障診斷方法，其中，對數據的 預處理包括歸一化處理，使得濃度數據限制在[〇，1]范圍內，歸一值的表達式為di=l-l/ exp(2(Xi/Ti)2) (i=l，2,…，5)，其中，Xi為每種氣體原始值，Ti為該氣體關注值。
4. 如權利要求3所述的基于GEP算法的智能電網在線故障診斷方法，其中步驟（3)的 診斷過程分為8條路徑： 路徑1 :將歸一化數據輸入GEP1，若當GEP1診斷結果為"正常"，則將數據進一步送至 GEP2 ;當GEP2診斷結果為"正常"，則將數據再進一步送至GEP3 ;當GEP3診斷結果為"正 常"，則最終診斷結果為"正常"； 路徑2 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"正常"，則將數據進一步送 至GEP2 ;當GEP2診斷結果為"正常"，則將數據再進一步送至GEP3 ;當GEP3診斷結果為"過 熱"，則將數據進一步送至GEP7,判斷時中低溫過熱，或是高溫過熱； 路徑3 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"正常"，則將數據進一步送 至GEP2 ;當GEP2診斷結果為"高能放電"，則將數據再進一步送至GEP5 ;當GEP5診斷結果 為"高能放電"，則最終診斷結果為"高能放電"； 路徑4:將預處理后所得數據送至GEP1，當GEP1診斷結果為"正常"，則將數據進一步送 至GEP2 ;當GEP2診斷結果為"電弧放電"，則將數據再進一步送至GEP5 ;當GEP5診斷結果 為"過熱"，則將數據進一步送至GEP7,判斷時中低溫過熱，或是高溫過熱；； 路徑5 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"低能放電"，則將數據進一 步送至GEP4 ;當GEP4診斷結果為"低能放電"，則將數據再進一步送至GEP6 ;當GEP6診斷 結果為"低能放電"，則最終診斷結果為"低能放電"； 路徑6 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"低能放電"，則將數據進一 步送至GEP4 ;當GEP4診斷結果為"低能放電"，則將數據再進一步送至GEP6 ;當GEP6診斷 結果為"高能放電"，則最終診斷結果為"高能放電"； 路徑7 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"低能放電"，則將數據進一 步送至GEP4 ;當GEP4診斷結果為"過熱"，則將數據再進一步送至GEP5 ;當GEP5診斷結果 為"過熱"，則將數據進一步送至GEP7,判斷時中低溫過熱，或是高溫過熱； 路徑8 :將預處理后所得數據送至GEP1，當GEP1診斷結果為"低能放電"，則將數據進一 步送至GEP4 ;當GEP4診斷結果為"過熱"，則將數據再進一步送至GEP5 ;當GEP5診斷結果 為"高能放電"，則最終診斷結果為"高能放電"。
【文檔編號】G01R31/12GK104360195SQ201410648444
【公開日】2015年2月18日 申請日期:2014年11月17日 優先權日:2014年11月17日
【發明者】付紅軍, 王紅印, 陳軍, 李志恒, 孫冉, 姚峰 申請人:國網河南省電力公司, 國家電網公司