基于数据驱动的电力变压器故障诊断方法研究.pdf

摘要

在能源需求日益增长和推进建设坚强电网的时代背景下，电力监测设备数据

的挖掘和分析需求日益迫切，电力变压器作为电网中一种关键的电气设备，其对

电力系统的稳定运行具有重要的意义。随着监测仪器的开发和应用，其采集的变

压器数据越来越多,通过变压器相关数据实现智能化状态监测，对变压器的安全

稳定运行至关重要。因此，本文通过监控电力变压器运行状态为目的，以人工智

能和数据挖掘技术为工具，围绕变压器故障诊断方面进行相关研究。

（1）针对传统电力变压器故障预警方法精确率低和通用性差的问题，本文

提出一种基于数据驱动技术的改进决策树的变压器故障预警方法。首先，该方法

利用传感器采集变压器实际不同运行工况的音频数据，利用傅里叶变换进行特征

提取。之后，引用层次聚类对数据集进行聚类划分，得到电气量对应的振动簇类

别，结合振动特征数据和振动簇建立决策树推理模型，以分析导致划分振动簇的

K

振动频谱信息，辅以参数优化、折交叉验证得分。最后，当变压器出现振动

异常时，依据聚类频谱热图、聚类中心以及决策树的推理解释，得出振动频谱信

息与故障类型的关系，实现具有自适应性、推理解释能力的变压器故障预警模型。

在算例分析中研究了不同预警模型方法对不同运行工况准确率的影响。研究结果

表明，本文方法预警准确率优于其他方法，准确率达到了98.33%，具有更好地

通用性。

（2）为了解决支持向量机方法具体故障类易分类错误和分类精度低的问

题，本文提出一种基于振动数据的改进支持向量机的变压器故障诊断方法。首先，

该方法对变压器实际运行工况的数据进行预处理，根据傅里叶变换将数据进行特

征提取。之后，引用不同聚类算法对比分析聚类划分的性能，得到电气量对应的

振动簇类别，采用具有不同核函数的支持向量机对样本数据进行训练，建立变压

器故障诊断的子分类器。最后，针对本文提出方法及优化后的方法与其它诊断方

法进行对比，获得故障诊断准确率提高到98.61%，并对其性能进行仿真测试。

在算例分析中研究了不同的故障诊断方法对分类准确率的影响，研究所得数据表

明，本文提出的方法在分类准确率和时间成本两方面比传统的诊断方法表现更出

色，该方法不仅在诊断准确率上有更高的表现，也验证了本文方法的优越性。

关键词：振动特征，决策树，故障预警，支持向量机，变压器故障诊断

Abstract

Inthecontextofgrowingenergydemandandpromotingtheconstructionofa

strongpowergrid,theminingandanalysisofdatafrompowermonitoringequipment

isbecomingincreasinglyurgent,andpowertransformers,asakeyelectrical

equipmentinthepowergrid,areofgreatsignificancetothestableoperationofthe

powersystem.Withthedevelopmentandapplicationofmonitoringinstruments,more

andmoretransformerdataarecollected,anditiscrucialforthesafeandstable

operationoftransformerstorealizeintelligentconditionmonitoringthrough

transformer-relateddata.Therefore,thispaperisaimedatmonitoringtheoperation

statusofpowertransformers,usingartificialintelligenceanddataminingtechnology

asatool,andconductingrelatedresearcharoundtransformerfaultdiagnosis.

(1)Aimingattheshortcomingsofthetraditio