一种油浸式变压器溶解气体分析故障诊断方法和系统与流程

本发明属于电力设备状态监测与故障诊断，尤其涉及一种油浸式变压器溶解气体分析故障诊断方法和系统。

背景技术：

1、油浸式变压器是电力系统中关键的电气设备，其内部潜伏性故障若不能及时识别，将引发严重的电网事故和经济损失。变压器油在内部故障作用下分解产生氢气（）、甲烷（）、乙炔（）、乙烯（）、乙烷（）等特征气体，溶解气体分析（dga）通过监测油中溶解气体的组分及浓度变化，可以推断变压器的故障类型与严重程度，是目前最为成熟的变压器内部故障诊断手段之一。

2、现有的基于dga的变压器故障诊断方法大致可分为以下几类。第一类为基于阈值与比值的传统方法，包括iec三比值法、罗杰斯比值法和杜瓦三角形法。这类方法物理意义明确，但存在编码缺失、边界生硬、对临界样本判别能力差等固有缺陷。第二类为基于人工智能的方法，包括人工神经网络、支持向量机、随机森林、梯度提升树等。

3、这类方法能够在大样本下取得较高的分类精度，但通常存在以下问题：第一，假定所有误分类的代价相等。实际工程中，将”高能放电”误判为”正常”所导致的设备损毁、停电等后果，远比将”正常”误判为”过热”导致的不必要停机检修严重；现有方法采用对称损失函数，无法在决策中体现这种代价的强非对称性。第二，缺乏对预测不确定性的量化。现有方法仅给出确定性的类别预测，无法告知现场运维人员”该预测有多可靠”，对临界样本与分布外样本的处理能力不足，在高风险工程场景下不利于可信决策。第三，对类别不平衡的处理破坏了概率预测的统计假设。变压器实际运行中”正常”样本占绝大多数，“放电”等故障样本极为稀少。现有方法常对全部数据使用合成少数类过采样技术（smote）以缓解类别不平衡，再在合成后的数据上进行概率校准与置信区间构造。然而smote引入的合成样本会改变数据的边缘分布，破坏后续不确定性量化所依赖的可交换性假设，导致校准失效与置信区间覆盖率不达标。第四，分类器输出的概率本身未经校准，过度自信或过度保守均会扭曲后续基于代价的最优决策。

技术实现思路

1、发明目的：本发明的目的是提供一种能够提高诊断准确率的油浸式变压器溶解气体分析故障诊断方法和系统。

2、技术方案：本发明所述的一种油浸式变压器溶解气体分析故障诊断方法，包括：

3、s1：采集油浸式变压器中各种特征气体的浓度，与故障类别标签共同构成样本集；对样本集执行预处理，并划分为训练子集、校准子集与测试子集，并仅在训练子集上执行smote过采样得到平衡训练子集，校准子集与测试子集保持原始边缘分布；

4、s2：对平衡训练子集先后执行基于k近邻互信息估计的过滤式选择和基于shapley值的包裹式复检，得到最终特征子集；

5、s3：在平衡训练子集上以最终特征子集训练xgboost多类分类器，在校准子集上对分类器输出的多类后验概率进行自适应校准；构造非对称误分类代价矩阵，按期望损失最小化准则得到贝叶斯最优点决策；

6、s4：在校准子集与测试子集间执行可交换性检验，检验通过后以校准后后验为基础构造不一致性分数及其分位数阈值，对待诊断样本输出共形预测集合；

7、s5：将贝叶斯最优点决策与共形预测集合按预定融合规则联合判定，输出含故障类别、共形预测集合、期望损失与置信等级的诊断结论。

8、进一步地，步骤s1所述预处理包括异常剔除、对数变换、iec三比值与百分比特征构造。

9、进一步地，步骤s2所述基于k近邻互信息估计的过滤式特征选择，采用kraskov–stögbauer–grassberger互信息估计器，并对平衡训练子集中每个特征执行不少于预设次数标签置换检验以确定互信息显著性检验值，保留值小于显著性水平的特征；

10、所述基于shapley值的包裹式复检，在保留的特征间执行两两归一化互信息计算，当归一化互信息超过冗余阈值时剔除互信息较小者。

11、进一步地，步骤s3所述自适应校准，包括：使用候选方法，以校准子集上的期望校准误差ece为指标自动选优；其中，所述候选方法包括温度缩放法、platt缩放法和保序回归，温度缩放的标量温度参数通过最小化校准子集上的负对数似然得到。

12、进一步地，步骤s3所述构造非对称误分类代价矩阵，包括依据预设原则赋值；

13、所述预设原则包括：漏检故障的代价显著大于误报故障的代价、漏检放电类故障的代价大于漏检过热类故障的代价且与故障严重程度正相关、同一类故障内部相邻严重程度类别之间的误判代价较小以及对角线代价为零。

14、进一步地，步骤s3所述按期望损失最小化准则得到贝叶斯最优点决策，包括：

15、对每一个待诊断样本，按下式计算各候选决策的期望损失：

16、

17、其中，为故障类别标签，为故障类别集合，表示真实类别为时预测为所产生的代价，为所述自适应校准后的后验；

18、并按贝叶斯最优决策法则选取使条件风险最小的类别作为点决策输出：

19、 ；

20、其中，为贝叶斯点决策。

21、进一步地，步骤s4所述在校准子集与测试子集间执行可交换性检验，具体为：对最终特征子集中每个特征执行kolmogorov–smirnov检验，对不一致性分数序列的置换检验，当两项检验均不拒绝时，判定检验通过，执行共形预测构造。

22、进一步地，步骤s4所述对待诊断样本输出共形预测集合，包括：

23、定义不一致性分数函数：

24、 ；

25、其中，为样本，为故障类别标签，为自适应校准后的后验；

26、在校准子集上计算所有样本的不一致性分数，其中，为第个样本，为第个样本的故障类别标签，为样本总数；对于显著性水平阈值，由经验分位数确定共形阈值：

27、

28、对每一个待诊断样本，构造其共形预测集合：

29、 ；

30、其中，为故障类别集合。

31、进一步地，步骤s5所述预定融合规则，具体为：设定三级融合规则，将贝叶斯最优点决策与共形预测集合联合判定，输出包含诊断置信状态的诊断结论；所述三级融合规则包括：

32、共形预测集合的基数为1且贝叶斯点决策属于该集合时，输出对应诊断置信状态；

33、若共形预测集合的基数大于1且贝叶斯点决策属于该集合时，输出对应诊断置信状态并触发人工复核；

34、若贝叶斯点决策不属于共形预测集合或共形预测集合为空时，输出对应诊断置信状态并触发现场复测。

35、基于相同的发明构思，本发明还提供了一种油浸式变压器溶解气体分析故障诊断系统，包括：

36、初始化模块，用于采集油浸式变压器中各种特征气体的浓度，与故障类别标签共同构成样本集；对样本集执行预处理，并划分为训练子集、校准子集与测试子集，并仅在训练子集上执行smote过采样得到平衡训练子集，校准子集与测试子集保持原始边缘分布；

37、特征选择模块，用于对平衡训练子集先后执行基于k近邻互信息估计的过滤式选择和基于shapley值的包裹式复检，得到最终特征子集；

38、决策模块，用于在平衡训练子集上以最终特征子集训练xgboost多类分类器，在校准子集上对分类器输出的多类后验概率进行自适应校准；构造非对称误分类代价矩阵，按期望损失最小化准则得到贝叶斯最优点决策；

39、检验预测模块，用于在校准子集与测试子集间执行可交换性检验，检验通过后以校准后后验为基础构造不一致性分数及其分位数阈值，对待诊断样本输出共形预测集合；

40、诊断模块，用于将贝叶斯最优点决策与共形预测集合按预定融合规则联合判定，输出含故障类别、共形预测集合、期望损失与置信等级的诊断结论。

41、有益效果：与现有技术相比，本发明具有如下显著优点：1、通过构造非对称的误分类代价矩阵并采用贝叶斯最优决策法则，将”漏检高能放电”等高危误判的代价显式纳入决策目标，决策边界向高代价类别偏移，从根本上降低了高风险故障的漏检率；2、引入共形预测对预测不确定性进行量化，给出具有有限样本边际覆盖率保证的预测集合，为现场运维人员提供“该预测可靠性是多少”的明确依据，弥补了现有方法仅给出确定性结论的不足；3、将smote过采样严格限制在训练子集，使校准子集与测试子集保持原始边缘分布，并显式增加可交换性检验，保护了共形预测的统计有效性，使覆盖率与名义置信水平相匹配；4、采用以期望校准误差为指标的自适应概率校准策略，在温度缩放、platt 缩放和保序回归之间自动选优，在小样本下避免了保序回归的过拟合，在大样本下保留了保序回归的灵活性，使后验概率更可信，进而使期望损失最小化决策更稳健；5、将贝叶斯点决策与共形集合融合输出“单类高置信–多类中置信–冲突告警”三级诊断结论，与变压器现场实际的“自动放行–人工复核–现场复测”运维流程自然衔接，工程可用性强。