一种表征变压器健康状态的关键特征量确定方法和系统

1.一种表征变压器健康状态的关键特征量确定方法，其特征在于，所述方法包括：根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量；所述根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵，包括：获取预先构建的输出层节点数为1至S τ 的关键特征提取模型；获取预先构建的与1至S τ 的关键特征提取模型分别对应的S τ 个变压器健康状态计算模型；将待测变压器的特征量归一化矩阵分别作为S τ 个变压器健康状态计算模型输入层的输入量，获取S τ 个变压器健康状态计算模型输出的变压器的HI值；将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；将待测变压器的特征量归一化矩阵代入所述关键特征提取模型中，获取待测变压器的特征成分分析矩阵；其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～S τ )，S τ 为变压器的特征量种类数。 2.如权利要求1所述的方法，其特征在于，预先构建的输出层节点数为λ的关键特征提取模型的训练过程，包括：步骤A：初始化θ＝1，并设定初始随机配置网络模型的隐含层节点个数为λ；步骤B：在第θ次训练期间，随机生成满足第一预设约束条件的初始随机配置网络模型的输入权重矩阵ω λθ 和隐含层节点偏差矩阵b λθ ；步骤C：将样本变压器的特征量归一化矩阵X作为初始随机配置网络模型的输入层样本数据，设定初始随机配置网络模型的隐含层输出的样本变压器的特征成分分析矩阵 初始随机配置网络模型的输出权重矩阵 训练所述初始随机配置网络模型，获取第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型及其输出层的输出矩阵Y θ ；步骤D：计算矩阵X与矩阵Y θ 间的误差 步骤E：若θ＝S ε 时，则分别将序列 中最小值 所对应的第x次训练期间构建的隐含层节点个数为λ的随机配置网络模型的输入层与隐含层间的模型结构作为输出层节点数为λ的关键特征提取模型的输入层与输出层间的模型结构，获取所述输出层节点数为λ的关键特征提取模型；否则，令θ＝θ+1，并返回步骤B；其中，b' λθ 为λ×N阶矩阵，且b' λθ 矩阵中各行元素取值均等同于矩阵b λθ 中各行元素取值， 为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点的偏差， 为矩阵H λθ 的转置矩阵的最小二乘广义逆矩阵，T为转置符号， x τi 为第i个样本变压器的第τ类特征量的取值， 为第θ次训练期间构建的隐含层节点个数为λ的随机配置网络模型输出的第i个样本变压器的第τ类特征量的取值， 为第θ次训练期间初始随机配置网络模型中随机生成的第λ个隐含层节点与样本变压器的第τ类特征量之间的权重， 为矩阵X与矩阵Y θ 间第i个样本变压器的特征量差值， λ,τ∈(1～S τ )，i∈(1～N)，N为样本变压器的个数，S ε 为第一预设训练次数。 3.如权利要求2所述的方法，其特征在于，按下式确定所述第一预设约束条件：式中， 将样本变压器的特征量归一化矩阵X输入输出层节点数为λ-1的关键特征提取模型后该模型的输出矩阵与样本变压器的特征量归一化矩阵X之间的第i个样本变压器的特征量差值，r为区间(0,1)内的任一数值； H λθ,λi 为矩阵H λθ 第λ行第i列元素的取值，b g 为任一正实数，μ p,L 为非负实数序列 中的第L个元素，且μ p,L 满足约束条件lim λ→+∞ μ p,L ＝0和μ p,L ≤1-r，L∈(1～S L )，S L 为非负实数序列中元素个数。 4.如权利要求1所述的方法，其特征在于，与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的训练过程，包括：步骤1：初始化δ＝1，并设定初始极限学习机网络模型的隐含层节点个数为P；步骤2：在第δ次训练期间，随机生成初始极限学习机网络模型的输入权重矩阵ω λ,Pδ 和隐含层节点偏差矩阵b λ,Pδ ；步骤3：将输出层节点数为λ的关键特征提取模型作为初始极限学习机网络模型的输入层结构，将样本变压器的特征量归一化矩阵X作为初始极限学习机网络模型的输入层样本数据；设定初始极限学习机网络模型的隐含层输出矩阵 初始极限学习机网络模型的输出权重矩阵 训练所述初始极限学习机网络模型，获取第δ次训练期间构建的极限学习机网络模型及其输出层的输出矩阵HI λ,δ ；步骤4：计算矩阵HI λ 与矩阵HI λ,δ 之间的误差 步骤5：当δ≠S δ 时，令δ＝δ+1，并返回步骤2；否则将序列 中最小值 所对应的第v次训练期间构建的极限学习机网络模型作为与输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型；其中， 为第δ次训练期间初始极限学习机网络模型中的第P个隐含层节点与矩阵H λx 中第λ行特征成分之间的权重，H λx 为将样本变压器的特征量归一化矩阵X代入输出层节点数为λ的关键特征提取模型后该模型的输出矩阵， HI λ ＝[HI 1 …HI i …HI N ] T ， 为第δ次训练期间构建的极限学习机网络模型输出的第i个样本变压器的特征量矩阵对应的HI值，HI i 为第i个样本变压器的特征量矩阵对应的HI值， T为转置符号，b' λ,Pδ 为P×N阶矩阵，且b' λ,Pδ 中各行元素取值均等同于矩阵b λ,Pδ 中各行元素取值， 为第δ次训练期间初始极限学习机网络模型中随机生成的第P个隐含层节点的偏差， 为矩阵H λ,Pδ 的转置矩阵的最小二乘广义逆矩阵，i∈(1～N)，N为样本变压器的个数，S δ 为第二预设训练次数。 5.如权利要求1所述的方法，其特征在于，所述根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵，包括：计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵 根据矩阵 确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵 其中， X T 为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。 6.如权利要求1所述的方法，其特征在于，所述根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量，包括：若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；其中，τ∈(1～S τ )，S τ 为变压器的特征量种类数。 7.如权利要求1所述的方法，其特征在于，所述变压器特征量，包括：变压器的绕组直流电阻相间差、变压器的绕组绝缘电阻、变压器的绕组吸收比、变压器的绕组极化指数、变压器的绕组介损、变压器的绕组电容量变化等级、变压器的电容性套管介损、变压器的电容型套管绝缘电阻、变压器的电容型套管电容值变化等级、变压器的电容型套管末屏绝缘电阻变化等级、变压器的铁芯接地电流、变压器的铁芯绝缘电阻、变压器的空载损耗变化等级、变压器的空载电流变化等级、变压器的负载损耗变化等级、变压器的阻抗电压变化等级、变压器的油中击穿电压、变压器的负载率等级、变压器的低电压等级、变压器的三相不平衡率、变压器的呼吸器硅胶颜色等级、变压器的本体外观完整程度、变压器的污秽程度、变压器的标识齐全程度、变压器的油箱漏油的密封性检查指数、变压器的锈蚀程度、变压器的振动程度、变压器的噪声程度、变压器的套管外观损坏程度、变压器的油箱外观损坏程度、变压器的接地引下线外观损坏程度、变压器的油外观等级、变压器的绝缘油颜色等级、变压器的油中糠醛含量等级、变压器的油泥与沉淀物质量分数等级、变压器的套管引线接头温度、变压器的油中微水含量、变压器的闪点、变压器的油温、变压器的油位、变压器的水溶性酸值、变压器的体积电阻率、变压器的绕组变形等级、变压器的有载调压器评价等级、变压器的体积继电器评价等级、变压器的冷却器评价等级、变压器的测温装置评价等级、变压器的油中氢气含量、变压器的油中甲烷含量、变压器的油中乙烷含量、变压器的油中乙烯含量、变压器的油中乙炔含量、变压器的油中二氧化碳含量、变压器的油中一氧化碳含量、变压器的油中总烃含量、变压器的油中气体含量和变压器的雷击大风气象指数。 8.一种表征变压器健康状态的关键特征量确定系统，其特征在于，所述系统包括：第一确定模块，用于根据待测变压器的特征量归一化矩阵确定待测变压器的特征成分分析矩阵；第二确定模块，用于根据待测变压器的特征成分分析矩阵确定待测变压器的特征量之间的特征成分关联性分析矩阵；第三确定模块，用于根据待测变压器的特征量之间的特征成分关联性分析矩阵确定表征待测变压器的健康状态的关键特征量；所述第一确定模块，包括：第一获取单元，用于获取预先构建的输出层节点数为1至S τ 的关键特征提取模型；第二获取单元，用于获取预先构建的与1至S τ 的关键特征提取模型分别对应的S τ 个变压器健康状态计算模型；第三获取单元，用于将待测变压器的特征量归一化矩阵分别作为S τ 个变压器健康状态计算模型输入层的输入量，获取S τ 个变压器健康状态计算模型输出的变压器的HI值；生成单元，用于将输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型输出的变压器的HI值与待测变压器的特征量归一化矩阵对应的变压器的标准HI值之间的差值作为待测变压器的特征量归一化矩阵所对应的HI误差序列中第λ个元素，生成待测变压器的特征量归一化矩阵所对应的HI误差序列；第四获取单元，用于将待测变压器的特征量归一化矩阵所对应的HI误差序列中各元素与第一预设值做差，获取待测变压器的特征量归一化矩阵所对应的HI标准差值序列；第五获取单元，用于从待测变压器的特征量归一化矩阵所对应的HI标准差值序列中第一个元素开始，寻找首个均小于0的连续元素值的序列片段，并获取所述序列片段中任一元素值所对应的关键特征提取模型；第六获取单元，用于将待测变压器的特征量归一化矩阵代入所述关键特征提出模型中，获取待测变压器的特征成分分析矩阵；其中，所述输出层节点数为λ的关键特征提取模型对应的变压器健康状态计算模型的输入层结构为预先构建的输出层节点数为λ的关键特征提取模型，λ∈(1～S τ )，S τ 为变压器的特征量种类数。 9.如权利要求8所述的系统，其特征在于，所述第二确定模块，包括：计算单元，用于计算待测变压器的特征成分分析矩阵的转置矩阵的最小二乘广义逆矩阵 第一确定单元，用于根据矩阵 确定待测变压器的特征量之间的特征成分关联性分析矩阵的转置矩阵 其中， X T 为待测变压器的特征量归一化矩阵的转置矩阵，T为转置符号。 10.如权利要求8所述的系统，其特征在于，所述第三确定模块，用于：若待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素中数值大于第二预设阈值的元素个数超过第三预设阈值，则待测变压器的特征量之间的特征成分关联性分析矩阵的第τ行元素所对应的特征量为表征待测变压器的健康状态的关键特征量；其中，τ∈(1～S τ )，S τ 为变压器的特征量种类数。