一种基于模糊神经网络的变压器直流偏磁的诊断方法技术

本发明专利技术公开了一种基于模糊神经网络的变压器振动故障诊断方法，将采集到的变压器振动信号输入网络进行训练，并基于训练好的神经网络进行参数拟合，得到基于振动的变压器直流偏磁故障概率曲线，可以实现变压器直流偏磁的在线诊断，根据振动信号，实时判断变压器是否发生直流偏磁，同时在诊断方法中引入先验知识，减小了样本需求量，且提高了故障诊断的准确率。率。率。

【技术实现步骤摘要】
一种基于模糊神经网络的变压器直流偏磁的诊断方法


[0001]本专利技术涉及一种基于振动的变压器故障方法，尤其涉及一种基于模糊神经网络的变压器直流偏磁诊断方法，属于电力变压器及人工智能


技术介绍

[0002]电力变压器是电力系统中的核心设备，承担着电能转换与传输的核心任务，是电网中最重要的设备之一，变压器故障对电网的影响很大，甚至会造成严重的不良社会影响和经济损失。然而现有的对变压器健康状态进行诊断的方法多需要停机检修，对变压器在线运行状态的故障诊断手段有限。近年来，随着人工智能的快速发展，深度学习、大数据等方法也被引入到变压器的故障诊断这一传统问题中。然而，人工智能算法通常要求有较多的数据才能达到很好的训练效果，而变压器的故障数据与正常运行的数据相比，恰恰是比较稀缺的，导致训练数据不足而使故障诊断的准确度受到影响。
[0003]专利技术目的
[0004]本专利技术的目的就是为了克服现有技术存在的一些缺陷，采用模糊数学与神经网络结合的思想，设计出的一种适用于变压器状态检测的方法，通过对变压器振动信号的处理分析，给出变压器发生直流偏磁的概率，主要解决以下问题：
[0005]1.解决目前对变压器健康状态进行诊断时需要停机检修的现状，实现变压器的在线状态检测，实时对变压器的状态进行诊断。
[0006]2.解决采用人工智能方法对变压器进行故障诊断时的数据稀少问题，通过采用模糊神经网络构架并引入先验知识，减小训练时的样本需求量。

技术实现思路

[0007]本专利技术提供了一种基于模糊神经网络的变压器直流偏磁的诊断方法，包括以下步骤：
[0008]步骤1：选择变压器振动的基频幅值p
f50
、频率复杂度FC、奇偶次谐波幅值之比λ
oe
作为特征量，采用振动传感器采集变压器工作时的振动信号数据，将数据分析处理得到该时刻变压器的特征量参数；
[0009]步骤2：构造隶属度函数及神经网络，并初始化相关参数；
[0010]步骤3：将样本分为训练集和验证集，使用训练集对包含隶属度函数的神经网络进行训练，直至误差满足要求；
[0011]步骤4：在验证集上验证训练好的模型的有效性；
[0012]步骤5：利用训练好的模型，通过遍历法寻找三特征量隶属度函数中的关键值，从而确定隶属度函数参数，获得可用于故障诊断的故障概率曲线；训练好的模型的输出仅可表示变压器的故障与否，即输出集为[0,1]；
[0013]步骤6：根据故障概率曲线，得到三种特征量对应的故障概率，取其加权平均数为变压器最终的发生故障概率，即发生直流偏磁的概率。
[0014]进一步地，所述频率复杂度FC、奇偶次谐波幅值之比λ
oe
的计算方法如下式(1)、(2)所示：
[0015][0016]其中，基频幅值p
f50
为100-2000Hz中50Hz倍频频率幅值；
[0017][0018]进一步地，步骤2中所述神经网络架构共有六层组成，依次分别为输入层、量化输入层、3层隐含层、输出层，其中每个隐含层有6个神经元；所述隶属度函数选择S型函数，如式(3)所示。
[0019][0020]所述神经网络的第一层为输入层，x1,x2,x3分别为三个输入特征量，节点数为3个，输入层将采集到的特征量数据传递到第二层；第二层为量化输入层，通过隶属度函数将输入变量模糊化，节点数为三个，每个节点代表一个模糊集合；第三到五层为网络的隐含层；第六层为输出层，输出结果为0和1，1代表变压器发生直流偏磁，0代表变压器无直流偏磁。
[0021]进一步地，所述步骤3具体包括：
[0022]步骤S31：输入训练样本及期望输出，设定学习误差那个及最大训练次数；
[0023]步骤S32：初始化隶属度函数的参数以及神经网络中节点的各连接权值；
[0024]步骤S33：输入样本，第2层隶属度函数将其模糊化，并经过第3-5层进行计算，通过第6层输出；
[0025]步骤S34：计算得到的目标值与实际值之间的平方误差E(i),判断是否满足误差要求；
[0026]步骤S35：若不满足要求，进行反向传播，计算各层参数调整量，并更新参数，若满足要求，保存已训练好的网络及参数。
[0027]进一步地，所述步骤5中所述确定隶属度函数参数指确定隶属度函数S(x)的参数α和β，具体为：
[0028]当特征量X大于某个特定值时，不论其余两个特征量如何取值，神经网络都会判断其为故障状态，此时记特征量X为X
H
，即如式(4)所示：
[0029][0030]取ε作为极小值，则如式(5)所示：
[0031][0032]整理可得，如式(6)所示：
[0033][0034]在隶属度函数曲线上找到一个点X
M
，使得步骤5中训练好的模型的输出从0变到1，假定点X
M
在隶属度函数曲线S(x)中对应的故障概率为1/2，即如式(7)所示，
[0035][0036]整理得到，如式(8)所示：
[0037]β＝-X
M
＝f(X1，X2)
ꢀꢀꢀꢀꢀꢀꢀ
(8)，
[0038]其中，X1，X2是除了X以外的两个特征量；f(X1，X2)通过对已有网络进行取值测试，拟合出X
M
的曲线。
附图说明
[0039]图1是本专利技术实施例所应用的神经网络构架图。
[0040]图2是本专利技术实施例中神经网络训练流程图。
具体实施方式
[0041]下面结合附图和具体实例对本专利技术进行详细说明。
[0042]为解决现有诊断方法需要的样本数量不足的数据标注问题，本专利技术利用模糊数学的思想，以变压器的振动信号作为输入，专家知识库作为核心，具有变压器状态信息标注的数据作为输出，构建了变压器振动数据的标注方法，利用拟合方法构建隶属度函数，降低对专家知识的需求，并通过对样本数据的标注实验，验证了本方法的有效性。
[0043]在本实施例中，公开了一种基于模糊神经网络的变压器直流偏磁的诊断方法，包括以下步骤：
[0044]步骤S1：得到某时刻的变压器的特征量参数。
[0045]将振动传感器安装至变压器顶面及四个侧面，采集变压器工作时的振动信号，对信号进行分析处理得到特征量，将得到的特征量打上标签，分为无直流偏磁和有直流偏磁。本实施例中选择变压器振动的基频幅值p
f50
、频率复杂度FC、奇偶次谐波幅值之比λ
oe
作为特征量。
[0046]频率复杂度、奇偶次谐波幅值之比的计算方法分别如下式(1)、(2)所示：
[0047][0048]其中，FC为频率复杂度，p
f50
为100-2000Hz中50Hz倍频频率幅值。
[0049][0050]其中λ
oe
为奇偶次谐波幅值之比
[0051]步骤2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊神经网络的变压器直流偏磁的诊断方法，其特征在于，包括以下步骤：步骤1：选择变压器振动的基频幅值p
f50
、频率复杂度FC、奇偶次谐波幅值之比λ
oe
作为特征量，采用振动传感器采集变压器工作时的振动信号数据，将数据分析处理得到该时刻变压器的特征量参数；步骤2：构造隶属度函数及神经网络，并初始化相关参数；步骤3：将样本分为训练集和验证集，使用训练集对包含隶属度函数的神经网络进行训练，直至误差满足要求；步骤4：在验证集上验证训练好的模型的有效性；步骤5：利用训练好的模型，通过遍历法寻找三特征量隶属度函数中的关键值，从而确定隶属度函数参数，获得可用于故障诊断的故障概率曲线；训练好的模型的输出仅可表示变压器的故障与否，即输出集为[0，1]；步骤6：根据故障概率曲线，得到三种特征量对应的故障概率，取其加权平均数为变压器最终的发生故障概率，即发生直流偏磁的概率。2.根据权利要求1所述的诊断方法，其特征在于，步骤1中所述频率复杂度FC、奇偶次谐波幅值之比λ
oe
的计算方法如下式(1)、(2)所示：的计算方法如下式(1)、(2)所示：其中，基频幅值p
f50
为100-2000Hz中50Hz倍频频率幅值。3.根据权利要求2所述的诊断方法，其特征在于，步骤2中所述神经网络架构共有六层组成，依次分别为输入层、量化输入层、3层隐含层、输出层，其中每个隐含层有6个神经元；所述隶属度函数选择S型函数，如式(3)所示：所述神经网络的第一层为输入层，x1，x2，x3分别为三个输入特征量，节点数为3个，输入层将采集到的特征量数据传递到第二层；第二层为量化输入层，通过隶属度函数将输...

【专利技术属性】
技术研发人员：李涛，张琛亮，郭春林，朱柯佳，马慧远，
申请(专利权)人：国网北京市电力公司国家电网有限公司，
类型：发明
国别省市：