[發明專利]一種利用虛擬樣本訓練神經網絡診斷變壓器故障的方法

在審

• 申請號: 201710455723.4
• 申請日: 2017-06-16
• 公開（公告）號: CN107194465A
• 公開（公告）日: 2017-09-22
• 發明（設計）人: 張衛華
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京科億知識產權代理事務所(普通合伙)11350
• 代理人: 湯東鳳

技術領域

本發明涉及一種診斷變壓器故障的方法，尤其涉及一種利用虛擬樣本訓練神經網絡診斷變壓器故障的方法，屬于電力主設備故障診斷技術領域。

背景技術

電力變壓器作為電力系統中最重要和最關鍵的電氣設備之一，其運行的安全可靠性直接關系到電力系統的安全與穩定。為確保變壓器的安全、經濟運行，及時準確地診斷出變壓器內部的潛伏性故障及其故障類型非常必要。

近年來，各國專家學者以及領域技術人員對變壓器故障診斷問題進行了大量的研究工作，特別是采用神經網絡技術診斷變壓器故障的理論取得了很多卓有成效的研究成果。但變壓器故障率相對較低，從實際工程中收集到的故障樣本有限且樣本在數據空間的分布極不均勻，而神經網絡的泛化能力對訓練樣本的依賴性非常高，如果訓練樣本不能滿足特征代表性和分布均勻性的要求將嚴重影響其故障診斷的準確率，因此，基于神經網絡的變壓器故障診斷相關研究大多停留在理論探討范圍，鮮有應用于工程實踐當中。

虛擬樣本是指在未知樣本概率分布函數的情況下，利用所研究領域的先驗知識，構造出一定數量的樣本。油中溶解氣體分析(Dissolved gas analysis，DGA)是對油浸式變壓器進行故障診斷最方便、有效的手段之一。其中改良三比值法作為國標推薦的判斷油浸式變壓器故障類型的主要方法，在工程實踐中有著廣泛應用。該方法是在對大量故障樣本進行統計分析后總結的經驗，具有較高的故障診斷準確率，可以認為是規范化的領域專家知識。因此，利用該知識構造一定數量的虛擬樣本訓練神經網絡可有效的解決神經網絡訓練樣本集的構造問題。

發明內容

本發明要解決的技術問題是提供一種利用虛擬樣本訓練神經網絡診斷變壓器故障的方法。

為解決上述技術問題，本發明采用的技術方案是：

一種利用虛擬樣本訓練神經網絡診斷變壓器故障的方法，包括以下步驟：

步驟1：建立變壓器各故障的特征區域：根據油中溶解氣體的改良三比值法對變壓器故障空間進行劃分，得到各故障對應的特征區域；

步驟2：選擇虛擬故障樣本：在各故障的特征區域內按照正交表選取均勻分布的特征點作為訓練樣本集中的虛擬故障樣本；

步驟3：添加實際故障樣本：對實際故障樣本采用改良三比值法進行診斷，將其中診斷錯誤的故障樣本添加到所述訓練樣本集；

步驟4：構造BP神經網絡：按照變壓器故障空間的特征構造BP神經網絡；

步驟5：訓練BP神經網絡：采用所述訓練樣本集對BP神經網絡進行訓練，并用實際故障樣本檢測所述BP神經網絡的訓練精度，并提高所述BP神經網絡的訓練精度；

步驟6：故障診斷：將待測樣本輸入到所述BP神經網絡中進行故障診斷。

所述步驟1中，變壓器故障模式分為：第一低溫過熱故障A₁、第二低溫過熱故障A₂、中溫過熱故障A₃、高溫過熱故障A₄、局部放電故障A₅、電弧放電故障A₆、電弧放電兼過熱故障A₇、低能放電故障A₈、低能放電兼過熱故障A₉、第一未定義故障模式A₁₀、第二未定義故障模式A₁₁；第一低溫過熱故障指變壓器的溫度低于150℃；第二低溫過熱故障指變壓器的溫度介于150～300℃之間；中溫過熱故障指變壓器的溫度介于300～700℃之間；高溫過熱故障指變壓器的溫度高于700℃；第一未定義故障模式和第二未定義故障模式的編碼分別為“000”和“010”；

以三組氣體含量的比值為坐標軸建立變壓器故障空間的，各比值的取值范圍均為[0.01,10]；各變壓器故障模式對應的特征區域為均長方體區域。

所述步驟1中的特征區域用平面S₁-S₆劃分，平面S₁-S₆為：

所述步驟2中的虛擬故障樣本由輸入向量I和期望輸出向量D組成，輸入向量I＝(x,y,z)表示三組氣體含量的比值，向量D＝(D₁,D₂,…,D₁₁)表示變壓器發生的故障模式，其取值為：