[發明專利]結合RVM和DBN的變壓器故障診斷方法及系統

在審

• 申請號: 201811090244.8
• 申請日: 2018-09-18
• 公開（公告）號: CN109298258A
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 周步祥;鄒家惠;袁岳;陳實;羅燕萍;陳鑫;張致強;劉治凡
• 申請（專利權）人: 四川大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G06K9/62;G06N3/04
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

本發明公開了一種結合RVM和DBN的變壓器故障診斷方法及系統，根據基于DGA數據診斷變壓器故障的原理，結合DGA數據的特點，用DGA數據分別同時訓練RVM和DBN，然后先利用模型中的RVM進行放電和過熱故障二分類，再用DBN進行具體的故障診斷，最終輸出診斷結果，相比現有技術具有較高的精度，相比單一的基于DBN、SVM或ANN的變壓器故障診斷方法，本發明能夠更好地提取故障特征信息，診斷出多重故障，克服了基于DBN、SVM或ANN的變壓器故障診斷方法只能診斷單一故障的局限性。

技術領域

本發明涉及變壓器故障診斷技術，尤其涉及一種結合RVM和DBN的變壓器故障診斷方法及系統。

背景技術

電力變壓器是電網的關鍵部分之一，它的可靠性高度依賴于絕緣系統的完整性。在長期的運行中，變壓器經常受到熱、電和機械力的影響，導致絕緣結構惡化，進而導致故障。這些故障會造成變壓器油的分解，從而產生各種碳氫化合物氣體。

溶解氣體分析(DGA)是一種常見的電力變壓器故障診斷方法，在此基礎上形成了IEC三比值法和Rogers比值法，但存在編碼缺失和判斷標準過于絕對的缺點。由于DGA數據的模糊性、不確定性和非線性，不能用指定的數學模型來精確描述。在過去的幾十年中，隨著人工智能的發展，包括人工神經網絡(ANN)、支持向量機(SVM)和貝葉斯網絡在內的一些算法已經應用于該領域。人工神經網絡存在收斂速度慢和過擬合的缺點；貝葉斯網絡需要大量的樣本訓練才能得到好的診斷效果；支持向量機在解決小樣本、非線性及高維模式識別中有很大的優勢，泛化能力強，但其數量會隨著樣本數量增加而快速增加，而且它的核函數要滿足Mercer條件，且需要交叉驗證設置懲罰系數C。

相關向量機(RVM)是基于一種基于貝葉斯框架的學習方法，核函數不用滿足Mercer條件，且只需要少量的自由參數。深度信念網絡(DBN)能較快地從大量的樣本中提取特征，但是DBN需要提取的特征隨著訓練樣本的增加而增加。神經網絡結構也因此更加復雜，提取樣本信息的能力也越來越低，導致診斷精度降低，訓練時間也大大增加。

發明內容

本發明主要目的在于，提供一種結合RVM和DBN的變壓器故障診斷方法及系統，以減少DBN需要提取的規則數量，降低數據復雜程度，簡化DBN結構，提高故障診斷準確性。

本發明是通過如下技術方案實現的：

一種結合RVM和DBN的變壓器故障診斷方法，包括：

初始化RVM參數和DBN參數；

輸入DGA樣本數據，所述DGA樣本數據覆蓋所需診斷的各類故障；

根據輸入的DGA樣本數據計算與各類故障對應的期望輸出；

基于所述期望輸出，訓練結合RVM和DBN的故障診斷模型，所述故障診斷模型包括四個子模型：兩個線性分類RVM模型和兩個用于具體故障診斷的DBN模型；

利用所述故障診斷模型對變壓器進行故障診斷。

進一步地，利用所述故障診斷模型對變壓器進行故障診斷的步驟包括：

獲取待診斷變壓器中的DGA檢測數據；

其中一個RVM模型根據所述DGA檢測數據判斷所述變壓器處于正常狀態還是故障狀態；

當所述變壓器處于故障狀態時，另一個RVM模型根據所述DGA檢測數據判斷所述變壓器出現的是放電故障還是過熱故障，還是放電故障和過熱故障都有；

當所述變壓器出現了放電故障時，其中一個DBN模型根據所述DGA檢測數據判斷所述變壓器出現的放電故障的具體類型；

當所述變壓器出現了過熱故障時，另一個DBN模型根據所述DGA檢測數據判斷所述變壓器出現的過熱故障的具體類型；