[發(fā)明專利]一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器直流偏磁的診斷方法

在審

• 申請?zhí)枺?/td>: 202011132498.9
• 申請日: 2020-10-21
• 公開（公告）號: CN112307918A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 李濤;張琛亮;郭春林;朱柯佳;馬慧遠(yuǎn)
• 申請（專利權(quán)）人: 華北電力大學(xué);國網(wǎng)北京市電力公司;國家電網(wǎng)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01R31/62;G01M7/02;G01H17/00
• 代理公司: 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246
• 代理人: 黃家俊

1.一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器直流偏磁的診斷方法，其特征在于，包括以下步驟：

步驟1：選擇變壓器振動(dòng)的基頻幅值p_f50、頻率復(fù)雜度FC、奇偶次諧波幅值之比λ_oe作為特征量，采用振動(dòng)傳感器采集變壓器工作時(shí)的振動(dòng)信號數(shù)據(jù)，將數(shù)據(jù)分析處理得到該時(shí)刻變壓器的特征量參數(shù)；

步驟2：構(gòu)造隸屬度函數(shù)及神經(jīng)網(wǎng)絡(luò)，并初始化相關(guān)參數(shù)；

步驟3：將樣本分為訓(xùn)練集和驗(yàn)證集，使用訓(xùn)練集對包含隸屬度函數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至誤差滿足要求；

步驟4：在驗(yàn)證集上驗(yàn)證訓(xùn)練好的模型的有效性；

步驟5：利用訓(xùn)練好的模型，通過遍歷法尋找三特征量隸屬度函數(shù)中的關(guān)鍵值，從而確定隸屬度函數(shù)參數(shù)，獲得可用于故障診斷的故障概率曲線；訓(xùn)練好的模型的輸出僅可表示變壓器的故障與否，即輸出集為[0，1]；

步驟6：根據(jù)故障概率曲線，得到三種特征量對應(yīng)的故障概率，取其加權(quán)平均數(shù)為變壓器最終的發(fā)生故障概率，即發(fā)生直流偏磁的概率。

2.根據(jù)權(quán)利要求1所述的診斷方法，其特征在于，步驟1中所述頻率復(fù)雜度FC、奇偶次諧波幅值之比λ_oe的計(jì)算方法如下式(1)、(2)所示：

其中，基頻幅值p_f50為100-2000Hz中50Hz倍頻頻率幅值。

3.根據(jù)權(quán)利要求2所述的診斷方法，其特征在于，步驟2中所述神經(jīng)網(wǎng)絡(luò)架構(gòu)共有六層組成，依次分別為輸入層、量化輸入層、3層隱含層、輸出層，其中每個(gè)隱含層有6個(gè)神經(jīng)元；所述隸屬度函數(shù)選擇S型函數(shù)，如式(3)所示：

所述神經(jīng)網(wǎng)絡(luò)的第一層為輸入層，x₁，x₂，x₃分別為三個(gè)輸入特征量，節(jié)點(diǎn)數(shù)為3個(gè)，輸入層將采集到的特征量數(shù)據(jù)傳遞到第二層；第二層為量化輸入層，通過隸屬度函數(shù)將輸入變量模糊化，節(jié)點(diǎn)數(shù)為三個(gè)，每個(gè)節(jié)點(diǎn)代表一個(gè)模糊集合；第三到五層為網(wǎng)絡(luò)的隱含層；第六層為輸出層，輸出結(jié)果為0和1，1代表變壓器發(fā)生直流偏磁，0代表變壓器無直流偏磁。

4.根據(jù)權(quán)利要求3所述的診斷方法，其特征在于，所述步驟3具體包括：

步驟S31：輸入訓(xùn)練樣本及期望輸出，設(shè)定學(xué)習(xí)誤差那個(gè)及最大訓(xùn)練次數(shù)；

步驟S32：初始化隸屬度函數(shù)的參數(shù)以及神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)的各連接權(quán)值；

步驟S33：輸入樣本，第2層隸屬度函數(shù)將其模糊化，并經(jīng)過第3-5層進(jìn)行計(jì)算，通過第6層輸出；

步驟S34：計(jì)算得到的目標(biāo)值與實(shí)際值之間的平方誤差E(i)，判斷是否滿足誤差要求；

步驟S35：若不滿足要求，進(jìn)行反向傳播，計(jì)算各層參數(shù)調(diào)整量，并更新參數(shù)，若滿足要求，保存已訓(xùn)練好的網(wǎng)絡(luò)及參數(shù)。

5.根據(jù)權(quán)利要求4所述的診斷方法，其特征在于，所述步驟5中所述確定隸屬度函數(shù)參數(shù)指確定隸屬度函數(shù)S(x)的參數(shù)α和β，具體為：

當(dāng)特征量X大于某個(gè)特定值時(shí)，不論其余兩個(gè)特征量如何取值，神經(jīng)網(wǎng)絡(luò)都會(huì)判斷其為故障狀態(tài)，此時(shí)記特征量X為X_H，即如式(4)所示：

取ε作為極小值，則如式(5)所示：

整理可得，如式(6)所示：

在隸屬度函數(shù)曲線上找到一個(gè)點(diǎn)X_M，使得步驟5中訓(xùn)練好的模型的輸出從0變到1，假定點(diǎn)X_M在隸屬度函數(shù)曲線S(x)中對應(yīng)的故障概率為1/2，即如式(7)所示，

整理得到，如式(8)所示：

β＝-X_M＝f(X₁，X₂) (8)，

其中，X₁，X₂是除了X以外的兩個(gè)特征量；f(X₁，X₂)通過對已有網(wǎng)絡(luò)進(jìn)行取值測試，擬合出X_M的曲線。