[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

本發(fā)明公開了一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器振動故障診斷方法，將采集到的變壓器振動信號輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并基于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)擬合，得到基于振動的變壓器直流偏磁故障概率曲線，可以實(shí)現(xiàn)變壓器直流偏磁的在線診斷，根據(jù)振動信號，實(shí)時判斷變壓器是否發(fā)生直流偏磁，同時在診斷方法中引入先驗(yàn)知識，減小了樣本需求量，且提高了故障診斷的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于振動的變壓器故障方法，尤其涉及一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器直流偏磁診斷方法，屬于電力變壓器及人工智能技術(shù)領(lǐng)域。

背景技術(shù)

電力變壓器是電力系統(tǒng)中的核心設(shè)備，承擔(dān)著電能轉(zhuǎn)換與傳輸?shù)暮诵娜蝿?wù)，是電網(wǎng)中最重要的設(shè)備之一，變壓器故障對電網(wǎng)的影響很大，甚至?xí)斐蓢?yán)重的不良社會影響和經(jīng)濟(jì)損失。然而現(xiàn)有的對變壓器健康狀態(tài)進(jìn)行診斷的方法多需要停機(jī)檢修，對變壓器在線運(yùn)行狀態(tài)的故障診斷手段有限。近年來，隨著人工智能的快速發(fā)展，深度學(xué)習(xí)、大數(shù)據(jù)等方法也被引入到變壓器的故障診斷這一傳統(tǒng)問題中。然而，人工智能算法通常要求有較多的數(shù)據(jù)才能達(dá)到很好的訓(xùn)練效果，而變壓器的故障數(shù)據(jù)與正常運(yùn)行的數(shù)據(jù)相比，恰恰是比較稀缺的，導(dǎo)致訓(xùn)練數(shù)據(jù)不足而使故障診斷的準(zhǔn)確度受到影響。

發(fā)明目的

本發(fā)明的目的就是為了克服現(xiàn)有技術(shù)存在的一些缺陷，采用模糊數(shù)學(xué)與神經(jīng)網(wǎng)絡(luò)結(jié)合的思想，設(shè)計(jì)出的一種適用于變壓器狀態(tài)檢測的方法，通過對變壓器振動信號的處理分析，給出變壓器發(fā)生直流偏磁的概率，主要解決以下問題：

1.解決目前對變壓器健康狀態(tài)進(jìn)行診斷時需要停機(jī)檢修的現(xiàn)狀，實(shí)現(xiàn)變壓器的在線狀態(tài)檢測，實(shí)時對變壓器的狀態(tài)進(jìn)行診斷。

2.解決采用人工智能方法對變壓器進(jìn)行故障診斷時的數(shù)據(jù)稀少問題，通過采用模糊神經(jīng)網(wǎng)絡(luò)構(gòu)架并引入先驗(yàn)知識，減小訓(xùn)練時的樣本需求量。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器直流偏磁的診斷方法，包括以下步驟：

步驟1：選擇變壓器振動的基頻幅值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，采用振動傳感器采集變壓器工作時的振動信號數(shù)據(jù)，將數(shù)據(jù)分析處理得到該時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。

進(jìn)一步地，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；

進(jìn)一步地，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，其中每個隱含層有6個神經(jīng)元；所述隸屬度函數(shù)選擇S型函數(shù)，如式(3)所示。