[發明專利]變壓器故障類型判斷方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202011513540.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112444702A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 辛文成;譚詩鏹;陳浩敏;姚森敬;席禹;敖榜;張凡
• 申請（專利權）人: 南方電網數字電網研究院有限公司
• 主分類號: G01R31/00
• 分類號: G01R31/00;G01R31/12;G06K9/62;G06N3/00;G06N3/02;G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 宋永慧

1.一種變壓器故障類型判斷方法，其特征在于，所述方法包括：

獲取變壓器中油中溶解氣體含量數據的實時值；

將所述實時值作為輸入特征向量輸入到預設的小波神經網絡函數中，得到輸出值，所述小波神經網絡函數中預設有優化權值參數，所述優化權值參數基于差分進化算法得到；

根據所述輸出值對應的變壓器故障編碼，判斷變壓器故障類型。

2.根據權利要求1所述的方法，其特征在于，所述獲取變壓器中油中溶解氣體含量數據的實時值之前，還包括：

獲取存在變壓器故障的歷史油中溶解氣體含量數據；

根據所述歷史油中溶解氣體含量數據，得到變壓器故障對應的故障數據；

根據變壓器故障對應的故障數據，對所述變壓器故障進行故障分類；

對分類得到的故障類型進行編碼處理，得到變壓器故障編碼。

3.根據權利要求1或2所述的方法，其特征在于，所述變壓器故障類型包括低能放電、局部放電、電弧放電、不同溫度區間對應的過熱、低能放電兼過熱以及電弧放電兼過熱中的至少一種。

4.根據權利要求1所述的方法，其特征在于，所述將所述實時值作為輸入特征向量輸入到預設的小波神經網絡函數中，得到輸出值之前，還包括：

基于差分進化算法，對所述小波神經網絡函數中隱層的權值參數進行參數優化，得到優化權值參數。

5.根據權利要求4所述的方法，其特征在于，所述基于差分進化算法，對所述小波神經網絡函數中隱層的權值參數進行參數優化，得到優化權值參數包括：

將所述權值參數作為差分進化算法中的染色體，并獲取所述小波神經網絡中的適應度函數；

根據所述染色體和所述適應度函數，構建關于所述染色體的編碼方案，所述編碼方案中的權值參數包括網絡結構參數、輸入權值、輸出權值、小波尺度因子以及平移因子；

基于差分進化算法，對所述編碼方案進行參數優化，得到優化權值參數。

6.根據權利要求5所述的方法，其特征在于，所述基于差分進化算法，對所述編碼方案進行參數優化，得到優化權值參數包括：

根據所述差分進化算法，設定初始化的種群以及所述種群的種群規模、縮放因子、交叉概率以及進化代數，所述編碼方案為所述種群中的個體；

根據所述縮放因子對所述種群中的個體進行變異處理，得到變異后的個體；

根據所述交叉概率對所述變異后的個體進行交叉處理，得到交叉后的個體；

根據所述進化代數對所述交叉后的個體進行選擇操作，得到選擇后的新個體；

獲取所述差分進化算法當前的迭代次數以及所述新個體對應的所述適應度函數所確定的適應度精度；

若所述迭代次數達到迭代次數設定值或所述適應度達到適應度精度，則確定所述新個體構成的優化編碼方案，得到優化編碼方案中的優化權值參數；

若所述迭代次數未達到迭代次數設定值且所述適應度未達到適應度精度，根據所述新個體更新所述種群，返回根據所述縮放因子對所述種群中的個體進行變異處理，得到變異后的個體步驟，直至當前迭代次數達到迭代次數設定值或適應度達到適應度精度。

7.根據權利要求1所述的方法，其特征在于，所述基于差分進化算法，所述將所述實時值作為輸入特征向量輸入到預設的小波神經網絡函數中，得到輸出值之前，還包括：

基于神經網絡中的非線性的Sigmoid函數，將神經網絡隱層的線性的小波函數代入所述Sigmoid函數中進行函數替換，構建小波神經網絡函數。

8.一種變壓器故障類型判斷裝置，其特征在于，所述裝置包括：

數據獲取模塊，用于獲取變壓器中油中溶解氣體含量數據的實時值；

數據處理模塊，用于將所述實時值作為輸入特征向量輸入到預設的小波神經網絡函數中，得到輸出值，所述小波神經網絡函數中預設有優化權值參數，所述優化權值參數基于差分進化算法得到；

故障判斷模塊，用于根據所述輸出值對應的變壓器故障編碼，判斷變壓器故障類型。