[發明專利]一種基于核函數極限學習機的變壓器故障辨識方法

在審

• 申請號: 202110052953.2
• 申請日: 2021-01-15
• 公開（公告）號: CN112766140A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 鄒德旭;王山;代維菊;洪志湖;周仿榮;程志萬
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08;G01H17/00
• 代理公司: 北京弘權知識產權代理有限公司 11363
• 代理人: 逯長明;許偉群

1.一種基于核函數極限學習機的變壓器故障辨識方法，其特征在于，包括以下步驟：

在變壓器運行工況下，獲取振動信號作為分析樣本；

在振動信號消噪后，基于小波包分解重構得到振動信號的各頻率能量特征值；

提取各頻率能量特征值作為指紋矢量，并分成訓練集和測試集兩類樣本集；

建立優化核函數極限學習機網絡模型，利用指紋矢量訓練集進行模型訓練；

在模型中輸入待測集，分析計算輸出檢查結果，得到變壓器的工作狀態，實現變壓器的故障辨識。

2.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，所述在變壓器運行工況下，獲取振動信號作為分析樣本，包括：

通過在多個監測點布置振動傳感器，設置信號采集儀采樣頻率區間和采樣時間，獲取變壓器不同運行狀態下的振動信號；

將所述振動信號作為分析樣本。

3.根據權利要求2所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，所述傳感器為壓電式加速度傳感器，且布置于繞組軸向位置。

4.根據權利要求2所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，所述信號采集儀連續至少3次采集變壓器每個監測點的振動信號，按設定的采樣頻率和采樣時間整周期截取變壓器振動信號。

5.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，基于Donoho小波消噪理論對信號進行消噪處理，門限閾值的選取滿足高斯正態分布的變量，即z～N(μ，σ²)滿足下式：

p{-3σ＜z-μ＜3σ}＝0.9974

對于白噪聲，其均值為0，方差為σ²。

6.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，基于小波包原理對獲取的降噪振動信號利用Daubechies小波系列的db20小波進行五層靜態小波分析，提取各子頻帶小波變換的能量特征值。

7.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，優化核函數極限學習機模型包含三層結構，設x＝x₁，x₂，x₃，x₄····x_n表示為輸入向量的各個分量

輸入層包含神經元個數為n個，輸入變量x＝x₁，x₂，x₃，x₄····x_n；

中間層為隱含輸入層，設為一個連接隱含輸入端的層和連接隱含輸入層的一個權重賦值矩陣：

w中的元素w_ln代表了第n個輸入層神經元與第l個隱含層神經元之間的權值；

輸出層包含m個神經元，設β為輸入層與隱含層之間的連接權值矩陣：

β中的元素β_lm代表了第l個隱含層神經元與第m個輸出層神經元之間的權值。

8.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，所述核函數極限學習機網絡模型為：

f(x)＝h(x)β＝Hβ

式中：x為樣本輸入；f(x)為神經網絡的輸出；h(x)，H為隱含層特征映射矩陣；β為隱含層與輸出層連接權重。

9.根據權利要求1所述的基于核函數極限學習機的變壓器故障辨識方法，其特征在于，所述優化核函數極限學習機包括采用基于粒子群優化設計算法進行優化的核極限函數學習機；

粒子位置計算公式為：

粒子計算公式：

式中：t為進化迭代次數；C₁和C₂為粒子學習因子；r₁和r₂為[0，1]區間內的隨機數；和表示第i個粒子在第t次迭代的速度和解空間位置；和分別表示第t次進化的全局和個體最優位置；σ為慣性因子。