一种基于模糊神经网络的变压器直流偏磁的诊断方法

摘要

本发明公开了一种基于模糊神经网络的变压器振动故障诊断方法，将采集到的变压器振动信号输入网络进行训练，并基于训练好的神经网络进行参数拟合，得到基于振动的变压器直流偏磁故障概率曲线，可以实现变压器直流偏磁的在线诊断，根据振动信号，实时判断变压器是否发生直流偏磁，同时在诊断方法中引入先验知识，减小了样本需求量，且提高了故障诊断的准确率。

说明书

技术领域

本发明涉及一种基于振动的变压器故障方法，尤其涉及一种基于模糊神经网络的变压器直流偏磁诊断方法，属于电力变压器及人工智能技术领域。

背景技术

电力变压器是电力系统中的核心设备，承担着电能转换与传输的核心任务，是电网中最重要的设备之一，变压器故障对电网的影响很大，甚至会造成严重的不良社会影响和经济损失。然而现有的对变压器健康状态进行诊断的方法多需要停机检修，对变压器在线运行状态的故障诊断手段有限。近年来，随着人工智能的快速发展，深度学习、大数据等方法也被引入到变压器的故障诊断这一传统问题中。然而，人工智能算法通常要求有较多的数据才能达到很好的训练效果，而变压器的故障数据与正常运行的数据相比，恰恰是比较稀缺的，导致训练数据不足而使故障诊断的准确度受到影响。

发明目的

本发明的目的就是为了克服现有技术存在的一些缺陷，采用模糊数学与神经网络结合的思想，设计出的一种适用于变压器状态检测的方法，通过对变压器振动信号的处理分析，给出变压器发生直流偏磁的概率，主要解决以下问题：

1.解决目前对变压器健康状态进行诊断时需要停机检修的现状，实现变压器的在线状态检测，实时对变压器的状态进行诊断。

2.解决采用人工智能方法对变压器进行故障诊断时的数据稀少问题，通过采用模糊神经网络构架并引入先验知识，减小训练时的样本需求量。

发明内容

本发明提供了一种基于模糊神经网络的变压器直流偏磁的诊断方法，包括以下步骤：

步骤1：选择变压器振动的基频幅值p

步骤2：构造隶属度函数及神经网络，并初始化相关参数；

步骤3：将样本分为训练集和验证集，使用训练集对包含隶属度函数的神经网络进行训练，直至误差满足要求；

步骤4：在验证集上验证训练好的模型的有效性；

步骤5：利用训练好的模型，通过遍历法寻找三特征量隶属度函数中的关键值，从而确定隶属度函数参数，获得可用于故障诊断的故障概率曲线；训练好的模型的输出仅可表示变压器的故障与否，即输出集为[0,1]；

步骤6：根据故障概率曲线，得到三种特征量对应的故障概率，取其加权平均数为变压器最终的发生故障概率，即发生直流偏磁的概率。

进一步地，所述频率复杂度FC、奇偶次谐波幅值之比λ

其中，基频幅值p

进一步地，步骤2中所述神经网络架构共有六层组成，依次分别为输入层、量化输入层、3层隐含层、输出层，其中每个隐含层有6个神经元；所述隶属度函数选择S型函数，如式(3)所示。

所述神经网络的第一层为输入层，x

进一步地，所述步骤3具体包括：

步骤S31：输入训练样本及期望输出，设定学习误差那个及最大训练次数；

步骤S32：初始化隶属度函数的参数以及神经网络中节点的各连接权值；

步骤S33：输入样本，第2层隶属度函数将其模糊化，并经过第3-5层进行计算，通过第6层输出；

步骤S34：计算得到的目标值与实际值之间的平方误差E(i),判断是否满足误差要求；

步骤S35：若不满足要求，进行反向传播，计算各层参数调整量，并更新参数，若满足要求，保存已训练好的网络及参数。

进一步地，所述步骤5中所述确定隶属度函数参数指确定隶属度函数S(x)的参数α和β，具体为：

当特征量X大于某个特定值时，不论其余两个特征量如何取值，神经网络都会判断其为故障状态，此时记特征量X为X

取ε作为极小值，则如式(5)所示：

整理可得，如式(6)所示：

在隶属度函数曲线上找到一个点X

整理得到，如式(8)所示：

β＝-X

其中，X

附图说明

图1是本发明实施例所应用的神经网络构架图。

图2是本发明实施例中神经网络训练流程图。

具体实施方式

下面结合附图和具体实例对本发明进行详细说明。

为解决现有诊断方法需要的样本数量不足的数据标注问题，本发明利用模糊数学的思想，以变压器的振动信号作为输入，专家知识库作为核心，具有变压器状态信息标注的数据作为输出，构建了变压器振动数据的标注方法，利用拟合方法构建隶属度函数，降低对专家知识的需求，并通过对样本数据的标注实验，验证了本方法的有效性。

在本实施例中，公开了一种基于模糊神经网络的变压器直流偏磁的诊断方法，包括以下步骤：

步骤S1：得到某时刻的变压器的特征量参数。

将振动传感器安装至变压器顶面及四个侧面，采集变压器工作时的振动信号，对信号进行分析处理得到特征量，将得到的特征量打上标签，分为无直流偏磁和有直流偏磁。本实施例中选择变压器振动的基频幅值p

频率复杂度、奇偶次谐波幅值之比的计算方法分别如下式(1)、(2)所示：

其中，FC为频率复杂度，p

其中λ

步骤2：构造隶属度函数及神经网络，并初始化相关参数；

本实施例所应用的神经网络架构如图1所示，共有六层组成，分别为输入层、量化输入层、3层隐含层、输出层，其中每个隐含层有6个神经元。

第一层为输入层，x

第二层为量化输入层，通过隶属度函数将输入变量模糊化，节点数为三个，每个节点代表一个模糊集合，用于计算输入分量属于各个模糊集合的隶属度值，根据经验，上述特征量值越大，变压器发生直流偏磁的可能性越高，故系统输入变量的隶属度函数选择S型函数，如式(3)所示：

第三到五层为网络的隐含层。

第六层为网络的输出层，输出结果为0和1，1代表变压器发生直流偏磁，0代表变压器无直流偏磁。

模糊神经网络的学习过程主要分为两个阶段，首先，根据输入的变压器振动特征量样本求出模糊化层各个节点的隶属度函数参数，即S(x)中的α和β；然后，在确定神经元个数及其参数后，求隐层和输出层之间的权值，在参数优化过程中，采用误差反向传播算法计算各梯度，然后利用优化算法来调节需要学习的参数，本实施例中采用一阶梯度寻优算法对参数α和β进行优化。

步骤S3：利用训练集样本，对神经网络进行训练，具体步骤如下：

步骤S31、输入训练样本及期望输出，设定学习误差那个及最大训练次数

步骤S32、初始化隶属度函数的参数以及神经网络中节点的各连接权值

步骤S33、输入样本，第2层隶属度函数将其模糊化，并经过第3-5层进行计算，通过第6层输出。

步骤S34、计算得到的目标值与实际值之间的平方误差E(i),判断是否满足误差要求。

步骤S35、若不满足要求，进行反向传播，计算各层参数调整量，并更新参数，若满足要求，保存已训练好的网络及参数。

步骤S36、在验证集上验证训练好的模型的有效性。

步骤S37、训练好的模型的输出仅可表示变压器的故障与否，即输出集为[0,1]，为了将故障用故障概率表示，我们需要利用训练好的模型确定原隶属度函数的参数，即α和β。

为此，我们需要确定至少两点以确定S型函数的参数。

当特征量X大于某个特定值时，不论其余两个特征量如何取值，神经网络都会判断其为故障状态，此时记特征量X为X

取ε作为极小值，可将上式表示为，

整理后可得，

在具体计算中，我们可以将ε取0.001，(α，β)∈[(α

对于特征量X来说，当我们确定其他两个特征量值时，可以在隶属度函数曲线上找到一个点X

整理后可得，

β＝-X

找到X

β＝-X

其中，X

确定了f(X

步骤S38、将三种特征量分别输入故障概率曲线，得到对应的故障概率，取其加权平均数，得到变压器最终的故障概率，即发生直流偏磁的概率。