一种基于神经网络的变压器故障诊断方法技术

本发明专利技术涉及一种基于神经网络的变压器故障诊断方法，包括如下步骤：分析故障原因，提取变压器油中溶解气体的样本集以及所对应的变压器内部故障类型；根据经验和逐次寻优法确定神经网络隐含层的神经元数目，并构建神经网络；再采用改进型布谷鸟优化算法针对神经网络进行训练；最后采用训练后的神经网络，针对变压器的故障进行诊断，整个设计方法具有搜索精度高，全局搜索能力强的特点，有效提高了变压器故障诊断的准确性。

【技术实现步骤摘要】

本专利技术涉及，属于变压器故障处理技术 领域。
技术介绍
电力变压器是电力系统的重要元件之一，它的安全性能直接影响到我国电气系统 能否可靠运行，也间接的影响了我国居民的日常生活。因而针对电力变压器的维修、检测变 得十分迫切，但是经常性的拆装变压器会再一次损坏该设备，并给设备埋下安全隐患。随着 用电量的增长，电力变压器承受的负荷也越来越大，为此，有必要针对电力设备的运行状态 进行实时监控，通过实时检测能够发现电气设备的早期缺陷，防止突发事故发生，减小不必 要的停电检修，有效的延长了设备的使用寿命。
技术实现思路
针对上述技术问题，本专利技术所要解决的技术问题是提供一种基于神经网络的变压 器故障诊断方法，不仅解决了神经网络参数难于优化的问题，而且还提高了神经网络全局 收敛的速度和精度，以及提高了变压器故障诊断的能力和准确率。 本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于神经网 络的变压器故障诊断方法，包括如下步骤： 步骤001.提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作 为各组训练样本数据，各组训练样本数据分别包括各指定溶解气体的各指定类型参数数 据；并且获得各组训练样本数据分别所对应的变压器内部故障类型，其中，变压器内部故障 类型的种类数量为M，然后进入步骤002 ; 步骤002.分别针对各组训练样本数据，针对各指定溶解气体的各指定类型参数 数据，进行归一化处理，获得各组训练样本归一化数据，并进入步骤003 ; 步骤003.分别针对各组训练样本归一化数据，采用预设数量N比值法，基于各指 定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组训练样本矢量数据，各组 训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组训练样 本数据分别所对应的变压器内部故障类型，获得各组训练样本矢量数据分别所对应的变压 器内部故障类型；然后进入步骤004 ; 步骤004.根据各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢 量数据，即获得待构建神经网络输入层神经元数目N，同时，根据变压器内部故障类型的种 类数量M，即获得待构建神经网络输出层神经元数目Μ ;然后根据待构建神经网络输入层神 经元数目Ν和待构建神经网络输出层神经元数目Μ，获得待构建神经网络隐含层的神经元 数目Κ，然后进入步骤005; 步骤005.根据待构建神经网络隐含层的神经元数目Κ，构建获得神经网络，并进 入步骤006 ; 步骤006.根据各组训练样本矢量数据，以及分别所对应的变压器内部故障类型， 采用布谷鸟算法针对所获神经网络进行训练，获得训练后的神经网络，其中，在全部训练迭 代次数的前1/3次迭代过程中，布谷鸟算法中采用柯西分布搜索方式搜索获得新鸟巢的位 置；在全部训练迭代次数的中间1/3次迭代过程中，布谷鸟算法中采用莱维搜索方式搜索 获得新鸟巢的位置；在全部训练迭代次数的后1/3次迭代过程中，布谷鸟算法中采用高斯 分布搜索方式搜索获得新鸟巢的位置；其中，鸟巢的位置表示所获神经网络中输入层与隐 含层之间的连接权值、输入层与隐含层之间的阈值、隐含层与输出层之间的连接权值，以及 隐含层与输出层之间的阈值；然后进入步骤007 ; 步骤007.提取待诊断变压器油中溶解气体数据，采用训练后的神经网络进行诊 断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型，其中，待诊 断变压器油中溶解气体数据的数据结构与变压器油中溶解气体样本数据的数据结构相同。 作为本专利技术的一种优选技术方案：所述步骤001中，还包括提取变压器发生故障 时、预设组数的变压器油中溶解气体样本数据，作为各组测试样本数据，其中各组测试样本 数据的数据结构与所述训练样本数据的数据结构相同；并且获得各组测试样本数据分别所 对应的变压器内部故障类型； 所述步骤002中，还包括分别针对各组测试样本数据，针对各指定溶解气体的各 指定类型参数数据，进行归一化处理，获得各组测试样本归一化数据； 所述步骤003中，还包括分别针对各组测试样本归一化数据，采用预设数量N比值 法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组测试样本矢 量数据，各组测试样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根 据各组测试样本数据分别所对应的变压器内部故障类型，获得各组测试样本矢量数据分别 所对应的变压器内部故障类型； 所述步骤006与步骤007之间还包括步骤006- 7,执行完步骤006之后，进入步 骤006-7,执行完步骤006-7之后，进入步骤007,其中，步骤006-7包括如下操作： 根据各组测试样本矢量数据，以及分别所对应的变压器内部故障类型，针对训练 后的神经网络进行测试，并针对测试结果，采用神经网络误差函数进行结果分析，获得训练 后的神经网络精度。 作为本专利技术的一种优选技术方案：所述步骤006- 7中的神经网络误差函数如下 所示： 其中，E为误差结果；b = 1，2,…，B，B表示测试样本矢量数据的组数;m = 1，2,…，M，M表示变压器内部故障类型的种类数量，即所述训练后的神经网络输出层神经元 数目；兔表示根据所述步骤〇〇3中各组测试样本矢量数据分别所对应的变压器内部故障 类型，第b组测试样本矢量对应所述训练后的神经网络输出层第m个神经元应当输出的变 压器内部故障类型；ybni表示采用第b组测试样本矢量数据针对所述训练后的神经网络进行 测试，输出层第m个神经元实际所输出的变压器内部故障类型。 作为本专利技术的一种优选技术方案：所述步骤002中，针对各指定溶解气体的各指 定类型参数数据，采用如下公式进行归一化处理； 其中，i = 1，2,…，I，I表示指定溶解气体的种类数量，q = 1，2,…，Q，Q表示指定 类型参数种类的数量； 表示第i种指定溶解气体第q种类型参数的归一化数据结果；zlq表示?所在样本数据组中第i种指定溶解气体第q种类型参数的提取数据；zq _表示4所 在样本数据组中各指定溶解气体对应第q种类型参数提取数据的最小值；zq_表示 <所在 样本数据组中各指定溶解气体对应第q种类型参数提取数据的最大值。 作为本专利技术的一种优选技术方案：所述步骤004中，根据待构建神经网络输入层 神经元数目N，以及待构建神经网络输出层神经元数目M，通过如下步骤操作，获得待构建 神经网络隐含层的神经元数目K ; 步骤00401.根据」和K3= 2N+1，分别获得KpKjPKy 并进入步骤00402，其中，a为预设常数； 步骤00402.获得VKjP K 3中的最小值K _，以及最大值K_，然后由K_开始，逐 个增加神经元的个数直至Κ_，分别进行训练验证，获得各个验证结果，并进入步骤00403 ; 步骤00403.获得各个验证结果中的最优验证结果，则该最优验证结果所对应的 神经元个数即为待构建神经网络隐含层的神经元数目Κ。 作为本专利技术的一种优选技术方案：所述a为之间的预设常数。 作为本专利技术的一种优选技术方案：所述步骤007中，通过训练后的神经网络，采用 油中溶解气体法针对待诊断变压器油中溶解气体数据进行诊断，判断获得该待诊断变压器 油中溶解气体数据所对应的变压器内部故障类型。 作为本发本文档来自技高网...

【技术保护点】
一种基于神经网络的变压器故障诊断方法，其特征在于，包括如下步骤：步骤001.提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作为各组训练样本数据，各组训练样本数据分别包括各指定溶解气体的各指定类型参数数据；并且获得各组训练样本数据分别所对应的变压器内部故障类型，其中，变压器内部故障类型的种类数量为M，然后进入步骤002；步骤002.分别针对各组训练样本数据，针对各指定溶解气体的各指定类型参数数据，进行归一化处理，获得各组训练样本归一化数据，并进入步骤003；步骤003.分别针对各组训练样本归一化数据，采用预设数量N比值法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组训练样本矢量数据，各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组训练样本数据分别所对应的变压器内部故障类型，获得各组训练样本矢量数据分别所对应的变压器内部故障类型；然后进入步骤004；步骤004.根据各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据，即获得待构建神经网络输入层神经元数目N，同时，根据变压器内部故障类型的种类数量M，即获得待构建神经网络输出层神经元数目M；然后根据待构建神经网络输入层神经元数目N和待构建神经网络输出层神经元数目M，获得待构建神经网络隐含层的神经元数目K，然后进入步骤005；步骤005.根据待构建神经网络隐含层的神经元数目K，构建获得神经网络，并进入步骤006；步骤006.根据各组训练样本矢量数据，以及分别所对应的变压器内部故障类型，采用布谷鸟算法针对所获神经网络进行训练，获得训练后的神经网络，其中，在全部训练迭代次数的前1/3次迭代过程中，布谷鸟算法中采用柯西分布搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的中间1/3次迭代过程中，布谷鸟算法中采用莱维搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的后1/3次迭代过程中，布谷鸟算法中采用高斯分布搜索方式搜索获得新鸟巢的位置；其中，鸟巢的位置表示所获神经网络中输入层与隐含层之间的连接权值、输入层与隐含层之间的阈值、隐含层与输出层之间的连接权值，以及隐含层与输出层之间的阈值；然后进入步骤007；步骤007.提取待诊断变压器油中溶解气体数据，采用训练后的神经网络进行诊断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型，其中，待诊断变压器油中溶解气体数据的数据结构与变压器油中溶解气体样本数据的数据结构相同。...

【技术特征摘要】

【专利技术属性】
技术研发人员：高浩，岳东，秦媛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32