一种变电设备状态检修故障诊断方法技术

本发明专利技术涉及一种变电设备状态检修故障诊断方法，其主要技术特点是：通过改进典型及差异样本，建立基于优化自适应调整学习率模型；根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊断。本发明专利技术设计合理，其通过基于优化自适应调整学习率模型进行变电设备状态检修故障诊断能够有效减少冗余诊断信息，避开繁琐的计算推导，使故障识别神经网络模型更加实用，更加符合实际情况，提高了检修效率，控制故障修复成本及用户缺电损失成本；避免盲目检修级欠检修存在的问题，充分实现了安全、效能、经济的平衡，能够指导变电设备的更换、改造、运行维护与检修试验等工作的开展，也可以为变电设备的管理决策及设备检修等提供直接依据。

A fault diagnosis method for condition based maintenance of substation equipment

The invention relates to a fault diagnosis method for substation equipment condition based maintenance. Its main technical features are: by improving the typical and different samples, the optimization adaptive learning rate model is established, and the fault diagnosis of the state inspection of the substation equipment is carried out based on the optimization adaptive learning rate model. The design of the invention is reasonable. It can effectively reduce redundant diagnosis information, avoid cumbersome calculation derivation, make fault identification neural network model more practical, make the fault identification neural network model more practical, and improve the efficiency of maintenance and control failure. The cost of repairing and the cost of the loss of power loss of the users can be avoided, the problems existing in the blind maintenance level under overhaul are avoided, the balance of safety, efficiency and economy is fully realized, and the work of changing, reforming, running, maintenance and maintenance tests of the substation equipment can be guided, and the management decision and equipment maintenance of the substation equipment can also be provided. Direct basis.

【技术实现步骤摘要】
一种变电设备状态检修故障诊断方法
本专利技术属于变电设备
，尤其是一种变电设备状态检修故障诊断方法。
技术介绍
变电设备是电力系统中的重要设备，对于电力系统的正常运行起着重要作用。长期以来，变电设备检修工作执行的是以预防性试验规程为基础的计划检修制度。由于电网规模的不断扩大，采用周期检修和故障检修，普遍存在着欠修或过修问题，对电网可靠运行造成重大威胁，以至于变电设备运维成本浪费，并增加人力资源负担。主要原因包括新旧设备状态差异共存，运行环境导致风险不一，既定的检修周期导致检修工作存在不足或过度的风险。因此，上述传统检修方式已不能满足实际生产的需求。目前状态检修的工作虽已得到一定的研究及应用，但在满足设备和电网安全性的前提下，如何兼顾修理、改造与更换等方式的经济性评价仍需研究。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种变电设备状态检修故障诊断方法，解决传统检修模式普遍存在着欠修或过修现象以及变电设备运维成本及人力资源成本浪费的问题。本专利技术解决其技术问题是采取以下技术方案实现的：一种变电设备状态检修故障诊断方法，包括以下步骤：步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型；步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊断。所述步骤1的具体方法包括以下步骤：步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练；步骤1.2、对BPNN源范例集中的范例数据进行归一化处理；步骤1.3、对归一化处理的范例数据进行筛选归类；步骤1.4、根据故障类型进行网络训练，得到基于优化自适应调整学习率模型。所述步骤1.1的处理方法包括以下步骤：⑴始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引；⑵由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结果；⑶根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数Wij；⑷重复步骤⑵、⑶直到计算输出结果和期望值的误差达到理想范围内；⑸设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期望输出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)，则第k次反向传播误差为:E(k)＝T-Y(k)＝T-XW(k)。在训练过程中，采用自适应调整学习率的网络学习算法，其权值调整过程可表示为：式中，Δw为权值变化量；mc为动量因子，O≤mc≤l；α(k)为k时刻的学习率；D(k)为k时刻的梯度值；其中，学习率的调整具有自适应能力，当训练过程中网络的输出误差大于上一次的输出误差时，即E(k)≥E(k-l)时，学习率将自动减小，而E(k)<E(k-l)时，则学习率将自行增加。所述步骤1.2的处理方法包括以下步骤：⑴搜集并选取经核实确认且结论较明确的变压器事故前色谱检测数据组成训练样本集；⑵针对不同特征气体含量大小分别进行排序，并依其含量大小分组；⑶分别统计不同特征气体在各分组的频次Δrj和频率wj＝Δrj/n，其中n为气体观测值个数；⑷利用累积频率的概念计算各分组后的数据，对第i组数据其累积频率为：其中ri为到第i组结束时的累积频次；将己计算出的累积频率值Fi代替该组特征气体的含量作为神经网络的输入；通过将训练样本集中的不同特征气体的含量替换为各自所对应的累计频次组成原范例集。所述步骤1.3的处理方法包括以下步骤：⑴对源范例库中范例进行类属函数值计算：针对N个训练样本分别属于K类故障类型的求解，其评估个体样本的类属函数可表示为：Fclass＝max(M1/l，M2/l，…Mi/l…Mk/l)式中l为距被评估个体距离最近的训练样本数，其数量可根据现有数据量的大小进行调整，i表示故障模式的下标，Mi是l个学习样本中属于第i类故障的样本数；⑵在对源范例库中范例进行类属函数值计算后，可取其中类属函数值最大的数据样本作为训练样本组合代表；在典型性筛选的基础上，需剔除差异性较小的边缘性范例样本，差异性指标的衡量，通过相关性分析求解相关系数值实现；⑶得到具备典型训练范例的源范例集。所述步骤1.4的处理方法为：将训练得到的网络节点系数分别输入到BPNN中各层节点中，建立相对应的故障类型识别模型，其输出结果为类型匹配的相似度，得到目标范例与具体故障类型的匹配相似度，如果若范例检索采用多种检索方式，则各种检索方式均可得到一种分类结果，最后采用加权平均计算目标范例与各故障类型的综合匹配相似度，确保网络的误差平方和最小。本专利技术的优点和积极效果是：本专利技术通过对变电设备基础数据、试验、缺陷、故障等信息的收集和分析，建立基于优化自适应调整学习率模型，能够有效减少冗余诊断信息，避开繁琐的计算推导，使故障识别神经网络模型更加实用，更加符合实际情况；同时，准确的故障诊断结果有助于提高检修效率，控制故障修复成本及用户缺电损失成本；避免盲目检修级欠检修存在的问题，充分实现了安全、效能、经济的平衡，能够指导变电设备的更换、改造、运行维护与检修试验等工作的开展，也可以为变电设备的管理决策及设备检修等提供直接依据。具体实施方式以下结合具体实施例对本专利技术做进一步详述。一种变电设备状态检修故障诊断方法，包括以下步骤：步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型。在本步骤中，采用范例分级检索算法构建BPNN模型，并对BPNN训练以解析各层网络节点系数，从而确定网络识别模型。BPNN网络训练包含正向传播输出和反向传播调整两部分，在其正向传播输出过程中，输入值由输入层经隐层节点处理后传至输出层；若输出值达不到预期效果，则输出值的误差将沿原连接路径反向传播到输入层，自动修正各层神经元间的连接权值，使误差逐步缩小。本步骤的具体方法包括以下步骤：步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练BPNN模型需要进行训练，其训练步骤为：(1)始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引。(2)由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结果。(3)根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数Wij。(4)重复步骤(2)、(3)直到计算输出结果和期望值的误差达到理想范围内。(5)设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期望输出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)。则第k次反向传播误差为:E(k)＝T-Y(k)＝T-XW(k)为提高网络训练算法的收敛性能，采用自适应调整学习率的网络学习算法，其权值调整过程可表示为：式中，Δw为权值变化量；mc为动量因子(O≤mc≤l)；α(k)为k时刻的学习率；D(k)为k时刻的梯度值。其中，学习率的调整具有自适应能力，当训练过程中网络的输出误差大于上一次的输出误差时，即E(k)≥E(k-l)时，学习率将自动减小，即α(k+l)＝α(k)×dm(其中dm为小于1的常数)。而E(k)<E(k-l)时，则学习率将自行增加，即α(k+l)＝α(k)×im(其中im为大于1的常数)。网络训练和网络识别的区别在于网络训练输入层参数和输出层参数为已知变量，而网络节点系数为未知变量，需通过网络训练计算得到；网络识别则输入本文档来自技高网...

【技术保护点】
1.一种变电设备状态检修故障诊断方法，其特征在于包括以下步骤：步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型；步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊断。

【技术特征摘要】
1.一种变电设备状态检修故障诊断方法，其特征在于包括以下步骤：步骤1、通过改进典型及差异样本，建立基于优化自适应调整学习率模型；步骤2、根据基于优化自适应调整学习率模型进行变电设备状态检修故障诊断。2.根据权利要求1所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1的具体方法包括以下步骤：步骤1.1、采用自适应调整学习率算法，进行BPNN模型训练；步骤1.2、对BPNN源范例集中的范例数据进行归一化处理；步骤1.3、对归一化处理的范例数据进行筛选归类；步骤1.4、根据故障类型进行网络训练，得到基于优化自适应调整学习率模型。3.根据权利要求2所述的一种变电设备状态检修故障诊断方法，其特征在于：所述步骤1.1的处理方法包括以下步骤：⑴始化各层节点的权值系数Wij，i表示层数索引，j表示节点个数索引；⑵由标准输入值和初始化权值系数，利用网络正向传播路径计算输出结果；⑶根据输出结果和期望输出结果的差值作为反馈因子调整节点权值系数Wij；⑷重复步骤⑵、⑶直到计算输出结果和期望值的误差达到理想范围内；⑸设输入向量X＝(x1，x2…xn)，正向传播输出结果为Y＝(y1，y2…ym)，期望输出为T＝(t1，t2…tm)，节点权值系数为W＝(wi1，wi2…wis)，则第k次反向传播误差为:E(k)＝T-Y(k)＝T-XW(k)。4.根据权利要求3所述的一种变电设备状态检修故障诊断方法，其特征在于：在训练过程中，采用自适应调整学习率的网络学习算法，其权值调整过程可表示为：式中，Δw为权值变化量；mc为动量因子，O≤mc≤l；α(k)为k时刻的学习率；D(k)为k时刻的梯度值；其中，学习率的调整具有自适应能力，当训练过程中网络的输出误差大于上一次的输出误差时，即E(k)≥E(k-l)时，学习率将自动减小，而E(k)<E(k-l)时，则学习率将自行增加。5.根据权利要求2所述的一种变电设备状...

【专利技术属性】
技术研发人员：董艳唯，满玉岩，李琳，张弛，李苏雅，
申请(专利权)人：国网天津市电力公司电力科学研究院，国网天津市电力公司，国家电网公司，
类型：发明
国别省市：天津,12