基于神经网络的变压器套管监测方法技术

本发明专利技术公开了基于神经网络的变压器套管监测方法，采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题；综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。

【技术实现步骤摘要】
基于神经网络的变压器套管监测方法
本专利技术涉及变压器保护方法，具体涉及基于神经网络的变压器套管监测方法。
技术介绍
介质损耗因数(即介质损耗角的正切值tanδ)与电容值作为变压器套管绝缘状况的必要指标之一，是预防性试验及绝缘在线监测的重要内容。近年来，随着计算机技术、传感器技术以及数字信号处理技术的发展，谐振法、伏安法、电桥法等传统模拟测量方法逐步被数字测量方法替代，介损的精确测量与快速数字测量受到了国内外研究与工程领域的广泛关注。神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统。神经网络的高速并行处理、分布存储信息等特性，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点。其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊断这类多变量非线性问题。本专利技术采用面向套管故障点的建模思路构造神经网络得到初级诊断结论。
技术实现思路
本专利技术所要解决的技术问题是采用新的计算机技术对传统模拟测量方法对变压器套管检测方法进行优化，本专利技术提供基于神经网络的变压器套管监测方法解决这样的问题。本专利技术通过下述技术方案实现：基于神经网络的变压器套管监测方法，主要包括以下步骤：S1、对变压器的管道建立保护模型和神经网络模型；S2、选取训练样本和RBF网络对元件神经网络进行训练；S3、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；S4、基于面向故障点的神经网络模型进行初级故障诊断；S5、利用模糊技术对初级故障诊断结论进行预处理；S6、根据变压器套管拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；S7、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct＝{dm…dn}与隔一级关联故障点集合Di-indirect＝{dk…di}；S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；S9、根据拓扑信息及各故障点的诊断结论，形成直接关联故障点对候选故障点的故障的支持程度的集合Fi-direct＝{fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi-indirect＝{fk…fi}；S10、根据式计算模糊积分值ei，ei即为综合诊断给出的故障可能性指标，形成候选故障套管的故障可能性指标集E＝{e1，e2…eN}；根据故障可能性指标集，确定故障套管。进一步的，步骤S5中，所述利用模糊技术对初级故障诊断结论进行预处理，其选用的隶属度如下：其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。进一步的，步骤S8具体为：根据式确定λi，然后根据式g(x1)＝g({x1})和式求取模糊密度g；λi是一个中间数。本专利技术与现有技术相比，具有如下的优点和有益效果：1、本专利技术基于神经网络的变压器套管监测方法，采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题；2、本专利技术基于神经网络的变压器套管监测方法，综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性；具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例本专利技术基于神经网络的变压器套管监测方法，主要包括以下步骤：S1、对变压器的管道建立保护模型和神经网络模型；S2、选取训练样本和RBF网络对元件神经网络进行训练；S3、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；S4、基于面向故障点的神经网络模型进行初级故障诊断；S5、利用模糊技术对初级故障诊断结论进行预处理；S6、根据变压器套管拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；S7、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct＝{dm…dn}与隔一级关联故障点集合Di-indirect＝{dk…di}；S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；S9、根据拓扑信息及各故障点的诊断结论，形成直接关联故障点对候选故障点的故障的支持程度的集合Fi-direct＝{fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi-indirect＝{fk…fi}；S10、根据式计算模糊积分值ei，ei即为综合诊断给出的故障可能性指标，形成候选故障套管的故障可能性指标集E＝{e1，e2…eN}；根据故障可能性指标集，确定故障套管。实施时，步骤S5中，所述利用模糊技术对初级故障诊断结论进行预处理，其选用的隶属度如下：其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。所述步骤S8具体为：根据式确定λi，然后根据式g(x1)＝g({x1})和式求取模糊密度g；λi是一个中间数。采用面向套管故障点神经网络与模糊积分信息融合技术的套管故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题，综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。以上所述的具体实施方式，对本专利技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本专利技术的具体实施方式而已，并不用于限定本专利技术的保护范围，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.基于神经网络的变压器套管监测方法，其特征在于，主要包括以下步骤：S1、对变压器套管建立保护模型和神经网络模型；S2、选取训练样本和RBF网络对元件神经网络进行训练；S3、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；S4、基于面向故障点的神经网络模型进行初级故障诊断；S5、利用模糊技术对初级故障诊断结论进行预处理；S6、根据变压器套管拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；S7、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di‑direct＝{dm…dn}与隔一级关联故障点集合Di‑indirect＝{dk…di}；S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；S9、根据拓扑信息及各故障点的诊断结论，形成直接关联故障点对候选故障点的故障的支持程度的集合Fi‑direct＝{fm…fn}与隔一级关联故障点对该候选故障点的故障的支持程度的集合Fi‑indirect＝{fk…fi}；S10、根据式

【技术特征摘要】
1.基于神经网络的变压器套管监测方法，其特征在于，主要包括以下步骤：S1、对变压器套管建立保护模型和神经网络模型；S2、选取训练样本和RBF网络对元件神经网络进行训练；S3、采用离散傅里叶变换对试品的电压和电流信号进行谐波分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；S4、基于面向故障点的神经网络模型进行初级故障诊断；S5、利用模糊技术对初级故障诊断结论进行预处理；S6、根据变压器套管拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；S7、根据变压器套管拓扑信息形成各个候选故障点的直接关联故障点集合Di-direct＝{dm…dn}与隔一级关联故障点集合Di-indirect＝{dk…di}；S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；S9、根据拓...

【专利技术属性】
技术研发人员：黄加国，
申请(专利权)人：四川多成电力工程安装有限责任公司，
类型：发明
国别省市：四川,51