基于传递函数特征主成分和神经网络的绕组变形识别方法技术

本发明专利技术公开了一种基于传递函数特征主成分和神经网络的绕组变形智能识别技术，属于绕组变形故障检测领域。首先，获取当前绕组传递函数或频率响应的零和极点，由它们的频率和幅值，以及它们相对基准绕组的变化构建特征量矩阵。其次，通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量，并对主成分特征向量归一化。最后，构建并训练BP神经网络，并利用这个BP神经网络识别变压器绕组当前机械状态。本发明专利技术根据降低维度的思想，有效提取绕组状态的主成分特征量，减小计算量和时间。相比于人工识别，本发明专利技术能很好表征绕组变形的类型、位置和程度与绕组结构之间的非线性关系，克服了人工识别的主观性和随机性，实现了绕组变形的智能识别。

【技术实现步骤摘要】
基于传递函数特征主成分和神经网络的绕组变形识别方法
本专利技术属于高电压
，涉及一种基于传递函数特征主成分和神经网络的绕组变形识别方法。
技术介绍
绕组变形为电力变压器典型性故障之一，其主要是由短路电流产生的巨大电动力造成，且累积效应使变形逐渐加剧。若不及时发现和修复，绕组变形可随时产生局部放电和绝缘劣化，甚至引发灾难性事故。实践上普遍采用频率响应分析法(FRA，简称频响法)检测变压器绕组变形，其稳定性好、可重复性高，但在应用上还存在不足：对于绕组不同状态下频率响应轨迹的评估取决于检测人员的专业素质及主观经验；不同绕组状态或许呈现相似的轨迹及统计特征量变化，可能造成错判；间接得到的传递函数会损失一些在频率响应曲线上表现为细微拐点的零和极点，其对绕组状态评估不可避免地产生影响。在现有研究尚未穷尽绕组状态情况下，绕组状态归属的不确定性和表征值的重叠性可造成判读上的困惑，这在实践上产生了积累专家经验，对绕组状态进行自动解释和智能识别的动力。早期的研究是利用神经网络来单一地判断绕组变形与否，实践上希望能进一步判断变形的类型、位置和程度。K.R.Gandhi根据当前和基准频率响应曲线构建本文档来自技高网...

【技术保护点】
1.基于传递函数特征主成分和神经网络的绕组变形识别方法，其特征在于，包括以下步骤：步骤1：获取当前绕组传递函数或频率响应的零和极点，根据零和极点的频率和幅值，以及其相对基准绕组的变化构建特征量矩阵；步骤2：通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量，并对主成分特征向量归一化；步骤3：构建并训练BP神经网络，并利用BP神经网络识别变压器绕组当前机械状态。

【技术特征摘要】
1.基于传递函数特征主成分和神经网络的绕组变形识别方法，其特征在于，包括以下步骤：步骤1：获取当前绕组传递函数或频率响应的零和极点，根据零和极点的频率和幅值，以及其相对基准绕组的变化构建特征量矩阵；步骤2：通过主成分分析法提取特征量矩阵的主成分后成为主成分特征向量，并对主成分特征向量归一化；步骤3：构建并训练BP神经网络，并利用BP神经网络识别变压器绕组当前机械状态。2.根据权利要求1所述的基于传递函数特征主成分和神经网络的绕组变形识别方法，其特征在于，步骤2中对特征量p的主成分提取步骤如下：2-1)利用特征量p的样本集合求出协方差矩阵其中E为数学期望；T为矩阵转置；为特征量平均值；2-2)计算协方差矩阵的特征值和对应的特征向量，并将特征值由大到小排列：λ1≥λ2≥...≥λn，对应的特征向量为[d1,d2,...,dn]；2-3)选择累计贡献值达到设定值a的前m个特征值所对应的特征向量作为变换矩阵D＝[d1,d2,...,dm]；2-4)将n维特征矢量p转化为m维新的特征矢量q＝DTp；q即为特征量主成分。3.根据权利要求1所述的基于传递函数特征主成分和神经网络的绕组变形识别方法，其特征在于，步骤3中，采用小数定标标准化方法将每个主成分特征向量中的每个数据转换到[0,1]区间，最后归一化的主成分特征向量作为神经网络的输入量。4.根据权利要求3所述的基于传递函数特征主成分和神经网络的绕组变形识别方法，其特征在于，步骤4中，人工神经网络结构包含输入层、隐含层和输...

【专利技术属性】
技术研发人员：罗勇芬，王璐，叶建区，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61