结合RVM和DBN的变压器故障诊断方法及系统技术方案

本发明专利技术公开了一种结合RVM和DBN的变压器故障诊断方法及系统，根据基于DGA数据诊断变压器故障的原理，结合DGA数据的特点，用DGA数据分别同时训练RVM和DBN，然后先利用模型中的RVM进行放电和过热故障二分类，再用DBN进行具体的故障诊断，最终输出诊断结果，相比现有技术具有较高的精度，相比单一的基于DBN、SVM或ANN的变压器故障诊断方法，本发明专利技术能够更好地提取故障特征信息，诊断出多重故障，克服了基于DBN、SVM或ANN的变压器故障诊断方法只能诊断单一故障的局限性。

【技术实现步骤摘要】
结合RVM和DBN的变压器故障诊断方法及系统
本专利技术涉及变压器故障诊断技术，尤其涉及一种结合RVM和DBN的变压器故障诊断方法及系统。
技术介绍
电力变压器是电网的关键部分之一，它的可靠性高度依赖于绝缘系统的完整性。在长期的运行中，变压器经常受到热、电和机械力的影响，导致绝缘结构恶化，进而导致故障。这些故障会造成变压器油的分解，从而产生各种碳氢化合物气体。溶解气体分析(DGA)是一种常见的电力变压器故障诊断方法，在此基础上形成了IEC三比值法和Rogers比值法，但存在编码缺失和判断标准过于绝对的缺点。由于DGA数据的模糊性、不确定性和非线性，不能用指定的数学模型来精确描述。在过去的几十年中，随着人工智能的发展，包括人工神经网络(ANN)、支持向量机(SVM)和贝叶斯网络在内的一些算法已经应用于该领域。人工神经网络存在收敛速度慢和过拟合的缺点；贝叶斯网络需要大量的样本训练才能得到好的诊断效果；支持向量机在解决小样本、非线性及高维模式识别中有很大的优势，泛化能力强，但其数量会随着样本数量增加而快速增加，而且它的核函数要满足Mercer条件，且需要交叉验证设置惩罚系数C。相关向量机(RVM)是基于一种基于贝叶斯框架的学习方法，核函数不用满足Mercer条件，且只需要少量的自由参数。深度信念网络(DBN)能较快地从大量的样本中提取特征，但是DBN需要提取的特征随着训练样本的增加而增加。神经网络结构也因此更加复杂，提取样本信息的能力也越来越低，导致诊断精度降低，训练时间也大大增加。
技术实现思路
本专利技术主要目的在于，提供一种结合RVM和DBN的变压器故障诊断方法及系统，以减少DBN需要提取的规则数量，降低数据复杂程度，简化DBN结构，提高故障诊断准确性。本专利技术是通过如下技术方案实现的：一种结合RVM和DBN的变压器故障诊断方法，包括：初始化RVM参数和DBN参数；输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；根据输入的DGA样本数据计算与各类故障对应的期望输出；基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；利用所述故障诊断模型对变压器进行故障诊断。进一步地，利用所述故障诊断模型对变压器进行故障诊断的步骤包括：获取待诊断变压器中的DGA检测数据；其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。进一步地，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[PPDPD1PD2]T,[PT1PT2PT3]T}，其中，[PPDPD1PD2]T为放电故障诊断结果，[PT1PT2PT3]T为过热故障诊断结果，PPD、PD1、PD2、PT1、PT2、PT3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。进一步地，所述设定阈值为0.8。进一步地，初始化RVM参数和DBN参数时：对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。一种结合RVM和DBN的变压器故障诊断系统，包括：初始化模块，用于初始化RVM参数和DBN参数；DGA样本数据输出模块，用于输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；期望输出计算模块，用于根据输入的DGA样本数据计算与各类故障对应的期望输出；模型训练模块，用于基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；故障诊断模块，用于利用所述故障诊断模型对变压器进行故障诊断。进一步地，所述故障诊断模块包括DGA数据获取模块和诊断结果输出模块；所述DGA数据获取模块用于获取待诊断变压器中的DGA检测数据；其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；所述诊断结果输出模块用于结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。进一步地，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[PPDPD1PD2]T,[PT1PT2PT3]T}，其中，[PPDPD1PD2]T为放电故障诊断结果，[PT1PT2PT3]T为过热故障诊断结果，PPD、PD1、PD2、PT1、PT2、PT3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。进一步地，所述设定阈值为0.8。进一步地，所述初始化模块初始化RVM参数和DBN参数时：对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。与现有技术相比，本专利技术提供的结合RVM和DBN的变压器故障诊断方法及系统，根据基于DGA数据诊断变压器故障的原理，结合DGA数据的特点，用DGA数据分别同时训练RVM和DBN，然后先利用模型中的RVM进行放电和过热故障二分类，再用DBN进行具体的故障诊断，最终输出诊断结果，相比现有技术具有较高的精度，相比单一的基于DBN、SVM或ANN的变压器故障诊断方法，本专利技术能够更好地提取故障特征信息，诊断出多重故障，克服了基于D本文档来自技高网...

【技术保护点】
1.一种结合RVM和DBN的变压器故障诊断方法，其特征在于，包括：初始化RVM参数和DBN参数；输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；根据输入的DGA样本数据计算与各类故障对应的期望输出；基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；利用所述故障诊断模型对变压器进行故障诊断。

【技术特征摘要】
1.一种结合RVM和DBN的变压器故障诊断方法，其特征在于，包括：初始化RVM参数和DBN参数；输入DGA样本数据，所述DGA样本数据覆盖所需诊断的各类故障；根据输入的DGA样本数据计算与各类故障对应的期望输出；基于所述期望输出，训练结合RVM和DBN的故障诊断模型，所述故障诊断模型包括四个子模型：两个线性分类RVM模型和两个用于具体故障诊断的DBN模型；利用所述故障诊断模型对变压器进行故障诊断。2.如权利要求1所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，利用所述故障诊断模型对变压器进行故障诊断的步骤包括：获取待诊断变压器中的DGA检测数据；其中一个RVM模型根据所述DGA检测数据判断所述变压器处于正常状态还是故障状态；当所述变压器处于故障状态时，另一个RVM模型根据所述DGA检测数据判断所述变压器出现的是放电故障还是过热故障，还是放电故障和过热故障都有；当所述变压器出现了放电故障时，其中一个DBN模型根据所述DGA检测数据判断所述变压器出现的放电故障的具体类型；当所述变压器出现了过热故障时，另一个DBN模型根据所述DGA检测数据判断所述变压器出现的过热故障的具体类型；结合两个DBN模型的判断结果，输出所述变压器的故障诊断结果。3.如权利要求2所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，放电故障的具体类型包括局部放电、低能放电和高能放电，所述过热故障的具体类型包括低温过热、中温过热和高温过热；以PD、D1、D2、T1、T2、T3分别表示局部放电、低能放电、高能放电、低温过热、中温过热、高温过热，DT表示放电兼过热，则所述故障诊断结果P表示为P＝{[PPDPD1PD2]T,[PT1PT2PT3]T}，其中，[PPDPD1PD2]T为放电故障诊断结果，[PT1PT2PT3]T为过热故障诊断结果，PPD、PD1、PD2、PT1、PT2、PT3分别表示局部放电、低能放电、高能放电、低温过热、中温过热和高温过热的概率，当放电故障诊断结果和过热故障诊断结果中的一个当中包含大于设定阈值的概率时，另一个诊断结果中的所有概率均赋为零。4.如权利要求3所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，所述设定阈值为0.8。5.如权利要求1所述的结合RVM和DBN的变压器故障诊断方法，其特征在于，初始化RVM参数和DBN参数时：对于RVM，超参数设置为1/(N+1)2,N为DGA样本数据中训练样本的个数，噪声方差的初始值设置为0，最大迭代值设置为1000次；对于DBN，网络参数W、a、b初始化为服从高斯分布的随机较小的数值，连接权重为服从正态分布N(0,0,01)的随机数。6.一种结合RVM和DBN的变压器故障诊断系统，其特征在于，包括：初始化模块，用于初始...

【专利技术属性】
技术研发人员：周步祥，邹家惠，袁岳，陈实，罗燕萍，陈鑫，张致强，刘治凡，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51