一种基于Apriori-BP算法的变压器故障诊断方法技术

本发明专利技术公开了一种基于Apriori‑BP算法的变压器故障诊断方法，利用变压器油中气体的特征向量数据与对应的变压器运行状态，对BP神经网络进行训练，得到Aprori‑BP预测模型；将变压器油中实时的气体的特征向量数据输入Aprori‑BP预测模型，得到变压器状态的预测。本发明专利技术提供的一种基于Apriori‑BP算法的变压器故障诊断方法，利用Apriori算法挖掘特征向量之间的潜在关系得出神经网络的初始权重，有效克服了BP神经网络中初始化值不合理而导致过拟合和易陷入局部最优的缺点，从而有效提高了精确度，具有较高实际使用价值。

【技术实现步骤摘要】
一种基于Apriori-BP算法的变压器故障诊断方法
本专利技术涉及一种基于Apriori-BP算法的变压器故障诊断方法，属于变压器故障检测

技术介绍
目前，变压器是电力系统的核心设备。变压器的安全运行不仅关系到电力系统的运行成本和安全，而且在很大程度上关系到社会各界的正常运行以及人们生命财产的安全。通过故障诊断技术，可以在变压器运行过程中提前发现故障，并及时采取措施，减少事故的发生。现有的变压器故障诊断的方法有三比率法(IEC)，聚类分析法，支持向量机和人工神经网络算法等。在变压器故障的诊断和预测中，上述大多数算法都采用单个或少量故障特征量进行分析和计算，而没有考虑各种故障的共同影响以及故障之间可能的联系，导致预测结果的准确性较低。
技术实现思路
目的：为了克服现有技术中存在的不足，本专利技术提供一种基于Apriori-BP算法的变压器故障诊断方法。技术方案：为解决上述技术问题，本专利技术采用的技术方案为：一种基于Apriori-BP算法的变压器故障诊断方法，包括如下步骤：利用变压器油中气体的特征向量数据与对应的变压器运行状态，对BP神经网络进行训练，得到Aprori-BP预测模型；将变压器油中实时的气体的特征向量数据输入Aprori-BP预测模型，得到变压器状态的预测。作为优选方案，所述变压器油中气体的特征向量数据获取步骤如下：获取变压器油中几种气体的溶解量及浓度值，以及对应的变压器不同运行状态；分别对变压器不同运行状态下各种气体的溶解量与浓度值取l个样本，并按气体种类进行归一化处理，得到变压器不同运行状态下各种气体的特征向量数据。作为优选方案，每种气体溶解量和浓度值进行归一化处理的公式如下：其中：为第j个数据的第i维特征值，ximax与ximin分别为数据集中第i维数据的最大值与最小值，i∈{0,1}，0和1两个维度分别代表溶解量和浓度值，j∈{1,...,l}，其中l表示训练样本数量。作为优选方案，所述BP神经网络包括输入层、隐藏层、输出层，将采集的气体种类数量设定为BP神经网络输入层的输入节点的个数，每个节点的维度为2,分别为溶解量和浓度值对应的特征向量数据；将变压器的运行状态的种类数量设定为BP神经网络输出层的输出节点的数量；利用经验公式计算隐藏层h的节点数：或其中，α是介于1和10之间的常数，input代表输入节点数,output代表输出节点数。作为优选方案，所述Aprori-BP预测模型的初始权重获得步骤如下：将变压器运行时各种气体的溶解量与浓度值特征向量集合定义为X，变压器的各种运行状态集合定义为Y，即：Xn＝{n种特征向量}Ym＝{m种变压器运行状态}置信度的值可表示为关联规则X＝>Y，表示以X发生为前提Y发生的条件概率值；ConfXY反映了变压器汽油中各种气体某一时刻的溶解量、浓度值向量X与变压器运行状态Y的关系；其中其中，Freq(·)是在数据集中·事件发生的频率，即Freq(Y)表示Y状态出现的事件发生频率，Freq(X∩Y)表示X,Y同时满足的事件发生频率；从每种气体的相应运行状态类型中得到的权重计算公式，其中，ωij为变压器油中i类气体溶解含量超标时j类运行状态的权重，Confij为变压器油中i类气体溶解含量超标时j类运行状态的置信度，Confnj为变压器油中n类气体溶解含量超标时j类运行状态的置信度。作为优选方案，还包括如下步骤：对Aprori-BP预测模型进行反复的正向计算和误差反向传播，对权重进行调节。作为优选方案，还包括如下步骤：通过预测精度评估对Aprori-BP预测模型进行调整。作为优选方案，所述变压器油中几种气体至少包括其中一种：H2，CH4，C2H6，C2H4和C2H2。有益效果：本专利技术提供的一种基于Apriori-BP算法的变压器故障诊断方法，利用Apriori算法挖掘特征向量之间的潜在关系得出神经网络的初始权重，有效克服了BP神经网络中初始化值不合理而导致过拟合和易陷入局部最优的缺点，从而有效提高了精确度，具有较高实际使用价值。附图说明图1是BP神经网络模型结构图；图2是本专利技术的总流程图；图3是本专利技术Apriori-BP模型预测值与实测值的比较图。具体实施方式下面结合附图对本专利技术作更进一步的说明。一种基于Apriori-BP神经网络算法的变压器故障诊断方法，包括步骤：(1)获取变压器油中几种气体的溶解量及浓度值，以及对应的变压器不同运行状态。本专利技术将采集H2，CH4，C2H6，C2H4和C2H2这五种气体在变压器不同运行状态下变压器油中的溶解量与浓度值。(2)分别对变压器不同运行状态下各种气体的溶解量与浓度值取l个样本，并按气体种类进行归一化处理，得到变压器不同运行状态下各种气体的特征向量数据。归一化方法分别从溶解度和浓度两个维度各自进行标准化以消除两种维度特征的不同量纲带来的影响；进一步地，所述步骤(2)中，每种气体溶解量和浓度值进行归一化处理的公式如下：其中：为第j个数据的第i维特征值，ximax与ximin分别为数据集中第i维数据的最大值与最小值，i∈{0,1}，0和1两个维度分别代表溶解量和浓度值，j∈{1,...,l}，其中l表示训练样本数量。(3)确定BP神经网络的具体架构；进一步地，所述步骤(3)具体包括：(31)将采集的气体种类数量设定为BP神经网络输入层的输入节点的个数，每个节点的维度为2,分别为溶解量和浓度值对应的特征向量数据。本专利技术采用步骤1中的五种气体种类，设定输入节点为5个。(32)将变压器的运行状态的种类数量设定为BP神经网络输出层的输出节点的数量。变压器的运行状态包括故障状态和正常状态，故障状态一般可分为两类：过热故障和放电故障，过热故障按温度高低，可区分为中低温过热与高温过热两种情况；放电故障又可依据能量密度的不同，可分为低能量放电与高能量放电两种类型，所述加上正常状态，共有五种运行状态，本专利技术将BP神经网络的输出节点设定为5个。(33)为了较合理选择隐藏层h的节点数，通常借助经验公式确定隐藏层h的节点数：或其中，α是介于1和10之间的常数，input代表输入节点数,output代表输出节点数。在这里，我们根据经验公式确定隐藏层节点的数量h＝5，一般BP网络结构如图1所示，至此神经网络架构搭建完成。(4)通过Apriori算法确定BP神经网络的初始权重；进一步地，所述步骤(4)包括：(41)根据实验样本数据，分析特征向量数据与变压器运行状态的关系，并予以量化，作为神经网络初始权重值。将变压器运行时各种气体的溶解量与浓度值特征向量集合定义为X，变压器的各种运行状态集合定义为Y，即：Xn＝{n种特征向量}Ym本文档来自技高网...

【技术保护点】
1.一种基于Apriori-BP算法的变压器故障诊断方法，其特征在于：包括如下步骤：/n利用变压器油中气体的特征向量数据与对应的变压器运行状态，对BP神经网络进行训练，得到Aprori-BP预测模型；/n将变压器油中实时的气体的特征向量数据输入Aprori-BP预测模型，得到变压器状态的预测。/n

【技术特征摘要】
1.一种基于Apriori-BP算法的变压器故障诊断方法，其特征在于：包括如下步骤：
利用变压器油中气体的特征向量数据与对应的变压器运行状态，对BP神经网络进行训练，得到Aprori-BP预测模型；
将变压器油中实时的气体的特征向量数据输入Aprori-BP预测模型，得到变压器状态的预测。


2.根据权利要求1所述的一种基于Apriori-BP算法的变压器故障诊断方法，其特征在于：所述变压器油中气体的特征向量数据获取步骤如下：
获取变压器油中几种气体的溶解量及浓度值，以及对应的变压器不同运行状态；
分别对变压器不同运行状态下各种气体的溶解量与浓度值取l个样本，并按气体种类进行归一化处理，得到变压器不同运行状态下各种气体的特征向量数据。


3.根据权利要求2所述的一种基于Apriori-BP算法的变压器故障诊断方法，其特征在于：每种气体溶解量和浓度值进行归一化处理的公式如下：



其中：为第j个数据的第i维特征值，ximax与ximin分别为数据集中第i维数据的最大值与最小值，i∈{0,1}，0和1两个维度分别代表溶解量和浓度值，j∈{1,...,l}，其中l表示训练样本数量。


4.根据权利要求3所述的一种基于Apriori-BP算法的变压器故障诊断方法，其特征在于：所述BP神经网络包括输入层、隐藏层、输出层，将采集的气体种类数量设定为BP神经网络输入层的输入节点的个数，每个节点的维度为2,分别为溶解量和浓度值对应的特征向量数据；将变压器的运行状态的种类数量设定为BP神经网络输出层的输出节点的数量；利用经验公式计算隐藏层h的节点数：

或
其中，α是介于1和10之间的常数，input代表输入节点数,output代表输出节点数。

【专利技术属性】
技术研发人员：蒿峰，文志刚，郭抒翔，白永祥，继红，海威，王福贺，王晓光，乌日恒，高博，邹大云，袁飞飞，
申请(专利权)人：内蒙古电力集团有限责任公司电力调度控制分公司，南京南瑞继保工程技术有限公司，
类型：发明
国别省市：内蒙古;15