一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法技术

本发明专利技术公开了一种基于t

【技术实现步骤摘要】
一种基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法


[0001]本专利技术涉及变压器套管
，具体说是一种基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]油纸电容式套管是变压器的重要出线装置。套管在运行过程中要承受强机械力、大电流和高电压的长时间作用，还要承受雨、雾等潮湿天气和污染物的影响，绝缘性能会逐渐发生劣化，严重时会导致爆炸事故，不仅造成套管本身损坏，还可能导致事故进一步扩大，对变压器和附近设备构成严重威胁，甚至引起大面积停电事故和人身伤亡，造成社会秩序混乱和重大的经济损失，因此套管的绝缘可靠性对电网安全运行非常关键。
[0004]随着我国电网规模的不断增大，对套管各方面的性能要求越来越高，套管绝缘问题越来越受到重视。套管存在的绝缘缺陷需要及时发现并处理，利用人工智能算法研究套管绝缘缺陷的诊断方法，为套管实际运行提供合理的科学依据，从而对套管的运行状态进行监测和评估以及采用高效的维护检修方式，为电力可靠供应和大电网的建设提供保障。另一方面套管的顶部、电容芯子、末屏、下瓷套和底端均压环处均可能出现故障，并且事故具有偶发性的特点，因此日常的总结典型缺陷类型识别方法能够在一定程度上防范套管事故的发生。
[0005]专利技术人研究发现，目前，在交流套管典型缺陷局部放电研究方面，现有方法为对比不同放电类型下的局部放电谱图统计特征，人工找出谱图的特征量，缺乏应用智能算法进行缺陷识别的研究，且局部放电特征量较多，模式识别效率较低。因此效率高、不确定性小的变压器套管典型缺陷类型识别方法亟待研发。

技术实现思路

[0006]为解决现有方法存在的变压器套管典型缺陷类型识别方法识别效率较低、不确定性较高、受干扰的影响较大，不适用于大样本数据处理的问题，本专利技术的目的是提供基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法，不再局限于人工判断缺陷类型，实现了对变压器套管典型缺陷类型更为准确和可靠的识别。
[0007]本专利技术为实现上述目的，通过以下技术方案实现：
[0008]一种基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法，包括以下步骤：
[0009]获取变压器套管局部放电PRPD谱图数据；
[0010]提取局部放电谱图特征量，输入t
‑
SNE中降低特征量维数；
[0011]将降维后的局部放电数据输入到预设核极限学习机模型中，得到缺陷类型。
[0012]作为可能的一些实现方式，t
‑
SNE算法降低特征量维数，包括：
[0013]将采集的PRPD谱图转换成最大放电量
‑
相位分布平均放电量
‑
相位分布放电重复率
‑
相位分布放电重复率
‑
放电量分布H
n
(q)二维谱图；
[0014]提取多维局部放电谱图特征量；
[0015]降低特征量维数至二维或三维，步骤为；
[0016](1)构建高维空间联合概率分布
[0017]定义高维数据X＝{x1，x2，...，x
n
}，数据点x
i
、x
j
之间相似的条件概率p
j|i
为：
[0018][0019]p
j|i
反映x
i
选择x
j
为近邻的概率。式中，σ
i
是以x
i
为中心的高斯分布P
i
的方差，根据困惑度Perp和二分搜索确定，Perp(P
i
)＝2
H(Pi)
。H(P
i
)为P
i
的香农信息熵：
[0020][0021]数据点x
i
、x
j
相似度的联合概率pij为：
[0022][0023](2)构建低维空间联合概率分布
[0024]假设高维数据X在低维空间的映射为Y＝{y1，y2，..，y
n
}，高维数据x
i
、x
j
映射到低维空间为y
i
、y
j
。y
i
、y
j
相似度的联合概率qij为：
[0025][0026](3)计算低维嵌入数据
[0027]t
‑
SNE通过梯度下降法使KL散度最小从而得出低维嵌入，最小化目标函数C和梯度下降法定义为：
[0028][0029][0030]根据下式获得低维数据：
[0031][0032]其中，t代表迭代次数，η代表学习率，α代表动量因子。
[0033]优选的，变压器套管典型缺陷类型识别方法的步骤具体包括：
[0034]采集变压器套管典型缺陷类型的局部放电数据；
[0035]将获取的数据按预设比例随机抽取得到训练样本数据集和测试数据集；
[0036]提取局部放电谱图的特征量，建立变压器套管局部放电数据库；
[0037]利用t
‑
SNE算法降低变压器套管局部放电特征量维数并可视化；
[0038]对缺陷类型设置标签作为训练的输出样本；
[0039]将变压器套管局部放电训练样本数据集作为输入量，训练核极限学习机模型；
[0040]在训练后的核极限学习机模型上对测试数据集进行变压器套管缺陷识别得出缺陷类型，进行模型验证。
[0041]作为可能的一些实现方式，核极限学习机识别套管典型缺陷，包括：
[0042]将降维后的数据按预设比例随机抽取得到训练样本数据集和测试数据集；
[0043]对缺陷类型设置标签作为训练的输出样本；
[0044]将变压器套管局部放电训练样本数据集作为输入量，训练核极限学习机模型；
[0045]核极限学习机模型的输出为：
[0046][0047]其中，n为样本数量，(x1，x2，...，x
n
)为训练样本，K为核函数，I为单位矩阵，Ω
ELM
为核矩阵；
[0048]核矩阵为：
[0049]Q
ELM
＝h(x
i
)
·
h(x
j
)＝K(x
i
，x
j
)
[0050]其中，h(x)为隐含层节点输出；
[0051]在训练后的核极限学习机模型上对测试数据集进行变压器套管缺陷识别得出缺陷类型，进行模型验证。
[0052]优选的，变压器套管典型缺陷类型包括套管顶部悬浮放电、套管均压环悬浮放电、套管下瓷套沿面放电、套管末本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法，其特征在于：包括以下步骤：获取变压器套管局部放电PRPD谱图数据；提取局部放电谱图特征量，输入t
‑
SNE中降维；将降维后的局部放电数据输入到预设核极限学习机模型中，得到缺陷类型。2.如权利要求1所述的基于t
‑
SNE和核极限学习机的变压器套管典型缺陷类型识别方法，其特征在于：具体包括以下步骤：采集变压器套管典型缺陷类型的局部放电数据；将获取的数据按预设比例随机抽取得到训练样本数据集和测试数据集；提取局部放电谱图的特征量，建立变压器套管局部放电数据库；利用t
‑
SNE算法降低变压器套管局部放电特征量维数并可视化；对缺陷类型设置标签作为训练的输出样本；将变压器套管局部放电训练样本...

【专利技术属性】
技术研发人员：于柠源，张雷，李震，任庆帅，刘丙伟，安滨，王人杰，夏苗，于倩，王冬至，潘玉美，肖文文，安琪，杨金洪，王希，石峰健，焦新敬，国力，赵文琦，毛宇，
申请(专利权)人：国网山东省电力公司检修公司，
类型：发明
国别省市：