基于学习脉冲神经膜系统的变压器故障诊断方法技术方案

本发明专利技术公开了一种基于学习脉冲神经膜系统的变压器故障诊断方法，包括步骤：使用信念AdaBoost算法，将多个学习脉冲神经膜系统作为弱分类器构造强分类器；获取待测变压器的油色谱数据，使用强分类器进行故障诊断，得到变压器的故障类型。油色谱数据为变压器油中溶解气体含量的七种无编码比值，七种无编码比值为甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和；故障类型为：中低温过热、高温过热、局部放电、低能放电或高能放电。本发明专利技术提高了诊断模型的泛化能力，诊断方法提高了变压器故障诊断准确率，适用性更好。用性更好。用性更好。

【技术实现步骤摘要】
基于学习脉冲神经膜系统的变压器故障诊断方法


[0001]本专利技术涉及电网调度与故障分析
，特别是一种基于学习脉冲神经膜系统的变压器故障诊断方法。

技术介绍

[0002]随着我国电力系统的快速发展与电压等级的不断提高，电力设备的健康状态已经成为影响电能持续稳定供应的关键因素。变压器作为最重要的电力设备之一，是变电站巡检的重要环节之一。当变压器出现故障征兆时，变压器油会迅速分解并产生大量的氢烃类气体。通常根据气体浓度的比值确定变压器故障类型，但对于变压器故障分类准确率不高。现有的故障分类方法绝大多数是单一的故障分类方法，单一故障分类方法的泛化能力很弱。随着人工智能与大数据技术的应用，基于机器学习的变压器故障诊断已经成为研究热点。脉冲神经膜系统作为第三代神经网络的分支，被认为是脉冲神经网络与膜计算的结合，具备处理分类问题的潜力。

技术实现思路

[0003]本专利技术的目的是提供一种基于学习脉冲神经膜系统的变压器故障诊断方法，能够在复杂故障情况下，根据气体浓度的比值准确识别变压器故障类型。
[0004]实现本专利技术目的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于学习脉冲神经膜系统的变压器故障诊断方法，其特征在于，包括，步骤1：使用信念AdaBoost算法，将M个学习脉冲神经膜系统作为弱分类器构造强分类器；1.1获取训练集x
i
，i＝1，2，...，N；x
i
为变压器的油色谱数据；1.2令m＝1，初始化训练集的权重w
m，i
＝1/N；1.3使用第m个学习脉冲神经膜系统对训练集x
i
进行分类得到类别y
i
；y
i
∈{1，2，...，K}，其中{1，2，...，K}分别对应变压器故障类型；1.4获取第m个学习脉冲神经膜系统的第k个故障类型的分类概率其中表示第k个故障类型的数据点x
i
到另一个故障类型的数据点x
j
的距离，k＝1，2，...，K；1.5计算第m个学...

【专利技术属性】
技术研发人员：刘益岑，刘小江，马小敏，范松海，罗磊，吴天宝，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：