一种基于RFID传感标签及IGWO-ELM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RFID传感标签及IGWO

【技术实现步骤摘要】
一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法


[0001]本专利技术涉及变压器故障诊断
，尤其涉及一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法。

技术介绍

[0002]电力变压器作为供电系统关键设备，其运行状态直接关系到整个供电系统安全性和可靠性。在长期运行工作中，变压器绕组和铁芯往往会发生机械结构故障，存在重大安全隐患。因此，对变压器绕组和铁芯进行状态监测及故障诊断具有重大意义。
[0003]现有变压器状态在线监测技术主要有频率响应分析(Frequency Response Analysis,FRA)和油中溶解气体分析(Dissolved Gas Analysis,DGA)等。FRA需与电力系统进行电气连接，整体抗干扰能力较差；DGA不需电气连接，但无法确定绕组铁芯故障具体位置及故障程度。基于振动信号的变压器故障诊断技术只需将振动传感器贴附在油箱壁表面，不需与电网直接电气连接，具有在线监测、灵敏度高、易于操作等优点，近年来已逐渐成为国内外研究热点。传统振本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法，其特征在于，所述方法步骤如下：S1：搭建RFID传感标签变压器信号采集实验平台；S2：实验平台通过无线电波与RFID阅读器之间进行信息交互，RFID传感标签采集变压器振动信号后，RFID阅读器负责将上位机的命令传送给标签，同时RFID阅读器负责将标签返回的数据传送至上位机；上位机在采集变压器振动信号后进行数据预处理，通过将振动信号数据分类整理，模拟变压器实际使用过程中产生的8种状态；S3：上位机将采集的振动信号，经过稀疏深度置信网络SDBN后作为最终分类的特征向量，样本数据按5:3的比例划分为训练集和测试集；S4：将训练集送入改进的极限学习机IGWO
‑
ELM中进行训练；S5：利用测试集对训练好的改进的极限学习机IGWO
‑
ELM进行测试，分析诊断结果并将结果在上位机的显示界面中显示出来。2.根据权利要求1所述的一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法，其特征在于，步骤S2中实验平台通过无线电波与RFID阅读器之间进行信息交互的具体方法步骤如下：S21：由贴附在变压器外壁的RFID传感标签采集变压器的振动信号；S22：RFID传感标签上的取能天线接收来自RFID阅读器的无线电波产生的射频能量，驱动电路工作，将采集的振动信号数据通过无线电波的方式由RFID传感标签上的通信天线发出；S23：阅读器接收来自标签返回的数据，并通过数据线传递给系统层上位机，由上位机完成后续数据处理过程。3.根据权利要求1所述的一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法，其特征在于，步骤S3中上位机将采集的振动信号，经过稀疏深度置信网络SDBN后作为最终分类的特征向量的具体方法步骤如下：S31：把采集到的变压器振动信号分别经过稀疏深度置信网络SDBN，提取深层故障特征，稀疏深度置信网络SDBN的具体构建步骤如下：受限玻尔兹曼机RBM的稀疏性约束：a
j
(x
i
)＝f(w
j
·
x
i
+b
j
)式中：a
j
(x
i
)为隐藏层神经元j的激活度函数，为隐藏层神经元的平均激活值；为满足稀疏性约束条件，要求隐含层神经元平均激活值接近0，因此引入稀疏性参数ρ，通常目标值接近于0，使用KL散度公式来衡量与ρ间距离，使与ρ间距离，使m为隐藏层神经元数，f指的就是激活度函数，i表示信号样本集数量，w表示网络的权重矩阵，b表示偏置参数，x表示信号样本，n表示求和公式的参数，a
j
(x
i
)表示激活度函数：通过在RBM中引入稀疏机制，构建SRBM稀疏深度置信网络模型，使RBM可以学习到稀疏
表达，在此基础上构建SDBN，该结构由若干SRBM串联组成，上一个SRBM隐含层为下一个SRBM可视层，上一个SRBM输出为下一个SRBM输入；S32：通过SDBN模型的特征提取操作，将提取出的特征向量作为后续分类器的输入数据。4.根据权利要求1所述的一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法，其特征在于，步骤S4中改进极限学习机IGWO
‑
ELM的具体方法步骤如下：S41：构建GWO灰狼算法模型；S42：利用混沌因子优化算法使得种群初始化；S43：灰狼攻击阶段引入正态云模型作为狼群更新机制；S44：构建ELM极限学习机算法模型；S45：改进灰狼算法优化极限学习机，建立IGWO
‑
ELM模型。5.根据权利要求4所述的一种基于RFID传感标签及IGWO
‑
ELM的变压器故障诊断方法，其特征在于，步骤S41中构建GWO灰狼算法模型的具体方法步骤如下：S411：社会等级分层，灰狼算法中构建灰狼的社会等级层次模型，需要计算狼群中个体的适应度，把适应度最好的三匹狼分别标记为α、β、δ，剩下的灰狼标记为狼；S412：包围猎物，灰狼发现猎物时，先计算出灰狼与猎物间距离D后，灰狼不断更新位置，逐渐靠近包围猎物，该行为的数学公式表示如下：D＝C
·
X
p
(t)
‑
X(t)X(t+1)＝X
p
(t)
‑
A
·
DA＝2a
·
r1‑
aC＝2
·
r2式中：X(t)为灰狼当前位置；X
p
(t)为猎物当前位置；t为迭代次数；A，C为协同系数；r1和r2是随机数，范围[0,1]；a是收敛因子；S413：狩猎攻击，灰狼发现猎物后，β、δ狼在决策者α狼的指令下包围猎物；由于无法确定猎物的精确位置，假设α、β、δ狼具有对目标的强识别能力，在每次识别行为中，根据α、β...

【专利技术属性】
技术研发人员：李兵，李强，谢长健，佐磊，尹柏强，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：