基于DBN-ISSA-KELM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基于DBN

【技术实现步骤摘要】
基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法及系统


[0001]本专利技术涉及变压器故障诊断
，尤其涉及基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法及系统。

技术介绍

[0002]电力变压器作为电力系统中电能传输与分配的核心设备，其内部构造复杂且造价昂贵。变压器内部绝缘材料在电场、温度等因素的长期作用下，会逐步发生老化与裂解，严重时将导致变压器故障，影响电网的正常供配电，造成巨大的经济损失。因此，建立有效的变压器故障诊断方法有助于及时发现变压器中存在的潜在故障，提前安排检修计划，对提高电网安全稳定运行具有重要意义。
[0003]目前，油中溶解气体分析(Dissolved Gas Analysis,DGA)是油浸式电力变压器故障诊断的一种有效手段，该方法通过分析溶解气体数据判断变压器内部可能发生的故障类型，受外界环境干扰较小，可靠性高。传统基于DGA的变压器故障诊断方法主要包括：特征气体含量及组分法、特征气体比值法(三比值法、四比值法)等。前者主要依赖于长期积累的经验而进行定性判断，应用于多重故障分析时较为复杂。后者主要基于阈值判断，仅当变压器油中溶解的气体组分及产气速率超过注意值时，才能做出有效判断，且气体比值边界处的编码划归过于绝对、模糊性较大，导致其对同性质故障的严重程度识别能力较弱，诊断结果存在局限性且误诊率高。
[0004]随着智能算法和机器学习等模型的不断优化与发展，电力设备的故障诊断方法也逐渐智能化，基于聚类、神经网络、支持向量机、极限学习机等理论的变压器智能故障方法，一定程度上提高了故障诊断的精度和速度。但传统聚类算法的分类结果受算法初始值及噪声数据的影响，聚类效果较差，故障识别准确率低，难以满足实际工程的需要。人工神经网络则需要通过误差的反向传播以调整网络权值和阈值，自动建立状态信息与故障类型之间的映射关系，无需人工干预；但该网络训练过程的收敛速度慢，耗时长。支持向量机本质上是一种二分类器，不适用于变压器的大数据、多分类故障诊断；因此，急需设计一种新的基于智能算法和机器学习的变压器故障诊断方法，以满足现有技术中对于变压器故障诊断的技术需求。

技术实现思路

[0005]为了针对现有技术中，浅层机器学习在特征提取方面的不足等问题，本专利技术的目的是提供一种基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，用于增强其对变压器故障诊断的能力。
[0006]为了实现上述技术目的，本专利技术提供了基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，包括以下步骤：
[0007]构建深度置信网络DBN，根据通过麻雀搜索算法ISSA进行优化的核极限学习机KELM，对深度置信网络DBN进行改进；
[0008]基于改进后的深度置信网络DBN，通过对变压器故障样本的油中溶解气体浓度的比值数据进行特征提取，获取气体比值特征值与变压器故障类型间的映射关系，对变压器进行故障诊断。
[0009]优选地，在通过麻雀搜索算法ISSA对核极限学习机KELM进行优化的过程中，利用Levy变异因子改进的麻雀搜索算法ISSA，对KELM模型中的惩罚因子和核函数参数进行优化，用于通过麻雀搜索算法ISSA的全局搜索能力，提高故障诊断的稳定性和准确率。
[0010]优选地，在利用Levy变异因子改进的麻雀搜索算法ISSA的过程中，惩罚因子和核函数参数分别对应麻雀搜索算法ISSA的种群个体位置的两个维度信息，其中，种群个体包括追随者和发现者；
[0011]利用Levy变异因子对追随者进行位置更新，用于提高麻雀搜索算法ISSA的全局搜索能力，避免陷入局部最优。
[0012]优选地，在进行位置更新的过程中，位置更新的过程表示为：
[0013][0014]其中，Z
worst，
t、Z
best，t+1
为第t、t+1次迭代后种群中个体的最差、最优位置，为第t次迭代后第i个麻雀个体在第j维的位置信息，A是1
×
d维随机赋值的1或
‑
1矩阵，且满足A
+
＝A
T
(AA
T
)
‑1，L(d)为Levy飞行值，i表示追随者数量。
[0015]优选地，在对深度置信网络DBN进行改进的过程中，根据优化后的核极限学习机KELM，对深度置信网络DBN的softmax分类器进行替换，用于进一步提高故障诊断的稳定性和泛化能力。
[0016]优选地，在获取变压器故障样本的过程中，变压器为油浸式电力变压器；根据油浸式电力变压器在故障前后出现的温度与能量的不同，获取变压器的运行状态，以及变压器产生的特征气体；
[0017]根据运行状态和特征气体，生成变压器故障样本，其中，通过改进后的深度置信网络DBN，获取运行状态和特征气体的映射关系，对变压器进行故障诊断。
[0018]优选地，在获取运行状态的过程中，运行状态包括：正常、中低温过热、高温过热、低能放电、高能放电、局部放电。
[0019]优选地，在获取特征气体的过程中，特征气体包括：H2、CH4、C2H6、C2H4和C2H2；通过三比值法，获取不同组合形式的气体无编码比值作为故障诊断模型的特征参量；
[0020]根据特征参量与运行状态的映射关系，对变压器进行故障诊断。
[0021]优选地，在通过变压器故障样本进行故障诊断的过程中，利用局部异常因子检测算法对原始数据进行异常识别与数据清洗，并将其归一化处理后，生成变压器故障样本。
[0022]本专利技术公开了一种基于DBN
‑
ISSA
‑
KELM的变压器故障诊断系统，包括：
[0023]数据采集模块，用于采集变压器故障样本，并获取变压器故障样本的油中溶解气体浓度的比值数据；
[0024]故障诊断模块，用于基于改进的深度置信网络DBN，获取气体比值特征值与变压器
故障类型间的映射关系，对变压器进行故障诊断，其中，通过构建深度置信网络DBN，根据通过麻雀搜索算法ISSA进行优化的核极限学习机KELM，对深度置信网络DBN进行改进，生成改进的深度置信网络DBN。
[0025]优选地，故障诊断模块，用于利用Levy变异因子对追随者进行位置更新，用于提高麻雀搜索算法ISSA的全局搜索能力，避免陷入局部最优，其中，位置更新的过程表示为：
[0026][0027]其中，Z
worst，t
、Z
best，t+1
为第t、t+1次迭代后种群中个体的最差、最优位置，为第t次迭代后第i个麻雀个体在第j维的位置信息，A是1
×
d维随机赋值的1或
‑
1矩阵，且满足A
+
＝A
T
(AA
T
)
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于，包括以下步骤：构建深度置信网络DBN，根据通过麻雀搜索算法ISSA进行优化的核极限学习机KELM，对所述深度置信网络DBN进行改进；基于改进后的深度置信网络DBN，通过对变压器故障样本的油中溶解气体浓度的比值数据进行特征提取，获取气体比值特征值与变压器故障类型间的映射关系，对变压器进行故障诊断。2.根据权利要求1所述基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于：在通过麻雀搜索算法ISSA对核极限学习机KELM进行优化的过程中，利用Levy变异因子改进的麻雀搜索算法ISSA，对KELM模型中的惩罚因子和核函数参数进行优化，用于通过麻雀搜索算法ISSA的全局搜索能力，提高故障诊断的稳定性和准确率。3.根据权利要求2所述基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于：在利用Levy变异因子改进的麻雀搜索算法ISSA的过程中，所述惩罚因子和所述核函数参数分别对应所述麻雀搜索算法ISSA的种群个体位置的两个维度信息，其中，种群个体包括追随者和发现者；利用Levy变异因子对所述追随者进行位置更新，用于提高所述麻雀搜索算法ISSA的全局搜索能力，避免陷入局部最优。4.根据权利要求3所述基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于：在进行位置更新的过程中，所述位置更新的过程表示为：其中，Z
worst，t
、Z
best，t+1
为第t、t+1次迭代后种群中个体的最差、最优位置，为第t次迭代后第i个麻雀个体在第j维的位置信息，A是1
×
d维随机赋值的1或
‑
1矩阵，且满足A
+
＝A
T
(AA
T
)
‑1，L(d)为Levy飞行值，i表示追随者数量。5.根据权利要求4所述基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于：在对深度置信网络DBN进行改进的过程中，根据优化后的所述核极限学习机KELM，对所述深度置信网络DBN的softmax分类器进行替换，用于进一步提高故障诊断的稳定性和泛化能力。6.根据权利要求5所述基于DBN
‑
ISSA
‑
KELM的变压器故障诊断方法，其特征在于：在获取变压器故障样本的过程中，所述变压器为油浸式电力变压器；根据所述油浸式电力变压器在故障前后出现的...

【专利技术属性】
技术研发人员：徐松晓，马晶晶，杜冬洋，孙悦，
申请(专利权)人：保定吉达电力设计有限公司国家电网有限公司，
类型：发明
国别省市：