【技术实现步骤摘要】
本专利技术涉及变压器故障监测，特别涉及一种用于油中溶解气体监测装置准确性评价的方法。
技术介绍
1、大型油浸式电力变压器是电网中最重要的电力设备之一，承担着电能输送和电压变换等重要任务。变压器运行的可靠性关乎电网的安全运行，一旦发生变压器因故障停运的情况，则极有可能引发电网大面积限电或停电，从而造成巨大的经济损失和不良的社会影响。因此，准确的故障诊断是变压器安全可靠运行的有力保障。目前常用的故障诊断方法便是变压器油中溶解气体在线监测技术，该技术通过对变压器油中溶解气体在线监测,就能准确地反映变压器的主要状况,使管理人员能随时掌握各站主变的运行状态,以便及时作出决策,预防事故的发生。
2、油中溶解气体监测装置包括油样采集、油气分离、气体组份分离、气体检测、数据采集、数据通信、数据诊断分析等模块。由于没有成型的模块化技术标准手段，部分油中溶解气体监测装置缺乏有效的数据处理及数据挖掘方法，使得精度不高，可靠性不足。从而，无法很好的利用、挖掘现有油中溶解气体监测数据及其变化趋势，实现对主设备的潜伏性故障的在线监测，严重影响该片区的健康供电。
技术实现思路
1、本专利技术公开了一种用于油中溶解气体监测装置准确性评价的方法，它可以准确的评价油中溶解气体监测装置，有利于变压器安全运行。
2、它通过这样的技术方案实现的，油中溶解气体监测装置包括油气分离模块、组分分离模块和气体检测模块，具体方法如下：
3、对待评价油中溶解气体监测装置的油气分离模块、组分分离模块和
4、将三个模块评分输入基于woa优化的bp神经网络模型，预测该待评价油中溶解气体监测装置的最终评分。
5、该实施例的优点在于，可以根据有限数量的技术组合油气分离模块、组分分离模块和气体检测模块与油中溶解气体监测装置最终效果的函数关系，对于训练好的bp神经网络模型，可预测出任意不同技术组合的最终效果，有助于油中溶解气体监测装置的研发与评价。
6、进一步地，对待评价油中溶解气体监测装置的油气分离模块进行模块评分，具体方法如下：
7、油气分离模块可采用的技术方法包括薄膜透气法、机械振荡法、动态顶空取气法、抽真空取气法、毛细管油气分离法和油中吹气法；
8、根据分离故障特征气体的分离速度，对六种油气分离方法，分别进行油气分离方法评分；所述故障特征气体包括一氧化碳、二氧化碳、氢气、甲烷、乙炔、乙烯、乙烯和乙烷；
9、根据对待评价油中溶解气体监测装置油气分离模块采用的技术方法，以对应的方法评分作为待评价油中溶解气体监测装置中油气分离模块的模块评分。
10、进一步地，对待评价油中溶解气体监测装置的组分分离模块进行模块评分，具体方法如下：
11、组分分离模块可采用的色谱柱包括：分子筛色谱柱、活性炭色谱柱、氧化铝色谱柱、硅胶色谱柱、高分子聚合物色谱柱和化学键和固定相色谱柱；
12、根据不同色谱柱对故障特征一氧化碳、二氧化碳、氢气、甲烷、乙炔、乙烯和乙烷的组分分离效率，对不同色谱柱进行色谱柱评分；
13、根据待评价油中溶解气体监测装置组分分离模块采用的色谱柱类型，以对应的色谱柱评分作为待评价油中溶解气体监测装置组分分离模块的模块评分。
14、进一步地，对待评价油中溶解气体监测装置的气体检测模块进行模块评分，具体方法如下：
15、气体检测模块可采用的检测方法包括：半导体检测法、红外光谱检测法、拉曼光谱检测法、光声光谱检测法和气相色谱检测法；
16、获取不同检测法对故障特征一氧化碳、二氧化碳、氢气、甲烷、乙炔、乙烯和乙烷的检测灵敏度；根据检测灵敏度为不同的检测法评分；
17、根据待评价油中溶解气体监测装置气体检测模块采用的检测法，以对应的检测法评分作为待评价油中溶解气体监测装置气体检测模块的模块评分。
18、进一步地，bp神经网络模型的训练数据获取方法如下：
19、随机排列组合部分采用不同技术的油气分离模块、组分分离模块和气体检测模块，构建若干用于油中溶解气体监测的试验装置；
20、针对每台试验装置分别进行油中溶解气体监测试验，以溶解气体监测准确率标注每个试验装置；
21、以每个试验装置对应的三个模块评分和对应标注的溶解气体监测准确率构建训练数据。
22、该实施例的优点在于，当三个关键模块评分不同时，装置整体的评价不能按照关键平均分来评价，例如第一个装置三个模块分别是90分、90分、30分，平均分为70分，第二个装置三个模块分别是60分、60分、60分，平均分为60分，但实际使用过程中，第二装置的油中溶解气体监测准确度明显高于第一个装置，通过bp神经网络模型，可拟合模块变化与最终评分的变化规则，给予装置准确的评价。
23、进一步地，bp神经网络模型的构建方法如下：
24、设定bp神经网络模型的结构，并初始化；
25、输入节点数为3，输出节点数为1，通过经验公式hiddennum＝sqrt(m+n)+a确定隐藏层的节点个数，其中m为输入层节点个数，n为输出层节点个数，a为1至10之间的整数，结果显示隐藏神经元节点数为11；
26、bp神经网络模型的训练次数设定为1000，学习速度为0.01，训练目标最小误差为1×10-6，显示频率为25，动量因子为0.01，最小性能梯度为1×10-6，最高失败次数为6，各层间的权值和阈值在(-1，1)区间内取随机数。
27、进一步地，通过鲸鱼优化算法woa对bp神经网络模型的权值参数进行优化，具体方法如下：
28、初始化鲸鱼优化算法；
29、初始种群规模设定为20，最大进化代数为60，对个休的位置向量和最优位置鲸鱼得分进行实始化，对收敛曲线进行初始化，对自变量上下限进行初始化；
30、采用以下公式作为bp神经网络模型的评价函数，既鲸鱼个体的适应度值：
31、
32、其中，n为训练的样本个数，yd和y0分别为第k个样本数据预测的输出值和实际的输出值；适应度函数为测试集整体的均方误差平均值，适应度函数值越小，表明训练越准确；
33、对每一头鲸鱼的适应度值进行计算，根据适应度的值对其进行排序，确定最好的鲸鱼位置，并对参数进行更新；
34、对每一个鲸鱼个体进行多维度循环运算，根据随机参数p选择收缩包围机制或螺旋更新位置进行计算，对鲸鱼移动的位置进行更新；
35、重复移动鲸鱼以及计算，直到达到预设的终止条件，达到终止条件后对最优解进行输出，作为bp神经网络模型的权值和阈值。
本文档来自技高网...【技术保护点】
1.一种用于油中溶解气体监测装置准确性评价的方法，油中溶解气体监测装置包括油气分离模块、组分分离模块和气体检测模块，其特征在于，具体方法如下：
2.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，对待评价油中溶解气体监测装置的油气分离模块进行模块评分，具体方法如下：
3.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，对待评价油中溶解气体监测装置的组分分离模块进行模块评分，具体方法如下：
4.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，对待评价油中溶解气体监测装置的气体检测模块进行模块评分，具体方法如下：
5.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，BP神经网络模型的训练数据获取方法如下：
6.权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，BP神经网络模型的构建方法如下：
7.权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，通过鲸鱼优化算法WOA对BP神经网
...【技术特征摘要】
1.一种用于油中溶解气体监测装置准确性评价的方法，油中溶解气体监测装置包括油气分离模块、组分分离模块和气体检测模块，其特征在于，具体方法如下：
2.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，对待评价油中溶解气体监测装置的油气分离模块进行模块评分，具体方法如下：
3.如权利要求1所述的用于油中溶解气体监测装置准确性评价的方法，其特征在于，对待评价油中溶解气体监测装置的组分分离模块进行模块评分，具体方法如下：
4.如权利要求1所述的用于油中溶解气体监测...
【专利技术属性】
技术研发人员：杨定乾，周渠，许广虎，何丹东，俞华，黄龙，韩丹丹，杜嘉宝，杜兆广，李龙飞，冯煜轩，
申请(专利权)人：国网新疆电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。